طبق نظرسنجی رسمی مؤسسه گارتنر در سپتامبر ۲۰۲۶ از بیش از هزار مدیر ارشد سازمانی، تنها ۲۲ درصد از سازمان‌ها موفق به مقیاس‌دهی هوش مصنوعی در چند واحد کسب‌وکار یا اتخاذ رویکرد AI-first شده‌اند. این یعنی ۷۸ درصد باقی‌مانده، با وجود سرمایه‌گذاری‌های قابل‌توجه و اجرای پایلوت‌های متعدد، هنوز از مرحله آزمایش‌های پراکنده به یک سیستم یکپارچه و قابل‌اتکا نرسیده‌اند.
این خبر آن‌قدر برای بازار مهم بود که در روزهای پس از انتشار، سهام خود گارتنر چند درصد افت کرد؛ نشانه‌ای از نگرانی سرمایه‌گذاران درباره کند شدن رشد بازار مشاوره هوش مصنوعی. اما برای مدیرانی که وسط یک پروژه هوش مصنوعی هستند، این رقم صرفاً یک آمار نیست؛ توصیف دقیق وضعیتی است که بسیاری از آن‌ها همین الان در آن گیر کرده‌اند.
رقم ۷۸٪ دقیقاً چه معنایی دارد و چه معنایی ندارد
مهم است این رقم را درست بخوانیم. ۷۸ درصد به‌معنای شکست کامل پروژه‌های هوش مصنوعی نیست؛ به‌معنای عدم مقیاس‌دهی این پروژه‌ها در سطح کل سازمان است. بسیاری از این سازمان‌ها احتمالاً یک یا چند پایلوت موفق در یک واحد خاص دارند، اما نتوانسته‌اند آن موفقیت را به سایر بخش‌ها تعمیم دهند یا آن را به رویکردی سازمانی تبدیل کنند.
این رقم در کنار دو آمار دیگر معنای بیشتری پیدا می‌کند. پژوهش مشترک شرکت‌های Forrester و Anaconda در سال ۲۰۲۶ نشان داد ۸۸ درصد پایلوت‌های ایجنت‌های هوش مصنوعی هرگز به استقرار واقعی نمی‌رسند. گزارش پروژه NANDA دانشگاه MIT هم در سال ۲۰۲۵ نشان داده بود که ۹۵ درصد پایلوت‌های هوش مصنوعی مولد به بازگشت مالی قابل‌اندازه‌گیری نمی‌رسند.
چرا سازمان‌ها بعد از پایلوت به مقیاس نمی‌رسند
گزارش تخصصی CIO Dive با استناد به داده‌های گارتنر، یکی از دلایل اصلی این شکاف را ناتوانی در تعریف معیار سنجش موفقیت پروژه، و ندانستن این‌که چه زمانی باید یک ابتکار را متوقف کرد، معرفی می‌کند. وقتی از ابتدا مشخص نباشد موفقیت چه شکلی دارد، تصمیم‌گیری درباره گسترش آن به سایر واحدها هم غیرممکن می‌شود.
دلیل دوم، نبود حاکمیت و مالکیت مشخص برای هر پروژه هوش مصنوعی است. شرکت Boomi در معرفی محصول «صفحه کنترل ایجنت» خود، دقیقاً به همین مشکل اشاره می‌کند: بدون تعریف روشن این‌که چه کسی مالک هر ایجنت است، چه داده‌ای به آن دسترسی دارد، و چه بودجه‌ای برای آن در نظر گرفته شده، گسترش آن به کل سازمان عملاً غیرقابل کنترل می‌شود.
دلیل سوم، نبود زیرساخت عملیاتی تکرارپذیر است. شرکت Databricks در سند «کتاب بزرگ AgentOps» یک چرخه هفت‌مرحله‌ای برای عبور ایجنت‌های هوش مصنوعی از پایلوت به تولید معرفی کرده که شامل ارزیابی مبتنی بر ردیابی، رصد مستمر، حاکمیت حداقل‌دسترسی، و مدیریت پاسخ به حوادث است. این دقیقاً همان انضباطی است که پیش‌تر در گذار از توسعه نرم‌افزار سنتی به DevOps شکل گرفت؛ اکنون نوبت هوش مصنوعی است.
علائم هشداردهنده گیر افتادن در تله مقیاس‌دهی
چند نشانه رایج نشان می‌دهد یک سازمان در همین تله قرار دارد:
- چند پایلوت موفق در واحدهای مختلف وجود دارد اما هیچ فرآیند مشترکی بین آن‌ها نیست؛
- هیچ سند سیاست داخلی مشخصی درباره استفاده از هوش مصنوعی تدوین نشده؛
- و تصمیم درباره این‌که چه اقدامی نیاز به تأیید انسانی دارد، به‌صورت موردی و بدون قاعده مشخص گرفته می‌شود.
اگر هنوز در مرحله طراحی اولین پایلوت هستید، پیش از رسیدن به این مرحله، پایه‌گذاری درست از همان ابتدا اهمیت زیادی دارد.
