غالبية استثمارات المؤسسات في الذكاء الاصطناعي لا تنتهي بفشل ظاهر. تنتج تجربة أولية ناجحة واحدة، ثم لا شيء بعدها. هذا هو السبب، وهذا ما تفعله المؤسسات التي تتجاوز هذه المرحلة بشكل مختلف.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
أكثر إخفاقات الذكاء الاصطناعي وضوحًا ليست أكثرها شيوعًا. شطب مالي يتناقله الإعلام، أو نموذج أنتج مخرجات ضارة، أو نشر اضطرت المؤسسة إلى التراجع عنه: هذه الأحداث تُنقل تحديدًا لأنها نادرة. أما النتيجة المعتادة فهي أهدأ صوتًا وأبهظ ثمنًا: تجربة أولية نجحت، ودراسة جدوى اعتُمدت، ثم تباطؤ تدريجي على مدى 12 شهرًا لم يعلنه أحد رسميًا.
وجدت Gartner أن أقل من 54% من التجارب الأولية للذكاء الاصطناعي تنتقل إلى الإنتاج الكامل. ووجد تقرير McKinsey لعام 2025 عن حالة الذكاء الاصطناعي أن 1% فقط من الشركات تصف نفسها بأنها ناضجة تمامًا في النشر، رغم أن كل مؤسسة كبيرة تقريبًا تدير تجارب. الفجوة بين «لدينا تجارب أولية» و«لدينا ذكاء اصطناعي في الإنتاج» هي التحدي التشغيلي الذي يحدد ملامح الذكاء الاصطناعي المؤسسي في 2026.
فهم أسباب التوقف في منتصف الطريق أنفع من إحصاء الحالات التي فشلت.
التجربة الأولية مصممة لتنجح. البرنامج ليس كذلك.
التجربة الأولية بيئة محكومة. لها نطاق محدد، وفريق متحمس، ووقت موارد محمي، ورعاية تنفيذية تُحرّك الأمور. هذه الظروف ليست تمثيلية. إنها تثبت أن التقنية تعمل، وهذه مسألة مختلفة عن إثبات أن المؤسسة قادرة على تشغيلها.
عند انتهاء التجربة الأولية تختفي معظم تلك الظروف. ينتقل اهتمام الإدارة إلى المبادرة التالية. ويتفرق الفريق الأساسي. وطابور تذاكر تقنية المعلومات الذي جرى تجاوزه أثناء التجربة يصبح الآن اعتمادية. التكامل الذي استغرق ثلاثة أسابيع في بيئة معزولة يستغرق تسعة أشهر في مواجهة نظام إنتاج بُني في 2009.
ووجد استطلاع Deloitte لعام 2025 حول تبني الذكاء الاصطناعي أن 41% من البرامج المتوقفة ذكرت التنافس على الموارد وتضارب الأولويات كسبب رئيسي. أما أداء النموذج والتكلفة والاحتكاك التنظيمي فبالكاد ظهرت. التقنية ظلت تعمل. المؤسسة هي التي توقفت عن حمايتها.
العملية لم تُصمَّم يومًا للذكاء الاصطناعي
النوع الثاني من التوقف أكثر بنيوية وأشد مقاومة للحلول التنظيمية. صُممت معظم عمليات المؤسسات لينفذها بشر. وهي تتضمن غموضًا ومعالجة استثناءات وأحكامًا تقديرية في كل خطوة. لم يكن ذلك قصدًا تصميميًا؛ فالعاملون كانوا يمتصون التعقيد، ولذلك لم يحتج أحد إلى جعله صريحًا.
الذكاء الاصطناعي لا يستطيع امتصاص تعقيد غير موثّق. فهو يحتاج إلى حدود عملية محددة قبل أن يعمل داخلها باعتمادية. المؤسسات التي تُقحم الذكاء الاصطناعي في عملية بشرية قائمة دون إعادة تصميمها ينتهي بها الأمر إلى نشر طبقة على هيئة ذكاء اصطناعي فوق نظام بشري، ويُحدَّد سقف الأداء بأضعف خطوة من تصميم البشر يلامسها.
حددت أبحاث Deloitte هذا بوصفه العامل الأقوى في التنبؤ بالفشل في الإنتاج: المؤسسات التي أعادت تصميم عملياتها للتشغيل القائم على الذكاء الاصطناعي أولًا قبل النشر تفوقت على غيرها بثلاثة أضعاف في العائد على الاستثمار القابل للقياس. إعادة التصميم مشروع في معمارية العمليات، لا مشروع تقني، ويجب أن يحدث قبل دخول النموذج إلى الخدمة.
لا أحد يملك الإنتاج
في التجربة الأولية تكون الملكية واضحة لأنها محدودة. لقائد المشروع صلاحية داخل نطاق محدد. وحين يتوسع البرنامج خارج ذلك النطاق تصبح الملكية موضع نزاع، والملكية المتنازع عليها هي المقدمة الموثوقة للتوقف.
النمط متكرر عبر المؤسسات: الفريق الذي بنى التجربة الأولية لا يملك صلاحية فرض تغييرات العمليات التي يتطلبها الإنتاج. والفرق التي تملك تلك الصلاحية لم تشارك في التجربة ولا تشعر بالمسؤولية عن نتائجها. لم تُصمَّم الحوكمة للتوسع لأن أحدًا لم يتوقع أن يكون التوسع هو المشكلة.
