لماذا تفشل معظم مبادرات الذكاء الاصطناعي في الشركات؟.. LLMs لم تُصمم لتشغيل الأعمال

الثورة التي لم تحدث بعد.. لماذا فشلت مبادرات الذكاء الاصطناعي في الشركات؟

عندما أطلقت شركة OpenAI برنامج ChatGPT في نوفمبر 2022، كان رد الفعل فورياً وحماسياً: هذا الذكاء الاصطناعي يعمل حقاً. لأول مرة، اختبر ملايين الأشخاص ذكاءً اصطناعياً ليس كوعود بعيدة، بل كأداة عملية، بديهية، وحتى مع عيوبها، قادرة على أداء مهام مذهلة. كان هذا الشعور صحيحاً تماماً. لكن الاستنتاج الذي تبعه كان خاطئاً.

فما يعمل بتميز على مستوى الفرد عند استخدام لوحة مفاتيح، أثبت فشله في بيئة المؤسسات. بعد عامين من الاستثمارات الضخمة، وتجارب لا حصر لها، و"مساعدات ذكاء اصطناعي" متكررة، ظهرت حقيقة مختلفة: الذكاء الاصطناعي التوليدي رائع في إنتاج اللغة، لكن الشركات لا تدار باللغة وحدها.

الواقع المرير: 95% من تجارب الذكاء الاصطناعي فشلت.. لماذا؟

هذه ليست قصة عن تقنية لم تلقَ رواجاً، بل على العكس تماماً. تحليل أجرته معهد ماساتشوستس للتكنولوجيا (MIT) أشار إلى أن نحو 95% من تجارب الذكاء الاصطناعي التوليدي في الشركات فشلت في تحقيق نتائج ذات معنى، فيما لم تصل سوى 5% منها إلى مرحلة الإنتاج المستدام. دراسات أخرى أكدت نفس النمط: تجارب واسعة، وتحولات ضئيلة.

السبب؟ المشكلة لا تكمن في الحماس أو حتى القدرات التقنية، بل في عدم قدرة هذه الأدوات على إحداث تغيير حقيقي في العمليات التشغيلية. إنها ليست مشكلة تبني، بل مشكلة هيكلية.

الثنائية الغريبة: الجميع يستخدم الذكاء الاصطناعي.. لكن لا شيء يتغير

داخل معظم الشركات اليوم، هناك واقعان متوازيان: الموظفون يستخدمون أدوات مثل ChatGPT باستمرار، في drafting و summarizing و ideation وتسريع أعمالهم بطرق طبيعية وفعالة. في المقابل، تبقى مبادرات الذكاء الاصطناعي الرسمية حبيسة تجارب محدودة، لا تتجاوز مرحلة التجارب المضبوطة.

التحليل ذاته الذي أجراه معهد MIT وصف فجوة تعلم متزايدة: الأفراد يكتشفون القيمة بسرعة، لكن المؤسسات تفشل في دمج هذه القيمة في عمليات ذات معنى. والنتيجة؟ ما يشبه "الذكاء الاصطناعي الظلي": الناس يستخدمون ما ينفع، بينما تستثمر الشركات في ما لا ينفع.

هذا ليس مقاومة للتغيير، بل إشارة واضحة.

الخطأ الجوهري: معاملتها LLMs كنظام تشغيل

غالبية التفسيرات لفشل هذه المبادرات تركز على التنفيذ: بيانات رديئة، حالات استخدام غير واضحة، نقص التدريب. كل هذه أسباب حقيقية، لكنها ثانوية. المشكلة الأساسية أعمق بكثير.

النماذج اللغوية الكبيرة (LLMs) صممت للتنبؤ بالنصوص فقط. كل شيء آخر، من التفكير إلى التلخيص والمحادثة، هو نتاج ثانوي لهذه القدرة. لكن الشركات لا تعمل كسلاسل متتالية من النصوص. إنها تعمل كنظم متطورة ذات حالة، ذاكرة، تبعيات، حوافز، وقيود.

هذا هو الخلل الأساسي: LLMs لا ترى العالم، ولا تحتفظ بحالة مستمرة، ولا تتعلم من التغذية الراجعة الحقيقية إلا إذا تم هندستها لهذا الغرض. إنها تنتج نصوصاً مقنعة عن الواقع، لكنها لا تعمل داخل هذا الواقع.

"لا يمكنك إدارة شركة بناءً على تنبؤات بالنصوص فقط. الشركات تحتاج إلى أنظمة متكاملة، ذاكرة مؤسسية، وعمليات تفاعلية حقيقية."

أمثلة واقعية: لماذا لا تنجح الأوامر البسيطة؟

عندما تطلب من نموذج لغوي كبير:

• "ازداد مبيعاتي"
• "صمم استراتيجية تسويق"
• "حسن أداء الفريق"

ستحصل على نصوص تبدو معقولة، لكنها تفتقر إلى السياق الحقيقي، الذاكرة المؤسسية، أو القدرة على تنفيذ التغييرات اللازمة. الذكاء الاصطناعي التوليدي لا يفهمDependencies، ولا يحلل البيانات الداخلية، ولا يتفاعل مع الحوافز التنظيمية.

الحل: من النصوص إلى الأنظمة

لتحويل الذكاء الاصطناعي من أداة توليد نصوص إلى نظام يدعم الأعمال، يجب:

• دمج LLMs مع قواعد البيانات الداخلية، لضمان الوصول إلى معلومات دقيقة وحديثة.
• إضافة ذاكرة مؤسسية، بحيث يتذكر النظام السياق التاريخي والتفاعلات السابقة.
• تطوير آليات تغذية راجعة، تمكن النظام من التعلم من النتائج الحقيقية في المؤسسة.
• تحديد حالات استخدام واضحة، تربط بين قدرات الذكاء الاصطناعي وأهداف العمل الحقيقية.

الذكاء الاصطناعي التوليدي ليس حلاً شاملاً، لكنه أداة قوية إذا تم دمجها في نظام أوسع.

الخلاصة: مستقبل الذكاء الاصطناعي في الشركات

مبادرات الذكاء الاصطناعي في الشركات لم تفشل بسبب التكنولوجيا، بل بسبب عدم فهم حدود هذه التكنولوجيا. LLMs رائعة في إنتاج اللغة، لكنها لا تستطيع استبدال الأنظمة المعقدة التي تدير الشركات. الحل يكمن في بناء جسور بين قدرات الذكاء الاصطناعي واحتياجات الأعمال الحقيقية.

المؤسسات التي ستنجح هي تلك التي تدرك أن الذكاء الاصطناعي ليس هدفاً، بل أداة، وأن دمجه في العمليات يتطلب إعادة thinking للهياكل التنظيمية، وليس مجرد إضافة "مساعد ذكاء اصطناعي" إلى قائمة البرامج.