لماذا تفشل 79% من استثمارات الذكاء الاصطناعي في الشركات في تحقيق عائد على الاستثمار وكيفية إصلاح ذلك

فخ القياس: لماذا تفشل مقاييس العائد على الاستثمار التقليدية في مبادرات الذكاء الاصطناعي

تقوم المنظمات باستمرار بتقييم مبادرات الذكاء الاصطناعي باستخدام أطر عمل قياسية لشراء البرمجيات لا تنطبق على النماذج الاحتمالية. تبحث أقسام المالية عن تخفيضات فورية في التكاليف أو زيادات مباشرة في الإيرادات، لكنها تفشل في حساب دورة الحياة الفريدة لأنظمة التعلم الآلي. عندما يتم إطلاق نظام إدارة علاقات العملاء (CRM) قياسي، تظل الوظائف المتوقعة ثابتة. أما عندما تنشر مؤسسة ما سير عمل وكيل (agentic workflow)، فإن أداء النظام يتطور بمرور الوقت، مما يتطلب معايرة ومراقبة مستمرة. ومن خلال تطبيق توقعات عائد ربع سنوية صارمة على نظام يتطلب وقتاً كبيراً للتدريب والتكامل، يخلق المديرون الماليون بيئة يتم فيها إنهاء المشاريع قبل الأوان قبل وصولها إلى ذروة أدائها.

تنبع المشكلة الأساسية من الخلط بين نجاح إثبات المفهوم (proof-of-concept) والاستقرار على مستوى الإنتاج. فالنموذج الذي يحقق دقة بنسبة 90% في بيئة اختبار خاضعة للرقابة غالباً ما تنخفض دقته إلى 60% عند تعريضه لبيانات المؤسسة الحقيقية والمضطربة. غالباً ما تنظر فرق الإدارة إلى انخفاض الأداء هذا على أنه فشل في التكنولوجيا بدلاً من كونه عقبة هندسية متوقعة. ولأنهم يفتقرون إلى منهجية لقياس تكلفة هذا الدين التقني، فإنهم يصنفون الاستثمار بأكمله كخسارة. تتوقف الشركات الفعالة عن قياس الذكاء الاصطناعي من خلال عدسة إزاحة التكلفة البحتة وتبدأ في النظر إليه كترقية للبنية التحتية. لن تطالب بعوائد مالية فورية من ترقية مزود تخزين سحابي على مستوى الشركة، ومع ذلك تطبق الشركات هذا الضغط المالي قصير الأجل على أنظمة منطقية معقدة ومتطورة.

يجب على القادة الماليين التحول إلى نموذج تقييم يتضمن مكاسب الكفاءة طويلة الأجل والتكافؤ التنافسي. تنصح غارتنر (Gartner) المديرين الماليين بمعاملة الذكاء الاصطناعي كمحفظة من الرهانات بدلاً من إنفاق رأسمالي ضخم واحد. يتطلب هذا التحول من نموذج النجاح الثنائي (هل وفر المال اليوم؟) إلى نموذج القيمة التراكمية (بأي قدر يسرع هذا النظام سرعة اتخاذ القرار لدينا على مدى السنوات الثلاث القادمة؟). إن عدم القدرة على تتبع هذه الفوائد غير المباشرة، مثل سرعة ضم البائعين أو التنبؤ الأكثر دقة بالطلب، يعني أن العائد الفعلي على الاستثمار غير مرئي للإدارة التنفيذية. تبلغ الشركات حالياً عن نجاحها بأقل من الواقع من خلال الفشل في قياس الانخفاض في الوقت المستغرق في تنظيف البيانات يدوياً، والذي غالباً ما يكون أكبر استنزاف خفي للعمالة في أي بنية تحتية لبيانات المؤسسة.