وجدت أبحاث KPMG حول صنع القرار بين المدير المالي ومدير المعلومات أن أوضح مؤشر على تعثر الاستثمار في الذكاء الاصطناعي هو غياب مالك محدد على مستوى الإنتاج، لا الميزانية ولا القدرة. وحين يدّعي قائدان مسؤولية مشتركة دون إطار حوكمة يفصل بين دوريهما، تكون النتيجة الفعلية أن لا أحد مسؤول. تتكاثر التجارب الأولية. ولا يُطرح شيء في الخدمة.
إطار العائد على الاستثمار بُني بعد دراسة الجدوى
معظم برامج الذكاء الاصطناعي في المؤسسات تقيس الأشياء الخطأ، ومتأخرًا. تنتج التجربة الأولية مقاييس دقة وأرقام زمن استجابة ودرجات رضا مستخدمين. هذه المقاييس تثبت أن النموذج يعمل. أما تبرير استمرار الاستثمار أمام مدير مالي رأى 50 مليون دولار تغادر الميزانية فيتطلب مقاييس أخرى.
المؤسسات التي تنجح في التوسع تبني معمارية قياس العائد بالتوازي مع معماريتها التقنية، بوصفها حلقة تغذية راجعة حية لا تقريرًا يُضاف لاحقًا، حلقة تتتبع الأثر على الهامش، والوقت المستعاد من الأدوار عالية القيمة، ومعدلات الخطأ في العمليات التي يلامسها الذكاء الاصطناعي. تلك البيانات هي ما يحوّل تجربة أولية ناجحة إلى برنامج مموَّل.
ووجد استطلاع PwC للرؤساء التنفيذيين لعام 2026 أن المؤسسات التي حددت بوابات عائد إنتاجي مسبقًا كانت أكثر احتمالًا بثلاث مرات للتوسع بنجاح مقارنة بمن قاست الأداء بأثر رجعي. البوابة هي الآلية التي تُجبر البرنامج على الإجابة، قبل التوسع، عن السؤال الذي سيطرحه المدير المالي بعده.
ما تفعله المؤسسات التي تتجاوز هذه المرحلة بشكل مختلف
البرامج التي تنتقل من التجربة الأولية إلى الإنتاج على نطاق واسع هي في الأساس أفضل في تهيئة الظروف التي يحتاجها الذكاء الاصطناعي للعمل، وليست أفضل في الذكاء الاصطناعي نفسه.
هي تعامل إعادة تصميم العملية بوصفها شرطًا مسبقًا، لا تحسينًا لاحقًا للنشر. قبل دخول النموذج الخدمة، تكون العملية التي سيعمل داخلها قد أُعيد بناؤها حول مدخلات صريحة، وفئات قرار محدودة، ومسارات تصعيد معرّفة — بحيث يجد الذكاء الاصطناعي عملية صُممت من أجله، لا عملية عليه الالتفاف حولها.
وهي تحدد الملكية قبل انتهاء التجربة الأولية. الفريق المسؤول عن التوسع الإنتاجي وإدارة التغيير والحوكمة المستمرة يُسمَّى وتُخصَّص له الموارد قبل أن تنتج التجربة أول نتيجة لها. لا غموض حول من يملك البرنامج حين ينصرف راعي التجربة.
وهي تبني القياس المالي منذ البداية. تُحدَّد بوابات العائد في دراسة الجدوى، لا في المراجعة بعد الإخفاق. وتُعامل البنية التحتية للبيانات اللازمة لقياس الأثر على الأعمال، لا دقة النموذج، بوصفها متطلبًا تقنيًا لا مهمة إعداد تقارير.
لا شيء من هذا معقد من حيث المبدأ. لكنه يُتخطى باستمرار لأن التجارب الأولية تكافئ السرعة والظروف المحكومة، بينما يكافئ الإنتاج تحديدًا البنية التنظيمية التي تُبطئ التجارب. المؤسسات التي أدركت ذلك لا تنتظر أن تتحسن تقنيتها. إنها تبني الظروف التي تحتاجها تقنيتها بالفعل.
دورة الاستثمار في الذكاء الاصطناعي لن تتباطأ. ومجالس الإدارة التي تطالب بنتائج إنتاجية من تجارب اعتمدتها قبل عامين لن تصبح أكثر صبرًا. السؤال أمام معظم المؤسسات ليس هل تتوسع، بل هل تستطيع معمارية البرنامج التي بنتها للتجربة الأولية أن تصمد أمام بيئة الإنتاج.
بالنسبة للأغلبية، لا تستطيع. وتلك مشكلة تصميم لا مشكلة تقنية، ولها حل.
Frequently asked questions
Why do enterprise AI programmes stall after the pilot phase?+
The most common causes are organisational, not technical: unclear ownership, process architectures designed for humans rather than AI, and ROI frameworks that were never built into the programme from the start. A working model is not sufficient to get a programme into production.
What percentage of AI pilots reach production?+
According to Gartner, fewer than 54% of AI pilots are promoted to full-scale deployment. McKinsey's 2025 State of AI report found that only 1% of companies describe themselves as fully mature in AI deployment — despite broad experimentation.
What distinguishes organisations that successfully scale AI?+
Three factors consistently separate high performers: they redesign workflows for AI rather than fitting AI into existing ones, they set measurable outcome gates before scale, and they build governance infrastructure before they need it rather than after.