برگ برنده شرکت‌های متوسط در دنیای هوش مصنوعی؛ چگونه از تله پروژه‌های آزمایشی خلاص شویم؟

دیگر دوران حرف و نظریه‌پردازی درباره هوش مصنوعی گذشته و این فناوری رسماً به جریان اصلی کسب‌وکارها راه پیدا کرده است؛ در این میان، شرکت‌های متوسط درست در بهترین جایگاه برای چیدن میوه‌های این تحول بزرگ ایستاده‌اند. این شرکت‌ها معمولاً بسیار چابک‌تر و فرزتر از غول‌های بزرگ بازارند، یعنی پای تحول دیجیتال که وسط می‌آید، می‌توانند خیلی سریع دست‌به‌کار شوند، مسیر تغییر را آغاز کنند و با پیاده‌سازی هدفمند هوش مصنوعی، دردسرهای واقعی کسب‌وکارشان را حل کنند.

با این حال، نتایج پژوهش‌های جدید زنگ خطری را به صدا درآورده است: مشخص شده ۹۰ درصد از شرکت‌های متوسطی که به سراغ هوش مصنوعی رفته‌اند، هنوز در مراحل اولیه دست‌وپا می‌زنند یا پروژه‌های آزمایشی‌شان به بن‌بست خورده و متوقف شده است. با وجود تمام چابکی و پتانسیلی که دارند، کاملاً پیداست که بسیاری از این کسب‌وکارها در فازهای آزمایشی زمین‌گیر شده‌اند. گره اصلی کار اینجاست که سردرگمی درباره نقطه شروع، تردید در انتخاب فناوری‌های مناسب و نبود اطمینان کافی برای سرمایه‌گذاری، ترمز پیشرفت آنها را کشیده است.

به گفته مدیر ارشد فناوری شرکت کلاروس (Klarus):

این بلاتکلیفی و فقدان اعتمادبه‌نفس، در عمل به پروژه‌هایی ختم می‌شود که هیچ اتصالی به نتایج واقعی و ملموس تجاری ندارند؛ در نتیجه، هیچ‌وقت به مرحله استقرار کامل در بدنه سازمان نمی‌رسند و عملاً اثرگذاری معناداری از خود نشان نمی‌دهند.

برای اینکه کسب‌وکارها بتوانند از این برزخِ پروژه‌های آزمایشی فرار کنند، باید سه ریشه اصلی این درجا زدن را بخشکانند: اول، جذب و به‌کارگیری مهارت‌ها و تخصص‌های درست؛ دوم، ساختن زیربنای محکم برای فناوری و داده‌ها؛ و سوم، اطمینان از تعریف مرزها و سیستم‌های نظارتی دقیق در تمام طول پروژه‌ها.

پر کردن شکاف مهارت‌ها و تخصص‌ها

در تمام بحث‌ها و گفتگوهایی که پیرامون پیاده‌سازی هوش مصنوعی شکل می‌گیرد، دست گذاشتن روی اهمیت ایجاد مهارت‌های درست همواره پررنگ است. کاملاً طبیعی و منطقی است که دسترسی به تخصص‌های ویژه، کلید اصلی پیروزی در هر پروژه فناورانه، به‌ویژه هوش مصنوعی باشد. بدون این تخصص‌ها، کسب‌وکارها به احتمال زیاد دچار عارضه‌ای به نام «فلج هوش مصنوعی» می‌شوند؛ وضعیتی گیج‌کننده که در آن مدیران اصلاً نمی‌دانند از کجا باید شروع کنند یا زیر آوار گزینه‌ها و ابزار‌های بیش از حد متنوع له می‌شوند.

با این حال، واژه «تخصص» بسیار کلی است و معمولاً چیزی که نادیده گرفته می‌شود، ماهیت دقیق مهارت‌های موردنیاز است. استقرار هوش مصنوعی جنبه‌های متعددی دارد؛ از استراتژی و اولویت‌بندی کاربردها گرفته تا شناخت ابزارها، بررسی بازار تأمین‌کنندگان، آمادگی داده‌ها و حتی امنیت سایبری و حریم خصوصی.

تیم‌ها ممکن است در برخی حوزه‌ها احساس اعتمادبه‌نفس بالایی داشته باشند، اما ناخواسته از بخش‌هایی که در آنها شکاف مهارتی عمیقی دارند غافل شوند. نکته جالب اینجاست که شرکت‌ها در مجموع حس می‌کنند از پس کار برمی‌آیند، اما این اعتمادبه‌نفس ظاهری گاهی اوقات روی یک واقعیت کاملاً متفاوت سرپوش می‌گذارد.

بین اعتمادبه‌نفس تئوریک و توانایی عملی برای تحویل کار، فرسنگ‌ها فاصله است. مثلاً ممکن است تیمی در حوزه آماده‌سازی داده‌ها کاملاً مجهز و مسلط باشد، اما در مراحل عمیق‌تر و پیچیده‌تری مثل یکپارچه‌سازی سیستم‌ها با زیرساخت‌های موجود یا مدیریت تغییرات سازمانی حسابی به مشکل بخورد.

راهکار واقعی، تشکیل تیمی کامل و چندبعدی با ترکیبی از تخصص‌های مختلف است؛ تیمی که بتواند از مرز تئوری فراتر برود و توانمندی‌هایی پخته، متمرکز بر اجرا و عمل‌گرایانه در سازمان پی‌ریزی کند.

