ویرگول
ورودثبت نام
کاوه نوذر
کاوه نوذرمدیر پروژه و محصول چابک عاشق هوش مصنوعی و تکنولوژی
کاوه نوذر
کاوه نوذر
خواندن ۱۴ دقیقه·۳ ماه پیش

شکاف بازگشت سرمایه (ROI) در هوش مصنوعی

شکاف بازگشت سرمایه (ROI) در هوش مصنوعی، یک مشکل داده‌ای است: چرا ۹۵٪ پایلوت‌های هوش مصنوعی در سازمان‌ها شکست می‌خورند؟

توضیح مترجم: دیدم که یک نفر نوشته بود هر ایرانی یک استارتاپ هوش مصنوعی و من میخوام بگم هر شهروند جهان کنونی فناوری یک شکست در حوزه هوش مصنوعی، چرا چون عمده استارتاپ ها در ایران و جهان شکست سختی خوردند و این سرعت رشد این فناوری و همگام نبودن استارتاپ ها با تغییرات و کمبود نگاه کسب و کاری و ارزش آفرینی مالی ( مانیتایز) محصول یا هر بخش دیگر باعث عدم بازگشت سرمایه و اتلاف سنگین سرمایه در این حوزه شده، این مقاله با رویکرد تحلیلی و انتقادی و در نهایت انتقال تجربیات مثبت برای بازیگران کنونی و آینده ترجمه شده است. اراداتمند کاوه نوذر

 شرکت‌ها بین ۳۰ تا ۴۰ میلیارد دلار روی هوش مصنوعی مولد سرمایه‌گذاری کرده‌اند، اما ۹۵٪ پروژه‌های آزمایشی‌شان هیچ بازدهی نداشته‌اند. مرز بین موفقیت و شکست، کیفیت مدل نیست، بلکه این است که داده‌ها و فرایندهای شرکت تا چه حد برای AI آماده‌اند.

خلاصه مدیریتی

شرکت‌ها بین ۳۰ تا ۴۰ میلیارد دلار برای هوش مصنوعی مولد  LLM ها هزینه کرده‌اند، اما طبق مطالعه MIT در سال ۲۰۲۵، ۹۵٪ این پروژه‌های آزمایشی هیچ اثر قابل‌اندازه‌گیری روی سود و زیان اون شرکت ها نداشته‌اند.

معمولاً اولین توضیح این است که مدل‌ها به‌اندازه کافی خوب نبوده‌اند، اما شواهد چیز دیگری می‌گویند. پژوهشگران MIT، مهم‌ترین دلیل شکست را نه کیفیت مدل، بلکه شکاف یادگیری بین ابزارها و سازمان‌ها دانسته‌اند. داده‌های مک‌کنزی هم همین موضوع را تأیید می‌کند: تقریباً دوسوم شرکت‌ها استفاده از ایجنت‌های هوش مصنوعی را امتحان کرده‌اند، اما کمتر از ۱۰٪ توانسته‌اند آن را به ارزش واقعی و ملموس تبدیل کنند. تفاوت اصلی هم خیلی جذاب یا پیچیده نیست:

آیا داده‌های شرکت ساختاریافته، قابل‌اعتماد و دارای حاکمیت مشخص هستند؟ و آیا فرایندهای کاری واقعاً برای استفاده از هوش مصنوعی بازطراحی شده‌اند، یا صرفاً AI را به فرایندهای قدیمی چسبانده‌اند؟ این گزارش می‌گوید شکاف بازگشت سرمایه AI، در اصل یک مشکل زیرساخت داده است، و شرکت هوشمند، شرکتی است که از داده شروع می‌کند.

