يشهد الذكاء الاصطناعي اليوم تحولًا غير مسبوق من تقنية ناشئة إلى أولوية استراتيجية على أجندات مجالس الإدارات والقيادات التنفيذية. ومع ذلك، فإن اتساع استخدام الذكاء الاصطناعي داخل المؤسسات لا يعني بالضرورة تحقيق أثر مؤسسي مستدام أو قيمة أعمال قابلة للقياس. فبينما تنجح العديد من المبادرات في إثبات الإمكانية التقنية، تتوقف نسبة كبيرة منها قبل أن تصبح جزءًا من التشغيل اليومي للمؤسسة.
تكشف التجربة العملية أن المشكلة لا تكمن غالبًا في الخوارزمية أو النموذج اللغوي أو البنية التقنية، وإنما في غياب الأسس المؤسسية اللازمة لتحويل التقنية إلى نتائج أعمال. تبدأ هذه الفجوة عادة قبل تطوير الحل، عند اختيار مشكلة لا تمثل أولوية استراتيجية، أو إطلاق مبادرة دون مالك أعمال واضح، أو الاعتماد على بيانات غير جاهزة، أو محاولة إضافة الذكاء الاصطناعي إلى عمليات تحتاج أصلًا إلى إعادة تصميم.
الفكرة الجوهرية: النجاح التقني لا يساوي النجاح المؤسسي، والقيمة الحقيقية تتحقق عندما يصبح الذكاء الاصطناعي جزءًا من نموذج التشغيل وليس مجرد مشروع تقني.
تشير نتائج استطلاع McKinsey Global Survey on AI 2025 إلى أن غالبية المؤسسات أصبحت تستخدم الذكاء الاصطناعي في وظيفة أعمال واحدة على الأقل، إلا أن عددًا أقل بكثير استطاع تحويل هذه المبادرات إلى أثر مؤسسي واسع النطاق. كما توصلت دراسة Boston Consulting Group إلى أن نسبة محدودة فقط من المؤسسات تمكنت من تجاوز مرحلة إثبات المفهوم وتحقيق قيمة أعمال ملموسة على مستوى المؤسسة.
يناقش هذا المقال الأسباب المؤسسية الأكثر شيوعًا التي تؤدي إلى تعثر مبادرات الذكاء الاصطناعي، ويقدم إطارًا عمليًا يساعد القيادات على الانتقال من مرحلة التجارب التقنية إلى مرحلة التشغيل المؤسسي المستدام.
هل تفشل فعلًا 80% من مشاريع الذكاء الاصطناعي؟
تنتشر كثيرًا عبارة تقول إن 80% من مشاريع الذكاء الاصطناعي تفشل. ورغم شيوع هذه النسبة، فإن التعامل معها باعتبارها حقيقة عالمية ثابتة لا يعكس الصورة الكاملة.
يشير تقرير RAND Corporation إلى أن هذه النسبة وردت في بعض التقديرات المنشورة، ثم ركز التقرير على دراسة الأسباب الجذرية لتعثر المبادرات من خلال مقابلات مع خبراء في علوم البيانات والهندسة والقيادة التقنية، بدلًا من محاولة إثبات نسبة موحدة للفشل.
لذلك، لا ينبغي أن ينشغل القادة التنفيذيون بالنسبة نفسها، بل بالسؤال الأكثر أهمية:
لماذا تنجح بعض المؤسسات في تحويل الذكاء الاصطناعي إلى ميزة تنافسية، بينما تبقى مؤسسات أخرى عالقة في دائرة التجارب المتكررة؟
تعتمد الإجابة على مجموعة من العوامل التنظيمية والتشغيلية، وليس على جودة النموذج أو قوة البنية التحتية وحدهما.
السبب الأول: البدء بالتقنية بدلًا من مشكلة الأعمال
يبدأ عدد كبير من مبادرات الذكاء الاصطناعي بسؤال تقني:
- كيف يمكن استخدام الذكاء الاصطناعي التوليدي؟
- هل نبني مساعدًا ذكيًا؟
- أي نموذج لغوي هو الأفضل؟
- هل نستخدم منصة جاهزة أم نطور حلًا داخليًا؟
ورغم أهمية هذه الأسئلة، فإنها لا تمثل نقطة البداية الصحيحة. فالاستثمار الناجح في الذكاء الاصطناعي يبدأ دائمًا من مشكلة أعمال محددة، يمكن قياس أثر حلها على الأداء المؤسسي.