لفهم العائد على الاستثمار حقاً، يجب على الشركات تنفيذ إطار عمل "تحقيق القيمة" الذي يحسب تقليل المخاطر التشغيلية الكامنة. على سبيل المثال، فكر في نظام معالجة الفواتير القائم على الذكاء الاصطناعي. في البداية، قد يبدو مكلفاً بسبب الترخيص والضبط الدقيق. ومع ذلك، عند قياسه مقابل تكلفة المعالجة اليدوية، وخطر الخطأ البشري في الامتثال الضريبي، والبطء في التدفق النقدي، يصبح العائد على الاستثمار كبيراً. غالباً ما تظهر مشاريع مثل هذه عائداً بنسبة 200% على مدى 24 شهراً، ومع ذلك يتم تصنيفها كفشل عند علامة الـ 6 أشهر لأن مرحلة تدريب البيانات الأولية تكبدت تكاليف دون مخرجات فورية ومرئية. يجب على المسؤولين التنفيذيين تعلم كيفية فصل "مرحلة الاستقرار" عن "مرحلة التحسين"، مما يمنح المشاريع مساراً كافياً للنضج من مخمن احتمالي إلى محرك حتمي للقيمة.

فجوة التنفيذ: لماذا يعيق نقص مهارات الذكاء الاصطناعي النشر

بينما يركز القادة التنفيذيون على اختيار البائعين وحزم البرمجيات المناسبة، فإنهم يتجاهلون عنق الزجاجة الأكثر أهمية لنجاح الإنتاج: الافتقار إلى القدرة الداخلية على صيانة هذه الأنظمة. تشير استطلاعات الصناعة الأخيرة إلى أن 59% من فرق القيادة يستشهدون بفجوة كبيرة في مهارات الذكاء الاصطناعي في عام 2026. لا يقتصر هذا النقص على علماء البيانات أو مهندسي التعلم الآلي، بل يمتد إلى المديرين التشغيليين الذين يحددون المتطلبات، وموظفي تكنولوجيا المعلومات الذين يديرون خطوط أنابيب البيانات، ومحللي الأعمال الذين يجب عليهم تفسير مخرجات النموذج. بدون قوى عاملة تفهم قيود الأنظمة الاحتمالية، تصبح عمليات نشر المؤسسات تجارب هشة تنكسر بمجرد تغير عملية تجارية.

غالباً ما تحل الشركات هذه الفجوة عن طريق توظيف مستشارين خارجيين مكلفين لبناء أنظمتها الأولية. في حين أن هذا ينتج نموذجاً أولياً عاملاً، إلا أنه يترك المؤسسة في حالة من التبعية للبائع (vendor lock-in) حيث يتطلب أي تعديل بسيط تعاقداً مدفوعاً آخر. يأتي العائد الحقيقي على الاستثمار من المعرفة المؤسسية. عندما تفتقر فرقك الداخلية إلى الخبرة لضبط معايير المطالبة (prompt parameters) أو تحسين ترجيح البيانات، فإنهم يصبحون متفرجين على أدوات الأتمتة الخاصة بهم. هذه التبعية خطيرة لأن النماذج تتطلب ضبطاً دقيقاً مستمراً بناءً على المعرفة الداخلية للمجال. لا يفهم المزودون الخارجيون، بغض النظر عن خبرتهم، المراوغات التشغيلية المحددة لشركتك أو الفروق الثقافية لوحدات عملك.

لسد فجوة التنفيذ هذه، يجب على القيادة إعطاء الأولوية لتطوير مهارات الموظفين الحاليين على استبدالهم. تقوم المنظمات الأكثر نجاحاً بإقران خبراء المجال الحاليين لديها - الأشخاص الذين يفهمون عمليات الأعمال من الداخل والخارج - مع متخصصين تقنيين لإنشاء فرق متعددة الوظائف. يعمل هذا النهج بشكل أفضل من جلب جيش من الغرباء لأنه يضمن بقاء نية العمل في مركز التنفيذ التقني. تحدد شركة ديلويت (Deloitte) فجوة التنفيذ هذه على أنها السبب الأول لفشل المشاريع في المرحلة الوسطى. ليس الأمر أن التكنولوجيا تفتقر إلى الإمكانات، بل أن المنظمة تفتقر إلى العضلات الداخلية لدفع المشروع من مرحلة التجربة إلى بيئة الإنتاج اليومية الموثوقة. تجد المنظمات التي تتجاهل بناء القدرات الداخلية هذا نفسها محاصرة في دورة من الصيانة الخارجية المستمرة وعالية التكلفة.

