كيف تُدخل الشركات الذكاء الاصطناعي؟ 5 خطوات ومؤشرات أداء وأسباب التعثر

لا تكتب عنوان المشروع بصيغة عامة مثل: إدخال الذكاء الاصطناعي. الصياغة الأفضل هي: في أي عملية؟ لأي مستخدمين؟ ما العائق الحالي؟ وأي مؤشر يجب أن يتحسن بعد تدخل AI؟

يمكن البدء بهذه الصيغة:

في العملية أ، يقضي الدور ب وقتاً كبيراً كل أسبوع في تنفيذ المهمة ج؛ نريد استخدام الذكاء الاصطناعي لتحسين المؤشر د من خط الأساس الحالي إلى الهدف المحدد، على أن يكون مالك العملية هـ مسؤولاً عن تعديل سير العمل واعتماد النتيجة.

قبل البدء، أجب عن هذه الأسئلة:

• من سيستخدم هذه الوظيفة يومياً؟
• في أي خطوة من سير العمل سيدخل AI؟
• ما خط الأساس الحالي: وقت المعالجة، معدل الخطأ، معدل التحويل، الشكاوى، أو ساعات العمل اليدوي؟
• هل مؤشر النجاح مرتبط بالكفاءة، الجودة، الإيرادات، التكلفة، المخاطر، أم تجربة الموظف؟
• من يملك صلاحية تغيير العملية ويتحمل النتيجة؟

من دون مالك أعمال وخط أساس واضح، يصعب الحكم على نجاح PoC، ويصعب أكثر إقناع المؤسسة بالتوسع.

2. اختر 1–3 حالات عالية التكرار وبياناتها موجودة

لا تبدأ بأوسع مشروع ممكن. ابدأ بمهمة متكررة، بياناتها واضحة، وتكلفة الخطأ فيها قابلة للإدارة.

تجنّب في البداية الحالات الأعلى خطراً والأكثر غموضاً من حيث المسؤولية. إذا كانت البيانات مبعثرة، أو العملية غير موحدة، أو متطلبات الامتثال عالية بينما الحوكمة غير جاهزة، فالأولوية يجب أن تكون لتنظيم البيانات والعملية قبل إدخال الذكاء الاصطناعي التوليدي.

3. افحص البيانات والصلاحيات والتكامل قبل PoC

صعوبة التطبيق لا تكمن دائماً في النموذج. غالباً تكمن في السؤال الأبسط: هل يستطيع AI الوصول إلى البيانات الصحيحة بأمان وفي الوقت المناسب؟

ملخص من Talyx لدراسة RAND Corporation لعام 2024، المبنية على مقابلات مع 65 من كبار علماء البيانات والمهندسين، يذكر أسباباً متكررة لفشل مشاريع AI: سوء فهم تعريف المشكلة، نقص بيانات التدريب، الانطلاق من التقنية لا من المشكلة، ضعف البنية التحتية، أو أن المشكلة نفسها تتجاوز ما يمكن تنفيذه عملياً.

قبل PoC، راجع هذه النقاط:

• أين توجد البيانات: في مكتبة وثائق، CRM، ERP، نظام تذاكر، مستودع بيانات، أم في ملفات شخصية متفرقة؟
• ما جودة البيانات: هل هي قديمة، مكررة، ناقصة الحقول، أو غير موحدة الصيغة؟
• كيف تدار الصلاحيات: هل تختلف البيانات المتاحة حسب القسم أو المنصب أو المنطقة؟
• ما وتيرة التحديث: هل يجيب AI من آخر نسخة أم من وثائق مضى عليها أشهر؟
• هل يوجد تكامل مع الأنظمة: هل تعود المخرجات إلى التذاكر أو CRM أو التقارير أو الموافقات أو مسار الوثائق؟
• هل يمكن التدقيق لاحقاً: من سأل؟ ماذا أجاب AI؟ ومن اعتمد الإجابة أو عدّلها؟

إذا لم تكن البيانات قابلة للاستخدام، سيبقى النموذج مجرد واجهة عرض. وإذا لم تكن الصلاحيات واضحة، فقد يتعطل المشروع عند الأمن السيبراني أو الخصوصية أو الشؤون القانونية أو التدقيق.

