یافته‌های مؤسسه MIT نشان می‌دهد که ۹۵ درصد از پروژه‌های آزمایشی (Pilots) هوش مصنوعی در سازمان‌ها موفق به نمایش سودآوری قابل اندازه‌گیری نمی‌شوند. برخلاف تصور عمومی، مشکل از ضعف مدل‌ها یا عدم توانایی سازمان‌ها در استفاده از آن‌ها نیست؛ بلکه ریشه اصلی در عدم انطباق معیارهای موفقیت مدل‌های هوش مصنوعی با نیازهای واقعی و عملیاتی کسب‌وکار است.
شکاف میان هوش مصنوعی عمومی و نیازهای تجاری
شرکت‌های پیشرو در حوزه هوش مصنوعی مانند OpenAI و Anthropic در حال توسعه هوش مصنوعی عمومی (Artificial General Intelligence – AGI) هستند. این مدل‌ها قدرت استدلال (Reasoning) فوق‌العاده‌ای دارند، اما بنچمارک‌های (Benchmarks) مورد استفاده برای ارزیابی آن‌ها، بازتاب‌دهنده پیچیدگی‌های داخلی یک سازمان نیستند. مدل‌های زبانی بزرگ (LLM) در لحظه آموزش، منجمد می‌شوند و نمی‌توانند دانش ضمنی (Tacit Knowledge) و فرآیندهای مستند نشده‌ای را که یک سازمان را اداره می‌کند، یاد بگیرند. در واقع، این مدل‌ها دنیای عمومی را می‌شناسند، اما از جزئیات دقیق و حیاتی یک سازمان بی‌اطلاع هستند.
راهکارهای عملیاتی برای مدیریت پروژه‌های هوش مصنوعی
برای جلوگیری از شکست در پروژه‌های آزمایشی، مدیران باید از سه رویکرد زیر استفاده کنند:
- تعریف دقیق هدف و معیار موفقیت: پیش از شروع، باید مشخص شود که ذینفعان و هیئت مدیره دقیقاً چه انتظاری از هوش مصنوعی دارند. اگر خروجی پروژه قابل اندازه‌گیری نباشد، ارزش آن اثبات نخواهد شد.
- انتخاب پروژه‌های آزمایشی استراتژیک: به جای انتخاب پروژه‌های بسیار ساده یا بسیار دشوار، باید پروژه‌هایی را انتخاب کرد که قابلیت مقیاس‌پذیری (Scalability) داشته باشند و چالش‌های واقعی داده‌ها و قوانین سازمان را در خود جای دهند.
- مهندسی بافتار (Context Engineering): استفاده از روش‌هایی برای تزریق مداوم بافتار (Context) مرتبط به هر پرامپت (Prompt) و ایجاد محدودیت‌های عملیاتی (Guardrails) برای کنترل خروجی‌ها.
نیاز به یک چرخه یادگیری مداوم
یک رویکرد ایستا (Static) برای هوش مصنوعی کافی نیست. از آنجایی که مدل‌های Generative AI ماهیتی احتمالی (Probabilistic) دارند، سازمان‌ها به یک چرخه (Loop) نیاز دارند: ورود بافتار، دریافت خروجی، ارزیابی خروجی بر اساس چارچوب‌های تعیین شده و در نهایت اصلاح و بازتغذیه بافتار به مدل. این فرآیند باعث می‌شود سیستم به مرور زمان سازمان را یاد بگیرد.
نقش حیاتی نیروی انسانی و متخصصان
موفقیت در پیاده‌سازی هوش مصنوعی، بیش از آنکه یک چالش صرفاً فنی باشد، یک تحول انسانی (People Transformation) است. دانش عمیق سازمان اغلب در ذهن کارشناسان موضوعی (SMEs) نهفته است. برای پر کردن شکاف اطلاعاتی، متخصصان فنی باید در کنار این کارشناسان قرار گیرند تا خروجی‌های مدل را در محیط واقعی ارزیابی و اصلاح کنند. هوش مصنوعی باید به عنوان ابزاری برای کاهش کارهای تکراری و تسریع رشد کسب‌وکار، در کنار دانش انسانی عمل کند.
