تعرقل تنفيذ مشاريع الذكاء الاصطناعي في منطقة أوروبا والشرق الأوسط وأفريقيا (EMEA) يتطلب من مديري تقنية المعلومات (CIOs) إجراء مراجعة دقيقة لنظامهم بشكل مكثف لإعادة تحريك هذا المسار. على مدى الـ18 شهراً الماضية، تطورت تطبيقات الذكاء الاصطناعي بشكل كبير، متجاوزة مراحل الاختبار الأولية، حيث استثمرت الشركات بشكل كبير في نماذج اللغة الكبيرة وتقنيات التعلم الآلي، متوقعة تحسينات تشغيلية واسعة النطاق. إلا أن أبحاث شركة IDC تشير إلى أن مجالس الإدارة بدأت في التراجع، وتقليص أو إعادة توجيه هذه المبادرات، ويرجع ذلك إلى مشكلات التنفيذ والتحقق المالي بدلاً من فقدان الاهتمام التقني.
### تحديات التنفيذ والتحول المالي
يعود الانكماش في مشاريع الذكاء الاصطناعي إلى صعوبة التنفيذ وتحديات قياس القيمة المالية، وليس إلى نقص الاهتمام التقني. إذ أن الطلبات المتزايدة من جانب أقسام تقنية المعلومات والضغوط الاقتصادية العالمية تجبر المدراء على تقديم أدلة واضحة على العائد المالي قبل السماح بانتشار واسع لهذه التقنيات. فحسب الدراسات، فقط 9% من المؤسسات في المنطقة تمكنت خلال العامين الماضيين من تحقيق نتائج أعمال قابلة للقياس من مشاريع الذكاء الاصطناعي الخاصة بها، بينما بقيت 91% في مرحلة التجريب دون تأثير مؤسسي ملموس.
### قياس القيمة غير المباشرة للذكاء الاصطناعي
عادةً، يعتمد تقييم عمليات الشراء على مقارنة تكاليف تراخيص البرمجيات مع تقليل عدد الموظفين، لكن القيمة الحقيقية لنماذج الذكاء الاصطناعي وأنظمة التوجيه الذكي تظهر من خلال فوائد غير مباشرة، مثل توليد إيرادات جديدة، وتسريع إنتاجية الموظفين، وتقليل المخاطر المؤسسية. على سبيل المثال، أداة صيانة تنبئية في مصنع قد لا تقلل عدد المهندسين، لكنها تمنع فشل خط إنتاج كبير، وتوفير ذلك يظل غير ظاهر في جداول الأقسام التقليدية.
### الحاجة إلى إطار مالي موحد
غياب منهج موحد لقياس هذه الفوائد غير المباشرة يجعل عمليات الشراء تقتصر على مؤشرات ضيقة، مما يؤدي إلى توقف المشاريع الواعدة قبل أن تصل إلى مرحلة الإنتاج. على قادة التقنية أن يعيدوا حساب العائد على الاستثمار (ROI) ليشمل هذه المنافع الواسعة ويربطها بشكل مباشر بالأرباح النهائية للشركة.
### استدامة المشاريع وتحقيق الانتشار
تحويل مشروع تجريبي إلى وظيفة دائمة يتطلب استثماراً مستمراً وكبيراً. فبدايةً، تغطي ميزانيات الابتكار تكاليف الاتصال بالواجهات البرمجية (APIs) واختبارات السحابة، لكن الانتقال إلى بيئة حية يتطلب استثمارات في البنية التحتية، وأنظمة البيانات، والصيانة اليومية. وتواجه الفرق الهندسية صعوبات عند دمج قواعد البيانات الحديثة، مثل قواعد البيانات الشعاعية (vector databases)، مع أنظمة قديمة مثل سيرفرات أوراكل أو ساب المحلية. فإدارة نماذج توليد المعرفة المعززة Retrieval-Augmented Generation تتطلب معلومات منظمة وواضحة، وأي محاولة لتشغيل نماذج اللغة الكبيرة على بيانات غير منظمة يؤدي إلى نتائج ضعيفة وتوقعات غير واقعية.
### التحديات القانونية والتنظيمية
تشترط قوانين حماية البيانات والأمن السيبراني في أوروبا معايير صارمة لنشر هذه الأنظمة، بما يشمل تأمين الشبكات الداخلية ضد هجمات حقن الأوامر (prompt injection) وتوثيق قرارات النماذج. هذه المتطلبات غالباً ما ترفع التكاليف التشغيلية، ويعتبرها العديد من فرق التنفيذ قيوداً ثقيلة. لكن بعض الفرق الناجحة تستخدم هذه القوانين كوسيلة لتعزيز بنية النظام وفرض معايير صارمة أثناء التطوير، مما يسرع عملية التوسع ويعزز الاستدامة.
### تصميم أنظمة الذكاء الاصطناعي لتسهيل العمل
غالباً ما يواجه مقاومة من الموظفين عند تطبيق حلول الذكاء الاصطناعي، خاصة عندما تكون الحلول غير ملائمة لواقع العمل. إذ أن التحدي ليس تقنياً فقط، بل تنظيمياً، ويتطلب مواءمة التكنولوجيا مع قدرات الموظفين وثقافة الشركة. يجب على مديري الهندسة تمويل برامج إعادة التدريب وإدارة التغيير لضمان تبني الحلول بشكل فعال. الإنجاز الحقيقي يأتي عندما تصمم الأنظمة بحيث تتكامل بسلاسة مع مهام الموظفين، مثل نظام مراجعة العقود الآلي الذي يسمح للمحامين بالتركيز على الجوانب ذات القيمة العالية بدلاً من المهام الروتينية.
### أهمية القيادة الرقمية في عصر الذكاء الاصطناعي
يمثل الذكاء الاصطناعي الآن محور عمليات الشركات، ويجب على قادة التكنولوجيا أن يتبنوا دوراً قيادياً واضحاً في دفع النمو وابتكار أنظمة تحقق عوائد إيجابية. وفقاً لـ IDC، يتوقع 42% من قيادات المؤسسات في المنطقة أن يقود الـCIO التحول الرقمي والذكاء الاصطناعي، مع التركيز على خلق مصادر دخل جديدة. هذا يتطلب عقلية تجارية نشطة، حيث لم تعد وظيفة المدير التقني تقتصر على الشراء وصيانة الشبكة، بل يجب أن يربط المبادرات التجريبية بنتائج أعمال ملموسة ويضمن التنسيق الكامل بين الأقسام.
### التوجه المستقبلي
نجاح الشركات في تجاوز مرحلة التجريب يعتمد بشكل كبير على قدرتها على قياس العائد المالي، وبناء أطر لتوسيع نطاق المشاريع على مستوى المؤسسات. يتعين على قادة التكنولوجيا أن يجيبوا على سؤال كيفية تعديل نماذج التشغيل لدعم هذه الأنظمة بشكل مستدام، لضمان استثمار فعال وتحقيق قيمة حقيقية في السوق التنافسية الحالية.
المصدر: AI News
