95% من نماذج الذكاء الاصطناعي التي تبنيها الشركات لا تصل أبداً إلى مرحلة الإنتاج
حدّث المدير التنفيذي للتكنولوجيا في إحدى الشركات العالمية الكبرى أبهيجيت كاكانديكي، نائب الرئيس الأول في شركة BMC Software، بما يلخّص حالة السوق بدقة مزعجة: كان فريق علوم البيانات في مؤسسته قد بنى أكثر من 200 نموذج للذكاء الاصطناعي، غير أن أقل من عشرة منها وصلت إلى مرحلة الإنتاج الفعلي.
معدل تحويل لا يتجاوز خمسة بالمئة. وهذا لم يكن في شركة صغيرة تخطو أولى خطواتها مع التكنولوجيا الجديدة، بل في مؤسسة تمتلك الموارد والكفاءات والضغوط التنافسية الكافية لتحقيق النجاح. وهذا الرقم ليس شذوذاً معزولاً، بل هو النمط السائد.
وقد أكدت شركة McKinsey ذلك في مسحها العالمي لعام 2025: فرغم الانتشار الواسع لاستخدام الذكاء الاصطناعي، لم يبدأ سوى ثلث المؤسسات في توسيع نطاق برامج الذكاء الاصطناعي بشكل مشترك عبر وظائفها المختلفة. في المقابل، كانت شركة Gartner تتوقع أن يبلغ الإنفاق العالمي على الذكاء الاصطناعي نحو 2.59 تريليون دولار في عام 2026، بارتفاع نسبته 47 بالمئة مقارنةً بالعام السابق. فالأموال لا تزال تتدفق. أما الإنتاج، فلا.
هذا التناقض هو دراسة الحالة التي تستحق الاهتمام، لأنها لا تشير إلى مشكلة في الكفاءات أو في التكنولوجيا، بل تشير إلى شيء يصعب على قادة هذه الاستثمارات الإقرار به.
التجربة الأغلى في السوق لا أحد يمتلك مسؤولية نتائجها
لا يزال السرد السائد حول الذكاء الاصطناعي المؤسسي يدور حول النماذج: مدى دقتها، والهندسة التي تعتمدها، وعدد المعاملات التي تحتويها. والمحادثات التقنية متطورة بلا شك. لكن ما يغيب في كثير من الأحيان هو إجابة واضحة عن سؤال أكثر جوهرية: ما المؤشر التجاري الذي سيتحسن بفضل هذا النموذج، وبأي مقدار؟
يوثّق كاكانديكي حالة تتكرر بلا تبديل: يبني فريق ما حلاً للذكاء الاصطناعي التوليدي بخطوط أنابيب استرجاع معززة، وقواعد بيانات متجهية محدَّثة دورياً، ونماذج مضبوطة الضبط الدقيق. فإذا سُئل الفريق عن المقياس التجاري الذي يسعى إلى تحسينه، لم تكن ثمة إجابة محددة. وبعد أشهر من تراكم الاستثمارات، يبقى النظام حبيس مرحلة التجريب.
المشكلة ليست في التكنولوجيا. المشكلة أن أحداً لم يحدد عتبة النجاح قبل البدء في البناء.
"تحسين الإنتاجية" هي الإجابة الأكثر شيوعاً حين يُطلب تحديد تلك العتبة. لكن نموذجاً يرفع دقة التصنيف خمس نقاط مئوية لا قيمة له في حد ذاته. تظهر قيمته حين يمكن ترجمته إلى دورة زمنية مختصرة، أو تكلفة تشغيلية موفورة، أو معدل إخفاق في اتفاقيات مستوى الخدمة يُحسم إلى الأبد. وبغير هذه الترجمة، لا يملك المشروع التجريبي حجةً للتحول إلى عملية إنتاجية حقيقية.
وقد رصدت شركة Gartner ارتباطاً لافتاً: المؤسسات الأكثر نضجاً في مجال الذكاء الاصطناعي هي باستمرار تلك التي تحدد مبادراتها انطلاقاً من القيمة التجارية والجدوى التقنية قبل البناء لا بعده. وهذا التقديم في ترتيب القرارات —النتيجة أولاً ثم الهندسة— هو ما يميز من يتوسعون عمن يتراكم لديهم المشاريع المتعثرة.
