تفشل 80% من مشاريع الذكاء الاصطناعي في تحقيق القيمة التجارية المقصودة، ووفقًا لدراسة أجراها معهد ماساتشوستس للتكنولوجيا لعام 2025، فإن 95% من المشاريع التجريبية للذكاء الاصطناعي التوليدي حققت عائدًا صفريًا قابلاً للقياس.
عندما تتعطل المبادرات، فإننا نلوم النموذج بشكل غريزي. وهذا تشخيص غير صحيح ومكلف.
لكن النماذج نادرا ما تكون هي المشكلة؛ البيئة المحيطة بهم هي. وعلى عكس قدرات النموذج، فإن هذه البيئة تخضع بالكامل لسيطرة المنظمة.
كبير مسؤولي البيانات، هيبو.
يتم تقييم نماذج الذكاء الاصطناعي في ظل ظروف خاضعة للرقابة، بما في ذلك المدخلات النظيفة والأهداف المحددة والمتغيرات المستقرة. بيئات الشركات هي عكس ذلك.
وهي عبارة عن أنظمة ذات طبقات تم إنشاؤها على مدار سنوات، وفي كثير من الأحيان عقود، ولكل منها هياكل بيانات خاصة بها، ودورات تحديث، ومنطق أعمال مدمج. ولم يتم تكييف النموذج مسبقًا لهذا التعقيد.
إن النظر بوعي في كيفية تدفق البيانات وتفاعل الأنظمة واستخدام النتائج هو عمل تنفيذي تقلل معظم المؤسسات من تقديره. ويضيع قدر كبير من قيمة الذكاء الاصطناعي في هذه الفجوة.
لماذا ينهار الذكاء الاصطناعي للمؤسسات بالفعل؟
من خلال تجربتي، تندرج حالات فشل الذكاء الاصطناعي باستمرار ضمن إحدى الفئات الثلاث أدناه. وبغض النظر عن المشكلة، فمن الممكن حل كل منها، والشركات التي تتعامل معها تثبت ذلك بالفعل.
1. الأنظمة غير مستعدة
معظم حالات فشل الذكاء الاصطناعي في المؤسسات لا علاقة لها بالذكاء الاصطناعي نفسه. المشكلة الحقيقية هي أن معظم أنظمة الأعمال تتسم بالفوضى خلف الكواليس ولم يتم تصميمها للعمل معًا؛ يعمل على مزيج من البرامج القديمة، تم قطع اتصاله الأنظمة السحابية والمحلية، والتكاملات القديمة، وأدوات الطرف الثالث، وسنوات من الحلول المتعددة الطبقات.
والنتيجة هي بيانات غير متسقة، ويتم تصنيف المعلومات نفسها أو تخزينها بشكل مختلف اعتمادًا على مكان وجودها، ولا يزال يتعين على الموظفين تصحيح أي أخطاء أو فجوات لضمان استمرارية العمل. لكي يعمل الذكاء الاصطناعي بشكل صحيح، يجب معالجة كل هذا التعقيد وتخفيفه.
إن التغلب على هذه المشكلة بالذات يتطلب تحسين التكامل؛ فرض عقود المخطط عند الاستيعاب، واستخدام مسارات التقاط التغيير للحفاظ على حالة متسقة، وفصل الاستدلال النموذجي عن سير العمل التشغيلي لمنع المزيد من حالات الفشل. وينبغي أيضًا توحيد بيانات المدخلات قبل الوصول إلى النموذج، ويجب تصميم المخرجات بطريقة يمكن دمجها مباشرة في العمليات النهائية.
ويمكن ملاحظة ذلك بالفعل في مطالبات التأمين، على سبيل المثال، حيث تعمل عمليات التنفيذ الناجحة جنبًا إلى جنب مع الأنظمة الأساسية ومعالجة البيانات المنظمة وغير المنظمة كجزء من الإخطار بالخسارة الأولى، ومعالجة المستندات وسير عمل التحكيم. والنتيجة هي اتخاذ قرارات أسرع وأكثر اتساقا وإنتاجية أعلى دون زيادة متناسبة في تشغيل العمالة. النموذج هو المكون المرئي والتكامل هو المكان الذي يتم فيه إنشاء القيمة.
2. البيانات ليست جاهزة
على الرغم من الأسطورة المستمرة والضارة بأن الذكاء الاصطناعي سيصلح البيانات السيئة، فإن الأمر ليس كذلك. على أية حال، فهي تفعل العكس تمامًا، حيث تكشف البيانات السيئة بشكل أسرع بكثير وعلى نطاق أوسع من أي تقنية سابقة.
لفترة طويلة جدًا، اعتمدت المؤسسات على الأشخاص ذوي الخبرة للتعويض عن البيانات غير الكاملة أو غير المنسقة أو سيئة السياق. يعرف المحلل الماهر المجال الذي يجب الوثوق به عندما يختلف نظامان، في حين يعرف مسؤول تسوية المطالبات أن مصدرًا معينًا لديه تأخير لمدة ثلاثة أيام.
ومع ذلك، فإن الاعتماد على هذه البطانية الأمنية أدى بشكل أساسي إلى تغطية مشكلات البيانات المنظمة التي لم تتم معالجتها بشكل صحيح على الإطلاق. لذلك عندما يأتي الذكاء الاصطناعي، فإنه يكشف كل شيء.