4. نفّذ PoC صغيراً، لكن اربطه بسير عمل حقيقي

PoC، أي إثبات المفهوم، لا ينبغي أن يكون عرضاً في غرفة اجتماعات فقط. عامله كنسخة أولى من منتج داخلي: مستخدمون حقيقيون، بيانات حقيقية، وسير عمل حقيقي، مع تعريف مسبق لشروط النجاح والتوسع والتوقف.

اسأل قبل الإطلاق:

• أين يفعّل المستخدم AI: في منصة خدمة العملاء، Slack، Teams، CRM، بوابة داخلية، أم نظام قائم؟
• من يراجع مخرجات AI؟ وما الحالات التي يجب تحويلها إلى إنسان؟
• كيف يبلّغ المستخدم عن الخطأ؟ ومن يصلح البيانات أو القواعد أو التعليمات بعد البلاغ؟
• ما المهام التي يسمح فيها بالمساعدة فقط ولا يسمح فيها بالتنفيذ الآلي؟
• ما الحد الأدنى من KPI الذي يسمح بالتوسع؟ وما الحد الذي يفرض إيقاف التجربة؟

الهدف هنا ليس إثبات أن AI قادر على إنتاج إجابة. الهدف إثبات أنه يُستخدم بثبات داخل سير العمل، وأنه يحسّن مؤشراً تشغيلياً محدداً.

5. بعد الحوكمة، توسّع إلى قسم ثانٍ أو أتمتة أعلى

توسيع AI لا يعني فتح حسابات إضافية فقط. كل قسم جديد قد يعني مصادر بيانات جديدة، قواعد صلاحيات مختلفة، فروقاً في سير العمل، متطلبات امتثال إضافية، ومؤشرات أداء مختلفة.

يزداد هذا أهمية عندما ينتقل AI من البحث والتلخيص والصياغة إلى AI agents، أي أنظمة أكثر استقلالية في تنفيذ خطوات أو اتخاذ إجراءات. ملخص McKinsey لعام 2025 يوضح أن نسبة من أفادوا بتوسيع استخدام AI agents في أي وظيفة منفردة لا تتجاوز 10%. وتشير McKinsey أيضاً إلى أن الأمن والمخاطر هما العائق الأول أمام توسيع agentic AI، وأن عدم الدقة والأمن السيبراني ما زالا من أكثر مخاطر AI ذكراً.

التسلسل الأكثر أماناً عادة هو:

1. ابدأ بالمساعدة في البحث، التنظيم، التلخيص، والصياغة.
2. أبقِ human-in-the-loop، أي مراجعة الإنسان داخل المسار، واجمع الأخطاء والاستثناءات وسجلات الاستخدام.
3. عندما تنضج الدقة واستقرار العملية والصلاحيات والتدقيق، أتمت الخطوات الأقل خطراً.
4. قبل التوسع إلى قسم جديد، أعد فحص البيانات والصلاحيات والمتطلبات القانونية والأمنية والخصوصية والتدقيق.

كيف تضع KPI؟ لا تكتفِ بدقة النموذج

إذا قست مشروع AI بدقة النموذج فقط، فقد تفوّت القيمة التشغيلية الحقيقية. الأفضل أن تبدأ بخط أساس واضح، ثم تستخدم مؤشرات متعددة لتقرر هل يستحق المشروع التوسع أم لا.

لا تحتاج إلى عشرات المؤشرات من اليوم الأول. لكن يجب أن تكون مرتبطة بالعملية نفسها. إذا كان PoC يثبت فقط أن AI ينتج نصاً جيداً، لكنه لا يثبت أن العملية أصبحت أسرع أو أدق أو أقل تكلفة أو أكثر قابلية للضبط، فهو لم يصل بعد إلى مرحلة التشغيل.

لماذا لا تصل مشاريع كثيرة إلى التشغيل؟

1. شراء الأداة قبل تحديد الحالة

تبدأ بعض المشاريع من عرض مورّد أو من ضجة حول نموذج جديد، ثم تنتهي بوظيفة جذابة لا يحتاجها أحد يومياً. ملخص Talyx لدراسة RAND يضع العقلية التقنية أولاً بدلاً من الانطلاق من المشكلة ضمن أسباب الفشل المتكررة.