من الأمثلة على ذلك:
- ارتفاع زمن معالجة الطلبات.
- انخفاض جودة تقييم المخاطر.
- صعوبة الوصول إلى المعرفة المؤسسية.
- تكرار العمل بين الإدارات.
- بطء اتخاذ القرارات التشغيلية.
- ارتفاع تكلفة العمليات المتكررة.
أظهرت نتائج RAND أن سوء تعريف المشكلة وضعف التواصل حول الهدف الحقيقي للمبادرة كانا من أكثر الأسباب التي تكررت في المشاريع المتعثرة. فقد يحقق النموذج دقة مرتفعة من الناحية التقنية، لكنه يحسن مؤشرًا لا يمثل أولوية للأعمال أو لا ينعكس على القرار التشغيلي.
الفرق بين حالة الاستخدام وحالة القيمة
من الأخطاء الشائعة الخلط بين حالة الاستخدام (Use Case) وحالة القيمة (Value Case).
حالة الاستخدام تصف ما ستفعله التقنية، بينما توضح حالة القيمة لماذا يستحق المشروع الاستثمار من الأساس.
| حالة الاستخدام | حالة القيمة |
|---|---|
| تلخيص التقارير باستخدام نموذج لغوي. | تقليل وقت مراجعة التقارير، وتحسين اكتشاف القضايا الحرجة، ورفع جودة القرارات التنفيذية. |
عندما تبدأ المبادرة بحالة قيمة واضحة، يصبح من الممكن تحديد المستخدم المستهدف، وخط الأساس الحالي، والنتيجة المتوقعة، وآلية القياس، والجهة المسؤولة عن تحقيق المنفعة.
Executive Insight
المؤسسات لا تستثمر في الذكاء الاصطناعي لأنها تريد نموذجًا أكثر ذكاءً، بل لأنها تريد نتائج أعمال أفضل. وكل مشروع لا يستطيع ربط التقنية بقيمة أعمال قابلة للقياس، سيظل معرضًا للتوقف مهما بلغت جودة النموذج.
السبب الثاني: غياب ملكية الأعمال
عندما تُدار مبادرة الذكاء الاصطناعي بالكامل من قبل إدارة التقنية أو فريق البيانات، فإنها غالبًا تصبح مشروعًا تقنيًا يفتقر إلى سلطة تغيير الواقع التشغيلي الذي صُممت من أجله.
تستطيع فرق التقنية تطوير الحل وربطه بالأنظمة وتشغيله، لكنها لا تستطيع بمفردها إعادة تصميم الإجراءات، أو تعديل مؤشرات الأداء، أو فرض تبني الحل داخل الإدارات، أو تحمل مسؤولية النتائج التشغيلية.
ولهذا السبب، تحتاج كل مبادرة إلى مالك أعمال (Business Owner) يمتلك السلطة والمسؤولية عن تحقيق القيمة، وليس مجرد اعتماد المتطلبات أو حضور الاجتماعات.
من يملك النتيجة؟
الملكية الحقيقية تعني وجود جهة تستطيع الإجابة بوضوح عن الأسئلة التالية:
- ما المشكلة التي نسعى إلى حلها؟
- ما القيمة المتوقعة للمؤسسة؟
- ما العملية التي ستتغير؟
- من سيتأثر بهذا التغيير؟
- ما مستوى المخاطر المقبول؟
- كيف سيقاس النجاح؟
- من يتحمل مسؤولية القرار النهائي؟
تشير نتائج McKinsey إلى أن المؤسسات الأعلى أداءً في مجال الذكاء الاصطناعي كانت أكثر احتمالًا لإظهار التزام واضح من القيادات العليا ووجود ملكية فعلية للمبادرات مقارنة بالمؤسسات الأقل نضجًا.
Executive Insight
إذا لم يكن هناك مسؤول يستطيع أن يقول: "أنا مسؤول عن تحقيق القيمة من هذه المبادرة"، فغالبًا لا يوجد مشروع مؤسسي، بل تجربة تقنية قابلة للتوقف في أي وقت.
