لماذا تفشل مشاريع الذكاء الاصطناعي في الشركات؟ المشكلة الحقيقية هي جودة البيانات

هذا يعني أن المشكلة الأساسية ليست في بناء نموذج ذكي، بل في توفير بيانات موثوقة يمكن الاعتماد عليها.

في الواقع، يشير التقرير أيضاً إلى أن محللي البيانات يقضون قرابة أربع ساعات أسبوعياً في مراجعة وتصحيح نتائج الذكاء الاصطناعي قبل استخدامها في قرارات الأعمال، وذلك للتأكد من صحتها.

لماذا تعرقل جودة البيانات وحوكمتها تبني الذكاء الاصطناعي؟

في كثير من المؤسسات الكبيرة، تكون البيانات موزعة عبر أنظمة متعددة، وغالباً بدون تنظيم موحد. هذا يؤدي إلى مجموعة من المشكلات المتكررة، مثل:

• وجود البيانات في أنظمة معزولة (Data Silos) يصعب دمجها
• اختلاف تعريفات البيانات بين الأقسام
• غياب الملكية الواضحة للبيانات
• ضعف إمكانية التتبع أو التدقيق في العمليات التحليلية

حتى لو كانت نماذج الذكاء الاصطناعي قوية، فإن هذه المشكلات تجعل الشركات مترددة في الاعتماد على نتائجها.

لذلك تشير الأبحاث إلى أن البيانات عالية الجودة والمتاحة بشكل منظم وتحت حوكمة واضحة هي العامل الأهم لنجاح الذكاء الاصطناعي في المؤسسات، حيث يرى نحو 49٪ من القادة أن هذا هو الشرط الأساسي لتحقيق القيمة الكاملة من AI.

لماذا يريد محللو البيانات نقل منطق AI إلى فرق الأعمال؟

إحدى النتائج اللافتة في تقرير Alteryx أن 65٪ من محللي البيانات يعتقدون أن الذكاء الاصطناعي يعمل بشكل أفضل عندما تتم إدارة منطق التحليل على مستوى فرق الأعمال وليس داخل أقسام تقنية المعلومات فقط.

الفكرة هنا ليست تقليل دور أقسام IT، بل إعادة توزيع المسؤوليات بطريقة أكثر كفاءة.

النموذج الذي يراه كثير من المؤسسات أكثر فعالية هو:

• قسم تقنية المعلومات (IT): يدير البنية التحتية، والأمن، وأطر الحوكمة
• فرق الأعمال: تدير منطق التحليل والنماذج المرتبطة بالقرارات التشغيلية

السبب بسيط: فرق الأعمال هي التي تفهم السياق الحقيقي للبيانات وكيف تُستخدم في القرارات اليومية، بينما تضمن أقسام IT أن المنصة آمنة وقابلة للتوسع وتخضع للحوكمة.

هذا النهج يقلل الاختناقات التشغيلية ويجعل نشر حلول الذكاء الاصطناعي أسرع وأكثر ارتباطاً بالواقع العملي.

الدرس الأكبر: نضج الذكاء الاصطناعي يبدأ من نضج البيانات

ما تكشفه نتائج التقرير هو نمط واضح في رحلة تبني الذكاء الاصطناعي داخل الشركات: كثير من المؤسسات تحاول تسريع تبني AI قبل أن تكون بياناتها جاهزة لذلك.

لكن الأنظمة الذكية تحتاج إلى عدة أساسيات قبل أن تصبح موثوقة، منها:

• بيانات موثوقة وعالية الجودة
• حوكمة واضحة وتتبع لمصدر البيانات
• ملكية واضحة لمنطق التحليلات
• عمليات تحليلية قابلة للتكرار والتدقيق

عندما تغيب هذه الأسس، تصبح نتائج الذكاء الاصطناعي محل شك، ويتوقف استخدامه عند مرحلة التجارب فقط.

نموذج الذكاء الاصطناعي الذي يتجه إليه القطاع

تشير نتائج Alteryx إلى أن المؤسسات التي تنجح في تشغيل الذكاء الاصطناعي على نطاق واسع تعتمد عادةً على ثلاثة عناصر رئيسية:

1. أساس قوي للبيانات يتضمن بيانات موثوقة وتحت حوكمة واضحة
2. إشراف بشري ومساءلة واضحة على القرارات المدعومة بالذكاء الاصطناعي
3. توزيع مسؤولية منطق الأعمال بين فرق الأعمال وفرق تقنية المعلومات

عندما تتكامل هذه العناصر، يصبح الذكاء الاصطناعي أداة تشغيلية حقيقية داخل العمليات اليومية للشركات، وليس مجرد مشروع تجريبي.

وفي النهاية، يبدو أن الدرس الذي تتعلمه كثير من المؤسسات هو نفسه: أصعب جزء في الذكاء الاصطناعي ليس بناء النموذج، بل إعداد البيانات التي يعتمد عليها.