مشاريع طيار الذكاء الاصطناعي: الفشل في الشركة
الذكاء الاصطناعي التوليدي قد تطور بسرعة في الشركات من تجربة إلى موضوع استراتيجي. على الرغم من الاستثمارات الكبيرة، غالباً ما تفتقر النتائج القابلة للقياس. تُظهر دراسة MIT أن نحو 5 في المئة من مشاريع طيار GenAI لا تحقق تأثيراً مستداماً في الإنتاجية أو الربح والخسارة. تقارير وسائل الإعلام تلخّص ذلك بشكل حاد بـ«95% من طياري GenAI يفشلون» مع. يضيء هذا المقال الأسباب وراء هذا الفشل ويبين ما هو ضروري لموجة ثانية ناجحة من إدخال الذكاء الاصطناعي.
المصدر: عرض خاص
مقدمة
مشاريع طيار الذكاء الاصطناعي هي تجارب صغيرة ومؤقتة للتحقق من جدوى والتكاليف والمخرجات المحتملة لتقنية جديدة قبل تطبيقها على نطاق واسع. في الذكاء الاصطناعي التوليدي غالباً ما تكون الأنظمة عبارة عن دردشة روبوتية أو مساعدين أو أتمتة تعمل مع نماذج لغوية كبيرة (LLMs). يولد الذكاء الاصطناعي التوليدي من البيانات أمثلة محتوى جديد مثل نصوص، صور أو كود. Business Impact أو ROI يقصد هنا تأثيرات مالية قابلة للقياس، لا مجرد إحساس عام بالإنتاجية. الحاسم هو التمييز بين التنفيذ التقني والتبني الفعلي. التنفيذ يعني إدخال الأنظمة وتوفيرها. التبني يعني أن الناس سيستخدمون الحل في الحياة اليومية لتغيير السلوك والعمليات وتحقيق التأثير. لذلك، ليس الذكاء الاصطناعي مشروعاً تقنياً بحتاً، بل مشروع تنظيمي مع تصميم العمليات، الحوكمة، التدريب وإدارة التغيير.
الوضع الحالي
Die MIT-Studie „The GenAI Divide“, استنادًا إلى مقابلات وتحليلات لأكثر من 300 مبادرة GenAI، تقدر أن نحو 5 في المئة من التطبيقات المدروسة تقدم مساهمة قابلة للقياس في الربح أو الإنتاجية بشكل مستدام. وسائل الإعلام مثل Tom’s Hardware, TechRadar و Times of India تؤكد أن الأسباب الرئيسية تكمن في نقص الدمج في العمليات والأنظمة القائمة. الـ globale McKinsey-Umfrage „The State of AI: Global Survey 2025“ تشير إلى أن 39 في المئة من الشركات تعزو وجود تأثير EBIT إلى ذلك، وأن نحو 6 في المئة تعتبر «أداء عال» حيث يمثل الذكاء الاصطناعي أكثر من 5 في المئة من EBIT. وتتميز هذه الشركات بسير عمل مصمم حديثاً، وحوكمة واضحة وتتبع KPI منتظم.
المصدر: kurierverlag.de
على الرغم من الاستثمارات الكبيرة: تبقى العوائق في تنفيذ الذكاء الاصطناعي قائمة.
تحليلات من شركات استشارية مثل IHL Group تقدر أن نحو 80 في المئة من مشاريع الذكاء الاصطناعي تفشل، ولا يتجاوز نحو 30 في المئة مرحلةPilot. الأسباب الرئيسية هي مشاكل البيانات ونقص حوكمة البيانات. TechRadar يلخص أن بين 60 و90 في المئة من مشاريع الذكاء الاصطناعي حتى 2026 معرضة للخطر. Eine Guardian-Analyse تشير إلى استبيان من KPMG، بأن 8,5 في المئة فقط من المستجيبين يثقون دائماً بنتائج بحث الذكاء الاصطناعي. تُوصف ظاهرة «Workslop» بالمحتويات التي ينتجها الذكاء الاصطناعي وتبدو مهنية لكنها لا تقدم مهمة حقيقية. Prosci تشير إلى أن 63 في المئة من المنظمات تعتبر العوامل البشرية السبب الرئيسي في فشل تطبيقات الذكاء الاصطناعي. وتظهر البيانات أن الأسباب غالباً ما تكون في تفاعل البيانات، الحوكمة، العمليات والبشر، وليس في تقنية النماذج.
تحليل الأسباب
خلف الرقم العالي لمشاريع الذكاء الاصطناعي الفاشلة يكمن تفاعل متناقض بين الضجيج والضرورة الاستراتيجية. تقارير الإعلام تخلق ضغطاً على الثقة، بينما تُظهر الدراسات أن الأثر المالي المستدام نادر. تقود الشركات إلى «فخ التجربة» مع العديد من الطيارين الصغار غير المرتبطين بشكل واضح بهدف محدد. Medien- und Plattformdynamiken ، يعزز ذلك عندما تنتشر أعدادًا مثيرة مثل «95% من طياري GenAI يفشلون» بسرعة. لدى مقدمي الخدمات والاستشاريين مصلحة في إبراز المخاطر أو الفرص لأن كلاهما قابل للتسويق بشكل جيد. العديد من المنظمات تمنح الموظفين الوصول إلى أدوات الذكاء الاصطناعي، لكنها لا تحدد حالات استخدام واضحة ولا معايير جودة. وبهذا تصبح الذكاء الاصطناعي كأنها ساحة لعب، لكنها ليست جزءاً مصمماً من سلسلة القيمة.