السبب الثالث: تسريع عملية غير فعّالة لا يجعلها عملية أفضل
من أكثر الأخطاء شيوعًا أن تتعامل المؤسسات مع الذكاء الاصطناعي باعتباره طبقة إضافية توضع فوق عملية تشغيلية تعاني أصلًا من التعقيد أو البطء أو ضعف التصميم.
إذا كانت العملية الحالية تتضمن موافقات غير ضرورية، أو إدخالًا متكررًا للبيانات، أو أدوارًا متداخلة، أو قواعد قرار غير واضحة، فإن الذكاء الاصطناعي قد يسرّع تنفيذها، لكنه لن يحل مشكلتها الأساسية.
بل قد يؤدي إلى مضاعفة آثارها السلبية، لأن الأخطاء ستصبح أسرع انتشارًا وأكثر تأثيرًا.
- عمليات تعتمد على إدخال البيانات يدويًا.
- تكرار المهام بين أكثر من إدارة.
- كثرة الموافقات دون قيمة مضافة.
- غياب معايير واضحة لاتخاذ القرار.
- استثناءات تشغيلية لا تخضع لضوابط ثابتة.
تشير نتائج الدراسات الحديثة إلى أن المؤسسات الأكثر نجاحًا لا تكتفي بإضافة الذكاء الاصطناعي إلى العمليات الحالية، بل تعيد تصميم تدفقات العمل بالكامل بما يتوافق مع القدرات الجديدة التي توفرها التقنية.
أعد تصميم الرحلة... لا الخطوة
افترض أن معالجة طلب معين تمر عبر سبع مراحل متتالية.
قد يكون السؤال التقني:
كيف يمكن استخدام الذكاء الاصطناعي في المرحلة الثالثة؟
لكن السؤال التنفيذي الصحيح هو:
هل نحتاج أصلًا إلى سبع مراحل؟ وما الخطوات التي يمكن دمجها أو إلغاؤها أو تحويلها إلى قرار آلي خاضع للحوكمة؟
القيمة الحقيقية لا تتحقق عندما يؤدي الذكاء الاصطناعي المهمة نفسها بصورة أسرع، وإنما عندما يعاد تصميم العملية بأكملها لتصبح أكثر كفاءة وجودة وقابلية للقياس.
Executive Insight
لا تؤتمت عملية ضعيفة. أعد تصميمها أولًا، ثم استخدم الذكاء الاصطناعي لتسريع القيمة، وليس لتسريع الهدر.
السبب الرابع: البيانات موجودة... لكنها ليست جاهزة
كثيرًا ما تسمع داخل المؤسسات عبارة:
لدينا بيانات كثيرة.
لكن كثرة البيانات لا تعني أنها مناسبة لبناء حلول ذكاء اصطناعي موثوقة.
فالبيانات قد تكون موزعة بين أنظمة مختلفة، أو تحتوي على تكرار وتناقض، أو تفتقر إلى التصنيف، أو لا ترتبط بسياق الأعمال الذي تحتاجه النماذج لاتخاذ قرارات دقيقة.
- بيانات غير مكتملة.
- تعريفات مختلفة للمؤشرات.
- غياب المالك المسؤول عن البيانات.
- وثائق قديمة أو متعارضة.
- قيود تنظيمية على الاستخدام.
- نقص البيانات الوصفية (Metadata).
تشير نتائج RAND إلى أن نقص البيانات المناسبة كان أحد أكثر الأسباب تكرارًا في المشاريع المتعثرة، لكن المشكلة لم تكن دائمًا في حجم البيانات، بل في جودتها وسياقها واستمرارية إدارتها.
جاهزية البيانات عملية مستمرة
لا ينبغي النظر إلى تنظيف البيانات باعتباره نشاطًا ينتهي قبل إطلاق المشروع، بل يجب اعتباره قدرة تشغيلية مستمرة تشمل:
- حوكمة البيانات.
- مراقبة الجودة.
- إدارة الصلاحيات.
- توثيق مصادر البيانات.
- إدارة النسخ والتغييرات.
- متابعة تأثير تغير البيانات على أداء النماذج.
