كثير من النقاشات حول الذكاء الاصطناعي تبدأ وتنتهي عند نفس النقطة: "نريد chatbot يرد على عملائنا." هذا الفهم ليس خاطئًا بالكامل، لكنه يشبه شخصًا يسمع عن الكهرباء فيقول: "إذن أريد مصباحًا."
المصباح مجرد تطبيق واحد بسيط للكهرباء، والـ Chatbot هو مجرد قشرة خارجية لما يمكن للذكاء الاصطناعي فعله. التقليل من إمكانيات الذكاء الاصطناعي وحصره في "خدمة العملاء" يضيع على الشركات فرصًا ضخمة لإعادة هندسة أعمالها بالكامل.
الذكاء الاصطناعي منظومة، وليس أداة واحدة. والشركات التي تدخله بهذه العقلية المختزلة قد تواجه خيبة أمل مزدوجة: مشروع لا يقترب من التوقعات الأولى، واستثمار لا يظهر أثره بوضوح لأن المشكلة الأصلية لم تكن محددة بدقة.
استخدامات الذكاء الاصطناعي في الأعمال لا تبدأ وتنتهي عند خدمة العملاء، بل تمتد إلى التنبؤ، والتخصيص، ومراقبة الجودة، وكشف الأنماط غير المعتادة، ودعم القرار.
ما الذي يبحث عنه الناس فعلًا عندما يسألون عن الذكاء الاصطناعي في الأعمال؟
- ماذا يعني الذكاء الاصطناعي عمليًا لعملي؟ (لا نظريًا)
- كيف تستفيد منه شركات مثل شركتي؟
- لماذا يفشل كثيرون رغم الضجة الكبيرة؟
الذكاء الاصطناعي ليس منتجًا جاهزًا
أبرز خطأ يقع فيه أصحاب القرار هو التعامل مع الذكاء الاصطناعي كـ"برنامج" يُشترى ويُشغَّل. في الواقع، هو مظلة تضم تقنيات متعددة، لكل منها استخدام مختلف وشروط نجاح مختلفة. وإذا كنت جديدًا على هذا المجال، فمقال أساسيات الذكاء الاصطناعي يقدم صورة واضحة عن المفاهيم الجوهرية قبل الخوض في التطبيقات.
أنظمة المحادثة الذكية هي ما يُسميه الناس الـ chatbot، لكن الفارق بين chatbot بسيط يستجيب لكلمات محددة، ومحادثة مدعومة بنماذج لغة ضخمة (LLMs) تفهم السياق وتستوعب التعقيد، فارق كبير.
المتاجر الإلكترونية الكبرى اليوم قد تستخدم هذه الأنظمة للتعامل مع آلاف الاستفسارات يوميًا، وتوجيه العميل نحو الحل قبل أن يصل إلى الموظف البشري.
تخيل مستودعًا للبيع بالتجزئة يستطيع تقدير المنتجات التي قد تشهد طلبًا أعلى من المعتاد قبل موسم معين، لا بناءً على حدس المدير، بل بناءً على نماذج تحلل بيانات المبيعات التاريخية، ومؤشرات الطقس، وسلوك البحث. هذا يعني قرارات شراء أذكى، ومخزونًا أقل هدرًا.
عندما يفتح مستخدمان مختلفان نفس تطبيق البث أو المتجر الإلكتروني ويريان محتوى مختلفًا تمامًا، هذا ليس صدفة. خوارزميات التوصية تتعلم تفضيلاتك من كل ضغطة وكل مدة مشاهدة، وتُكيّف ما تراه بشكل مستمر. وقد يظهر الأثر التجاري هنا في تحسين معدلات التفاعل أو زيادة احتمالات التحويل عندما يشعر المستخدم أن المنصة تعرض له خيارات أقرب لاهتمامه.
المصانع قد تستخدمها للكشف عن عيوب الإنتاج في الوقت الفعلي، وقد تساعد في رصد عيوب دقيقة يصعب ملاحظتها بالفحص البشري التقليدي، خاصة عند تكرار العملية على نطاق واسع. شركات التجزئة تحلل بها حركة العملاء داخل المتاجر لفهم أي الممرات تستقطب أكثر وأين يتوقف الناس. وفي المجال الطبي، قد تُستخدم كأداة مساعدة في قراءة بعض الصور وتحليلها، مع بقاء القرار التشخيصي مسؤولية المتخصصين.
البنوك وشركات الدفع الإلكتروني تُشغّل نماذج تحليل في الخلفية تقارن كل معاملة مالية بآلاف أنماط السلوك المعروفة، وقد تنبّه النظام أو توقف العملية مؤقتًا عند رصد نمط غير مألوف يحتاج إلى مراجعة. والفارق أن بعض النماذج الحديثة يمكن تحسينها تدريجيًا مع البيانات الجديدة، إذا وُجدت متابعة فنية وحوكمة واضحة.
