مجموعة كويل: الشركات تفشل مع الذكاء الاصطناعي ليس بسبب نماذج ضعيفة، بل بسبب التباس البيانات

معظم الشركات تعاني من مشاكل مع الذكاء الاصطناعي ليس بسبب ضعف النماذج أو نقص الميزانية. وفقاً لمؤلفي مجموعة كويل، المشكلة أعمق من ذلك: الشركات لا تفهم أي البيانات مهمة حقاً، وبالتالي فإنها ببساطة تسرع توسيع ارتباكها الخاص بمساعدة الذكاء الاصطناعي.

ليست مسألة نماذج

السوق لا يزال يحمل الكثير من التوقعات بأن الاستثمارات الجديدة ستجلب تلقائياً مزيداً من الذكاء والكفاءة. لكن الصورة تبدو مختلفة. في مقال لـ TNW، يشير المؤلفون إلى تقرير حالة ذكاء الشركات 2026: يمكن أن تصل نفقات الذكاء الاصطناعي العالمية إلى 2.52 تريليون دولار، ولكن فقط 14% من المديرين الماليين يرون عائداً قابلاً للقياس. إشارة محبطة أخرى—42% من الشركات في عام 2025 تخلت عن معظم مشاريعها التجريبية للذكاء الاصطناعي. هذا لا يبدو مثل أخطاء تطبيق معزولة، بل مثل فجوة منهجية بين الطموحات والتنفيذ الفعلي.

يجادل المؤلفون ضد التفسير الشهير بأن كل شيء يتلخص في البيانات "القذرة". النظافة مهمة، لكنها بحد ذاتها تحقق القليل إذا لم تكن البيانات مرتبطة بقرارات محددة، وغير موحدة عبر الأنظمة وغير مناسبة للعمل اليومي. تراكمت لدى العديد من الشركات لوحات معلومات وتقارير وأنظمة تتبع تخلق وهماً بالشفافية. وفي الوقت نفسه، غالباً ما تعجز الفرق عن شرح سبب تغير المقياس، أو كيف يؤثر على النتائج، أو أي إجراء يجب أن يتبع.

كيف ينمو الخلط

تتفاقم المشكلة بسبب الحجم. ينمو حجم البيانات بشكل أسرع من قدرة الشركات على تفسيرها. تقيس الفرق كل شيء يمكنها قياسه، لكنها لا تفهم دائماً السبب. نتيجة لذلك، تتنافس عشرات المقاييس على الاهتمام، والتعريفات تختلف بين الإدارات، والأحداث تسجل بطرق مختلفة، والتقارير غالباً ما تعتمد على التعديلات اليدوية. في مثل هذه البيئة، من الصعب تجميع صورة موحدة للشركة: يعمل الجميع مع أجزاء، والأجزاء نادراً ما تتطابق.

عندما يتم وضع الذكاء الاصطناعي فوق مثل هذه القاعدة، لا يختفي الخلط—بل ينتشر بشكل أسرع. لا تزيل الأنظمة المدربة على بيانات إدخال متناقضة الغموض؛ بل تضخمه. وفقاً للبيانات المستشهد بها في المقالة، يقول 61% من قادة البيانات أن تحسين جودة البيانات يساعد في نقل مبادرات الذكاء الاصطناعي إلى الإنتاج، لكن 50% لا يزالون يعتبرون جودة البيانات والوصول إليها عقبات خطيرة. ما يثير القلق بشكل خاص هو الفجوة بين الثقة والفهم: 65% من القادة يعتقدون أن الموظفين يثقون بالبيانات للذكاء الاصطناعي، بينما 75% يعترفون في نفس الوقت بوجود فجوات في مهارات إدارة البيانات.

"الذكاء الاصطناعي والأتمتة تضخم حالة البيانات التي تعتمد عليها."

من أين نبدأ

لا يؤمن المؤلفون بأن المشكلة ستحل ببساطة باستخدام أدوات أكثر ملاءمة. إذا كانت العمليات داخل الشركة غير واضحة في البداية، ولم يتم تحديد مالكي المقاييس، والإشارات نفسها موثقة بشكل سيء، فإن أي نظام ذكاء اصطناعي جديد سيعمل فوق نفس الضباب التنظيمي. لذلك يقترحون البدء ليس بنماذج جديدة وليس بلوحة معلومات أخرى، بل بإعادة بناء منطق صنع القرار.

يبدو البداية العملية كما يلي:

• ابحث عن الأسئلة التي تواجه شركتك أكبر صعوبة في الإجابة عليها اليوم
• عيّن مالكين للبيانات والمقاييس الرئيسية
• وحّد العمليات بحيث يتم تسجيل الأحداث بشكل متسق
• أزل المؤشرات غير الضرورية واحتفظ بالإشارات المرتبطة بالإجراءات
• بناء طبقة بيانات متماسكة مناسبة للعمل اليومي

يتم وضع تركيز خاص على الجانب البشري. حتى البيانات المنظمة جيداً لن تساعد إذا لم تفهم الفرق كيفية تطبيقها في القرارات اليومية. لذلك فإن إدارة التغيير هنا ليست إضافة اختيارية، بل جزء من استراتيجية الذكاء الاصطناعي نفسها. تحتاج الشركات إلى تعليم الناس التمييز بين الإشارات ذات المعنى والضوضاء الخلفية والتصرف بناءً عليها بثقة، بدلاً من مجرد استهلاك المزيد والمزيد من التقارير.

ماذا يعني هذا

النقطة الرئيسية للمقالة بسيطة: الذكاء الاصطناعي لا يشفي الفوضى التنظيمية تلقائياً. إذا افتقرت الشركة إلى الوضوح في العمليات والمساءلة والبيانات، فإن النماذج الجديدة ستسرع فقط من إنتاج النتائج المثيرة للشكوك. سيكون الفائزون هم من ينظمون إشاراتهم أولاً، وفقط بعد ذلك يوسعون الأتمتة.