ضع في اعتبارك حالة شركة لوجستية متوسطة الحجم قامت بنشر أداة لتحسين المسارات تعتمد على الذكاء الاصطناعي. لقد قاموا بالاستعانة بمصادر خارجية للبناء بأكمله، مما أدى إلى نظام عمل بشكل مثالي لحالات الاستخدام العامة ولكنه فشل تماماً عندما قدمت الشركة منطقة توصيل محلية جديدة ذات أنماط حركة مرور حضرية فريدة. ولأن الفريق الداخلي افتقر إلى المهارات اللازمة لضبط معايير التدريب الأساسية، اضطرت الشركة لدفع ثمن "طلب تغيير" استغرق ثلاثة أشهر وكلف 150,000 دولار. قارن هذا بمنافس استخدم برنامج "المطور المواطن" (citizen developer) داخلي لتدريب مديري الخدمات اللوجستية على هندسة المطالبات الأساسية والتحقق من صحة البيانات. عندما واجهت أنظمتهم حالات شاذة مماثلة، قاموا بحلها في ساعات، مما وفر مئات الآلاف في رسوم الاستشارات مع بناء قوة عاملة أكثر مرونة ومعرفة في نفس الوقت. هذا هو الفرق بين أصل برمجي ثابت وقدرة ديناميكية مملوكة للشركة.

الميزة	نهج المستشار الخارجي	نموذج القدرة الداخلية
سرعة النشر	عالية (في البداية)	متوسطة
تكلفة الصيانة طويلة الأجل	عالية (رسوم متكررة)	منخفضة (تكاليف تدريب غارقة)
مواءمة المجال	منخفضة (حلول عامة)	عالية (منطق مخصص)
التعلم التنظيمي	لا يوجد	عالٍ
التبعية للبائع	كاملة	محدودة

الكشف عن التكاليف الخفية لديون الذكاء الاصطناعي التشغيلية

غالباً ما تركز ميزانيات المؤسسات على رسوم الترخيص وتكاليف الحوسبة، لكن هذه الأرقام تمثل جزءاً بسيطاً من رأس المال الفعلي المطلوب لتشغيل نظام ذكاء اصطناعي. غالباً ما يظل الاستنزاف المالي الأكثر أهمية غير مسجل في الميزانية العمومية للمشروع: التكلفة العالية للإشراف المكثف للمواهب، وإعادة العمل الضرورية، وتصحيح الأخطاء. عندما يرتكب نظام آلي خطأً، فإنه لا يفشل في العمل فحسب، بل ينشر بيانات غير صحيحة عبر كومة المؤسسة بأكملها. يتطلب تصحيح هذا من كبار المهندسين تدقيق النظام يدوياً، وهو أكثر تكلفة بكثير مما كانت ستكون عليه المهمة الأصلية لو قام بها إنسان. تفيد مجلة فوربس (Forbes) أن هذه التكاليف الخفية غالباً ما تتجاوز استثمار الترخيص الأولي بمعامل ثلاثة.

لا يزال إعداد البيانات هو النفقات الأكثر استخفافاً بها في دورة الحياة بأكملها. قبل أن يتمكن النموذج من تقديم قيمة، فإنه يتطلب بيانات نظيفة ومنظمة ومصنفة. تفترض معظم المؤسسات أن بياناتها القديمة جاهزة للتعلم الآلي، لتكتشف فقط أن معلوماتها مقسمة أو غير مكتملة أو منسقة بطرق تجعلها عديمة الفائدة. إن إصلاح أسس البيانات هذه عمل يدوي وغير براق يؤدي غالباً إلى تأخير المشاريع وتجاوز الميزانيات. غالباً ما تستجيب فرق الإدارة لهذه التأخيرات عن طريق اختصار المسارات في نظافة البيانات، مما يؤدي بعد ذلك إلى نماذج هشة تفشل في الإنتاج. تضمن دورة الإهمال هذه أن تدفع المنظمة الثمن في تصحيح الأخطاء لاحقاً بدلاً من الاستثمار في بناء الأساس المناسب في البداية.