نکات کلیدی

MIT متوجه شد که با وجود ۳۰ تا ۴۰ میلیارد دلار هزینه، ۹۵٪ پایلوت‌های هوش مصنوعی مولد در شرکت‌ها هیچ اثر قابل‌سنجشی روی سود و زیان نداشته‌اند. دلیل اصلی هم مشکل در یکپارچه‌سازی و داده بوده، نه کیفیت مدل‌ها. مک‌کنزی گزارش داده که نزدیک به دوسوم شرکت‌ها ایجنت‌های AI را امتحان کرده‌اند، اما کمتر از ۱۰٪ آن‌ها را به مرحله خلق ارزش واقعی رسیده اند. فقط ۲۱٪ شرکت‌ها یک فرایند کاری را از ابتدا تا انتها بازطراحی کرده‌اند. عملکرد هوش مصنوعی به کیفیت داده وابسته است. داده‌های پراکنده، بدون مستندات یا تأییدنشده، سقف عملکرد هر مدلی را پایین می‌آورند، مهم نیست آن مدل چقدر پیشرفته باشد. روش موفق این نیست که ابزارهای AI را به‌صورت گسترده بخریم و تعداد لایسنس‌ها را معیار موفقیت بدانیم. روش درست این است که روی فرایندهای مشخص، باارزش و دارای داده تمیز، مسئول مشخص و حاکمیت داده تمرکز کنیم. شرکت‌هایی که پایه داده‌ای آماده برای AI و قابل‌راستی‌آزمایی می‌سازند، یک مزیت دیگر هم به دست می‌آورند: همان داده‌های ساختاریافته، آن‌ها را برای جذب سرمایه و حضور در بازار سرمایه هم آماده می‌کند.

آمار استفاده از AI خیره‌کننده است، اما آمار ارزش‌آفرینی نه

خلاصه‌اش این است: تقریباً همه دارند از AI استفاده می‌کنند، اما تعداد کمی واقعاً از آن ارزش می‌گیرند. همین فاصله، حالا به مسئله اصلی هوش مصنوعی در شرکت‌ها تبدیل شده است. از نظر استفاده، همه‌چیز شبیه یک داستان موفقیت است. تقریباً همه مدیران ارشد، یعنی ۹۷٪، می‌گویند شرکتشان در سال گذشته ایجنت‌های هوش مصنوعی را به کار گرفته است. همچنین ۵۲٪ کارکنان از این ابزارها استفاده می‌کنند. در حوزه نرم‌افزار هم سرعت تغییر بالاست. طبق گزارش گارتنر، ۸۰٪ نرم‌افزارهای سازمانی که در سه‌ماهه اول سال ۲۰۲۶ عرضه یا به‌روزرسانی شده‌اند، حداقل یک ایجنت AI دارند، این عدد در سال ۲۰۲۴ فقط ۳۳٪ بود. اما وقتی به ارزش واقعی می‌رسیم، ماجرا کاملاً فرق می‌کند. گزارش پروژه NANDA از MIT در ژوئیه ۲۰۲۵ نشان داد که با وجود سرمایه‌گذاری ۳۰ تا ۴۰ میلیارد دلاری، ۹۵٪ پروژه‌های هوش مصنوعی مولد هیچ بازده تجاری قابل‌اندازه‌گیری نداشته‌اند.

پژوهشگران خیلی صریح گفته‌اند:

«فقط ۵٪ پایلوت‌های یکپارچه‌شده AI توانسته‌اند میلیون‌ها دلار ارزش ایجاد کنند، در حالی که بیشتر پروژه‌ها بدون هیچ اثر قابل‌سنجشی بر سود و زیان، متوقف مانده‌اند.»

این فقط نتیجه یک مطالعه MIT نیست. دسته‌بندی مک‌کنزی هم به نتیجه مشابهی رسیده است: نزدیک به دوسوم شرکت‌های جهان ایجنت‌ها را امتحان کرده‌اند، اما کمتر از ۱۰٪ موفق شده‌اند آن‌ها را به مرحله خلق ارزش ملموس برسانند. حتی در سطح مدیران عامل هم همین الگو دیده می‌شود. بر اساس نظرسنجی مدیران عامل PwC در سال ۲۰۲۶ که ۴,۴۵۴ مدیر را بررسی کرده، فقط ۱۲٪ مدیران عامل هم‌زمان افزایش درآمد و کاهش هزینه ناشی از AI را گزارش کرده‌اند.