وفي غياب الذاكرة المؤسسية، والتسامح مع الغموض، والقدرة على التعويض عن السياق الذي لم يتم توفيره قط، فإنها تقوم ببساطة بمعالجة البيانات، ونشرها، ودمجها في القرارات، على نطاق واسع وبسرعة.
تطبيقات الذكاء الاصطناعي تولد حلولاً حقيقية وقابلة للقياس قيمة الأعمال لها قاسم مشترك واحد: كانت البيانات جاهزة قبل إنشاء النموذج. لا يتعلق الأمر بجهود جودة البيانات العامة، بل يتعلق ببناء البيانات كبنية تحتية تتضمن نماذج بيانات أساسية مع معرفات ثابتة للكيانات الرئيسية مثل العملاء والسياسات والمطالبات.
إنها بنية تحتية للبيانات تتميز بالاتساق بين التدريب والاستدلال والمصدر المدمج لتتبع النتائج والتحقق من صحتها. وهي أيضًا بنية تحتية مُدارة للبيانات تعمل كجزء من النظام، مع فرض التعريفات وضوابط الوصول وفحوصات الجودة بشكل مستمر
3. هيكل المنظمة لا يدعم التنفيذ
يتطلب تنفيذ الذكاء الاصطناعي أكثر من ذلك هندسة البرمجيات. يعد مهندسو البرمجيات ضروريين، لكن أنظمة الذكاء الاصطناعي تتصرف بشكل مختلف عن البرامج التقليدية.
فهي حساسة لجودة البيانات، وتخضع للتغيير بمرور الوقت مع انحراف ظروف العالم الحقيقي عن توزيع التدريب، وتتطلب تقييم اختيار النموذج الذي يعد نظامًا مختلفًا تمامًا.
يجلب علماء البيانات ما يلي بالضبط: الخبرة اللازمة لتقييم ما إذا كانت ماجستير إدارة الأعمال للأغراض العامة هي الأداة الصحيحة أو ما إذا كان النهج الأكثر استهدافًا أو القائم على الوكيل هو الأنسب، وتطوير التقييمات بناءً على واقع الإنتاج بدلاً من المعايير، واكتشاف تدهور الأداء قبل أن يصبح مشكلة عمل.
إن المؤسسات التي تستخدم برامج الذكاء الاصطناعي كمشاريع برمجية سوف تصل باستمرار إلى الحد الأقصى الذي لا يمكن لأي قدر من تحديثات النماذج حله.
الذكاء الاصطناعي هو نظام تشغيلي خاص به، والهدف هو ألا يتحمل أي نظام العبء بمفرده. يضمن مهندسو البيانات موثوقية خطوط الأنابيب؛ ويقوم علماء البيانات بتصميم أطر التقييم ومراقبة الأداء؛ تقوم فرق النظام الأساسي بإدارة النشر وإمكانية المراقبة؛ وتضمن فرق الإدارة الامتثال وإمكانية التتبع.
وجدت دراسة ديلويت لحالة المؤسسات في مجال الذكاء الاصطناعي لعام 2026 أن الفجوات في المهارات هي أكبر عائق أمام تكامل الذكاء الاصطناعي، حيث تستجيب معظم الشركات من خلال التدريب بدلاً من التغيير الهيكلي. ما يغير النتائج فعليًا هو التعامل مع تكوين الفريق كقرار استراتيجي يتم اتخاذه بنفس القدر من التأثير مثل اختيار النموذج.
فارق حقيقي
عادةً ما يكون لدى الشركات التي تستمد قيمة حقيقية من الذكاء الاصطناعي شيء واحد مشترك، وهو أنها جميعها قامت بالعمل التشغيلي الشاق أولاً.
يتم تنظيم بياناتهم، وتتحدث الأنظمة مع بعضها البعض، ويتم توصيل نتائج الذكاء الاصطناعي بسير عمل يومي حقيقي، بدلاً من الجلوس في لوحة معلومات لا يستخدمها أحد. وعندما ينكسر شيء ما أو يخرج عن مساره، هناك عملية يمكنك من خلالها اللحاق به.
وهذه فجوة تفتقدها العديد من الشركات. شراء الوصول إلى نموذج قوي هو الجزء السهل. إن ضمان التشغيل الموثوق في مؤسسة حقيقية – مع بيانات غير منظمة وأنظمة منفصلة وفرق تعمل في صوامع – هو المكان الذي ينهار فيه كل شيء.
في نهاية المطاف، الذكاء الاصطناعي ليس طبقة سحرية يمكن إسقاطها على الأساسات المدمرة. ولا بد من إصلاح الأساسيات أولا، وهذا يعني الاستثمار في بيانات أنظف، وبنية تحتية أفضل، وأنظمة قادرة بالفعل على دعم التشغيل الآلي على نطاق واسع.
أفضل تخزين سحابي: تم اختباره وإثبات كفاءته وتقييمه من قبل الخبراء.
تم إنشاء المقالة كجزء من توقعات TechRadar بروتعرض قناتنا أفضل وألمع العقول في صناعة التكنولوجيا اليوم.
الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالتعاون، يمكنك العثور على مزيد من المعلومات هنا: https://www.techradar.com/pro/perspectives-how-to-submit