النموذج الذي يحقق نتائج ممتازة اليوم قد يفقد دقته تدريجيًا إذا تغيرت البيانات التي يعتمد عليها دون وجود آليات مراقبة مناسبة.
Executive Insight
في الذكاء الاصطناعي المؤسسي، جودة القرار تبدأ من جودة البيانات، وليس من جودة النموذج.
السبب الخامس: نجاح إثبات المفهوم لا يعني جاهزية الإنتاج
تنجح معظم تجارب إثبات المفهوم لأنها تعمل داخل بيئة مثالية نسبيًا:
- عدد محدود من المستخدمين.
- عينة بيانات صغيرة.
- إشراف مباشر من فريق المشروع.
- عدد قليل من السيناريوهات والاستثناءات.
لكن الواقع التشغيلي مختلف تمامًا.
فعند الانتقال إلى بيئة الإنتاج، تصبح المؤسسة مطالبة بالتعامل مع آلاف المستخدمين، وبيانات غير مكتملة، وتكاملات متعددة، ومتطلبات أمنية، ومستويات خدمة، وسجلات تدقيق، وتشريعات تنظيمية، ودعم تشغيلي مستمر.
وهنا تبدأ التحديات الحقيقية.
المبادرة الناجحة ليست نموذجًا... بل منتجًا مؤسسيًا
لكي يتحول مشروع الذكاء الاصطناعي إلى خدمة تشغيلية مستدامة، يجب أن يمتلك خصائص أي منتج مؤسسي ناجح، مثل:
- مالك منتج واضح.
- خارطة طريق للتطوير.
- إدارة للإصدارات.
- مراقبة الأداء.
- إدارة المخاطر.
- الدعم الفني والتشغيلي.
- خطة استمرارية الأعمال.
- آلية إيقاف آمن عند الحاجة.
لهذا السبب، لا ينبغي تقييم المبادرة بناءً على دقة النموذج داخل المختبر فقط، بل على قدرتها على الاستمرار والعمل بكفاءة داخل البيئة التشغيلية للمؤسسة.
Reality Check
قد يكون إثبات المفهوم ناجحًا بنسبة 95% داخل المختبر، لكنه يفشل في تحقيق أي قيمة إذا لم يتمكن من العمل بثبات داخل بيئة الإنتاج.
Executive Insight
إثبات المفهوم يثبت إمكانية التنفيذ، أما التشغيل المؤسسي فيثبت إمكانية تحقيق القيمة على نطاق واسع.
السبب السادس: قياس النشاط بدلًا من قياس القيمة
تعرض كثير من المؤسسات مؤشرات تبدو إيجابية عند استعراض تقدم مبادرات الذكاء الاصطناعي، مثل عدد النماذج المطورة، أو عدد المستخدمين، أو عدد حالات الاستخدام، أو نسبة دقة النموذج. ورغم أهمية هذه المؤشرات، فإنها لا تعكس بالضرورة القيمة التي تحققها المبادرة للمؤسسة.
قد يرتفع عدد المستخدمين لأن استخدام الأداة أصبح إلزاميًا، وقد يحقق النموذج دقة مرتفعة في الاختبارات، بينما لا ينعكس ذلك على جودة القرارات أو سرعة الإجراءات أو خفض التكاليف.
ولهذا السبب يجب التمييز بين مؤشرات النشاط ومؤشرات القيمة.
هرم قياس قيمة الذكاء الاصطناعي
المستوى الأول: مؤشرات التقنية
- دقة النموذج.
- زمن الاستجابة.
- معدل الأخطاء.
- تكلفة تنفيذ الطلب.
- استقرار الخدمة.
المستوى الثاني: مؤشرات التبني
- عدد المستخدمين النشطين.
- تكرار الاستخدام.
- نسبة إكمال المهام.
- معدل قبول التوصيات.
- رضا المستخدمين.
المستوى الثالث: مؤشرات العمليات
- تقليل زمن الدورة التشغيلية.
- خفض تكلفة المعالجة.
- تقليل إعادة العمل.
- رفع سرعة اتخاذ القرار.
- تحسين جودة التنفيذ.
المستوى الرابع: مؤشرات القيمة المؤسسية
- زيادة الإيرادات.
- خفض المصروفات.