پس سؤال مهم دیگر این نیست که: «آیا ما از هوش مصنوعی استفاده می‌کنیم؟»

این سؤال از سال ۲۰۲۴ دیگر چندان مفید نیست. سؤال درست در سال ۲۰۲۶ این است:

«آیا یک فرایند کاری را با محوریت AI بازطراحی کرده‌ایم و می‌توانیم نتیجه‌اش را ثابت کنیم؟»

چرا پروژه‌ها شکست می‌خورند؟ آیا مشکل از مدل نیست؟

پاسخ مستقیم این است: پروژه‌های آزمایشی شکست می‌خورند چون شرکت‌ها AI را به فرایندهای خراب و قدیمی اضافه می‌کنند و به آن داده‌های پراکنده می‌دهند، نه به این دلیل که مدل‌ها ضعیف هستند. MIT هم دقیقاً روی همین نکته تأکید کرده است. تفاوت موفقیت و شکست به هوش خام مدل یا توان زیرساخت فنی برنمی‌گردد، بلکه به این بستگی دارد که آیا رفتار تطبیقی AI در لایه نرم‌افزار و هماهنگی فرایندها جا افتاده یا نه. نویسنده اصلی این پژوهش خیلی ساده گفته: مسئله اصلی کیفیت مدل‌های AI نیست، بلکه «شکاف یادگیری» در ابزارها و سازمان‌هاست. مدیران معمولاً قوانین و مقررات یا عملکرد مدل‌ها را مقصر می‌دانند، اما تحقیق MIT می‌گوید مشکل اصلی، یکپارچه‌سازی ضعیف AI در کسب‌وکار است. ابزارهای عمومی هم این مشکل را بیشتر می‌کنند. ابزارهایی مثل ChatGPT برای افراد عالی هستند، چون انعطاف‌پذیرند. اما در محیط سازمانی معمولاً متوقف می‌شوند، چون از فرایندهای کاری شرکت یاد نمی‌گیرند و خودشان را با آن‌ها تطبیق نمی‌دهند. به همین دلیل، بخش زیادی از هزینه‌ها عملاً هدر می‌رود: پول صرف ابزارهایی می‌شود که در دمو جذاب‌اند، اما در محیط واقعی کسب‌وکار جواب نمی‌دهند.

یک مشکل دیگر هم تخصیص نادرست بودجه است. در سال ۲۰۲۵، بیش از ۵۰٪ بودجه‌های AI صرف پروژه‌های آزمایشی فروش و بازاریابی شده، حوزه‌هایی که بیشتر دیده می‌شوند، اما معمولاً بازدهی پایینی دارند. در حالی‌که بازده واقعی اغلب از اتوماسیون فرایندهای پشتیبانی و بک‌آفیس آمده است. مدیران همچنان پروژه‌های پرزرق‌وبرق را می‌خرند، در حالی که باید سراغ فرایندهای کم‌هیجان‌تر اما سودده بروند. ضمن اینکه شکست این پروژه‌ها فقط به معنی هدررفت بودجه نیست، بلکه ریسک واقعی هم ایجاد می‌کند. طبق گزارش گارتنر در سال ۲۰۲۵، پیش‌بینی می‌شود بیش از ۴۰٪ پروژه‌های AI ایجنت‌محور تا سال ۲۰۲۷ لغو شوند، عمدتاً به‌دلیل نامشخص بودن ROI و کنترل ضعیف ریسک.

محدودیت واقعی: AI فقط به‌اندازه داده‌های شما خوب است

پاسخ کوتاه: توانایی مدل‌ها دیگر گلوگاه اصلی نیست. گلوگاه اصلی، کیفیت، ساختار و حاکمیت داده است. این مهم‌ترین نکته‌ای است که مدیران باید درک کنند.

توافق میان مدیران و متخصصان داده در سال ۲۰۲۶ کاملاً روشن است: شرکت‌هایی که بیشترین موفقیت را در AI دارند، لزوماً آن‌هایی نیستند که جدیدترین مدل‌ها را پیاده کرده‌اند. آن‌ها شرکت‌هایی هستند که زیرساخت داده قدرتمندی ساخته‌اند تا مدل‌ها بتوانند بر اساس اطلاعات قابل‌اعتماد کار کنند.

