چرا پروژه های AI شکست می خورند؟ این سؤالی است که مدیران زیادی بعد از ماهها سرمایهگذاری و صرف وقت، با آن مواجه میشوند. بسیاری از پروژههای هوش مصنوعی نه به دلیل ضعف فناوری، بلکه به دلیل رویکرد اشتباه در اجرا با شکست مواجه میشوند. یکی از رایجترین و مخربترین این اشتباهات، «شروع بزرگ» است؛ یعنی تصمیم به پیادهسازی هوش مصنوعی در همه بخشهای سازمان به صورت همزمان، بدون داشتن یک پایلوت محدود و اندازهپذیر. مدیران با شور و اشتیاق از قابلیتهای AI میشنوند و بلافاصله میخواهند سازمان را متحول کنند. اما این همان جایی است که چرا کسبوکارها از AI نتیجه نمیگیرند آشکار میشود.
تله پروژه همهبخشی؛ وقتی همهچیز با هم شروع میشود
تصور کنید یک شرکت تولیدی با پانصد نفر نیروی انسانی تصمیم میگیرد در یک برنامه ششماهه، هوش مصنوعی را در واحدهای فروش، پشتیبانی مشتری، تولید، مالی و منابع انسانی پیاده کند. بودجه مشخص میشود، قرارداد با یک شرکت فناوری امضا میشود و تیمها وارد میشوند. اما سریعاً مشکلات ظاهر میشوند. هر واحد خواستههای متفاوتی دارد. دادهها در سیستمهای مختلف پراکنده است و اتصال همه آنها زمان میبرد. تیم IT زیر فشار همزمان چند پروژه له میشود. معیار موفقیت مشخصی تعریف نشده و هیچکس نمیداند «AI باید چه کار کند که موفق حساب شود.» بعد از شش ماه هزینه بالا، پروژه نیمهکاره میماند یا به نتایجی میرسد که قابل ارزیابی نیستند. این نمونه کلاسیک چالش های هوش مصنوعی در کسب و کار است که ریشه در مدیریت پروژه ضعیف دارد، نه در فناوری.
چرا پروژه های AI شکست می خورند؟ ریشه مشکل کجاست
عمیقترین مشکل در پروژههای همهبخشی این است که تعریف موفقیت از ابتدا نامشخص است. اگر در ابتدای پروژه نتوانید به این سؤال پاسخ دهید که «چه اتفاقی بیفتد که بگوییم AI کار کرده است؟» پس در پایان پروژه هم نمیتوانید ارزیابی دقیقی داشته باشید. در بسیاری از سازمانها، پیاده سازی هوش مصنوعی در سازمان با یک هدف کلی مثل «هوشمندسازی فرایندها» یا «بهبود تصمیمگیری» تعریف میشود. این اهداف به خودی خود درست هستند، اما قابل اندازهگیری نیستند. نمیتوان گفت آیا در مسیر درست هستید یا نه. به همین دلیل است که چرا پروژه های AI شکست می خورند نه فقط به دلیل نبود داده یا ضعف فناوری، بلکه به دلیل نبود یک معیار روشن برای موفقیت. علاوه بر این، اجرای همزمان چند پروژه موازی، تمرکز تیم IT، بودجه و توجه مدیریت را تقسیم میکند و هیچکدام از پروژهها به اندازه کافی منابع برای رسیدن به نتیجه قابل نمایش ندارند.
رویکرد درست: پایلوت ۹۰ روزه با یک فرایند مشخص
راهحل اشتباهات رایج در استفاده از هوش مصنوعی در این زمینه، یک رویکرد پایلوتمحور است. به جای پیادهسازی گسترده، یک فرایند مشخص را که بیشترین گلوگاه را در سازمان دارد انتخاب کنید. این فرایند باید چند ویژگی داشته باشد: حجم کار بالا، دادههای نسبتاً آماده و نتیجه قابل اندازهگیری. بعد یک پایلوت ۶۰ تا ۹۰ روزه برنامهریزی کنید. قبل از شروع، معیارهای پایه را ثبت کنید؛ مثلاً میانگین زمان پاسخگویی، تعداد خطاهای انسانی در هفته یا ساعتهای صرفشده برای کار دستی. در پایان پایلوت، این معیارها را مجدداً اندازه بگیرید. اگر بهبود قابل توجه دیدید، دامنه را گسترش دهید. اگر نتیجه ناکافی بود، با هزینه پایین یاد گرفتید و میتوانید رویکرد را اصلاح کنید. این مسیر، خطر شکست را به شدت کاهش میدهد و اعتماد تیم داخلی به هوش مصنوعی را از طریق یک موفقیت واقعی و ملموس میسازد.
چه فرایندی را برای پایلوت انتخاب کنیم؟
برای انتخاب فرایند پایلوت، سه معیار اصلی وجود دارد. اول، فرایندی که داده کافی و نسبتاً منظم دارد؛ چون هوش مصنوعی بدون داده قابل استفاده کار نمیکند. دوم، فرایندی که تکراری و زمانبر است؛ چون اتوماسیون در اینجا بیشترین ارزش را ایجاد میکند. سوم، فرایندی که نتیجه آن قابل سنجش است؛ چون بدون اندازهگیری، ارزیابی موفقیت ممکن نیست. در اکثر سازمانهای صنعتی، فرایندهایی مثل پاسخ به درخواستهای خرید، مدیریت شکایات مشتری، گزارشگیری مدیریتی یا تخصیص منابع در زمانبندی تولید، کاندیداهای خوبی برای پایلوت هستند. مهم است که در این مرحله، پیاده سازی هوش مصنوعی در سازمان با یک دستیار کوچک اما متصل به دادههای واقعی شروع شود، نه با یک سیستم بزرگ و جدا از واقعیت عملیاتی.