لماذا يفشل 95% من تجارب الذكاء الاصطناعي المؤسسية في تحقيق عائد على الاستثمار

المشكلة

لقد أنفقت المؤسسات ما بين 30 مليار دولار و40 مليار دولار على الذكاء الاصطناعي التوليدي، ونحو 95% من تلك التجارب الأولية للذكاء الاصطناعي لم تحقق أي أثر ملموس على قائمة الأرباح والخسائر. هذه هي النتيجة الصريحة التي توصلت إليها دراسة عام 2025 الصادرة عن مبادرة MIT NANDA بعنوان «The GenAI Divide». لقد ضاع المال، ومعظم المنظمات لا تملك شيئًا يدل عليه.

قمع الفشل حاد الانحدار. فمن بين 80% من المنظمات التي تستكشف أدوات الذكاء الاصطناعي التوليدي، لا يتجاوز 20% منها مرحلة التجربة الأولية، ونحو 5% فقط — وهي نسبة شبه معدومة — تصل يومًا إلى الإنتاج على نطاق كامل بنتائج أعمال قابلة للقياس. أما البقية فيعلقون فيما يسميه الباحثون «مطهّر التجارب الأولية» — دورات لا نهائية لإثبات المفهوم لا تترقى أبدًا إلى عمل حقيقي.

فرقك تعرف هذا بالفعل. أكثر من 90% من الموظفين يستخدمون سرًا حسابات ChatGPT أو Claude أو Gemini الشخصية في مهام العمل لأن أدوات الذكاء الاصطناعي المؤسسية الرسمية لديك جامدة أكثر من اللازم. هذا الاقتصاد الخفي للذكاء الاصطناعي يعزز إنتاجية الأفراد لكنه لا ينتج أي بيانات منظمة لقياس الأثر المالي على مستوى المؤسسة. موظفوك قد صوّتوا بلوحات المفاتيح، والحكم واضح: الأدوات التي اشتريتها لا تعمل.

هذه ليست مشكلة تقنية. حدد باحثو MIT أنها «فجوة تعلّم» — سوء فهم جوهري لما يمكن للذكاء الاصطناعي فعله وما لا يمكنه فعله في بيئة الإنتاج.

لماذا يهم هذا أعمالك

التعرض المالي هائل ويزداد سوءًا. وجد استطلاع McKinsey العالمي لعام 2025 أن 88% من المنظمات أفادت باستخدام الذكاء الاصطناعي في وظيفة أعمال واحدة على الأقل. لكن 39% فقط يمكنها إرجاع أي مستوى من الأثر على EBIT على مستوى المؤسسة إلى تلك المبادرات. و6% فقط من المنظمات ترى أثرًا كبيرًا على EBIT، ويُعرَّف بأنه أكثر من 5% من إجمالي EBIT.

الفجوة بين الرواد والمتأخرين تتسع. وهذا ما يعنيه ذلك لأعمالك:

• رأس مال مهدر. إذا كانت مؤسستك تشبه المتوسط، فمن المرجح أنك تنفق على تجارب ذكاء اصطناعي لن تصل إلى الإنتاج أبدًا. هذا الإنفاق يضرب قائمة أرباح وخسائرك دون إيرادات مقابلة.
• تصاعد التكاليف الخفية. تسعير الرموز — تكلفة الكلمة الواحدة في تشغيل نماذج الذكاء الاصطناعي — يتقلب بشدة. فالنموذج غير الفعال قد يكلف 4.5 أضعاف النموذج الفعال للعبء العمل نفسه. وبالنسبة لمؤسسة تعالج 100,000 استفسار يوميًا، قد تصعّد هذه الفجوة التكاليف السنوية من 36,500 دولار إلى أكثر من 164,000 دولار.
• التعرض للامتثال. عندما يستخدم 90% من موظفيك أدوات ذكاء اصطناعي غير مصرح بها، فلديك لا سجل تدقيق ولا حوكمة بيانات ولا سبيل لإثبات الامتثال التنظيمي. مستشارك القانوني يجب أن يشعر بقلق بالغ.
• المخاطرة التنافسية. نسبة 5% من الشركات التي تصل فعلًا إلى الإنتاج تبتعد عن الجميع. فالشركات متوسطة الحجم التي تتبع مبادئ مجربة في تطبيق الذكاء الاصطناعي حسّنت EBITDA لديها بمقدار 160 إلى 280 نقطة أساس خلال 24 شهرًا.