تتضمن التكلفة الخفية الرئيسية الأخرى مراقبة الأمن والامتثال. على عكس البرمجيات التقليدية التي تتصرف بثبات، تتطلب أنظمة الذكاء الاصطناعي يقظة مستمرة لضمان عدم تسريب معلومات حساسة أو انتهاك سياسات الحوكمة الداخلية. يمثل تعيين موظفي أمن مخصصين لمراقبة مخرجات النموذج نفقات رواتب جارية كبيرة يغفلها العديد من مديري المشاريع في حسابات العائد على الاستثمار الأولية الخاصة بهم. إذا تجاهلت هذه التكاليف في تخطيطك، فأنت تعد المشروع لتصحيح مالي لا مفر منه بمجرد دخوله مرحلة الإنتاج. يجب أن تأخذ استراتيجية استثمار الذكاء الاصطناعي المسؤولة في الاعتبار التكلفة الكاملة للتحقق من وجود الإنسان في الحلقة (human-in-the-loop)، وتنظيف البيانات، ومراقبة الأمن. إذا لم تبرر مكاسب الكفاءة المحتملة هذا المستوى العالي من النفقات التشغيلية، فإن حالة العمل للمشروع غير موجودة.

لتخفيف هذا الدين التشغيلي، يجب على المنظمات التحول من عقلية "الشحن والنسيان" إلى ثقافة "عمليات تعلم الآلة المستمرة" (MLOps). هذا يعني تخصيص ما لا يقل عن 40% من إجمالي ميزانية المشروع للصيانة والإشراف، وليس فقط البناء الأولي. على سبيل المثال، أدركت شركة خدمات مالية أنه مقابل كل 100,000 دولار يتم إنفاقها على خوارزميات التداول الآلي الخاصة بهم، كانوا ينفقون 250,000 دولار إضافية في "تكاليف خفية"، لتصحيح الهلوسة يدوياً، وإدارة انحراف واجهة برمجة التطبيقات (API drift)، وإجراء عمليات تدقيق الامتثال. من خلال إضفاء الطابع الرسمي على هذه التكاليف كجزء من تحليل "إجمالي تكلفة الملكية" (TCO)، تمكنت الشركة من إعطاء الأولوية للمشاريع ذات متطلبات الصيانة المنخفضة، مما أدى في النهاية إلى زيادة صافي العائد على استثمار الذكاء الاصطناعي بنسبة 45% على مدى ثمانية عشر شهراً. تجاهل هذه التكاليف لا يجعلها تختفي، بل يدفعها فقط إلى عمود "التباين غير المتوقع" في تقاريرك المالية الربع سنوية، وهو مؤشر رئيسي على إنهاء المشروع.

سياق الشرق الأوسط وشمال أفريقيا: تنفيذ استراتيجيات الذكاء الاصطناعي في دبي وخارجها

تقدم منطقة الشرق الأوسط وشمال أفريقيا (MENA) فرصاً وتحديات فريدة لاعتماد الذكاء الاصطناعي. تتخطى الشركات في هذه المنطقة غالباً الخطوات التكنولوجية المتوسطة، وتنتقل مباشرة من الأنظمة القديمة المعتمدة على الورق إلى سير عمل الوكلاء المتقدم. في حين أن هذا القفز يوفر ميزة تنافسية، إلا أنه يعني أيضاً أن البنية التحتية التنظيمية غالباً ما تكون غير مستعدة للتغيير السريع. تعمل الشركات في دبي ومنطقة الخليج الأوسع في سوق سريع الخطى حيث يمكن أن تفوق الرغبة في مشاريع الهيبة أحياناً التركيز على النتائج الوظيفية والمدرة للإيرادات. هذا التفضيل الثقافي لكونك رائداً في السوق غالباً ما يدفع الاستثمار في مشاريع الذكاء الاصطناعي عالية الوضوح التي تفتقر إلى الانضباط التشغيلي الأساسي للنجاح.

