لماذا يفشل 95% من تجارب الذكاء الاصطناعي التجريبية قبل أن تُنتج نتيجة واحدة
ثمة مشهد يتكرر في كل شركة متوسطة الحجم تقريباً من الشركات التي أعرفها. يقدّم فريق التكنولوجيا نموذجاً تجريبياً للذكاء الاصطناعي. تبدو الأرقام الأولية واعدة. يوافق مجلس الإدارة على الاستثمار. وبعد ستة أشهر، لا يزال النموذج التجريبي مجرد نموذج تجريبي. لا أحد يُوقفه رسمياً. ولا أحد يُطوّره ليصل إلى نطاق أوسع. إنه ببساطة... يشغل حيزاً في خارطة الطريق وفي اجتماعات المتابعة.
نشر دينيس وودسايد، رئيس مجلس الإدارة والمدير التنفيذي لشركة Freshworks، قبل أيام قليلة تحليلاً في مجلة Fortune يضع اسماً لهذه الظاهرة. وعلى الرغم من أن المقال يُشكّل في الوقت ذاته تموضعاً تجارياً لشركته، فإن التشخيص الذي يقدّمه يستحق أن يُؤخذ بجدية لسبب بسيط: الأرقام الخارجية التي يستشهد بها مزعزِعة الطمأنينة بالنسبة لأي مسؤول تنفيذي رفيع يقضي أكثر من عام في الوعد بنتائج الذكاء الاصطناعي لمجلس إدارته.
وجد معهد MIT أن 95% من تجارب الذكاء الاصطناعي التوليدي التجريبية تفشل قبل الوصول إلى الإنتاج الفعلي. ونشرت مجموعة بوسطن الاستشارية في سبتمبر 2025 أن 60% من الشركات لا تُولّد أي قيمة مادية ملموسة من الذكاء الاصطناعي، وأن هذه النسبة ازدادت سوءاً مقارنة بالعام السابق، رغم تحسّن النماذج وتراكم الخبرات. وتُضيف Freshworks رقمها الخاص: يُستهلك ربع ميزانية الذكاء الاصطناعي في المؤسسات الصغيرة والمتوسطة في التكامل وتنظيف البيانات والجهد المبذول لجعل أنظمة لم تُصمَّم أصلاً للتواصل مع بعضها تتبادل المعلومات.
ما تشترك فيه هذه الأرقام الثلاثة ليس نموذج الذكاء الاصطناعي المختار. بل هو حال البيئة التشغيلية التي تجري فيها محاولة التطبيق.
القرار الذي يفصل من يتقدم عمّن يتعثّر
يصف وودسايد حالة شركة Seagate Technology بدقة تبدو مفيدة تحديداً لأنها تخلو من أي بريق. كان أمام فريق تكنولوجيا المعلومات ثلاثة أشهر لترحيل 30,000 موظف إلى منصة جديدة لإدارة الخدمات، وذلك تحت وطأة انتهاء عقد قائم. الخيار الواضح، ذلك الذي ستتخذه أي مؤسسة تقريباً تحت هذا الضغط، كان نقل التكوينات الحالية كما هي وحل المشكلات لاحقاً. إنه الطريق الأكثر أماناً على المدى القصير. وهو أيضاً الطريق الذي يضمن أن أي طبقة من الذكاء الاصطناعي تُبنى فوقه ستعمل على أسسٍ معيبة.
اختار فريق Seagate العكس. أعاد البناء من الصفر: أعاد هيكلة كتالوج الخدمات، وأرسى مستويات خدمة متسقة بين المناطق المختلفة، وأعاد كتابة التسلسلات الهرمية للفئات حتى يتمكن نظام التذاكر من التوجيه الذاتي دون الحاجة إلى أن يخمّن أي وكيل وجهتها. وأنجز ذلك كله في المهلة ذاتها البالغة ثلاثة أشهر. وبعد عام واحد، أصبح وكيل الذكاء الاصطناعي المُنشر على هذه القاعدة يُحوّل ما يقارب ثلث التذاكر الواردة تلقائياً، ومعدل الحل في الاتصال الأول أعلى بنسبة 27% من المعيار السائد في الصناعة.
هذا القرار، إعادة البناء بدلاً من نسخ الموجود، هو محور حجة وودسايد. وله قراءة تنظيمية تتخطى حدود التكنولوجيا.
ما فعلته Seagate استلزم أن يُجري شخص ما، في مرحلة معينة من العملية، محادثة لم يكن يريدها أحد: تلك التي تُقرّ بأن العمليات الموروثة لا تقتصر على كونها غير فعّالة، بل هي عقبة نشطة أمام أي تحسين مستقبلي. لهذه المحادثة تكلفة سياسية. فالقول بأن العمليات الحالية لن تُنقل يعني القول بأن سنوات من التكوين والتخصيص والضبط لن تنتقل إلى البيئة الجديدة. يعني إلغاء الاعتبار، جزئياً على الأقل، لقرارات اتُّخذت في الماضي. وقليل من المؤسسات لديها الشهية لذلك تحت ضغط الوقت.