كل ربع سنة تقضيه في مطهّر التجارب هو ربع يستخدمه منافسوك لتوسيع الفجوة.

ما يحدث فعلًا تحت الغطاء

معظم أدوات الذكاء الاصطناعي المؤسسية اليوم هي «أغلفة» — واجهات مستخدم رقيقة موضوعة فوق نداء واحد لواجهة برمجة نموذج لغوي كبير. تخيّل الأمر كوضع شعار شركة على سيارة مستأجرة: يمكنك قيادتها، لكنك لا تملك المحرك، ولا يمكنك تعديل ناقل الحركة، ولا تعرف ما يجري تحت الغطاء.

تعتمد هذه الأغلفة عادةً على ما يسميه المهندسون «الموجّه العملاق». فقواعد عملك وبياناتك وتعليماتك تُحشى جميعها في طلب واحد ضخم إلى نموذج الذكاء الاصطناعي. وهذا يخلق ثلاث مشكلات حرجة لمؤسستك.

أولًا، لا سبيل للتحقق من أن الذكاء الاصطناعي اتبع تعليماتك بالترتيب الصحيح — وهو أمر قاتل للصناعات كثيفة الامتثال. ثانيًا، الموجّهات الطويلة تحرق الرموز بسرعة، مما يضخّم التكاليف بطرق يصعب التنبؤ بها أو وضع ميزانية لها. ثالثًا، التغييرات الطفيفة في الصياغة قد تنتج نتائج مختلفة جذريًا، مما يجعل من المستحيل وضع اتفاقيات مستوى خدمة مستقرة.

المشكلة الأعمق هي عدم تطابق بين الأداة والمهمة. فالنماذج اللغوية الكبيرة مصممة لتوليد مخرجات إبداعية متنوعة؛ فهي احتمالية بطبيعتها. لكن تقاريرك المالية وإيداعاتك التنظيمية وخدمة عملائك الحرجة تتطلب إجابات دقيقة تمامًا. والاستجابة «الكافية تقريبًا» في سياق الامتثال ليست مفيدة — بل إنها مسؤولية قانونية عليك.

المستخدمون يؤكدون هذا الإحباط. في دراسة MIT، أفاد 60% بأن النماذج لا تستطيع التعلم من الملاحظات عبر الزمن. وقال 55% إنهم ينفقون جهدًا يدويًا زائدًا لتوفير السياق لكل موجّه على حدة. وقال 40% إن النماذج تنكسر ببساطة عند مواجهة الحالات الحدية أو المدخلات غير القياسية. ذكاؤك الاصطناعي لا يتعلم؛ موظفوك هم من يعوّضون عنه.

ما ينجح (وما لا ينجح)

لنبدأ بما يفشل.

ضخ المزيد من المال في الأغلفة. كلما خفّض مزوّدو النماذج اللغوية الكبيرة أسعار واجهاتهم البرمجية، انهارت هوامش مورد الغلاف لديك. أنت تستأجر الذكاء ولا تبني قدرة. هذا النهج ليس له قيمة طويلة الأمد قابلة للدفاع عنها.

ملاحقة حالات الاستخدام البراقة. المنظمات التي تسعى وراء تجارب تسويقية عابرة بدلًا من التحسينات التشغيلية عالية الأثر تفشل باستمرار في تحريك إبرة EBIT. العوائد الحقيقية تأتي من المجالات «غير الجذابة» مثل إدارة دورة الإيرادات وتطبيق النقد.