- تقليل التعرض للمخاطر.
- رفع مستوى الامتثال.
- تحسين تجربة المستفيد.
- تحسين جودة القرار التنفيذي.
- زيادة القدرة التشغيلية.
كل مستوى من هذه المستويات مهم، لكن النجاح الحقيقي يتحقق عندما يمكن ربط أداء النموذج بنتيجة أعمال واضحة يمكن قياسها بمرور الوقت.
Executive Insight
لا تقيس نجاح الذكاء الاصطناعي بعدد النماذج التي طورتها، بل بعدد القرارات والعمليات التي أصبحت أفضل بسببه.
السبب السابع: تجاهل العامل البشري
لا يتبنى الموظفون الذكاء الاصطناعي لمجرد أنه متاح أو لأنه يعتمد على أحدث النماذج. فالتبني الحقيقي يرتبط بدرجة الثقة، ووضوح المسؤوليات، وسهولة الاستخدام، وتأثير الحل على طبيعة العمل اليومية.
قد يتردد المستخدمون في الاعتماد على النظام لأسباب متعددة، منها:
- عدم الثقة في النتائج.
- الخوف من فقدان الدور الوظيفي.
- غياب المسؤولية الواضحة عند وقوع الخطأ.
- زيادة العبء بدلًا من تقليله.
- ضعف تجربة الاستخدام.
- عدم المشاركة في تصميم الحل.
كما أن التدريب وحده لا يكفي. فقد يعرف الموظف كيفية استخدام النظام، لكنه لا يعرف متى يعتمد على توصياته، أو متى يحتاج إلى مراجعتها، أو كيف يبلغ عن الأخطاء، أو من يتحمل مسؤولية القرار النهائي.
الذكاء الاصطناعي شريك في اتخاذ القرار
لكي يحقق الحل قيمة حقيقية، يجب تصميم نموذج واضح للتعاون بين الإنسان والذكاء الاصطناعي يحدد:
- الأدوار والمسؤوليات.
- حدود الاعتماد على النظام.
- الحالات التي تتطلب مراجعة بشرية.
- آلية التعامل مع الأخطاء.
- طريقة تحسين النموذج اعتمادًا على التغذية الراجعة.
عندما يشعر المستخدم بأن النظام يساعده على اتخاذ قرار أفضل، يصبح التبني طبيعيًا. أما عندما يشعر بأنه يضيف خطوة جديدة دون قيمة واضحة، فسيبحث غالبًا عن طرق لتجاوزه.
Executive Insight
الذكاء الاصطناعي لا يستبدل الإنسان في المؤسسة، بل يعيد توزيع الأدوار بين الإنسان والتقنية بطريقة تحقق قرارات أفضل وسرعة أعلى وجودة أكبر.
السبب الثامن: غياب الحوكمة منذ البداية
تؤجل بعض المؤسسات موضوع الحوكمة إلى ما بعد نجاح التجربة، باعتبارها مرحلة لاحقة قد تؤخر الابتكار. لكن التجربة أثبتت أن تأجيل الحوكمة يؤدي غالبًا إلى إعادة تصميم المشروع أو إيقافه عند الانتقال إلى التشغيل.
فبمجرد توسع المبادرة تبدأ الأسئلة الجوهرية بالظهور:
- أين تتم معالجة البيانات؟
- هل يسمح باستخدام هذه البيانات مع النماذج؟
- من يملك المخرجات؟
- هل يمكن تفسير القرار؟
- كيف نكتشف الانحياز؟
- كيف يتم توثيق تدخل المستخدم؟
- كيف تتم مراجعة جودة النتائج؟
- من يتحمل المسؤولية عند الخطأ؟
تشير نتائج استطلاع McKinsey إلى أن نسبة كبيرة من المؤسسات واجهت آثارًا سلبية مرتبطة باستخدام الذكاء الاصطناعي، وكان من أبرزها مشكلات الدقة والاعتماد على مخرجات غير صحيحة. وهذا لا يعني أن الذكاء الاصطناعي غير موثوق، وإنما يؤكد أن التوسع دون ضوابط واضحة يزيد من احتمالية ظهور المخاطر التشغيلية.