ما يميّز Seagate ليس توفّر موارد أكبر أو وقت أطول. بل الصفاء الذهني، أو الشجاعة القيادية، لعدم جرّ الماضي إلى الأمام حين انتهى العقد. هذا هو المتغير الذي لا يظهر في أي دليل لتطبيق الذكاء الاصطناعي.
الضريبة الخفية التي يدفعها من لا يدقّق في عملياته
يُقدّم وودسايد مفهوم "ضريبة التعقيد" لوصف ما يحدث حين تحاول شركة ما تطبيق الذكاء الاصطناعي فوق بنية مجزّأة. ليست هذه استعارة زخرفية. إنها ميكانيكا مالية ملموسة.
إذا كان 25% من ميزانية الذكاء الاصطناعي يضيع في التكامل وتنظيف البيانات قبل أن ينتج النموذج أي مخرج مفيد واحد، فإن شركة تُخصص مليون دولار للذكاء الاصطناعي تشتري عملياً قدرة بقيمة 750,000 دولار. الـ 25% الباقية تمتصّها الديون التقنية المتراكمة. وبالنسبة لشركة كبيرة بميزانيات تحول بمئات الملايين، يمكن تحمّل هذه النسبة. أما بالنسبة لشركة تضم ما بين 500 و20,000 موظف، بفرق تقنية معلومات محدودة وهوامش مناورة أضيق، فإن هذا الفقد قد يكون الفارق بين مبادرة ناجحة وأخرى تُلغى بصمت في دورة الميزانية التالية.
لحجة وودسايد بشأن "الشركات الرشيقة"، وهو مصطلحه لهذا النطاق من المؤسسات المتوسطة، منطق تغفله وسائل الإعلام الكبرى عادةً لأن هذا القطاع لا يبدو مثيراً كحكايات التحول الرقمي لشركات Fortune 500. لكنه تحديداً المكان الذي ستُحسم فيه معركة الإنتاجية التي يعدنا بها الذكاء الاصطناعي. تمثّل المؤسسات الصغيرة والمتوسطة الغالبية العظمى من النسيج التجاري العالمي. وإن لم يعمل الذكاء الاصطناعي هناك، فإن وعد الإنتاجية المتراكمة لن يتحقق، بصرف النظر عما تفعله Google أو Microsoft أو Amazon بنماذجها الخاصة.
ما يجعل هذا التحليل أكثر إثارة للاهتمام هو أن المشكلة لا تكمن في اختيار النموذج. بل تكمن في طبقة أسبق وأصعب في الحل: جودة البيئة التشغيلية. بيانات مبعثرة في أنظمة لا تتحدث مع بعضها. تدفقات عمل تحددها تاريخية الشركة أكثر مما تحددها منطقها. تصنيفات تذاكر وفئات خدمات وتسلسلات هرمية لمنتجات لم يراجعها أحد لأنها دائماً "أدّت الغرض بما يكفي". حين يُطلب من وكيل ذكاء اصطناعي أن يعمل فوق هذه البنية التحتية، لا يفشل لأن النموذج رديء. يفشل لأن البيئة تُسلّمه معلومات غامضة أو ناقصة أو متناقضة، ولا يستطيع أي نموذج التعويض عن ذلك.
يُقدّم روبرت ليونز، مدير التكنولوجيا في Katz Media Group، وهي وحدة أعمال من 800 شخص ضمن شركة تضم 10,000 موظف، في تحليل وودسايد ما هو ربما أكثر النصائح العملية في المقال بأسره: قبل نشر أي أداة ذكاء اصطناعي، قام فريقه بتنظيف البيانات وإضافة التسميات إليها، ونظّم ندوة تمهيدية حول الذكاء الاصطناعي لجميع موظفي الشركة، قدّمتها ليس فرقة تكنولوجيا المعلومات، بل شركة بحثية مستقلة. التمييز مهم. حين تعرض فرقة تكنولوجيا المعلومات الذكاء الاصطناعي، تفعل ذلك بالتحيّز الضمني لمن له مصلحة في النتيجة. وحين يفعله طرف ثالث محايد، تصل الرسالة بشكل مختلف وتنخفض المقاومة التنظيمية.
يصف ليونز أيضاً مصفوفة قيمة/جهد لتحديد أولويات مشاريع الذكاء الاصطناعي: سهولة التطبيق على محور، والقيمة للعمل على المحور الآخر. يبدأ من مربع القيمة العالية والجهد المنخفض. وتحذيره "لا تبدأ بأصعب مشكلة أولاً، لن تُولّد قيمة"، هو نقد مباشر لنمط أراه بصورة متكررة في المؤسسات التي تعامل الذكاء الاصطناعي كفرصة لحل المشكلات التي لم تستطع أي مبادرة أخرى حلّها. هذا المنطق مفهوم لكنه عكسي الأثر. مشاريع الذكاء الاصطناعي الأكثر ظهوراً وطموحاً هي أيضاً الأكثر هشاشة، لأنها تعمل فوق بيئات البيانات الأكثر فوضى وتدفقات العمل الأقل هيكلة.
