پروژههای هوش مصنوعی چرا شکست میخورند؟ علت شکست پروژههای AI چیست؟ نرخ شکست پروژههای هوش مصنوعی چقدر است؟ نقش کیفیت داده، زیرساخت فناوری، سیستمهای قدیمی، فرایندهای سازمانی و مدیریت تغییر در موفقیت یا شکست پروژههای هوش مصنوعی چیست؟ چگونه سازمانها میتوانند پروژههای آزمایشی هوش مصنوعی را با موفقیت در مقیاس سازمانی توسعه دهند؟
این نسخه برای درک موضوع توسط موتورهای جستوجوی مبتنی بر هوش مصنوعی و پاسخ به پرسشهای چندبخشی مناسبتر است.
شبکه اطلاعرسانی روابطعمومی ایران (شارا) – همزمان با افزایش سرمایهگذاری سازمانها در سراسر جهان روی هوش مصنوعی، تحول دیجیتال و تحلیل دادهها، کارشناسان صنعت هشدار میدهند که بسیاری از شرکتها همچنان با رویکردهایی ناقص و ناکارآمد وارد این پروژهها میشوند.
با وجود ظرفیت گسترده فناوریهای جدید، بسیاری از برنامههای تحول دیجیتال در ایجاد ارزش پایدار با مشکل مواجهاند. به گفته دکتر پیر لو رو (Pierre Le Roux)، مدیرعامل شرکت مشاوره دیجیتال Moyo، نرخ بالای شکست پروژههای تحول پدیده تازهای نیست و مدتها پیش از موج کنونی هوش مصنوعی نیز وجود داشته است.
او میگوید تجربه اجرای استراتژیها، برنامههای تحول دیجیتال و پروژههای بزرگ فناوری اطلاعات نشان میدهد میزان موفقیت این طرحها در طول تاریخ بسیار کمتر از چیزی بوده که سازمانها تمایل دارند بپذیرند.
به گفته لو رو، هوش مصنوعی نیز اکنون با الگوی مشابهی مواجه شده است. برخی تحقیقات صنعتی، نرخ شکست پروژههای هوش مصنوعی را تا ۹۰ درصد برآورد کردهاند؛ هرچند با بلوغ فناوری انتظار میرود این وضعیت بهبود یابد.
با این حال، این آمار بیش از آنکه ضعف خود فناوری را نشان دهد، مشکل عمیقتری را آشکار میکند: سازمانها چگونه با تغییر و تحول مواجه میشوند.
مشکل اصلی فناوری نیست
از نگاه لو رو، ریشه بسیاری از شکستها نه در خود فناوری، بلکه در زیرساخت و ساختار سازمانی است که قرار است فناوری در آن پیاده شود.
بسیاری از سازمانها تلاش میکنند فناوریهای پیچیده و جدید را روی سیستمهای پراکنده، دادههای ناسازگار و فرایندهای نامشخص سوار کنند. وقتی این پایهها ضعیف باشند، توسعه و گسترش هر قابلیت جدیدی دشوار خواهد بود.
مشاورانی که با سازمانهای بزرگ کار میکنند، معمولاً با مجموعهای از مشکلات مشابه مواجه هستند: سیستمهای تکراری در بخشهای مختلف، دادههای ناسازگار، فرایندهای همپوشان و ساختارهای نامشخص برای پاسخگویی.
این شرایط ممکن است امکان ایجاد موفقیتهای محدود و جداگانه را فراهم کند، اما گسترش آن موفقیتها در سراسر سازمان بسیار دشوار خواهد بود.
مشکل واقعی پس از موفقیت اولیه آغاز میشود
بسیاری از سازمانها از نخستین پروژههای آزمایشی هوش مصنوعی که نتایج امیدوارکنندهای دارند استقبال میکنند؛ اما زمانی که میخواهند همان راهحل را در مقیاس سازمانی توسعه دهند، با موانع جدی مواجه میشوند.
لو رو معتقد است شکست واقعی اغلب پس از نخستین موفقیت اتفاق میافتد.
