پروژههای هوش مصنوعی با نرخ هشداردهندهای در حال شکست هستند و این مشکل مدتها قبل از ظهور هوش مصنوعی آغاز شده است
در حالی که سازمانها در سراسر جهان در حال شتاب بخشیدن به سرمایهگذاریهای خود در زمینههای هوش مصنوعی، تحول دیجیتال و تحلیل دادهها هستند، تعداد فزایندهای از کارشناسان صنعت هشدار میدهند که بسیاری از شرکتها همچنان با روشهایی اساساً معیوب به این ابتکارات نزدیک میشوند.
با وجود پتانسیل عظیم فناوریهای جدید، اکثریت برنامههای تحول برای ارائه ارزش پایدار با مشکل مواجه هستند.
به گفته دکتر پییر لورو، مدیرعامل شرکت مشاوره دیجیتال مویو، نرخ بالای شکست اقدامات تحولی، پدیده جدیدی نیست و مدتها قبل از موج فعلی هیجان پیرامون هوش مصنوعی وجود داشته است.
لورو میگوید: «ما در زمانهای با امکانات فوقالعاده فناوری زندگی میکنیم. با این حال، اگر به سابقه اجرای استراتژی، برنامههای تحول دیجیتال و اقدامات بزرگ فناوری اطلاعات نگاه کنید، نرخ موفقیت تاریخی آنها بسیار پایینتر از آن چیزی بوده است که اکثر سازمانها تمایل به اعتراف آن دارند.»
او میگوید هوش مصنوعی اکنون در حال تجربه الگوی مشابهی است: «تحقیقات صنعت نشان میدهد که نرخ شکست پروژههای هوش مصنوعی در حال حاضر تا ۹۰ درصد بالا است. اگرچه این رقم به مرور زمان و با بلوغ فناوری بهبود خواهد یافت، اما نشاندهنده یک مشکل ساختاری عمیقتر در نحوه رویکرد سازمانها به تغییر است.»
نویسنده: دکتر پییر لورو، مدیرعامل شرکت مشاوره دیجیتال مویو (Dr Pierre le Roux, Managing Director of Moyo)
تاریخ انتشار: ۲ آوریل ۲۰۲۶ (2 Apr 2026)
منبع انگلیسی: پیبیپیآر (PBPR)
منبع فارسی: شارا ـ شبکه اطلاعرسانی روابطعملی
شبکه اطلاعرسانی روابطعمومی ایران (شارا) || سرمایهگذاری روی هوش مصنوعی و تحول دیجیتال در سراسر جهان شتاب گرفته است، اما گزارشهای تخصصی نشان میدهند که نرخ شکست این پروژهها به حدود ۹۰ درصد میرسد. این شکستهای پیاپی پدیده جدیدی نیستند و ریشه در ساختارهای ناکارآمدی دارند که پیش از ظهور فناوریهای نوین وجود داشتهاند.
بسیاری از سازمانها تلاش میکنند پیشرفتهترین فناوریها را بر روی فرآیندهای مبهم، دادههای ناسازگار و سیستمهای ازهمگسیخته پیادهسازی کنند؛ امری که عملاً توسعه و مقیاسپذیری هرگونه ابزار جدید را غیرممکن میسازد.
در مسیر پیادهسازی فناوریهای نوظهور، هدایت صحیح جریان اطلاعات نقشی حیاتی دارد. بدون برخورداری از یک ساختار منسجم برای مدیریت دادهها و ارتباطات اجتماعی درونسازمانی، پروژهها تنها در سطح نمونههای آزمایشی کوچک موفق میشوند و در مرحله توسعه در سطح کلان، به دلیل پیچیدگیهای ساختاری متوقف میگردند.
برای غلبه بر این چالش، سازمانها باید رویکرد خود را تغییر داده و پیش از هر چیز، زیرساختهای مهندسی کسبوکار خود را اصلاح کنند.
یکی از موانع اصلی، پذیرش نرخ بالای شکست به عنوان بخشی طبیعی از مسیر تحول است. سازمانها باید همان حساسیتی را که نسبت به خطاهای مالی یا تولیدی دارند، در قبال پروژههای تکنولوژیک نیز اعمال نمایند. برای دستیابی به این هدف، تمرکز بر معماری یکپارچه، بهبود حاکمیت دادهها و تعیین دقیق مسئولیتها ضروری است.