المصدر: de.linkedin.com
أكثر العوائق شيوعاً في مشاريع الذكاء الاصطناعي – موضوع متكرر في وسائل الإعلام.
بالنسبة للموجة الثانية من إدخال الذكاء الاصطناعي، تصبح بنية التنظيم محور الاهتمام. الشركات الناجحة تصيغ عملياتها وأدوارها حول الإمكانيات الجديدة. ويتضمن ذلك أهدافاً واضحة، حالات استخدام مُسبقة الأولويات ومسارات اتخاذ القرار للحوكمة والمخاطر. Governance ليست مسألة بيروقراطية، بل هي الإجابة على المخاطر المحددة. الذكاء الاصطناعي الموثوق يعمل فقط بمسؤوليات واضحة، ومصادر بيانات موثقة، ومراجعة منتظمة. TechRadar يخلص إلى أن معظم مشاكل فشل مشاريع الذكاء الاصطناعي تعود إلى «بيانات فوضوية» ونقص الحوكمة. تشير Prosci إلى المقاومة، نقص الاتصال، نقص التدريب وضعف القيادة كأهم العقبات. ITPro وصف أيضاً وجود «تعب التحول» المتزايد. الفرق الناجحة تربط مشاريع الذكاء الاصطناعي مباشرة بمؤشرات خطّ الأنابيب والإيرادات وتستثمر بذكاء في المهارات. الأسباب غالباً ما تكون في تفاعل البيانات، الحوكمة، العمليات والبشر، وليس في تقنية النماذج.
المصدر: يوتيوب
حقائق ومواقف مضادة
ثبُت أن نسبة كبيرة من مشاريع الذكاء الاصطناعي التجريبية اليوم لا تقدم فائدة مالية قابلة للقياس بوضوح. الـ MIT-Studie „The GenAI Divide“ تعرف النجاح بشكل صارم كتنفيذ يتجاوز طور التجربة مع مؤشرات أداء موثقة وعائد استثمار قابل للقياس خلال ستة أشهر – وتصل نسبة النجاح إلى نحو 5 في المئة. تدعم عدة وسائل إعلام This scale. McKinsey-Daten تُظهر أن فقط أقلية صغيرة تبلغ تأثيرات EBIT ذات شأن على مستوى الشركة.
لا يزال غير واضح ما إذا كانت القيمة المحددة «95 في المئة» تصلح كمعيار عام. الـ Marketing AI Institute ينتقد أن MIT-دراسة تستند إلى 52 مقابلة عميقة وتحليل نوعي لحالات عامة فقط. تعريف «Zero-ROI» يستبعد آثار مثل تأثيرات التعلم أو تحسينات العمليات النوعية. لذا فإن 95 في المئة يجب اعتبارها إشعاراً تحذيرياً وبداية للنقاش، لا قيمة عالمية دقيقة.
خاطئ أو مضلل هو الادعاء بأن مشاريع الذكاء الاصطناعي تفشل بشكل رئيسي لأن التكنولوجيا ليست ناضجة بما فيه الكفاية. IHL, TechRadar, Prosci, LexisNexis و McKinsey يتفق بشكل عام أن الأسباب الرئيسية في أهداف غير واضحة، جودة البيانات السيئة، غياب الحوكمة، نقص التدريب وقيادة ضعيفة. يوضح مثال Guardian لـ «Workslop» أن المشاكل غالباً ما تنشأ لأن أصحاب العمل لم ينشئوا قواعد واضحة ومعايير جودة وتدريب.
أثارت العنوان «95% من طياري الذكاء الاصطناعي يفشلون» ردود فعل متنوعة. يرى بعض المعلقين ذلك تأكيداً لفقاعة الذكاء الاصطناعي. آخرون، مثل ذلك المصدر، ينتقدون الموقف المبالغ فيه كظاهرة إعلامية. تشير وجهة نظر عملية إلى أن معدل الفشل العالي في التجارب ليس شيئاً غير عادي في مجالات ابتكار أخرى. وفي الوقت نفسه تتزايد أمثلة النجاحات المحددة. Marketing AI Institute, تصف «أداء عالي للذكاء الاصطناعي» الذين من خلال إعادة تنظيم مستمرة لسير العمل ودعم قيادي قوي يحققون مساهمات EBIT قابلة للقياس. رسالة الاستجابات المتنوعة هي: التكنولوجيا ليست دواءً سحرياً ولا فشل مطلق. الحاسم هو كيف يحدِّد الشركات أهدافها واستخداماتها وبياناتها وحوكمتها ونهج التغيير. McKinsey فيديو YouTube
المصدر: يوتيوب
توصيات عملية
النقاش حول مشاريع الذكاء الاصطناعي التي تفشل يعني أن الموجة الثانية من تطبيق الذكاء الاصطناعي تتطلب أن يتم التعامل معه كأي تغيير استراتيجي آخر – مع أهداف واضحة، ومقاييس موثوقة وخطة للناس والبيانات والعمليات.