الحوكمة ليست عائقًا للابتكار
الهدف من الحوكمة ليس إبطاء المشاريع أو زيادة الإجراءات، وإنما توفير مستوى مناسب من الرقابة يتناسب مع مستوى المخاطر وطبيعة حالة الاستخدام.
وتشمل الحوكمة الفعالة على سبيل المثال:
- سياسات واضحة لاستخدام الذكاء الاصطناعي.
- تصنيف حالات الاستخدام حسب مستوى المخاطر.
- ضوابط جودة ومراجعة دورية.
- إدارة دورة حياة النماذج.
- توثيق مصادر البيانات.
- إدارة الصلاحيات وسجلات التدقيق.
- آليات الإيقاف الآمن عند الحاجة.
Executive Insight
كلما ارتفعت قيمة القرار الذي يدعمه الذكاء الاصطناعي، ارتفعت الحاجة إلى حوكمة أكثر نضجًا، وليس إلى إجراءات أكثر تعقيدًا.
الخلاصة قبل الانتقال إلى الإطار التنفيذي
عند مراجعة الأسباب الثمانية السابقة، يتضح أن معظم المبادرات لا تتعثر بسبب ضعف التقنية، وإنما بسبب غياب التكامل بين الاستراتيجية، والعمليات، والبيانات، والحوكمة، والقيادة، والتغيير المؤسسي.
ولهذا السبب لا يكفي أن تسأل المؤسسة: ما النموذج الذي سنستخدمه؟ بل يجب أن تسأل أولًا: هل نمتلك البيئة المؤسسية التي تسمح لهذا النموذج بتحقيق قيمة مستدامة؟
إطار NEXROOT للانتقال من التجربة إلى القيمة
لا يتحقق النجاح المؤسسي في الذكاء الاصطناعي بمجرد بناء نموذج دقيق أو إطلاق تجربة ناجحة، بل يتحقق عندما تصبح المبادرة جزءًا من نموذج تشغيل المؤسسة وقادرة على تحقيق قيمة قابلة للقياس والتوسع والاستدامة.
وانطلاقًا من ذلك، طورت NEXROOT إطارًا عمليًا يساعد القيادات التنفيذية على تقييم جاهزية أي مبادرة ذكاء اصطناعي قبل الاستثمار فيها أو توسيع نطاقها.
البوابة الأولى: قيمة الأعمال
- ما المشكلة التي نسعى إلى حلها؟
- لماذا تستحق الاستثمار؟
- ما خط الأساس الحالي؟
- ما القيمة المستهدفة؟
- من المسؤول عن تحقيقها؟
البوابة الثانية: ملاءمة الذكاء الاصطناعي
- هل تحتاج المشكلة فعلًا إلى الذكاء الاصطناعي؟
- هل يوجد حل أبسط أو أقل تكلفة؟
- هل يمكن قياس نجاح النموذج بموضوعية؟
- هل مستوى عدم اليقين مقبول؟
البوابة الثالثة: جاهزية البيانات والمعرفة
- هل البيانات متاحة وموثوقة؟
- هل تمثل الواقع التشغيلي؟
- هل يسمح باستخدامها نظاميًا؟
- هل يوجد مالك واضح لها؟
- هل يمكن المحافظة على جودتها بعد الإطلاق؟
البوابة الرابعة: إعادة تصميم التشغيل
- ما الإجراءات التي ستتغير؟
- ما الخطوات التي يمكن حذفها أو دمجها؟
- كيف ستتغير أدوار الموظفين؟
- كيف ستدار الاستثناءات؟
- ما القرار الذي سيدعمه النظام؟
البوابة الخامسة: الثقة والحوكمة
- ما المخاطر المحتملة؟
- ما مستوى الإشراف البشري المطلوب؟
- كيف ستتم مراقبة الجودة؟
- كيف توثق النتائج؟
- كيف يتم إيقاف الحل بأمان عند الحاجة؟
البوابة السادسة: الاستدامة والتوسع
- هل يوجد مالك منتج؟
- هل توجد خطة تطوير مستقبلية؟
- هل يمكن صيانة التكاملات؟
- هل توجد ميزانية تشغيلية؟
- هل يمكن تكرار الحل في مبادرات أخرى؟
Executive Insight
أي مبادرة لا تجتاز هذه البوابات الست قد تنجح كعرض تقني، لكنها لن تحقق قيمة مؤسسية مستدامة.