معاملة الذكاء الاصطناعي كمشروع تقني. المنظمات الرائدة تتبع تخصيص موارد 10-20-70: ‏10% للخوارزميات، و20% للبيانات والبنية التقنية، و70% لإدارة الأشخاص والعمليات والتغيير الثقافي. إذا كانت مبادرتك للذكاء الاصطناعي تُدار بالكامل من قبل تقنية المعلومات، فمن المرجح أن تنضم إلى نسبة الـ 95%.

إليك ما ينجح فعلًا — نهج تنسيق الوكلاء المتعددين الذي تبنيه نسبة الـ 5% الناجحة.

1. قسّم المهمة إلى وكلاء متخصصين. بدلًا من أن تطلب من نموذج ذكاء اصطناعي واحد فعل كل شيء، تُعيّن أدوارًا محددة: وكيل يتولى استعلامك، وآخر يسترجع البيانات من مستنداتك المصدرية الفعلية باستخدام تقنية تسمى Retrieval-Augmented Generation‏ (RAG) — حيث تغذّي الذكاء الاصطناعي ببيانات شركة موثقة بدلًا من تركه يخمّن. ووكيل ثالث يتحقق من قواعد الامتثال، ورابع يلخّص المخرجات.

2. تحكّم في سير العمل بمنطق حتمي. كل وكيل يتبع تسلسلًا محددًا. النظام يعرف أي خطوة تأتي أولًا وأيها يأتي ثانيًا وما يحدث عند حدوث خلل. هذا يجعل ذكاءك الاصطناعي حتميًا بنسبة 95% — أي أنه يتبع قواعدك لا غرائزه الإبداعية. وتحتفظ بالاستدلال المكلف للذكاء الاصطناعي فقط للخطوات التي يضيف فيها قيمة حقيقية.

3. سجّل كل شيء للتدقيق. كل طلب، وكل استرجاع بيانات، وكل نقطة قرار يُسجَّل. البروتوكولات المعيارية مثل Model Context Protocol‏ (MCP) — تخيّلها موصلًا شاملًا بين ذكاءك الاصطناعي وبيانات مؤسستك — تُنشئ مسارات التدقيق التي يحتاجها فريق الامتثال لديك.

النتائج تتحدث عن نفسها. في الرعاية الصحية، تحقق تطبيقات الذكاء الاصطناعي المبنية على المبادئ العميقة متوسط عائد استثمار قدره 451%. وفّرت OSF HealthCare 1.2 مليون دولار مع زيادة الإيرادات السنوية بمقدار 1.2 مليون دولار باستخدام مساعدين افتراضيين للذكاء الاصطناعي مدمجين مع منصة سجلاتها الصحية. وقلّصت Inova Health System تراكم المطالبات غير المفوترة بنسبة 50%، موفرة 1.3 مليون دولار سنويًا. وفي سلسلة التوريد، أبلغت UPS عن 400 مليون دولار من المدخرات السنوية عبر التوجيه القائم على الذكاء الاصطناعي، وخفّضت DHL الأعمال الورقية اليدوية بنسبة 80% من خلال معالجة المستندات بالذكاء الاصطناعي.

هذه الانتصارات تتشارك خيطًا واحدًا: لم تطلبوا من الذكاء الاصطناعي أن يكون مبدعًا، بل هندسوه لاتباع القواعد والوصول إلى بيانات حقيقية وإثبات عمله — داخل الحدود المُحكَمة التي تفرضها مؤسسات التقنية والبرمجيات .

الانتقال من تجارب ذكاء اصطناعي متناثرة إلى أثر قابل للقياس على قائمة الأرباح والخسائر يتبع عادةً خارطة طريق من 12 إلى 18 شهرًا: تبدأ بتحديد حالات استخدام عالية القيمة ومنخفضة المخاطر، ثم تمر عبر جاهزية البيانات، فبناء نماذج أولية متعددة الوكلاء متصلة بأنظمتك القائمة، وتنتهي بالنشر الكامل في الإنتاج مع كشف الانحراف وحوكمة التكاليف.