چرا هوش مصنوعی در دنیای واقعی به بن‌بست می‌خورد؟ راز عبور از پروژه‌های آزمایشی به فاز عملیاتی

استفاده از هوش مصنوعی با سرعتی سرسام‌آور در حال گسترش است. نظرسنجی جهانی مؤسسه مک‌کینزی (McKinsey) در سال ۲۰۲۵ نشان می‌دهد که ۸۸ درصد از شرکت‌کنندگان می‌گویند سازمان‌هایشان به طور مرتب حداقل در یکی از بخش‌های کاری خود از ابزار‌های هوش مصنوعی استفاده می‌کنند؛ آماری که نسبت به ۷۸ درصد سال قبل رشد چشمگیری داشته است. با این حال، تنها ۷ درصد از سازمان‌ها موفق شده‌اند هوش مصنوعی را به شکل کامل و یکپارچه در تمام بخش‌های خود پیاده‌سازی کنند و حدود ۳۰ درصد همچنان در مرحله آزمایشی (Pilot) درجا می‌زنند.

این یادداشت تحلیلی از دیدگاه مدیرعامل و هم‌بنیان‌گذار پلتفرم تحلیل داده Adverity، به بررسی دقیق همین شکاف بزرگ میان پایلوت و فاز عملیاتی پرداخته است.

برای تیم‌های بازاریابی، این شکاف عمیق زمانی خودش را نشان می‌دهد که یک پروژه آزمایشی هوش مصنوعی با پیچیدگی‌های ساختار داده‌های واقعی شرکت روبه‌رو می‌شود. یک پروژه آزمایشی در محیط کنترل‌شده به‌راحتی نشان می‌دهد که مدل هوش مصنوعی در انجام وظیفه‌ای مشخص و با داده‌هایی گلچین‌شده چه توانایی‌هایی دارد، اما آوردن همین قابلیت‌ها به محیط زنده و عملیاتی سازمان، چالشی کاملاً متفاوت و به مراتب دشوارتر است.

ریشه مشکل معمولاً در خود مدل هوش مصنوعی نیست، بلکه به لایه‌های زیرین آن برمی‌گردد. داده‌های بازاریابی میان چندین پلتفرم مختلف، انبارهای داده (Data Warehouses) و سیستم‌های داخلی پراکنده‌اند؛ سیستم‌هایی با ساختارها و تعاریف کاملاً متفاوت که کار را برای هوش مصنوعی فوق‌العاده سخت می‌کنند تا بفهمد این عدد و رقم‌ها واقعاً چه معنایی دارند.

پروژه آزمایشی تا پیش از برخورد با دنیای واقعی بی‌نقص به نظر می‌رسد!

دلیل موجهی وجود دارد که چرا پروژه‌های آزمایشی هوش مصنوعی در همان شروع کار این‌قدر موفق و متقاعدکننده به نظر می‌رسند: دامنه کار معمولاً بسیار محدود است، کنترل داده‌ها کار آسانی است و سؤالاتی هم که از مدل پرسیده می‌شود کاملاً سرراست و شفاف هستند.

اما ورود به فاز عملیاتی (Production)، سطح جدیدی از پیچیدگی‌ها را به همراه می‌آورد. به عنوان مثال، یک سیستم هوش مصنوعی که در ساختار بازاریابی یک سازمان کار می‌کند، ممکن است با چند نسخه مختلف از یک شاخص یکسان برخورد کند که هر کدام نام فیلد و فرمول محاسبه متفاوتی دارند. بدون داشتن درکی ضابطه‌مند و دقیق از این محیط، مدل درست مثل یک «جعبه سیاه» عمل می‌کند و شروع به حدس و گمان و پیش‌فرض‌سازی برای خودش می‌کند.

شاخص «هزینه» (Cost) یک مثال بسیار ساده است؛ یک پلتفرم ممکن است آن را زیر یک نام ذخیره کند و پلتفرمی دیگر تحت عنوانی کاملاً متفاوت. برای انسانی که با داده‌های شرکت آشناست، این تفاوت کاملاً واضح است؛ اما برای مدل هوش مصنوعی که بدون لایه دانش عمل می‌کند، اولین داده‌ای که به ظاهر شبیه باشد، ممکن است به عنوان پاسخ درست در نظر گرفته شود.

این نبود شفافیت دردسرساز است، چون خروجی نهایی مدل کاملاً منطقی و باورپذیر به نظر می‌رسد! هوش مصنوعی می‌تواند با اعتمادبه‌نفس تمام از یک فرض کاملاً غلط، تحلیلی ارائه دهد که تا لحظه اتخاذ تصمیم کاری معتبر به نظر می‌رسد، اما در عمل شرکت را گمراه می‌کند.

زیرساخت داده به یک «لایه دانش» نیاز دارد

بنابراین ارتقای کیفیت داده‌ها تنها بخشی از مسیر است؛ هوش مصنوعی علاوه بر کیفیت، باید معنا و مفهوم متصل به آن داده‌ها را هم بفهمد.

به طور خاص برای تیم‌های بازاریابی، این یعنی تدوین تعاریف استاندارد و مرجع برای مفاهیم کلیدی و پیاده‌سازی این تعاریف در تمام پلتفرم‌های مختلف. همچنین به معنای ثبت و مشخص کردن قوانینی است که سازمان برای ارزیابی عملکرد به کار می‌برد، تا هوش مصنوعی درست در همان چارچوبی فکر کند که مدیران سازمان خروجی‌ها را تفسیر می‌کنند.