در عمل، موفقیت در استفاده از AI کمتر به خود مدل وابسته است و بیشتر به این بستگی دارد که داده‌هایی که به مدل می‌دهید، حاکمیت مشخص، قابلیت ردیابی و اعتبار کافی داشته باشند یا نه. به همین دلیل، کیفیت داده دیگر فقط یک کار فنی برای تیم IT نیست، بلکه به یک پیش‌نیاز استراتژیک تبدیل شده است. سازمان‌ها دیگر کیفیت داده را یک قابلیت جانبی و اختیاری نمی‌بینند، بلکه آن را پایه لازم برای توسعه‌پذیری AI می‌دانند. دلیلش هم روشن است: AI تقریباً هر چیزی را که سازمان تولید می‌کند مصرف می‌کند. برخلاف مدل‌های گزارش‌دهی سنتی که با داده‌های انتخاب‌شده و مرتب کار می‌کردند، مدل‌ها و ایجنت‌های AI امروزی حجم زیادی از داده‌های ساختاریافته و غیرساختاریافته را پردازش می‌کنند، از اسناد و ایمیل‌ها گرفته تا گفت‌وگوهای مشتریان و لاگ‌های عملیاتی. نشانه‌های یک سازمان آماده‌نبودن برای AI تقریباً در همه شرکت‌های بزرگ قابل مشاهده است:

داده‌ها بین سیستم‌های قدیمی، انبارهای داده ابری، دریاچه‌های داده و ابزارهای SaaS پخش شده‌اند و یک لایه دسترسی یکپارچه وجود ندارد.

برای بیشتر حوزه‌های داده، مسئول مشخصی تعیین نشده است.

قراردادها و استانداردهای داده یا غیررسمی‌اند یا اصلاً وجود ندارند.

کیفیت داده یکدست نیست.

اعتبارسنجی خودکار محدود است.

فرایند مشخصی برای تأیید و گواهی‌کردن داده‌ها وجود ندارد.

هر مورد استفاده از AI وقتی به این دیوار برسد، متوقف می‌شود.

دقیقاً طراحی مورد نیاز باید یک لایه هوشمندی برای شرکت‌هایی که می‌خواهند برای اقتصاد آینده آماده شوند در نظر گرفته شود.

پیام اصلی ساده است: هوش مصنوعی فقط به‌اندازه کیفیت اطلاعات کسب‌وکاری که به آن دسترسی دارد قدرتمند است. بنابراین شرکت‌های آینده، قبل از اینکه حتی یک ایجنت را در مقیاس بالا اجرا کنند، به داده‌های ساختاریافته، تأییدشده و آماده سرمایه‌گذاری نیاز دارند.

خبر خوب این است که ساختن این پایه در بازه زمانی واقع‌بینانه ممکن است. بیشتر سازمان‌ها می‌توانند با تمرکز بر کیفیت پایه داده، حاکمیت داده، دسترسی یکپارچه به داده‌ها و هماهنگی تیم‌ها، طی سه تا شش ماه به سطح اولیه آمادگی برای AI برسند.

آن ۵٪ کسب و کارهای موفق چه کار متفاوتی انجام داده اند؟

پاسخ این است شرکت‌هایی که واقعاً از AI ارزش می‌گیرند، فرایندهای کاری‌شان را بازطراحی می‌کنند، روی زیرساخت داده آماده برای ایجنت‌ها سرمایه‌گذاری می‌کنند و نتایج را سخت‌گیرانه اندازه می‌گیرند. آن‌ها همان کارهای ظاهراً خسته‌کننده‌ای را انجام می‌دهند که ۹۵٪ دیگر نادیده می‌گیرند. شرکت‌های موفق در بررسی مک‌کنزی گروه کوچکی هستند، اما روش کارشان مشابه است. برای خلق ارزش، باید فرایندهای کاری بازطراحی شوند، مدیران ارشد واقعاً درگیر باشند و حاکمیت قوی وجود داشته باشد. همین‌ها عواملی هستند که حدود ۵.۵٪ شرکت‌های پیشرو را از بقیه جدا می‌کنند.

