یکی از پرتکرارترین اشتباهات رایج در استفاده از هوش مصنوعی در میان کسبوکارهای ایرانی، نگاه جادویی و کوتاهمدت به این فناوری است. بسیاری از مدیران پس از دیدن یک دمو جذاب یا خبری از یک شرکت بزرگ جهانی، انتظار دارند که با خرید یا راهاندازی یک ابزار هوش مصنوعی، در عرض چند هفته شاهد تحول کامل در فروش، تولید یا پشتیبانی باشند. وقتی این انتظار غیرواقعی برآورده نمیشود، نتیجهگیری رایج این است که «هوش مصنوعی برای کسبوکار ما کار نمیکند»، در حالی که مشکل اصلی نه در فناوری، بلکه در سطح انتظارات و زمانبندی پروژه بوده است. این الگو آنقدر تکرار میشود که میتوان آن را یکی از ریشهدارترین دلایل ناکامی پروژههای هوش مصنوعی در سازمانهای کوچک و متوسط دانست.
چرا این موضوع برای مدیران مهم است؟
وقتی هیئت مدیره یا مدیرعامل یک شرکت انتظار بازگشت سرمایه سریع داشته باشد، تیم اجرایی تحت فشار قرار میگیرد تا پروژه را زودتر از زمان واقعی لازم، «تمامشده» اعلام کند. این فشار معمولاً منجر به عبور از مراحل ضروری مثل تست، اصلاح داده و آموزش مدل بر اساس داده واقعی کسبوکار میشود. نتیجه، یک سیستم ناقص است که در عمل اعتماد کارکنان و مدیران را از دست میدهد و حتی ممکن است باعث شود سازمان بهطور کامل از سرمایهگذاریهای آینده در حوزه هوش مصنوعی صرفنظر کند؛ موضوعی که در ادبیات بینالمللی با عنوان AI adoption challenges شناخته میشود. این تجربه منفی معمولاً اثر دومینو دارد: کارکنانی که یکبار شاهد شکست یک پروژه شتابزده بودهاند، نسبت به پروژه بعدی هوش مصنوعی نیز با تردید بیشتری برخورد میکنند، حتی اگر آن پروژه از ابتدا با برنامهریزی درست طراحی شده باشد.
کاربرد عملی در کسبوکار
تفاوت بین یک پروژه موفق و یک شکست پروژه هوش مصنوعی، اغلب در نوع انتظاری است که از همان روز اول تعریف میشود. شرکتهایی که نتیجه میگیرند، معمولاً یک هدف کوچک و قابل اندازهگیری را در سه تا شش ماه اول هدف میگیرند؛ مثلاً کاهش زمان پاسخگویی به مشتری یا کاهش خطای ثبت سفارش، نه «هوشمندسازی کامل سازمان». در مقابل، شرکتهایی که از همان ابتدا انتظار جایگزینی کامل تیم فروش یا پشتیبانی با یک ابزار هوش مصنوعی را دارند، معمولاً در ماه دوم یا سوم با ناامیدی مواجه میشوند و پروژه را نیمهکاره متوقف میکنند. این یکی از پاسخهای روشن به این پرسش رایج مدیران است که چرا کسبوکارها از AI نتیجه نمیگیرند؟
مسیر اجرای درست
برای جلوگیری از این اشتباه، توصیه میشود از همان جلسه اول پروژه، یک سند کوتاه با سه بخش تهیه شود: هدف مشخص و قابل اندازهگیری، بازه زمانی واقعبینانه بر اساس حجم و کیفیت داده موجود، و معیار روشن برای تشخیص موفقیت یا نیاز به اصلاح مسیر. همچنین بهتر است نتایج اولیه بهجای «همه یا هیچ»، بهصورت پیشرفت تدریجی به مدیران ارشد گزارش شود؛ مثلاً نشان دادن اینکه دقت پیشبینی مدل از ۶۰ درصد در ماه اول به ۸۵ درصد در ماه سوم رسیده است. این رویکرد، چالشهای هوش مصنوعی در کسب و کار را به جای دلیل برای توقف پروژه، به بخشی طبیعی از مسیر بهبود تبدیل میکند.
یک نمونه ملموس از این اشتباه
برای روشنتر شدن این موضوع، یک نمونه واقعگرایانه را در نظر بگیرید: یک شرکت واردکننده قطعات صنعتی، یک دستیار هوش مصنوعی برای پاسخگویی به سؤالات مشتریان راهاندازی کرد، در حالی که از همان روز اول انتظار داشت این دستیار بتواند جای کامل تیم پشتیبانی سهنفره را بگیرد. در هفتههای اول، دستیار به دلیل نبود داده کافی از پرسشهای متنوع مشتریان، در بسیاری از موارد پاسخ نادرست یا ناقص میداد. بهجای اینکه این موضوع بهعنوان یک مرحله طبیعی یادگیری تلقی شود، مدیریت آن را نشانه «شکست پروژه» قلمداد کرد و پس از شش هفته، استفاده از دستیار را بهطور کامل متوقف کرد. بررسی بعدی نشان داد اگر تیم فنی فقط چند هفته دیگر فرصت اصلاح و آموزش مجدد دادهها را میداشت، دقت پاسخگویی دستیار به سطح قابل قبولی میرسید؛ اما چون از ابتدا سقف انتظار بسیار بالا و زمانبندی بسیار کوتاه تعریف شده بود، فرصت اصلاح هرگز داده نشد.
اشتباهات یا نکات کلیدی
یکی دیگر از نکات کلیدی این است که انتظار از هوش مصنوعی نباید بر اساس بهترین حالت تبلیغاتی یک محصول جهانی شکل بگیرد، بلکه باید بر اساس دادههای واقعی، زیرساخت فعلی و سطح آمادگی همان سازمان تنظیم شود. هر کسبوکار شرایط متفاوتی دارد و کپیکردن مستقیم انتظارات یک شرکت بزرگ بینالمللی، یکی از ریشههای اصلی اشتباهات رایج در استفاده از هوش مصنوعی در میان شرکتهای ایرانی است. مدیرانی که این موضوع را از ابتدا روشن میکنند، معمولاً با تیم اجرایی رابطه سالمتر و نتایج پایدارتری در طول زمان دارند.