يجب على الشركات المحلية أيضاً التعامل مع الفروق اللغوية والثقافية التي قد لا تستوعبها النماذج العالمية القياسية بشكل كامل. سواء كان التعامل مع الأطر القانونية المعقدة باللغة العربية أو توقعات العملاء المحددة لقوى عاملة متنوعة ومتعددة الجنسيات، غالباً ما تفشل حلول الذكاء الاصطناعي العامة. يتطلب النجاح التزاماً بتدريب البيانات المحلية وهندسة المطالبات الموطنة. عندما تحاول الشركات فرض نماذج أتمتة ذات مركزية غربية على العمليات المحلية، فإنها تواجه مقاومة من الموظفين الذين يجدون الأدوات غير بديهية والعملاء الذين يشعرون أن الخدمة منفصلة عن احتياجاتهم. يعتمد العائد على الاستثمار في منطقة الشرق الأوسط وشمال أفريقيا بشكل كبير على ما إذا كان المشروع يحل مشكلة محلية عالية الاحتكاك بدلاً من مجرد أتمتة عملية قياسية كانت تعمل بالفعل.

علاوة على ذلك، فإن مجموعة المواهب في منطقة الشرق الأوسط وشمال أفريقيا تنمو بسرعة، لكن المنافسة على محترفي الذكاء الاصطناعي المهرة تظل شرسة. يجب على المنظمات بناء بيئات جذابة قائمة على الغرض تحافظ على المواهب من الدرجة الأولى. الاعتماد على فرق خارجية بعيدة لبناء بنيتك التحتية الأساسية للذكاء الاصطناعي يمكن أن يأتي بنتائج عكسية بسبب نقص السياق المحلي والالتزام طويل الأجل. بدلاً من ذلك، تبني المنظمات الأكثر مرونة في المنطقة نماذج هجينة: استخدام أفضل الممارسات العالمية للهندسة، ولكن إبقاء التنفيذ الأساسي والضبط الدقيق ضمن فريق محلي يفهم البيئة التنظيمية والاجتماعية المحددة لدولة الإمارات والمنطقة الأوسع. الشركات التي تركز على بناء هذه الكفاءة المحلية ستحقق أكبر قدر من القيمة، لأنها في أفضل وضع لتكييف التكنولوجيا مع المتطلبات الفريدة لسوق الشرق الأوسط وشمال أفريقيا.

للازدهار، يجب على شركات الشرق الأوسط وشمال أفريقيا تبني نهج "التوطين أولاً". سلسلة تجارة تجزئة في المملكة العربية السعودية، على سبيل المثال، رأت روبوت خدمة العملاء الذكي الخاص بها يفشل بشكل متكرر لأنه اعتمد على نموذج باللغة الإنجليزية يسيء تفسير اللهجات المحلية وعادات التسوق الإقليمية. بعد التحول إلى نموذج عربي أولاً تم تدريبه على نصوص خدمة العملاء الخاصة بهم، زاد معدل الحل من 20% إلى 75% في ثلاثة أشهر. كان الاستثمار المطلوب لهذا التوطين - توظيف اللغويين، وتنظيف البيانات المحلية، وصقل أوزان النموذج - أعلى من الميزانية الأولية، لكن العائد الناتج على الاستثمار كان أُسياً. المنظمات التي تعطي الأولوية لهذا السياق المحلي، بدلاً من مطاردة مقاييس الغرور العالمية، ستحدد الجيل القادم من الشركات القائمة في منطقة الشرق الأوسط وشمال أفريقيا. للحصول على مشورة محددة بشأن خارطة طريقك الحالية، قم بزيارة صفحة الاتصال الخاصة بـ Optijara.

بناء محفظة استثمار في الذكاء الاصطناعي تحقق نتائج فعلاً

يتطلب التحرك إلى ما بعد العقبات اعتماد "نهج محفظة الذكاء الاصطناعي" الموصى به من قبل غارتنر، والذي يعامل مبادرات الذكاء الاصطناعي ليس كمشاريع منفردة ومتجانسة، بل كمزيج استثماري متوازن. تماماً كما يبني المخطط المالي محفظة ذات مزيج من مستويات المخاطر والآفاق الزمنية، يجب على الشركات تصنيف مبادرات الذكاء الاصطناعي الخاصة بها إلى ثلاث "سلال" متميزة: رهانات الإنتاجية الروتينية، وتحسينات العمليات المستهدفة، والمبادرات التحويلية. يحمي هذا النهج العمل من تقلبات مشاريع الذكاء الاصطناعي الفردية مع ضمان بقاء المنظمة تنافسية على المدى الطويل.