شاخص و معیارهای شرکت‌های موفق در AI:

سه برابر بیشتر از سایر شرکت‌ها درگیری جدی مدیران ارشد را دارند،

فرایندهای کاری را از ابتدا تا انتها بازطراحی کرده‌اند، کاری که فقط ۲۱٪ همه شرکت‌ها انجام داده‌اند،

اهداف مبتنی بر نتیجه تعیین می‌کنند که به شاخص‌های کلیدی کسب‌وکار وصل است،

روی زیرساخت آماده برای ایجنت‌های AI سرمایه‌گذاری می‌کنند،

و میزان استفاده، کیفیت و نتایج تجاری را دقیق اندازه‌گیری می‌کنند.

شروع این مسیر هم نباید یک تحول بزرگ و هم‌زمان در کل سازمان باشد. مسیر خلق ارزش از AI ایجنت‌محور، از بازطراحی همه‌چیز شروع نمی‌شود، بلکه با بازطراحی هدفمند چند فرایند مهم و اثرگذار آغاز می‌شود. ترتیب کار هم اهمیت دارد، چون ایجنت‌ها هر چیزی را که روی آن ساخته شوند، به ارث می‌برند. AI ایجنت‌محور روی داده قوی رشد می‌کند. برای خلق ارزش، مدیران فناوری باید:

فرایندهای بااثر را برای استفاده از ایجنت‌ها آماده کنند، معماری داده را مدرن‌سازی کنند، کیفیت داده را تضمین کنند، و مدل عملیاتی سازمان را متحول کنند.

  پنج مرحله تبدیل‌شدن به یک شرکت هوشمند

تعریف: شرکت هوشمند چیست؟

شرکت هوشمند تعریفی دارد و بنابر این تعریف سازمانی است که داده‌هایش به‌شکل ساختاریافته، تأییدشده و دارای حاکمیت داده، مدیریت می‌شوند، در حدی که سیستم‌های هوش مصنوعی، مدیران انسانی (غیر ماشینی) و تأمین‌کنندگان سرمایه بیرونی بتوانند همگی بر اساس یک منبع اطلاعاتی قابل‌اعتماد تصمیم بگیرند. شرکت هوشمند را نباید با تعداد ابزارهای AI که خریده تعریف کرد. معیار واقعی این است که آیا پایه داده آن شرکت می‌تواند از تصمیم‌گیری خودکار پشتیبانی کند، خروجی‌های قابل‌ممیزی بسازد و از دودیلیجنس (ارزیابی موشکافانه) بیرونی عبور کند یا نه. خلاصه اینکه، شرکت هوشمند به‌صورت ذاتی:

داده‌محور است، فرایندهای کاری‌اش بازطراحی شده‌اند، و برای جذب سرمایه آماده است.

این تعریف مهم است، چون همان نظمی که ارزش AI را آزاد می‌کند، مسیر دسترسی به سرمایه را هم باز می‌کند. داده ساختاریافته و تأییدشده چیزی است که یک ایجنت AI برای عملکرد قابل‌اعتماد نیاز دارد، همان چیزی که سرمایه‌گذار، حسابرس یا خریدار بالقوه هم برای تصمیم‌گیری با اطمینان لازم دارد.

چطور باید عمل کرد؟

پاسخ مستقیم: AI را با میزان استفاده اندازه نگیرید. اول زیرساخت داده را درست کنید و یک فرایند کاری را بازطراحی کنید که بتوانید نتیجه‌اش را ثابت کنید.

برای مدیران عامل و بنیان‌گذاران

نگاهتان را عوض کنید. استفاده گسترده از AI ارزان است و می‌تواند گمراه‌کننده باشد. تعداد لایسنس‌ها بالا می‌رود، داشبوردهای استفاده پررنگ می‌شوند و مدیران می‌گویند «پذیرش AI عالی بوده است».

اما استفاده گسترده و ارزش‌آفرین خیلی نادرتر است، چون به بازطراحی فرایند، مسئولیت‌پذیری و حاکمیت نیاز دارد، نه فقط دسترسی به ابزار. یک فرایند کاری باارزش را انتخاب کنید، برایش مسئول مشخص تعیین کنید و هدف‌هایی بگذارید که مستقیم به سود و زیان وصل هستند. قبل از هر چیز هم بررسی کنید که داده‌هایتان اصلاً قابل‌استفاده هستند یا نه. منابع داده پراکنده و نداشتن مالک مشخص برای داده‌ها، اولین نشانه‌های خطرند. اینجاست که لایه‌ای مثل ساختاردهی و تأیید داده‌های شرکت، تا AI و انسان‌ها هر دو بر اساس یک منبع قابل‌اعتماد کار کنند. برای بررسی عمیق‌تر می‌توانید از  readiness assessment استفاده کنید.