یک «لایه دانش» (Knowledge Layer) دقیقاً همین پل ارتباطی را میان انبار داده و هوش مصنوعی ایجاد می‌کند. این لایه تعیین می‌کند که هر شاخص چگونه باید تفسیر شود، کدام فیلدها در پلتفرم‌های مختلف معادل یکدیگرند، و پیش از آنکه تحلیلی معتبر تلقی شود چه قوانین سازمانی باید اعمال گردند. خبر خوب اینکه چنین لایه‌ای درست روی انبارهای داده فعلی سوار می‌شود و نیازی نیست شرکت‌ها هزینه‌های سرسام‌آوری را برای تعویض کامل زیرساخت‌های خود متحمل شوند.

نکته کلیدی، دادن یک نقطه شروع مشخص به هوش مصنوعی است. سیستم به جای اینکه صرفاً اولین نسخه از یک شاخص را بردارد، معنای ضابطه‌مند آن مفهوم را در ساختار شرکت می‌داند و آن را به درستی تفسیر می‌کند.

زمینه تحلیلی باید وقایع لحظه‌ای کسب‌وکار را منعکس کند

با این حال، تعاریف ثابت به‌تنهایی کافی نیستند. عملکرد بازاریابی همگام با تحولات کسب‌وکار تغییر می‌کند، به این معنی که هوش مصنوعی باید به زمینه و بستر (Context) هر بررسی خاص هم دسترسی داشته باشد.

شاید به نظر برسد عملکرد یک کمپین تبلیغاتی ضعیف شده است، اما دلیل واقعی آن ممکن است کاهش اخیر بودجه باشد. یا شاید جهش ناگهانی در نتایج به خاطر یک پروموشن جدید یا تست بازار همزمان رخ داده باشد. بدون داشتن چنین اطلاعاتی، سیستم هوش مصنوعی ممکن است تغییر اعداد را به درستی تشخیص دهد، اما درباره علت آن به نتیجه‌ای کاملاً اشتباه برسد.

این مسأله را می‌توان با تفکیک دانش ثابت بازاریابی از بسترهای متغیر لحظه‌ای حل کرد. اینجاست که همکاری نزدیک میان تیم‌های بازاریابی و تیم‌های داده اهمیت حیاتی پیدا می‌کند. رهبران بازاریابی اهداف پشت کمپین‌ها و نحوه تفسیر عملکرد را می‌دانند، و متخصصان داده سیستم‌ها، ساختارها و شیوه مدیریت این اطلاعات را می‌شناسند.

ترکیب این دو نگاه، پایه‌ای بسیار کارآمد برای هوش مصنوعی می‌سازد. به این ترتیب، تعاریف پیش از اینکه وارد جریان‌های خودکار کاری شوند مورد توافق قرار می‌گیرند و الزامات حاکمیت داده نیز از همان ابتدا در فرایند تحلیل لحاظ می‌شوند، نه اینکه پس از تولید خروجی تازه به فکر اصلاح بیفتند.

فاز عملیاتی اعتماد می‌خواهد، نه یک پروژه آزمایشی جدید!

مرحله بعدی پذیرش هوش مصنوعی در شرکت‌ها، به عملیاتی کردن این زیرساخت‌ها بستگی دارد. تحقیقات مک‌کینزی نشان می‌دهد با وجود رشد سریع استفاده از ابزارها، بیش‌تر سازمان‌ها همچنان در برزخ میان آزمایش و مقیاس‌پذیری اولیه دست‌وپا می‌زنند.

بنابراین اولویت بازاریابان و مدیران باید بررسی زیرساخت‌های اطراف مدل باشد، نه اضافه کردن مدلی دیگر. آیا شاخص‌های کلیدی به طور هماهنگ تعریف شده‌اند؟ آیا هوش مصنوعی درک می‌کند این شاخص‌ها در سیستم‌های مختلف چگونه به هم مرتبط می‌شوند؟ و آیا می‌داند کدام تصمیمات تجاری در حال حاضر عملکرد سازمان را شکل می‌دهند؟

یک لایه دانش ساختاریافته می‌تواند همان حلقه گمشده میان داده‌های سازمانی و استدلال هوش مصنوعی باشد. این لایه به مدل‌ها درکی ضابطه‌مند از محیط کارشان می‌دهد و نیاز آنها به حدس و گمان‌های سرخود را از بین می‌برد.

این موضوع صورت‌مسئله را در فاز عملیاتی تغییر می‌دهد؛ به جای اینکه دائماً بپرسیم «آیا مدل جدید‌تر توانایی کافی را دارد؟»، شرکت‌ها باید روی این تمرکز کنند که «آیا دانش لازم در اختیار هوش مصنوعی قرار گرفته تا خروجی قابل‌اعتمادی تولید کند؟»

مدل‌های هوش مصنوعی بی‌شک به پیشرفت خود ادامه خواهند داد، اما برای کسب‌وکارهایی که می‌خواهند سرمایه‌گذاری روی هوش مصنوعی را به بازدهی ملموس و واقعی تبدیل کنند، فوری‌ترین اقدام این است که مطمئن شوند این مدل‌ها پایه و منبعی قابل‌اتکا برای استدلال و تحلیل در اختیار دارند.