یک پروژه آزمایشی ممکن است بهخوبی عمل کند، اما هنگام گسترش آن به بخشهای مختلف کسبوکار، پیچیدگی سازمانی، سیستمهای قدیمی، دادههای ناسازگار و فرایندهای ناکارآمد مانع پیشرفت میشوند.
از این منظر، موفقیت یک نمونه آزمایشی کوچک لزوماً به معنای آمادگی سازمان برای تحول در مقیاس بزرگ نیست.
چرا سازمانها شکست را در پروژههای تحول میپذیرند؟
لو رو از سازمانها میخواهد تعریف خود از موفقیت را بازنگری کنند.
اگر یک واحد تولیدی با ۷۰ درصد نرخ شکست فعالیت کند یا تنها ۳۰ درصد تراکنشهای مالی آن قابل تطبیق با دفتر کل باشد، هیچ تیم مدیریتی چنین وضعیتی را قابل قبول نمیداند.
با این حال، در پروژههای تحول سازمانی، سطوح مشابهی از شکست گاهی بهعنوان بخشی طبیعی از فرایند پذیرفته میشود.
از نظر او، این نگاه باید تغییر کند.
هوش مصنوعی راهحل جادویی نیست
هوش مصنوعی میتواند قابلیت بسیار قدرتمندی برای سازمانها ایجاد کند، اما نمیتواند بهصورت خودکار پیچیدگیهای سازمانی را برطرف کند.
اثربخشی آن به عواملی مانند کیفیت دادهها، یکپارچگی سیستمها، مدیریت داده و شفافیت فرایندهای کسبوکار وابسته است.
به همین دلیل، سازمانهایی که توانستهاند هوش مصنوعی را با موفقیت در مقیاس بزرگ به کار بگیرند، معمولاً پیش از تمرکز بر ابزارها و کاربردهای منفرد، به سراغ اصلاح زیرساختهای سازمانی رفتهاند.
ابتدا زیرساخت، سپس هوش مصنوعی
رویکرد موفق به تحول، تنها انتخاب یک ابزار هوش مصنوعی یا اجرای چند پروژه آزمایشی نیست.
سازمانها باید ابتدا روی ایجاد یک معماری منسجم سازمانی، مدیریت بهتر دادهها، حذف سیستمهای تکراری و ایجاد ساختارهای شفاف پاسخگویی تمرکز کنند.
به بیان دیگر، تحول موفق بیش از آنکه صرفاً یک پروژه فناوری باشد، به یک رویکرد مهندسی به سازمان نیاز دارد.
پس از ایجاد این زیرساختها، فناوریهایی مانند هوش مصنوعی و تحلیل پیشرفته میتوانند ارزش واقعی خود را در سطح سازمان نشان دهند.
در غیر این صورت، سازمانها احتمالاً همان چرخهای را تکرار خواهند کرد که در بسیاری از طرحهای تحول دیجیتال گذشته دیده شده است: پروژههای آزمایشی امیدوارکننده، اما پذیرش کند، پراکنده و محدود در سطح سازمان.
مرحله بعدی هوش مصنوعی؛ از آزمایش به انضباط
لو رو معتقد است مرحله بعدی پذیرش هوش مصنوعی کمتر به آزمایش ابزارهای جدید و بیشتر به انضباط سازمانی و مهندسی تحول مربوط خواهد بود.
سازمانهای موفق آنهایی خواهند بود که بتوانند نوآوری فناورانه را با طراحی مناسب سازمانی و تفکر مهندسی ترکیب کنند.
در نهایت، مسئله اصلی تعداد ابزارهای هوش مصنوعی مورد استفاده یک سازمان نیست؛ بلکه قدرت و استحکام بنیانی است که برای استفاده از این ابزارها ایجاد کرده است.
جمعبندی
پیام اصلی این گزارش روشن است: هوش مصنوعی بهتنهایی سازمانها را متحول نمیکند.