مسیر عبور: از پایلوت پراکنده به سیستم قابل مقیاس
جهت‌گیری کلی صنعت هوش مصنوعی در حال حرکت به‌سمت انضباط عملیاتی است، نه صرفاً افزودن ابزارهای بیشتر. چارچوب‌هایی مانند AgentOps، تعریف صفحه کنترل مرکزی برای مدیریت مجوز و بودجه هر ایجنت، و رصد مستمر عملکرد، همگی نشانه یک تغییر جهت مشترک‌اند: هوش مصنوعی باید مثل یک سیستم قابل‌مدیریت با مالک، بودجه و مسیر بازگشت مشخص دیده شود، نه مجموعه‌ای از آزمایش‌های جداگانه.
مهم‌ترین قدم عملی، معمولاً افزودن ابزار جدید نیست؛ تدوین یک سند سیاست داخلی ساده است که مشخص کند کدام ابزارها مجازند، چه داده‌ای وارد کدام سیستم می‌شود، چه کسی مالک هر ابتکار است، و چه اقدامی نیاز به تأیید انسانی دارد.
برای کسب‌وکارهای کوچک و متوسط، از جمله بسیاری از سازمان‌های ایرانی، این چالش شکل متفاوتی دارد. مطالعه‌ای در پایگاه استنادی علوم جهان اسلام درباره پذیرش فناوری‌های هوش مصنوعی در SMEهای ایرانی نشان می‌دهد رویکردهای کارآفرینانه، همکاری با مراکز دانشگاهی، و آموزش تیمی، از راهکارهای مؤثر برای عبور از موانع پذیرش هستند. مقیاس کوچک‌تر این سازمان‌ها می‌تواند در این‌جا حتی یک مزیت باشد: هماهنگی بین واحدها ساده‌تر و مسیر تدوین یک سیاست مشترک کوتاه‌تر است.
سؤالات متداول
آیا ۷۸٪ یعنی پروژه‌های هوش مصنوعی این سازمان‌ها شکست خورده؟
نه لزوماً. این رقم به‌معنای عدم مقیاس‌دهی کامل در سطح سازمان است، نه شکست هر پروژه هوش مصنوعی. بسیاری از این سازمان‌ها پایلوت‌های موفق در واحدهای خاص دارند اما نتوانسته‌اند آن را گسترش دهند.
چرا سازمان‌های بزرگ در مقیاس‌دهی مشکل بیشتری دارند تا کسب‌وکارهای کوچک؟
هماهنگی بین واحدهای متعدد، تعدد سیستم‌های موجود، و پیچیدگی تعریف مالکیت مشخص برای هر ابتکار، در سازمان‌های بزرگ‌تر دشوارتر است؛ در حالی‌که کسب‌وکارهای کوچک‌تر می‌توانند سریع‌تر یک سیاست مشترک تدوین کنند.
تفاوت رقم ۷۸٪ گارتنر با ۸۸٪ فارستر و ۹۵٪ MIT چیست؟
هرکدام چیز متفاوتی می‌سنجند: گارتنر عدم مقیاس‌دهی در کل سازمان، فارستر و آناکوندا عدم استقرار پایلوت‌های ایجنتی خاص، و MIT عدم بازگشت مالی در پروژه‌های هوش مصنوعی مولد. سه زاویه از یک مشکل مشترک.
اولین قدم عملی برای عبور از این تله چیست؟
معمولاً تدوین یک سند سیاست داخلی ساده که مالکیت، مجوز داده، و قواعد تأیید انسانی را مشخص کند، مؤثرتر از افزودن ابزار جدید است.
آیا مقیاس‌دهی زودهنگام همیشه هدف درستی است؟
نه همیشه. گسترش عجولانه یک پایلوت بدون معیار سنجش روشن، می‌تواند مشکلات را در مقیاس بزرگ‌تر تکرار کند. مقیاس‌دهی باید مرحله‌به‌مرحله و قابل‌سنجش باشد.
نقش «حاکمیت هوش مصنوعی» در حل این مشکل چیست؟
حاکمیت یعنی مشخص بودن مالک، مجوز دسترسی داده، بودجه، و مسیر تأیید برای هر ابتکار هوش مصنوعی؛ بدون آن، گسترش به کل سازمان عملاً غیرقابل کنترل می‌شود.
سخن آخر
طبق نظرسنجی رسمی گارتنر، فقط ۲۲٪ سازمان‌ها موفق به مقیاس‌دهی هوش مصنوعی در سطح سازمانی شده‌اند؛ این به‌معنای شکست کامل پروژه‌ها نیست، بلکه توقف در مرحله آزمایش‌های پراکنده است. سه دلیل اصلی این شکاف عبارت‌اند از: نبود معیار سنجش موفقیت، فقدان مالکیت و حاکمیت مشخص، و نبود زیرساخت عملیاتی تکرارپذیر.
روند صنعت به‌سمت انضباط عملیاتی (مانند چارچوب‌های AgentOps و صفحات کنترل مرکزی) در حال حرکت است، نه صرفاً افزودن ابزار بیشتر. مهم‌ترین قدم عملی برای عبور از این تله، تدوین یک سیاست داخلی ساده است، نه خرید ابزار جدید.
دیدگاه‌ها و نظرات (1)