أمثلة تطبيقية
المثال الأول: جهة حكومية
تستخدم جهة حكومية نموذجًا لغويًا لتصنيف طلبات المستفيدين. يحقق النموذج دقة مرتفعة في التصنيف، لكن الموظف لا يزال يراجع جميع الطلبات يدويًا ثم يعيد إدخال النتائج في نظام آخر.
في هذه الحالة لم تتغير العملية التشغيلية، وإنما أضيفت أداة جديدة فوق إجراءات قائمة. أما القيمة الحقيقية فتتحقق عندما يرتبط التصنيف بالتوجيه الآلي، وتحدد حالات المراجعة البشرية وفق مستويات الثقة، ويقاس أثر الحل على سرعة المعالجة وجودة الإحالة وتقليل إعادة العمل.
المثال الثاني: مؤسسة مالية
يطور فريق البيانات نموذجًا يكتشف العمليات المالية غير المعتادة بدقة مرتفعة، لكن كثرة الإنذارات الكاذبة تزيد عبء المحللين وتؤخر التحقيق في الحالات المهمة.
المؤشر الصحيح هنا ليس دقة النموذج فقط، بل جودة ترتيب الحالات، ونسبة الإنذارات الصحيحة، والوقت اللازم للمراجعة، وقيمة المخاطر التي تم تجنبها.
المثال الثالث: منصة معرفة مؤسسية
تطلق مؤسسة مساعدًا ذكيًا للإجابة عن أسئلة الموظفين، لكنه يقدم أحيانًا معلومات قديمة أو متعارضة بسبب ضعف إدارة الوثائق والسياسات.
المشكلة هنا ليست في النموذج اللغوي، وإنما في حوكمة المعرفة وجودة المحتوى الذي يعتمد عليه النظام.
الأخطاء التنفيذية الأكثر شيوعًا
- إطلاق المبادرات قبل تحديد القيمة المتوقعة.
- التركيز على عدد حالات الاستخدام بدلًا من أثرها.
- شراء المنصات قبل تصميم نموذج التشغيل.
- إسناد المبادرة بالكامل إلى إدارة التقنية.
- قياس دقة النموذج وإهمال مؤشرات الأعمال.
- توزيع الموارد على عدد كبير من التجارب الصغيرة.
- تأجيل الحوكمة والأمن إلى مراحل متأخرة.
- إهمال ميزانية التشغيل بعد الإطلاق.
- تدريب المستخدمين دون تعديل الإجراءات.
- التوسع قبل إثبات القيمة في نطاق محدود.
Reality Check
كثرة المبادرات ليست مؤشرًا على النضج. في كثير من الأحيان تعكس غياب الأولويات وتشتت الاستثمار.
توصيات عملية للقيادات التنفيذية
1. ابدأ بمحفظة قيمة
رتب المبادرات وفق القيمة المتوقعة، وسهولة التنفيذ، وجاهزية البيانات، والمخاطر، وقابلية التوسع، ومدى ارتباطها بالأهداف الاستراتيجية للمؤسسة.
2. عيّن مالك أعمال لكل مبادرة
يجب أن يكون لكل مشروع مسؤول يمتلك صلاحية تغيير الإجراءات وتحقيق النتائج، وليس فقط اعتماد المتطلبات.
3. حدد خط الأساس قبل التطوير
لا يمكن قياس التحسن إذا لم تعرف المؤسسة الوضع الحالي من حيث الزمن، والتكلفة، وجودة الأداء، وحجم العمل.
4. أعد تصميم العمليات قبل أتمتتها
ابدأ بتبسيط الإجراءات وإزالة الخطوات غير الضرورية، ثم استخدم الذكاء الاصطناعي لتعزيز العملية الجديدة، وليس لتسريع العملية القديمة.
5. افصل بين نجاح التجربة ونجاح التشغيل
نجاح إثبات المفهوم لا يعني جاهزية الحل للإنتاج، كما أن الإطلاق التشغيلي لا يعني تلقائيًا نجاح التوسع المؤسسي.