سر و سامان دادن به زیرساخت داده‌ها و فناوری

نمی‌شود از موفقیت هوش مصنوعی حرف زد بدون آنکه اول نگاهی به پایه‌ها و زیرساخت‌هایی بیندازیم که این فناوری روی آنها بنا می‌شود. استقرار چارچوب‌های فنی و داده‌ای مستحکم، شرط بقا برای گذار از مرحله آزمایشی به استفاده سراسری است؛ با این حال، بسیاری از شرکت‌های متوسط به دلایل کاملاً موجهی در این مسیر لنگ می‌زنند. آنها با کوهی از مشکلات قدیمی روبه‌رو هستند؛ از سیستم‌ها و فناوری‌های فرسوده گرفته تا کیفیت پایین داده‌ها و نبود چارچوب‌های کنترلی درست.

امروزه نرم‌افزارهای سازمانی مثل سامانه‌های برنامه‌ریزی منابع سازمانی (ERP)، مدیریت ارتباط با مشتری (CRM) و سیستم‌های اطلاعات منابع انسانی (HRIS) روزبه‌روز بیش‌تر به قابلیت‌های هوش مصنوعی مجهز می‌شوند و در مواردی حتی از پایه با هوش مصنوعی (AI-Native) توسعه می‌یابند. گرچه این سیستم‌ها مزایای فوق‌العاده‌ای دارند، اما واقعیت این است که بسیاری از شرکت‌ها با نرم‌افزارهای قدیمی و تاریخ‌گذشته‌ای کار می‌کنند که امکان یکپارچه‌سازی ندارند، قابلیت‌هایشان محدود است و مدل‌های داده‌ای پوسیده‌ای دارند. تمام این موانع، دیواری بلند جلوی پیاده‌سازی هوش مصنوعی می‌کشد.

کیفیت داده هم یکی دیگر از قطعات حیاتی این پازل است؛ با این حال، شرکت‌های سایز متوسط در اغلب مواقع با داده‌هایی بی‌کیفیت، آشفته و ناقص دست‌به‌گریبانند که خیلی زود به یکی از بزرگ‌ترین سدهای راه توسعه هوش مصنوعی تبدیل می‌شود.

آمادگی داده‌ها بخشی جدایی‌ناپذیر از هر استراتژی هوش مصنوعی است و شرکت‌ها باید از همان ابتدای کار آن را جدی بگیرند و در پروژه‌ها لحاظ کنند، نه اینکه در دقایق پایانی یاد آن بیفتند! کسب‌وکارهایی که دقت، مالکیت و دسترسی‌پذیری داده‌هایشان را بهبود ببخشند، بهترین شانس را خواهند داشت تا پروژه‌های آزمایشی را با سرعت بالا به مرحله تولید و اجرا برسانند و موفقیت پروژه‌ها را تضمین کنند.

یکی دیگر از بخش‌های حیاتی زیرساخت فناوری، تعیین خطوط قرمز و چارچوب‌های پیرامون آن شامل حکمرانی داده، اصول اخلاقی، امنیت سایبری و حریم خصوصی است. این حوزه هم جایی است که برخی شرکت‌های متوسط در آن کم می‌آورند؛ آنها شاید روی کاغذ برنامه‌های جامعی داشته باشند، اما هنوز سیاست‌های رسمی، ابزار‌های کنترلی یا هر دوی آنها را در عمل پیاده نکرده‌اند.

نقشه راه عملی برای عبور از موانع

در نهایت، برای اینکه هوش مصنوعی از فاز آزمایشی پا فراتر بگذارد و در سطح کل شرکت مقیاس‌پذیر شود، باید در بستری مناسب قرار بگیرد. برای شرکت‌های متوسط، این یعنی باید نگاهمان را از صرفاً نصب و راه‌اندازی تک‌ابزارها فراتر ببریم و سراغ سیستم‌ها، داده‌ها و نظارت‌هایی برویم که کارکرد امن، پایدار و مؤثر هوش مصنوعی را تضمین می‌کنند.

این کار‌های زیربنایی بسیار مهم هستند، اما قرار نیست جلوی پیشبرد سریع پروژه‌ها را بگیرند و همه چیز را قفل کنند. سرعت عمل فاکتوری حیاتی است؛ بنابراین حل مسائلی مانند کیفیت داده‌ها می‌تواند کاملاً به صورت موازی با پیاده‌سازی پروژه‌ها پیش برود، به شرطی که از همان روز اول در برنامه‌ریزی‌ها دیده شده و نقشه راه مشخصی داشته باشد.

مهم‌ترین نکته این است که تمام این چالش‌ها کاملاً قابل حل هستند. شناخت دقیق و درک درست ریشه مشکلات، اولین قدم حیاتی در این مسیر به حساب می‌آید. بدون آگاهی کامل از این موانع، شرکت‌ها ناگزیر بارها و بارها همان شکست‌های قبلی در پروژه‌های آزمایشی را تجربه خواهند کرد؛ اما با این شناخت، می‌توانند سرمایه‌گذاری‌های استراتژیک درستی انجام دهند، تیم‌های توانمند را با مجموعه‌ای کامل از مهارت‌ها گرد هم آورند و زیربنایی محکم برای یک پلتفرم قدرتمند هوش مصنوعی بسازند.

تنها در این صورت است که شرکت‌های متوسط می‌توانند از تمام پتانسیل چابکی خود نهایت استفاده را ببرند و سرمایه‌گذاری‌هایشان در هوش مصنوعی را به ارزش‌های تجاری ملموس، ماندگار و سودآور تبدیل کنند.