2. تعريف المشكلة غامض

قد يريد فريق الأعمال تقليل وقت خدمة العملاء، بينما يركز فريق التقنية على دقة النموذج، وتتوقع الإدارة خفض التكلفة، في حين يقلق الفريق القانوني من المخاطر. سوء فهم تعريف المشكلة مذكور أيضاً بين أسباب فشل مشاريع AI في ملخص Talyx لدراسة RAND.

3. البيانات والأنظمة غير متصلة

إذا لم يستطع AI الوصول إلى الوثائق الصحيحة أو بيانات العملاء أو سجلات التذاكر أو المعاملات، فسيجيب غالباً بإجابات عامة. وإذا لم تعد مخرجاته إلى CRM أو ERP أو قاعدة الوثائق أو نظام التذاكر، سيبقى المستخدم ينسخ ويلصق يدوياً، وقد تبتلع تكلفة العملية جزءاً كبيراً من القيمة. ضعف البنية التحتية من الأسباب التي يوردها ملخص Talyx لدراسة RAND لفشل التنفيذ.

4. PoC لا يغيّر طريقة العمل

ارتفاع تبني AI لا يعني أن الشركات نجحت في التوسع التشغيلي. التقرير الذي يعرض نتائج مسح McKinsey يشير إلى أن 88% من المؤسسات تستخدم AI في وظيفة أعمال واحدة على الأقل، لكن قرابة الثلثين ما زالوا عند التجريب أو المشاريع التجريبية المبكرة. إذا لم يدخل PoC في سير العمل الحقيقي، ولم يكن له مالك أعمال وKPI واضح، فغالباً سيبقى عرضاً تجريبياً.

5. الحوكمة تأتي متأخرة

إذا تُرك الأمن السيبراني والخصوصية والامتثال والتدقيق والصلاحيات إلى ما قبل الإطلاق مباشرة، قد يضطر الفريق إلى إعادة البناء. وهذا أكثر حساسية مع agentic AI، لأن الأنظمة الأكثر استقلالية تحتاج حدود بيانات أوضح، وصلاحيات تنفيذ محددة، ومراجعة بشرية، ومسؤولية معلنة. وتقول McKinsey إن الأمن والمخاطر هما أبرز عائق أمام التوسع في agentic AI.

جدول سريع: ما الذي تبدأ به وما الذي تؤجله؟

وجود الحالة في العمود الأيمن لا يعني أنها ممنوعة دائماً. معناه أن عليك أولاً ترتيب البيانات، توحيد العملية، توضيح المسؤوليات، وبناء الحوكمة.

قائمة فحص من صفحة واحدة قبل أي مشروع AI

قبل إطلاق مشروع جديد، استخدم هذه الأسئلة العشرة:

1. ما مشكلة الأعمال المحددة التي يحلها هذا الاستخدام؟
2. ما خط الأساس اليوم: الوقت، الخطأ، التكلفة، أو الشكاوى؟
3. من مالك العملية؟ ومن يملك قرار تغيير سير العمل؟
4. هل يواجه المستخدمون هذه المشكلة بكثافة كافية؟
5. هل البيانات المطلوبة موجودة، قابلة للوصول، وقابلة للتحديث؟
6. هل متطلبات الصلاحيات والخصوصية والشؤون القانونية والأمن والتدقيق واضحة؟
7. إلى أي نظام أو سير عمل حقيقي ستدخل مخرجات AI؟
8. ما الحالات التي تتطلب human-in-the-loop؟
9. ما عتبات النجاح والتوسع والتوقف في KPI؟
10. إذا توسعنا إلى قسم ثانٍ، هل تظل البيانات والعملية والمخاطر صالحة؟

الخلاصة

إدخال الذكاء الاصطناعي في الشركات يجب أن يبدأ من إعادة تصميم عملية محددة، لا من شراء نموذج أو أداة. النموذج عنصر مهم، لكنه ليس التطبيق نفسه. ما يحدد نجاح الانتقال من PoC إلى التشغيل هو: بيانات قابلة للاستخدام، صلاحيات واضحة، عملية قابلة للتغيير، مخاطر قابلة للضبط، ومؤشرات أداء تثبت القيمة.