أوضح CTO في 2people IT أين يحقق AI في الأعمال عائدًا فعليًا وأين تخسر الشركات المال

تطلب الشركات بشكل متزايد «تطبيق AI»، لكن الأثر الاقتصادي لا يظهر في كل حالة. ويشرح إيليا تروخين، CTO في 2people IT، أي المهام تحقق عائداً فعلياً، وأين لا تزال الشبكات العصبية مجرد تجربة مكلفة بلا مردود واضح.

لماذا تفشل الطلبات

بحسب ملاحظات الكاتب، فإن معظم طلبات التطبيق لا تبدأ من مشكلة فعلية، بل من رغبة في «فعل ما يفعله الجميع». ومن أول مراجعة يتضح أن الشركة لا تملك عملية مهيكلة، ولا مقاييس واضحة، ولا بنية بيانات سليمة، ولا حتى طريقة موحدة لتنفيذ المهمة داخل الفريق. في هذه الحالة لا يصبح AI طبقة سحرية فوق كل شيء: فهو لا يصلح الفوضى التشغيلية، بل يسرّع إعادة إنتاجها ويرفع كلفة الأخطاء.

AI لا يصلح الفوضى. بل يوسع نطاقها.

ومن هنا يأتي معيار الفرز الأساسي قبل أي تجربة أولية: يجب أولاً حساب الموضع الذي تخسر فيه الشركة المال أو الوقت أو الجودة بالضبط. فإذا كان الموظفون يتصرفون بطريقة مختلفة في كل مرة، وكان تدفق المهام صغيراً، ولم يكن من الممكن قياس النتيجة، فليس هناك تقريباً ما يمكن أتمتته. وفي هذا السيناريو يتحول المشروع إما إلى مبادرة شكلية لتحسين الصورة، أو إلى اختبار فرضية مكلف من دون فرصة واقعية للوصول سريعاً إلى الجدوى. ويقود الكاتب مباشرة إلى فكرة أن ترتيب العمليات يجب أن يأتي أولاً، ثم توضع بعدها طبقة من الشبكات العصبية فوقها.

أين يظهر الأثر بسرعة

أكثر الحالات قابلية للتنبؤ هي تلك التي يوجد فيها حجم كبير من العمليات المتشابهة، ومدخل واضح، ونسبة ملحوظة من العمل اليدوي. وفي هذه المناطق تحديداً يعطي AI نتيجة قابلة للقياس بأسرع وقت: فهو يقلص زمن المعالجة، ويخفض عدد الأخطاء، ويرفع العبء الروتيني عن الفريق. ولا يدور الحديث هنا عن استبدال المختصين بالكامل، بل عن سيناريوهات يتولى فيها النموذج العمل الأولي أو المسودة الأولى، بينما يتدخل الإنسان فقط في الحالات الاستثنائية ومراقبة الجودة.

• فرز الطلبات والرسائل الواردة
• استخراج البيانات من العقود والاستمارات وغيرها من المستندات
• الرد على الأسئلة النمطية في الدعم وتوجيه الطلبات
• المعالجة الأولية لطلبات التوظيف واستفسارات HR
• إعداد مسودات الوثائق وحالات الاختبار والنماذج الأولية في IT

وتتناول المقالة بشكل منفصل حالة العمل مع المستندات: ففي السابق كان المشغّل يراجع صورة جواز السفر يدوياً وينقل الحقول إلى النظام، ما كان يستغرق وقتاً ويسبب أخطاء عند الإدخال. وبعد تطبيق OCR والاستخراج التلقائي للبيانات، بدأت المنظومة تقرأ الاسم الكامل ورقم الوثيقة وتاريخ الميلاد بنفسها، بينما أصبح تدخل الإنسان يقتصر على الحالات الملتبسة.

ويعمل المنطق نفسه في الدعم أيضاً: فالمساعد يتولى إنهاء الطلبات القياسية، ويسرّع الرد الأول، ولا يحيل إلا الحالات غير الاعتيادية التي يحتاج فيها الأمر فعلاً إلى موظف.

ومن المجالات العملية الأخرى الروتين الداخلي في IT. ويكتب الكاتب أن الفريق يستخدم AI كمسرّع لإعداد مسودات الوثائق، وتوليد حالات الاختبار، والمساعدة في code review، والنمذجة الأولية السريعة. ولا تستطيع هذه الأدوات حتى الآن أن تحل محل المطور بالكامل، لكنها تقلص الساعات المصروفة على المهام المتكررة وتساعد على إطلاق MVP بشكل أسرع. وبالنسبة إلى المشاريع التجارية، فهذا يعني مواعيد أقصر وضغطاً أقل على الميزانية، وخصوصاً في المراحل المبكرة.

كيف نحسب العائد

يقترح الكاتب ألا يبدأ العمل باختيار النموذج أو المورّد، بل بإجراء تدقيق تشغيلي قصير وتقييم مدى جاهزية العملية للتطبيق. يجب أولاً فهم كلفة العملية الحالية، ثم حجم العمليات شهرياً، وبعد ذلك تحديد عنق الزجاجة والتحقق مما إذا كانت الشركة تملك بيانات كافية للأتمتة. وعند تأكيد هذه النقاط الأربع فقط، يتحول AI من إضافة رائجة إلى أداة ذات منطق أعمال واضح وأثر يمكن التنبؤ به.

أما حين يكون الحجم صغيراً، أو تكون العملية غير مستقرة، أو تحاول الشركة استبدال الإنسان بالكامل، فغالباً ما يتعثر التطبيق. ولا يظهر الأثر الاقتصادي إلا في الحالات التي يقلل فيها الحل نفقات محددة، أو يسرّع الدورة، أو يخفض عدد الأخطاء. وإذا تعذر التعبير عن ذلك بالمال أو بالمدد الزمنية أو بـ SLA، فالأرجح أن المشروع أُطلق مبكراً أكثر من اللازم. وفي مثل هذه الظروف قد تعطي الأتمتة التقليدية من دون شبكات عصبية فائدة أكبر، لأنها أقل كلفة، وأسرع في التطبيق، ولا تتطلب إعداداً معقداً للبيانات.

ماذا يعني ذلك

بالنسبة إلى الشركات، فهذه تذكرة أخرى بأن AI يعمل على نحو أفضل لا كواجهة للابتكار، بل كأداة تطبيقية للعمليات الواسعة والمتكررة والمكلفة. وأسرع المكاسب اليوم توجد في المستندات، والدعم، والمساعدين الداخليين، والمهام الروتينية لفرق IT، لا في محاولات «أتمتة كل شيء دفعة واحدة».