برای مالکان دارایی و اپراتورها

داده‌ای که برای AI تمیز و آماده می‌کنید، همان داده‌ای است که کسب‌وکارتان را برای سرمایه‌گذاران قابل‌فهم می‌کند. شرکتی که اطلاعات تأییدشده، ساختاریافته و قابل‌ممیزی دارد، راحت‌تر ارزش‌گذاری می‌شود، تأمین مالی می‌گیرد و در آینده راحت‌تر می‌تواند وارد حوزه توکنیزه‌کردن دارایی‌ها شود.

این مسیر یک روند مشخص دارد: اول هوشمندی کسب‌وکار، بعد آمادگی برای سرمایه و در نهایت ورود به دنیای مالی دیجیتال.  

برای سرمایه‌گذاران

دودیلیجنس (ارزیابی موشکافانه)  هم‌زمان سریع‌تر و سخت‌تر شده است. شرکت‌هایی که پایه داده ساختاریافته و قابل‌راستی‌آزمایی دارند، هزینه ارزیابی کمتری دارند و احتمال پنهان‌کردن ریسک در سیستم‌های پراکنده در آن‌ها پایین‌تر است. آمادگی داده را به‌عنوان یک نشانه از کیفیت مدیریت شرکت در نظر بگیرید. دیدگاه معقول این نیست که AI بیش‌ازحد بزرگ‌نمایی شده است. حرف اصلی این است که ارزش از زیرساخت می‌آید. شرکتی که ابتدا لایه هوشمندی خود را بسازد، هم در AI بهتر عمل می‌کند، هم در جذب سرمایه موفق‌تر است و هم برای بازارهای دیجیتال و توکنیزه‌شده آینده موقعیت بهتری دارد.

 

سوالات متداول از این مقاله

شکاف ROI در هوش مصنوعی چیست؟

شکاف ROI در AI، فاصله بین تعداد شرکت‌هایی است که AI را پذیرفته‌اند و تعداد کمی از آن‌ها که واقعاً توانسته‌اند ارزش مالی قابل‌اندازه‌گیری ایجاد کنند. MIT نشان داده که با وجود هزینه ۳۰ تا ۴۰ میلیارد دلاری، ۹۵٪ پایلوت‌های هوش مصنوعی مولد اثری روی سود و زیان نداشته‌اند. علت اصلی این فاصله، یکپارچه‌سازی ضعیف و داده‌های نامناسب است، نه کیفیت مدل‌ها.

چرا بیشتر پروژه‌های آزمایشی AI در شرکت‌ها شکست می‌خورند؟

چون شرکت‌ها AI را به فرایندهای قدیمی اضافه می‌کنند و به آن داده‌های پراکنده و بدون حاکمیت می‌دهند. نویسنده اصلی گزارش MIT، «شکاف یادگیری» بین ابزارها و سازمان‌ها را مهم‌ترین عامل دانسته، نه عملکرد مدل. ابزارهای عمومی که برای استفاده فردی خوب هستند، در فرایندهای سازمانی متوقف می‌شوند، چون با شیوه واقعی کار کسب‌وکار هماهنگ نمی‌شوند.

کیفیت داده چطور روی عملکرد AI اثر می‌گذارد؟

به‌صورت مستقیم و تعیین‌کننده. مدل‌های AI فقط می‌توانند روی اطلاعاتی استدلال کنند که به آن دسترسی دارند. پس داده‌های پراکنده، بدون مستندات یا تأییدنشده، خروجی مدل را محدود می‌کنند، فرقی هم ندارد مدل چقدر پیشرفته باشد. در سال ۲۰۲۶، بسیاری از مدیران داده کیفیت داده را پیش‌نیاز اصلی توسعه AI می‌دانند، نه یک قابلیت اختیاری.