لا يتعلق الأمر بأن يتخذ الذكاء الاصطناعي القرار بدلًا عنك، بل بأن يُقدم لك تحليلًا سريعًا لآلاف الاحتمالات حتى يصل صانع القرار إلى أرضية أفضل. شركات التأمين قد تستخدم هذا في تسعير الوثائق. فرق التسويق قد تستخدمه في توقع أي الحملات لديها احتمالية أعلى للنجاح في سوق معين. وتستخدمه بعض فرق التوظيف في الفرز الأولي للسير الذاتية، بشرط وجود مراجعة بشرية ومعايير واضحة تقلل احتمالات التحيز أو الاستبعاد غير العادل.
لماذا تفشل كثير من مشاريع الذكاء الاصطناعي؟
البيانات الضعيفة أول العقبات وأكثرها تكرارًا. الذكاء الاصطناعي بلا بيانات جيدة مثل محرك سيارة بلا وقود. كثير من الشركات تكتشف متأخرًا أن بياناتها مبعثرة بين أنظمة منفصلة، منقوصة، أو غير موحدة المصادر. النموذج الذي يتدرب على بيانات سيئة لن يُنتج نتائج جيدة، مهما كانت التقنية المستخدمة متطورة.
غياب مشكلة أعمال واضحة السبب الثاني في كثير من حالات الفشل. "نريد استخدام الذكاء الاصطناعي" ليست مشكلة أعمال، هي تمنٍّ. المشكلة الحقيقية تبدأ بـ: "نخسر 15% من عملائنا بعد الشهر الأول، ونريد فهم السبب وتقليص هذه النسبة." من هنا يمكن بناء حل ذكي حقيقي. من دون هذا الوضوح، يتحول المشروع إلى تجربة مُكلفة دون اتجاه.
توقعات غير واقعية تُضاف إلى القائمة. يدخل بعض المديرين مشاريع الذكاء الاصطناعي بتوقع أن النتائج ستظهر خلال أسابيع قليلة. في الواقع، النماذج تحتاج وقتًا للتدريب، وللاختبار، وللتعديل بناءً على البيانات الفعلية. بعض المشاريع تحتاج أشهرًا قبل أن تُظهر قيمة حقيقية قابلة للقياس.
الاعتماد على أداة واحدة يُحوّل الاستراتيجية إلى مجرد اشتراك. شراء خدمة chatbot أو منصة AI جاهزة ليس بناء استراتيجية ذكاء اصطناعي. هذا يشبه وضع إعلان واحد في جريدة واحدة والقول "وضعنا خطة تسويق."
الأنظمة الفعّالة تعمل معًا: بيانات تُغذي نماذج، ونماذج تُنتج رؤى، ورؤى تُحسّن قرارات، وقرارات تُولّد بيانات جديدة. هذه دورة، وليست خطوة واحدة. وهنا يفيد فهم الفروق بين أدوات الذكاء الاصطناعي، لأن اختيار الأداة لا يعني بالضرورة امتلاك استراتيجية واضحة.
إهمال المتابعة بعد الإطلاق خطأ شائع يكشف نفسه بعد أشهر. الذكاء الاصطناعي لا يُشغَّل مرة وينتهي الأمر. النماذج قد تتدهور مع الوقت إذا لم تُغذَّ بيانات حديثة، والسوق يتغير، وسلوك المستخدمين يتطور. الشركات الأكثر نضجًا في هذا المجال عادةً ما تُخصص جزءًا من مواردها للمتابعة والتحسين المستمر، وليس فقط للإطلاق.
ما الذي يجعل مشروع الذكاء الاصطناعي ناجحًا فعلًا؟
- بيانات منظمة وموثوقة كأساس لأي نموذج.
- مشكلة أعمال محددة وقابلة للقياس كنقطة انطلاق.
- فريق يفهم كلا الجانبين: الأعمال والتقنية.
- حوكمة واضحة لمن يُقرر وكيف تُستخدم البيانات.
- توقعات واقعية حول الجداول الزمنية والنتائج المحتملة.
- متابعة مستمرة بعد الإطلاق وليس فقط قبله.
وهذه العوامل لا تعتمد على قوة التقنية وحدها، بل ترتبط بوضوح الهدف والانضباط في التنفيذ. وللمهتمين بجانب آخر من المعادلة، وهو ما تعجز عنه هذه الأنظمة رغم قدراتها، فمقال ما لا يستطيع الذكاء الاصطناعي استبداله يُناقش هذا الجانب بأسلوب مختلف.
الشركات التي تحقق قيمة حقيقية من الذكاء الاصطناعي لا تبدأ بالسؤال "ما التقنية التي نستخدم؟" بل بـ "ما المشكلة التي نريد حلها؟" الإجابة على هذا السؤال هي ما يُحدد أي جزء من المنظومة يناسبها، وما البيانات التي تحتاجها، وما النتائج التي يمكن توقعها بشكل معقول.
أما من يبدأ من التقنية وينتهي عند الـ chatbot فقط، فقد يكتشف بعد فترة أن الأرقام لم تتغير كثيرًا، لا لأن الذكاء الاصطناعي بلا قيمة، بل لأن استخدامه لم يكن مرتبطًا بمشكلة واضحة من البداية.