6. طبّق حوكمة تتناسب مع مستوى المخاطر
ليست كل حالات الاستخدام بحاجة إلى الضوابط نفسها، لكن جميعها تحتاج إلى إطار واضح للمسؤوليات وإدارة المخاطر وجودة النتائج.
7. راقب القيمة باستمرار
يجب أن تستمر المؤسسة في قياس أثر المبادرة بعد الإطلاق، مع التركيز على مؤشرات الأعمال والتبني وجودة العمليات، وليس فقط على مؤشرات التقنية.
الخاتمة
لا تتعثر مبادرات الذكاء الاصطناعي لأن النماذج غير قادرة على تقديم نتائج جيدة، وإنما لأن البيئة المؤسسية التي تعمل فيها ليست مهيأة بعد لتحويل هذه النتائج إلى قيمة أعمال مستدامة.
قد تمتلك المؤسسة أحدث النماذج، وأفضل البنى السحابية، وأقوى فرق التطوير، لكنها لن تحقق أثرًا حقيقيًا إذا لم تبدأ بتحديد المشكلة الصحيحة، وتوضيح المسؤوليات، وإعادة تصميم العمليات، ورفع جودة البيانات، وتطبيق الحوكمة المناسبة.
التحول الحقيقي لا يبدأ عند اختيار النموذج، بل يبدأ عندما تتخذ القيادة قرارًا واضحًا حول ما الذي يجب أن يتغير داخل المؤسسة، وكيف ستقيس نجاح هذا التغيير، ومن المسؤول عن تحقيقه.
Key Takeaway
الذكاء الاصطناعي ليس مشروعًا تقنيًا منفصلًا، بل قدرة مؤسسية تتطلب قيادة، وتشغيلًا، وحوكمة، وقياسًا مستمرًا للقيمة.
الأسئلة الشائعة
هل تفشل فعلًا 80% من مشاريع الذكاء الاصطناعي؟
لا يمكن اعتبار هذه النسبة حقيقة عالمية ثابتة. يشير تقرير RAND إلى أنها وردت في بعض التقديرات المنشورة، بينما تختلف نسب التعثر باختلاف تعريف الفشل، وطبيعة المشروع، والقطاع، ومستوى نضج المؤسسة.
ما الفرق بين إثبات المفهوم والمشروع التشغيلي؟
إثبات المفهوم يثبت إمكانية تنفيذ الفكرة تقنيًا ضمن نطاق محدود، أما المشروع التشغيلي فيجب أن يعمل باستقرار داخل بيئة المؤسسة، ويتكامل مع الأنظمة، ويحقق قيمة أعمال قابلة للقياس والاستدامة.
هل البيانات هي السبب الرئيسي لتعثر مبادرات الذكاء الاصطناعي؟
البيانات عنصر أساسي، لكنها ليست السبب الوحيد. فقد تتعثر المبادرة بسبب غياب ملكية الأعمال، أو ضعف الحوكمة، أو اختيار مشكلة غير مناسبة، أو عدم إعادة تصميم العمليات.
من يجب أن يقود مبادرات الذكاء الاصطناعي داخل المؤسسة؟
أفضل النتائج تتحقق عندما يقود المبادرة مالك أعمال مسؤول عن القيمة، بالشراكة مع فرق التقنية والبيانات والأمن والحوكمة وإدارة التغيير.
كيف يمكن قياس نجاح مبادرة ذكاء اصطناعي؟
يجب أن يجمع القياس بين مؤشرات التقنية، والتبني، وتحسين العمليات، والأثر المؤسسي، مع التركيز على النتائج التي تحقق قيمة أعمال فعلية.
متى ينبغي إيقاف المبادرة؟
عندما يتضح أن المشكلة لا تستحق الاستثمار، أو أن البيانات غير مناسبة، أو أن المخاطر تتجاوز الفوائد، أو عندما لا تحقق المبادرة قيمة قابلة للقياس بعد فترة تقييم واضحة.
هل تحتاج كل مؤسسة إلى مركز تميز للذكاء الاصطناعي؟
يعتمد ذلك على حجم المؤسسة ومستوى نضجها، لكن الأهم هو وجود قدرات واضحة لإدارة الاستراتيجية والبيانات والحوكمة والتشغيل، بغض النظر عن الهيكل التنظيمي المستخدم.