ما تشترك فيه Nucor وNew Balance مع شركة صلب
يستشهد وودسايد بمقارنتين تستحقان انتباهاً مستقلاً. الأولى بين Nike وNew Balance. تعمل Nike بـ 80,000 موظف؛ وNew Balance بـ 9,000. ويرى وودسايد أن New Balance تكسب أرضاً تنافسية بتوحيد بنيتها التحتية لتكنولوجيا المعلومات في منصة واحدة بمصدر حقيقة مركزي، مما يُحرّر الفرق من عمل الصيانة ويُعيد تشكيل طريقة عمل الشركة. والمقارنة الثانية هي Nucor وSteel Dynamics، اثنتان من أكبر أربعة مصنّعي الصلب في الولايات المتحدة، اللتان تتمتعان وفق وودسايد بعقود من الانضباط التشغيلي الذي يُنتج بيئات يمكن للذكاء الاصطناعي تحسينها مباشرة.
النمط الذي يربط هذه الحالات هو ذاته الذي يظهر في Seagate: الذكاء الاصطناعي يعمل حيث كانت البيئة التشغيلية مستعدة لاستقباله. ليس مثالية. مستعدة. بيانات موحّدة، وتدفقات عمل محددة، وأنظمة قادرة على تبادل المعلومات دون تدخل يدوي، ونتيجة قابلة للقياس يُفترض بوكيل الذكاء الاصطناعي تحسينها.
لهذا دلالة قيادية لا يُسمّيها كثيرون بوضوح. الشركات التي تعاني أكثر في تطبيق الذكاء الاصطناعي لا تعاني لأنها اختارت النموذج الخطأ أو استعانت بالمستشارين الخطأ. تعاني لأنها على مر السنين اتخذت قرارات تقنية تُعلي من شأن الاستمرارية التشغيلية على حساب التماسك المعماري. في كل مرة قال فيها شخص ما "لنُضف هذا النظام لأنه يحل هذه المشكلة الآن" دون التساؤل عن كيفية تكامله مع البقية، كان يراكم التزاماً يُحصَّل منه اليوم على شكل ميزانية ذكاء اصطناعي مُستنفَدة في التكامل.
هذا الالتزام المتراكم ليس إخفاقاً تقنياً. إنه النتيجة التراكمية لمحادثات معمارية لم تُعقد، ولتقييمات ديون تقنية أُجّلت لأن الربع المالي كان يتطلب السرعة، ولتكوينات موروثة لم يرغب أحد في مراجعتها لأن التكلفة السياسية للتشكيك فيها كانت مرتفعة.
ما تشترك فيه الحالات الناجحة التي يصفها وودسايد هو أن شخصاً ما، في لحظة ما، اتخذ قرار سداد ذلك الالتزام. فعلته Seagate تحت ضغط عقد منتهٍ. وفعلته New Balance كجزء من رهان استراتيجي على السرعة. وفعلته Nucor وSteel Dynamics على مدى عقود دون أن تدري أنها كانت تبني الأساس لميزة تنافسية في مجال الذكاء الاصطناعي.
من يقود عليه أن يدفع ثمن النظر فيما تتجنب المؤسسة تسميته
ثمة عنصر في حجة وودسايد يلمسه المقال بصورة عابرة لكنه يستحق أن يُسمَّى صراحة: غالبية المؤسسات العالقة في تجارب الذكاء الاصطناعي التجريبية تعلم ذلك. ليست جهلاً تقنياً. بل إن المحادثة حول حال البيئة التشغيلية لها تكلفة سياسية لا يريد أحد دفعها.
الإقرار بأن 25% من ميزانية الذكاء الاصطناعي تضيع في التكامل وتنظيف البيانات هو إقرار بأن القرارات المعمارية الماضية كانت مكلفة. والإقرار بأن العمليات الموروثة لا يمكن نقلها إلى البيئة الجديدة هو إقرار بأن سنوات من التكوين لا تنجو من التغيير. والإقرار بأن البيانات في حال سيئة هو إقرار بأن مبادرات جودة البيانات في السنوات الأخيرة لم تُحقق ما وعدت به.
تستلزم هذه الاعترافات شيئاً تُحبّطه ديناميكيات كثير من مجالس الإدارة: القدرة على تسمية مشكلة هيكلية دون أن يُربط الشخص الذي يُسمّيها بالإخفاق الذي يصفه.
عمل من يقود في هذا السياق ليس تقنياً. إنه خلق الظروف التي تجعل تلك المحادثات ممكنة دون أن يكون الرسول هو الثمن. المؤسسات التي تُحقق نتائج مع الذكاء الاصطناعي، الحالات التي يصفها وودسايد، لا تمتلك بيئات مثالية. تمتلك قادة قرروا دفع ثمن الوضوح قبل أن يدفعوا ثمن التطبيق الفاشل.
هذا التسلسل ليس بديهياً تحت الضغط. لكنه التسلسل الوحيد الذي يُنتج نتائج لا تتبخر في دورة المراجعة الميزانية التالية.