چرا مدیران نباید موفقیت AI را بر اساس میزان استفاده بسنجند؟

چون میزان استفاده می‌تواند ارزان و گمراه‌کننده باشد. تعداد لایسنس‌ها و نمودارهای استفاده بالا می‌روند، اما تحول واقعی در کسب‌وکار همچنان نادر است. ارزش‌آفرینی در مقیاس، به بازطراحی فرایند، مسئولیت‌پذیری و حاکمیت نیاز دارد. سؤال مفید این است که: «آیا یک فرایند را با محوریت AI بازطراحی کرده‌ایم و می‌توانیم نتیجه‌اش را ثابت کنیم؟»

زیرساخت داده آماده برای AI چیست؟

یعنی داده‌های سازمانی تجمیع شده، باکیفیت، دارای مسئول مشخص و قابل‌ردیابی باشند، به شکلی که سیستم‌های AI بتوانند در سراسر سازمان با اطمینان از آن‌ها استفاده کنند. نشانه‌های آماده نبودن هم مشخص‌اند: داده‌های پراکنده، نبود لایه دسترسی یکپارچه، نداشتن مسئول داده و کیفیت نامنظم بدون فرایند تأیید.

آیا شرکت‌ها می‌توانند سریع برای AI آماده شوند؟

بله، رسیدن به آمادگی پایه در یک بازه زمانی عملی امکان‌پذیر است. بیشتر سازمان‌ها با تمرکز بر کیفیت داده، حاکمیت داده، دسترسی یکپارچه به منابع مختلف و هماهنگی بین تیم‌ها، می‌توانند طی سه تا شش ماه به سطح اولیه آمادگی برسند. البته بلوغ کامل در کل سازمان زمان بیشتری می‌خواهد، اما اولین فرایند می‌تواند خیلی زودتر بازدهی ایجاد کند.

آن ۵٪ شرکت موفق چه تفاوتی با بقیه دارند؟

آن‌ها فرایندهای کاری را از ابتدا تا انتها بازطراحی می‌کنند، روی زیرساخت داده آماده برای ایجنت‌ها سرمایه‌گذاری می‌کنند، مدیران ارشدشان درگیر هستند و کیفیت و نتایج تجاری را با دقت می‌سنجند. طبق مک‌کنزی، شرکت‌های پیشرو حدود سه برابر بیشتر از سایرین درگیری جدی مدیران ارشد دارند و بازطراحی فرایند انجام داده‌اند، کاری که فقط ۲۱٪ همه شرکت‌ها انجام داده‌اند.

ساختن شرکت هوشمند چه ارتباطی با جذب سرمایه دارد؟

همان داده ساختاریافته و تأییدشده‌ای که AI را قابل‌اعتماد می‌کند، شرکت را برای سرمایه‌گذاران، حسابرسان و خریداران هم شفاف‌تر می‌کند. یک شرکت داده‌محور راحت‌تر ارزش‌گذاری می‌شود، تأمین مالی می‌گیرد و در نهایت می‌تواند وارد حوزه توکنیزه‌سازی شود. به همین دلیل، مسیر شرکت هوشمند به‌طور طبیعی از هوشمندی کسب‌وکار به آمادگی برای بازار سرمایه و سپس زیرساخت مالی دیجیتال می‌رسد.

کدام صنایع در اجرای عملی AI جلوتر هستند؟

صنایع قانون‌مند و داده‌محور پیشتازند. ۳۱٪ شرکت‌ها حداقل یک ایجنت AI در محیط عملیاتی دارند، اما در بانکداری و بیمه این عدد به ۴۷٪ می‌رسد. دلیلش این است که الزامات قانونی این صنایع را مجبور کرده داده‌هایشان را زودتر مدیریت و حاکمیت‌پذیر کنند، همان پایه‌ای که AI برای خلق ارزش نیاز دارد.

 

هوش مصنوعیاستارتاپمحصولکسب و کار
۰
۰
کاوه نوذر
کاوه نوذر
مدیر پروژه و محصول چابک عاشق هوش مصنوعی و تکنولوژی
شاید از این پست‌ها خوشتان بیاید