تمثل رهانات الإنتاجية الروتينية الفئة الأقل مخاطرة والأعلى حجماً. هذه أدوات موحدة، مثل مساعدي الكتابة المدعومين بالذكاء الاصطناعي، أو مساعدي الترميز الآليين، أو روبوتات ملخص الاجتماعات، التي توفر قيمة إضافية فورية عبر القوى العاملة. الهدف هنا هو "الكفاءة الأساسية". يتم قياس النجاح من خلال الاعتماد الواسع وتوفير الوقت اليومي الصغير. نادراً ما تحقق هذه الرهانات عائداً على الاستثمار "خارقاً"، لكنها تعمل كأساس للتغيير التنظيمي الأوسع. عندما يصبح الموظفون في جميع أنحاء الشركة مرتاحين للتفاعل مع الذكاء الاصطناعي والثقة به في المهام منخفضة المخاطر، فإن الاحتكاك الداخلي لتبني أنظمة أكثر تعقيداً ينخفض بشكل كبير. يجب معاملة هذه الاستثمارات كنفقات تشغيلية (OpEx) ويجب أن يكون لها مقاييس عائد على الاستثمار مباشرة وبسيطة، مثل الساعات التي يتم توفيرها أسبوعياً.

تشغل تحسينات العمليات المستهدفة المنطقة الوسطى. هذه عمليات تنفيذ مخصصة تركز على اختناقات عمل محددة، مثل معالجة الفواتير المذكورة أعلاه أو الصيانة التنبؤية لمعدات المصانع. على عكس رهانات الإنتاجية، تتطلب هذه درجة أعلى من التكامل ونظافة البيانات، لكنها تقدم تأثيراً تجارياً واضحاً وقابلاً للقياس. تتطلب هذه المشاريع عادةً أفقاً من 6 إلى 18 شهراً وتتضمن فرقاً متعددة الوظائف من تكنولوجيا المعلومات ومالكي وحدات الأعمال. يوجد العائد على الاستثمار هنا في إزاحة العمليات اليدوية القديمة وعالية التكلفة. النجاح في هذه الفئة هو السمة المميزة لمنظمة ناضجة، فهو يثبت أن الشركة يمكنها ترجمة مشاكل العمل بنجاح إلى حلول تقنية تعتمد على البيانات.

تعد المبادرات التحويلية هي الرهانات عالية المخاطر والمكافآت العالية التي تحدد مستقبل الشركة. غالباً ما تسعى هذه المشاريع إلى تغيير نموذج العمل بالكامل، مثل التحول من هيكل مبيعات تقليدي إلى محرك استحواذ على العملاء مستقل تماماً يقوده وكلاء. هذه الرهانات طويلة الأجل (18-36 شهراً)، تنطوي على تغيير تنظيمي كبير، ومن المتوقع أن يكون لها معدل فشل مرتفع. مفتاح إدارتها ليس المطالبة بعائد فوري على الاستثمار، بل التركيز على "سرعة التعلم". يجب أن تعامل المنظمة هذه كمشاريع بحث وتطوير، مع تحديد "مفاتيح إيقاف" واضحة بناءً على معالم تقنية بدلاً من أهداف الربح والخسارة الربع سنوية. عندما تفشل مبادرة في هذه السلة، يجب على المنظمة حصاد الدروس والبيانات والخبرة والبنية التحتية، وإعادة تغذيتها في السلتين الأخريين.

من خلال موازنة هذه الفئات الثلاث، تتجنب الشركات فخ "الكل أو لا شيء". إذا استثمرت الشركة في التحول فقط، فإنها تحرق النقود دون تحقيق مصداقية قصيرة الأجل. إذا استثمروا في الإنتاجية فقط، فإنهم يخاطرون بالتقادم عندما يطلق المنافسون نماذج عمل جديدة. يضمن نهج المحفظة الناجح أن توفر "رهانات الإنتاجية الروتينية" التدفق النقدي والثقة التنظيمية لتمويل "المبادرات التحويلية"، مما يخلق محركاً مستداماً للقيمة طويلة الأجل التي يقودها الذكاء الاصطناعي.