شبکه اطلاع‌رسانی روابط‌عمومی ایران (شارا) || شرکت‌ها روی هوش مصنوعی سرمایه‌گذاری می‌کنند، اما تقریباً همه پایلوت‌های سازمانی در همان ابتدای مسیر متوقف می‌شوند.
طبق گزارش جدیدی با عنوان «شکاف هوش مصنوعی مولد: وضعیت هوش مصنوعی در کسب‌وکار ۲۰۲۵» که به ابتکار NANDA توسط مؤسسه فناوری ماساچوست (MIT) منتشر شده، اگرچه هوش مصنوعی مولد برای شرکت‌ها امیدبخش است، اما بیشتر تلاش‌ها برای ایجاد رشد سریع درآمد شکست می‌خورند.
با وجود هجوم به سمت ادغام مدل‌های قدرتمند جدید، تنها حدود ۵ درصد از برنامه‌های آزمایشی هوش مصنوعی موفق به شتاب‌بخشی سریع درآمد شدند. اکثریت پروژه‌ها متوقف شدند و تأثیر قابل‌توجهی بر سود و زیان (P&L) نداشتند. این تحقیق بر پایه ۱۵۰ مصاحبه با رهبران سازمانی، یک نظرسنجی از ۳۵۰ کارمند و تحلیل ۳۰۰ استقرار عمومی هوش مصنوعی تهیه شده است و شکاف روشنی بین پروژه‌های موفق و پروژه‌های متوقف را نشان می‌دهد.
آدیتیا چالاپالی (Aditya Challapally)، نویسنده اصلی گزارش و پژوهشگر پروژه NANDA در مؤسسه فناوری ماساچوست توضیح می‌دهد: «برخی از پایلوت‌ها در شرکت‌های بزرگ و همچنین استارتاپ‌های جوان واقعاً در حال درخشش هستند. به‌طور مثال، استارتاپ‌هایی که توسط جوانان ۱۹ یا ۲۰ ساله اداره می‌شوند، توانسته‌اند درآمد خود را از صفر به ۲۰ میلیون دلار در یک سال برسانند. دلیل موفقیت آن‌ها این است که یک نقطه‌درد خاص را انتخاب می‌کنند، به‌خوبی اجرا می‌کنند و با شرکت‌هایی که از ابزارشان استفاده می‌کنند، شراکت هوشمندانه برقرار می‌سازند.»
اما برای ۹۵درصد از شرکت‌ها، پیاده‌سازی هوش مصنوعی مولد به نتیجه نمی‌رسد. مسئله اصلی کیفیت مدل‌ها یا مقررات نیست، بلکه «شکاف یادگیری» در ابزارها و سازمان‌هاست. درحالی‌که مدیران اجرایی اغلب مشکلات را به قوانین یا عملکرد مدل‌ها نسبت می‌دهند، تحقیقات مؤسسه فناوری ماساچوست نشان می‌دهد که ریشه مشکل در ادغام نادرست سازمانی است. ابزارهای عمومی مانند چت جی‌بی‌تی به دلیل انعطاف‌پذیری برای افراد بسیار کارآمد هستند، اما در سطح سازمانی به دلیل عدم انطباق با جریان‌های کاری با شکست مواجه می‌شوند.
یافته‌ها همچنین عدم هم‌راستایی در تخصیص منابع را نشان می‌دهد. بیش از نیمی از بودجه هوش مصنوعی مولد صرف ابزارهای فروش و بازاریابی می‌شود، در حالی‌که مؤسسه فناوری ماساچوست بیشترین بازده سرمایه (ROI) را در اتوماسیون فرآیندهای پشتیبانی شناسایی کرده است؛ از جمله حذف برون‌سپاری فرآیندهای تجاری، کاهش هزینه‌های آژانس‌های خارجی و بهینه‌سازی عملیات.
عوامل موفقیت در استقرار هوش مصنوعی
خرید ابزار از فروشندگان تخصصی و ایجاد شراکت → نرخ موفقیت حدود ۶۷ درصد
ساخت داخلی ابزارها → موفقیت تنها حدود ۳۳ درصد
این موضوع به‌ویژه در بخش‌های خدمات مالی و صنایع به‌شدت مقررات‌گذاری‌شده اهمیت دارد، جایی که بسیاری از شرکت‌ها در سال ۲۰۲۵ مشغول توسعه سیستم‌های اختصاصی خود هستند. بااین‌حال، داده‌های مؤسسه فناوری ماساچوست نشان می‌دهد این رویکرد بیشتر به شکست منجر می‌شود.
چالاپالی می‌افزاید: «تقریباً در همه جا شرکت‌ها در حال تلاش برای ساخت ابزار اختصاصی خود بودند، اما داده‌ها نشان می‌دهد که راهکارهای خریداری‌شده نتایج قابل‌اعتمادتری به همراه دارند.»
دیگر عوامل کلیدی موفقیت عبارتند از:
اختیاردهی به مدیران خطی (Line Managers)، نه صرفاً آزمایشگاه‌های مرکزی هوش مصنوعی
انتخاب ابزارهایی که قابلیت یادگیری و انطباق با گذر زمان را دارند
تأثیر بر نیروی کار
تحولات نیروی کار در حال وقوع است، به‌ویژه در پشتیبانی مشتری و نقش‌های اداری. به جای اخراج گسترده، شرکت‌ها روزبه‌روز کمتر جای خالی کارکنان را پر می‌کنند. بیشترین تغییرات در مشاغلی دیده می‌شود که قبلاً برون‌سپاری شده بودند و به‌عنوان فعالیت‌های کم‌ارزش تلقی می‌شدند.
گزارش همچنین پدیده «Shadow AI» را برجسته می‌کند: استفاده گسترده و غیررسمی کارکنان از ابزارهایی مانند چت جی‌بی‌تی. در کنار آن، اندازه‌گیری دقیق تأثیر هوش مصنوعی بر بهره‌وری و سودآوری همچنان یک چالش جدی است.
آینده
سازمان‌های پیشرفته در حال آزمایش با سیستم‌های عامل‌محور (Agentic AI) هستند؛ سیستم‌هایی که می‌توانند یاد بگیرند، به خاطر بسپارند و به‌طور مستقل در چارچوب‌های تعیین‌شده عمل کنند. این موضوع نشانه‌ای از مرحله بعدی تکامل AI سازمانی است.
✍️ نویسنده: شریل استرادا (Sheryl Estrada)
📅 تاریخ انتشار: ۱۸ آگوست ۲۰۲۵
📌 منبع: Fortune – CFO Daily Newsletter
با کلیک روی لینک زیر به کانال تلگرام ما بپیوندید:
انتهای پیام/