الفجوة بين النموذج الذي يعمل في بيئة مضبوطة والنظام الذي يعمل في الإنتاج الفعلي ليست في معظمها تقنية. إنها فجوة تنظيمية. يغيب مالك النتيجة، ويغيب المقياس الذي يُلزم باتخاذ قرار، ويغيب في كثير من الأحيان السؤال عما إذا كان أحد مستعداً للدفع مقابل هذه النتيجة لو كان مضطراً لذلك.
الثقة بنظام لا يستطيع تفسير نفسه لها حد تشغيلي محدد بدقة
ثمة آلية حجب ثانية تعمل بالتوازي وليس لها حل تقني بسيط: المؤسسات لا تنشر ما لا تستطيع السيطرة عليه.
حين يرفض نموذج ما طلب ائتمان، يجب على البنك أن يكون قادراً على الإجابة بدقة: ما البيانات التي استُخدمت، وأي إصدار من النموذج كان يعمل آنذاك، وكيف بلغ النظام تلك التوصية، ومن أجاز هذه العملية. ليس ذلك تمريناً في الشفافية الطوعية، بل لأن أطراً تنظيمية كقانون الذكاء الاصطناعي الصادر عن الاتحاد الأوروبي وإطار إدارة مخاطر الذكاء الاصطناعي الصادر عن NIST تشترط ذلك صراحةً. فقد تحولت قابلية التتبع والتفسير من ميزات اختيارية إلى شروط لازمة للتشغيل.
الخطأ المتكرر هو التعامل مع الحوكمة باعتبارها طبقة تُضاف حين يصبح النموذج جاهزاً للإنتاج. وهذا لا ينجح. فسلسلة النسب للبيانات والنماذج، ومراقبة الانحراف الإحصائي، وآليات اكتشاف التحيز: لا شيء من ذلك يمكن بناؤه بصورة رجعية بالمتانة ذاتها التي يوفرها لو كان جزءاً من التصميم منذ البداية.
وتشير Gartner إلى أن المؤسسات ذات النضج العالي في الذكاء الاصطناعي أكثر ميلاً للإفادة بأن وحداتها التجارية تثق في الأنظمة المنشورة وتستعد لاستخدامها. والثقة ليست نتيجة تلقائية لكون النموذج يحقق أداءً جيداً على مقاييس الأداء؛ بل هي نتاج القدرة على مراجعة كل قرار يتخذه ذلك النموذج.
اختار أحد مزودي الرعاية الصحية الذين عمل معهم فريق BMC نموذجاً أقل دقةً عن قصد، لأنه كان قابلاً للتفسير من قِبل الأطباء الذين يجب أن يتصرفوا بناءً على توصياته. وقد أسهم هذا القرار في تسريع الاعتماد والسماح بالنشر الكامل. أما النماذج الأكثر دقةً لكنها مبهمة، فقد بقيت في مرحلة التجريب. وهكذا خسرت الدقة التقنية أمام القدرة على التحقق.
العتبة الحقيقية للإنتاج ليست دقة النموذج. بل هي ما إذا كان بمقدور أحد داخل المؤسسة أن يضع توقيعه تحت كل قرار يتخذه ذلك النموذج، بالمعلومات المتاحة لاتخاذه.
ويستوجب ذلك أن تعمل مراقبة الإنتاج بالتوازي مع الاستدلال، وأن لا يكون اكتشاف الانحراف الإحصائي والتحيز عملية دورية بل مستمرة، وأن تُخلّف كل عملية تشغيلية سجلاً مرتبطاً ببيانات التدريب وبالعملية التطويرية التي أفضت إليها. وحين تنقطع هذه السلسلة، يتوقف النظام عن كونه موثوقاً بصرف النظر عن متوسط أدائه.
دمج نموذج في العمل التجاري ليس مجرد توصيل واجهة برمجية
العائق الأخير هو الأكثر إثارةً للدهشة لدى القادمين من عالم تطوير النماذج، لأنه يبرز حين يكون كل ما سبق قد نجح. النموذج دقيق، وقابل للتفسير، وخضع لضوابط الحوكمة. ومع ذلك، لا يزال الأداء التجاري دون تحسن.
نفّذت إحدى مؤسسات الخدمات المالية نموذجاً للذكاء الاصطناعي داخل منظومة معالجة المعاملات لديها. فعمل النموذج على النحو الذي صُمم له تماماً. لكن خدمة الذكاء الاصطناعي لم تكن مُدرجة ضمن إطار اتفاقيات مستوى الخدمة للشركة. فأُخلّ بالمواعيد المُتعهد بها للعملاء. نجح النموذج. لكن النظام فشل.