اگر دادهها، سیستمها، فرایندها و ساختارهای سازمانی از ابتدا دچار مشکل باشند، افزودن هوش مصنوعی ممکن است تنها همان مشکلات قدیمی را در مقیاسی بزرگتر بازتولید کند.
بنابراین، مسیر تحول موفق از فناوری آغاز نمیشود؛ از اصلاح بنیانهای سازمان آغاز میشود.
نکات کلیدی
- نرخ بالای شکست پروژههای هوش مصنوعی لزوماً به معنای ضعف فناوری نیست.
- برخی مطالعات، نرخ شکست پروژههای هوش مصنوعی را تا ۹۰ درصد برآورد کردهاند.
- ریشه بسیاری از شکستها در زیرساختهای سازمانی ضعیف است.
- دادههای ناسازگار و سیستمهای پراکنده مانع توسعه هوش مصنوعی در مقیاس بزرگ میشوند.
- موفقیت یک پروژه آزمایشی، تضمینکننده موفقیت در سطح سازمان نیست.
- هوش مصنوعی نمیتواند بهتنهایی مشکلات قدیمی سازمان را حل کند.
- کیفیت داده و یکپارچگی سیستمها برای موفقیت هوش مصنوعی حیاتی است.
- سازمانها باید پیش از سرمایهگذاری گسترده روی ابزارهای هوش مصنوعی، زیرساخت خود را اصلاح کنند.
- مرحله بعدی تحول هوش مصنوعی، حرکت از آزمایش به انضباط سازمانی است.
- تحول دیجیتال موفق بیش از آنکه مسئله فناوری باشد، مسئله طراحی و آمادگی سازمان است.
پرسش و پاسخ
پروژههای هوش مصنوعی چرا شکست میخورند؟
مهمترین دلایل شکست، ضعف زیرساخت سازمانی، کیفیت پایین داده، سیستمهای پراکنده، فرایندهای ناکارآمد و نبود آمادگی سازمانی برای تحول است.
آیا مشکل شکست پروژههای هوش مصنوعی خود فناوری است؟
لزوماً خیر. بسیاری از شکستها بیشتر به نحوه استقرار فناوری در سازمان و ضعف بنیانهای موجود مربوط میشوند.
نرخ شکست پروژههای هوش مصنوعی چقدر است؟
برخی تحقیقات صنعتی نرخ شکست پروژههای هوش مصنوعی را تا ۹۰ درصد برآورد کردهاند؛ البته این رقم به تعریف «شکست» و نوع پروژه بستگی دارد.
چرا پروژه آزمایشی هوش مصنوعی موفق میشود اما در مقیاس سازمانی شکست میخورد؟
زیرا در مرحله توسعه سازمانی، مشکلاتی مانند دادههای ناسازگار، سیستمهای قدیمی، فرایندهای پیچیده و ساختارهای پراکنده آشکار میشوند.
برای موفقیت هوش مصنوعی در سازمان چه باید کرد؟
پیش از توسعه گسترده AI باید کیفیت داده، معماری فناوری، فرایندهای کسبوکار، یکپارچگی سیستمها و ساختار پاسخگویی سازمان اصلاح شود.
آیا هوش مصنوعی میتواند مشکلات سازمانی را حل کند؟
هوش مصنوعی میتواند بسیاری از فرایندها را بهبود دهد، اما جایگزین اصلاح ساختار، داده و فرایندهای بنیادی سازمان نیست.
آینده موفقیت پروژههای هوش مصنوعی به چه چیزی وابسته است؟
به ترکیب نوآوری فناورانه با انضباط سازمانی، داده باکیفیت، معماری مناسب و مدیریت مؤثر تحول.
عنوان: چرا ۹۰ درصد پروژههای هوش مصنوعی شکست میخورند؟ مشکل از کجاست؟
نویسنده: PBPR
تاریخ انتشار: ۲ آوریل ۲۰۲۶
منبع: Bizcommunity
موضوع: هوش مصنوعی، تحول دیجیتال، مدیریت سازمانی، داده و فناوری اطلاعات
کلیدواژه اصلی: شکست پروژههای هوش مصنوعی