همچنین در مواقع بحرانهای ناشی از تغییرات ساختاری، بهرهگیری از اصول علمی مدیریت بحران میتواند از فروپاشی سیستمهای قدیمی جلوگیری کند.
در نهایت، موفقیت در به کارگیری فناوریهای نوین، به ویژه در حوزههای حساسی که با افکار عمومی و ذینفعان سرکار دارند، نیازمند یک بازتعریف استراتژیک در بخش روابطعمومی و ارتباطات سازمانی است.
فاز بعدی بکارگیری فناوری، تمرکز بر انضباط، تفکر مهندسی و تقویت پایهها است؛ چرا که قدرت یک سازمان نه در تعداد ابزارهای هوش مصنوعیِ پیادهسازیشده، بلکه در استحکام زیرساختهایی است که برای پشتیبانی از این ابزارها ایجاد کرده است.
نکات کلیدی
- نرخ شکست پروژههای هوش مصنوعی به حدود ۹۰ درصد میرسد که نشاندهنده یک مشکل ساختاری عمیق است.
- علت اصلی ناکامیها نه در ذات فناوری، بلکه در پیادهسازی آن روی زیرساختهای فرسوده و فرآیندهای مبهم است.
- سازمانها معمولاً در پروژههای آزمایشی موفق میشوند اما در تعمیم و مقیاسگذاری کلان شکست میخورند.
- رویکرد مهندسی به تحول سازمانی شامل حاکمیت داده، رفع موازیکاری سیستمها و شفافیت فرآیندها است.
- انضباط و تفکر ساختاریافته در فاز بعدی تحول، جایگزین آزمایشگریهای ساده و بیهدف خواهد شد.
پرسش و پاسخ
۱. چرا آمار شکست پروژههای هوش مصنوعی تا این حد بالا است؟
علت اصلی این شکستها خود فناوری هوش مصنوعی نیست، بلکه زیرساختهای ضعیف سازمانی است. شرکتها معمولاً سعی میکنند سیستمهای هوشمند را روی بسترهایی پیادهسازی کنند که دچار ازهمگسیختگی داده، فرآیندهای کاری مبهم و سیستمهای نرمافزاری موازی و تکراری هستند؛ در نتیجه پروژه قابلیت مقیاسپذیری را از دست میدهد.
۲. منظور از «شکست پس از اولین مورد استفاده موفق» چیست؟
بسیاری از سازمانها میتوانند یک پروژه آزمایشی کوچک و ایزوله (Pilot) را با موفقیت اجرا کنند. اما زمانی که تصمیم میگیرند این راهحل هوشمند را در کل ابعاد سازمان توسعه داده و با دیگر سیستمهای مالی و اداری ادغام کنند، پیچیدگیهای ساختاری و ناهماهنگی دادهها مانع از پیشرفت کار شده و پروژه متوقف میشود.
۳. چگونه میتوان پیش از پیادهسازی هوش مصنوعی، سازمان را آماده کرد؟
سازمانها باید رویکردی مهندسی به تحول داشته باشند. این کار با ساخت یک معماری سازمانی منسجم، بهبود فرآیند حاکمیت دادهها، حذف برنامهها و سیستمهای موازی در دپارتمانهای مختلف و مشخص کردن دقیق ساختار پاسخگویی افراد و سیستمها آغاز میشود.
۴. چرا مدیران نرخ بالای شکست تحول دیجیتال را به راحتی میپذیرند؟
در فرهنگ سازمانی، شکست در پروژههای تحول فناوری اغلب به عنوان بخشی طبیعی از فرآیند پذیرفته میشود. در حالی که اگر همین میزان خطا (مثلاً ۷۰ درصد خطای سیستمی) در بخش تولید یا دفتر ثبت مالی سازمان رخ دهد، مدیران ارشد هرگز آن را تحمل نخواهند کرد. این طرز فکر نسبت به پروژههای دیجیتال باید تغییر کند.
۵. فاز بعدی پذیرش هوش مصنوعی در سازمانها چه ویژگیهایی خواهد داشت؟
فاز بعدی کمتر بر مبنای هیجان و آزمایشهای ساده تکنولوژیک خواهد بود و بیشتر بر پایه انضباط، تفکر مهندسی و طراحی زیرساختهای سازمان شکل خواهد گرفت. برندههای واقعی سازمانهایی هستند که به جای تمرکز بر تعداد ابزارهای خریداریشده، پایههای دادهای خود را قوی میکنند.