توضح هذه الحالة المشكلة بجلاء: إدخال الذكاء الاصطناعي بوصفه قدرة مستقلة عوضاً عن دمجه في البنية التشغيلية للمؤسسة يُفضي تحديداً إلى هذه النتيجة. يؤدي النموذج دوره. أما المؤسسة فغير قادرة على إدارة العملية من حوله.
يطرح القادة الذين وصلوا إلى الإنتاج على نطاق واسع منذ البداية مجموعة مختلفة من الأسئلة: كيف يُنسَّق نظام الذكاء الاصطناعي مع العمليات الدفعية وأنظمة الأعمال التي تُسيّر العمل القائم أصلاً؟ وكيف تُضمن توافرية النظام، والتعافي من الأعطال، ووضوح الملكية على العمليات المتسلسلة؟ وكيف يُدار الكلفة والأداء والحجم حين تعمل الاستدلالات والعوامل المستقلة دون انقطاع؟
الإجابة الناجعة هي تلك التي تتعامل مع الذكاء الاصطناعي في الإنتاج بالضبط كما تتعامل مع أي قدرة حيوية للأعمال: بالانضباط ذاته في التنسيق، وإدارة اتفاقيات مستوى الخدمة، والحوكمة، والمراقبة، والتحكم في التكاليف. لا بوصفه شيئاً منفصلاً يتصل بالأعمال، بل بوصفه امتداداً للبنية التحتية للأتمتة التي تثق بها المؤسسة أصلاً.
ويزداد هذا الأمر إلحاحاً كلما تطورت أنظمة الذكاء الاصطناعي من نماذج سلبية إلى عوامل قادرة على التوصية والمبادرة والتنفيذ. وكل زيادة في الاستقلالية ترفع متطلبات الإشراف وقابلية التدقيق وآليات التحكم. فالعامل القادر على التنفيذ لا يمكنه أن يعمل دون الضمانات ذاتها التي يستوجبها أي نظام يمس الأموال أو بيانات العملاء أو الالتزامات الخارجية.
الميزة التنافسية تكمن في التشغيل لا في النموذج
النمط الذي يفصل المؤسسات التي تتوسع عن تلك التي تتراكم لديها المشاريع التجريبية ليس النموذج الأكثر تطوراً ولا أكبر فريق لعلوم البيانات. إنه القرار بمعاملة الذكاء الاصطناعي باعتباره بنية تحتية للأعمال بالمتطلبات الصارمة ذاتها التي يخضع لها أي نظام آخر ترتكز عليه العمليات.
وأفادت شركة Deloitte بأن وصول العمال إلى الذكاء الاصطناعي ارتفع 50 بالمئة في عام 2025، وتوقعت أن يتضاعف عدد الشركات التي وصلت فيها ما لا يقل عن 40 بالمئة من مشاريع الذكاء الاصطناعي إلى مرحلة الإنتاج في الأشهر الستة التالية. غير أن امتلاك نظام في الإنتاج وامتلاك نظام مُدمج في النسيج التشغيلي للأعمال شرطان مختلفان. الأول بلوغه ميسور نسبياً. أما الثاني فهو حيث يتشكل العائد على الاستثمار أو يتبدد.
ومع الإنفاق العالمي على الذكاء الاصطناعي المتوقع أن يبلغ 3.49 تريليون دولار بحلول عام 2027 وفق Gartner، فإن الضغط من أجل تبرير هذا الاستثمار بنتائج قابلة للقياس لن يزيد إلا اشتداداً. والمؤسسات التي تمتلك أكثر من 200 نموذج مبنياً وأقل من عشرة في الإنتاج لا تعاني من مشكلة في القدرة التقنية. تعاني من مشكلة في توزيع المسؤولية عن النتائج، ومن غياب الحوكمة المدمجة في التصميم، ومن ضعف الإدارة التشغيلية للأنظمة الحيوية.
المحادثة المؤجلة في غرف كبار المسؤولين التنفيذيين في كثير من المؤسسات ليست عن أي نموذج يختارون. إنها عما يلزم تغييره في الطريقة التي تتولى بها المؤسسة الملكية وتحدد النجاح وتُدير العمليات، حتى تخرج النماذج التي بنتها بالفعل من دائرة التجريب وتبدأ في تحريك الأرقام التي تهم.