أولاً: ابتعد عن سؤال الأداة وتوجّه إلى سؤال المشكلة. بدل «أي منصة ذكاء اصطناعي نستخدم؟» من المفيد أن تسأل: «أي عملية تجارية محددة نريد تحسينها بشكل قابل للقياس خلال 6–12 شهراً القادمة – وكيف سنقيس ذلك؟» غالباً ما تبدأ المشاريع الناجحة باستخدام حالة استخدام محددة ومحددة بوضوح.
ثانياً: يجب تقديم أسئلة البيانات والحوكمة مقدماً. IHL, TechRadar و Business Insider تشير إلى أن البيانات السيئة أو غير المتاحة ونقص الحوكمة وراء غالبية المشاريع الفاشلة. أطر مثل NIST AI Risk Management Framework توفر إرشادات.
ثالثاً: إدارة التغيير الواعية مطلوبة. Prosci تشير إلى أن نقص التدريب، ضعف التواصل، وعدم وضوح الأدوار هي جزء كبير من مشاكل التبني. عملياً يعني ذلك: تخصيص وقت وميزانية لصيغ تعليم، وتطوير Prompts وأمثلة معاً، وضع خطوط إرشادية واضحة ومرافقة فرق التجربة بنشاط.
رابعاً: تعاملوا بحذر مع مؤشرات النجاح. إذا تم تعريف ROI فقط كأثر P&L فوري خلال ستة أشهر، فسيُعتبر العديد من مشاريع التعلم المفيدة «فاشلة». Investopedia ينصح بربط ROI بوعي مع الفترة الزمنية ونوع التكلفة وفئات الفوائد. HBR يُنصح بأن بالإضافة إلى الإيرادات المباشرة وتخفيض التكاليف، أخذ مكاسب الإنتاجية وتقليل الأخطاء وتحسين تجربة العملاء في الاعتبار.
خامساً: لا تدع العناوين المثيرة تقودك فحسب، بل استخدمها كفرص لطرح أسئلة أفضل. المقالات التي تُظهر لـ MIT-Studie kritisch einordnen, تُبيّن أهمية قراءة المنهجيات وطرح أسئلة واعية حول تعريفات «النجاح» أو «صفر-عائد-الاستثمار».
أسئلة مفتوحة وخلاصة
على الرغم من وجود العديد من الدراسات، ما زالت هناك أسئلة مهمة. أولاً، تفتقر البيانات الطويلة الأجل والمتاحة على نطاق واسع إلى عائد الاستثمار من مشاريع طيار الذكاء الاصطناعي عبر سنوات متعددة. ثانيًا، ليس واضحاً إلى أي مدى تختلف معدلات النجاح حسب القطاع، حجم الشركة ونوع حالة الاستخدام. ثالثاً، تطرح تطورات جديدة مثل الذكاء الاصطناعي الوكلي أسئلة إضافية حول الحوكمة والمساءلة والقياس. رابعاً، يبقى دور التنظيم والمعايير في التداول؛ هنا ستظهر ما إذا كانت القواعد الأكثر وضوحاً ستزيد من معدل النجاح أم ستخلق عقبات إضافية. وأخيراً، يطرح السؤال كيف ستتواصل الشركات مستقبلاً حول الإخفاقات بشكل أكثر انفتاحاً. يمكن أن تساعد المعايير القطاعية المجهولة بشكل شفاف في فهم الفشل بشكل أفضل والتعلم منه بشكل بنّاء.
السؤال عن سبب فشل العديد من مشاريع الذكاء الاصطناعي التجريبية في الشركة يقود إلى استنتاج واضح: في الغالب لا يعود الأمر إلى «ذكاء اصطناعي ضعيف» بل إلى نقص الوضوح، الحوكمة، قاعدة البيانات، ومرافقة البشر. من يفهم الذكاء الاصطناعي كمشروع تنظيمي مع أهداف واضحة وبنية بيانات وحوكمة سليمة وإدارة تغيير جادة، يمكنه أن يكون من القلة التي تتحول من طيار إلى حلول مُقيَّمة العائد. بالنسبة لك وللفريق، يعني هذا أن موجة التبني الثانية للذكاء الاصطناعي ليست مسألة أداة واعدة أخرى بل مسألة انضباط. من كان مستعداً لتحديد عدد قليل من حالات الاستخدام بدقة، والاعتناء بالبيانات والحوكمة، ومشاركة الموظفين، وجعل النجاح قابل للقياس، سيعيد توجيه التركيز من الهوس إلى تأثير أعمال مستدام.