دیجیتالی شدن صنایع بزرگ ایران

نمونه‌ی تطبیقی دوم: برنامه‌ی «کارخانه‌ی هوشمند» کره جنوبی، الگویی مشخصاً صنعتی

اگر تجربه عربستان سعودی برای سیاست‌گذاری کلان داده و هوش مصنوعی الگو باشد، تجربه‌ی کره جنوبی الگویی دقیق‌تر برای خودِ «صنایع بزرگ» فراهم می‌کند؛ چراکه بر خلاف عربستان، از ابتدا با محوریت وزارت صنعت، بازرگانی و انرژی (MOTIE) و با هدف صریح تحول خط تولید طراحی شده است. در ژوئن ۲۰۱۴، دولت کره جنوبی راهبرد «نوآوری صنعت تولید [iii]۳.۰» را با هدف اولیه‌ی ساخت ۱۰ هزار «سایت کارخانه‌ی هوشمند» تا سال ۲۰۲۰ آغاز کرد. این هدف در سال ۲۰۱۷ به ۳۰ هزار کارخانه‌ی هوشمند تا ۲۰۲۵ تجدیدنظر شد. بر اساس گزارش سازمان همکاری و توسعه‌ی اقتصادی (OECD)، از سال ۲۰۱۴ تاکنون این برنامه بیش از ۳۲ هزار پروژه‌ی کارخانه‌ی هوشمند را در میان نزدیک به ۲۴ هزار بنگاه (عمدتاً کوچک و متوسط) پشتیبانی کرده است.

نکته‌ای که این تجربه را برای صنایع بزرگ ایران آموزنده می‌کند، تداوم و تعمیق برنامه در طول یک دهه است: دولت کره جنوبی در سال ۲۰۲۴ بودجه‌ای معادل ۷.۵ میلیارد دلار برای گذار از «کارخانه‌ی هوشمند» به «تولید خودمختار مبتنی بر هوش مصنوعی[iv]» تخصیص داد و هم‌زمان هدف‌گذاری آموزش ۴۰ هزار نیروی متخصص برای بهره‌برداری از خطوط تولید کاملاً خودکار را مطرح کرد، واکنشی مستقیم به همان نگرانی جمعیت‌شناختی نیروی کار که در تحلیل چین نیز محرک اصلی اتوماسیون توصیف شد. الگوی کره جنوبی سه درس مشخص برای ایران دارد: نخست، هدف‌گذاری کمّی از ابتدا مشخص و در بازه‌های زمانی روشن تجدیدنظر شده است (۱۰ هزار به ۳۰ هزار)؛ دوم، مالکیت اجرایی برنامه از ابتدا در وزارتخانه‌ی صنعتی بوده، نه صرفاً یک نهاد فناوری عمومی؛ سوم، برنامه با گذشت زمان از «دیجیتالی‌کردن خط تولید» به‌سمت «خودکارمختاری مبتنی بر هوش مصنوعی» تکامل یافته، نه اینکه ثابت باقی مانده باشد.

پیوند با صنایع بزرگ و تجارت الکترونیک داخلی

همان‌طور که در تحلیل چین  اشاره شد، هوشمندسازی سمت عرضه بدون اتصال به کانال‌های فروش دیجیتال، اثر اقتصادی محدودی دارد. برای صنایع بزرگ ایرانی (به‌ویژه صنایع غذایی، پوشاک، لوازم خانگی و قطعات خودرو) که بخش قابل‌توجهی از فروش داخلی و صادرات منطقه‌ای آن‌ها به‌تدریج از طریق پلتفرم‌های تجارت الکترونیک انجام می‌شود، فقدان یکپارچگی میان سامانه‌ی برنامه‌ریزی منابع سازمانی (ERP)، داده‌ی فروش آنلاین، و برنامه‌ریزی تولید، هزینه-فرصتِ مضاعفی ایجاد می‌کند، امکان پاسخ سریع به تقاضای بازار از دست می‌رود، و هم داده‌های ارزشمند فروش که می‌توانستند ورودی مدل‌های پیش‌بینی تقاضا باشند، در سازمان به‌صورت خام و استفاده‌نشده باقی می‌مانند. این دقیقاً همان لایه‌ی سومی است که معاونت اقتصاد دیجیتال وزارت ارتباطات از آن با عنوان «نفوذ فناوری‌های دیجیتال در سایر بخش‌های اقتصاد» یاد کرده؛ لایه‌ای که رشد آن، نه رشد لایه‌ی مخابراتی یا پلتفرمی به‌تنهایی، تعیین‌کننده‌ی رسیدن به هدف ۱۰ تا ۱۵ درصدی برنامه‌ی هفتم توسعه خواهد بود.

دلالت‌های مدیریتی برای تصمیم‌گیرندگان صنایع بزرگ

نخست، برخلاف تصور رایج، محدودیت اصلی بنگاه‌های بزرگ ایرانی در مسیر هوشمندسازی، «فناوری» یا «سرمایه» نیست (نمره‌ی نسبتاً بالای رکن زیرساخت در شاخص‌های بین‌المللی این را تأیید می‌کند) بلکه «معماری حکمرانی داده و فاصله میان سند بالادستی و اجرای عملیاتی» است.

برخلاف تصور رایج، محدودیت اصلی بنگاه‌های بزرگ ایرانی در مسیر هوشمندسازی، «فناوری» یا «سرمایه» نیست (نمره‌ی نسبتاً بالای رکن زیرساخت در شاخص‌های بین‌المللی این را تأیید می‌کند) بلکه «معماری حکمرانی داده و فاصله میان سند بالادستی و اجرای عملیاتی» است.

دوم، تجربه‌ی عربستان سعودی نشان می‌دهد گذار موفق نیازمند نهادی اجرایی با اختیار مشخص و اهداف کمّی‌شده در بازه‌های زمانی روشن است؛ نه صرفاً انتشار سند راهبردی. سوم، تجربه‌ی کره جنوبی نشان می‌دهد این هدف‌گذاری باید در سطح وزارتخانه‌ی صنعتی و با شاخص‌های قابل‌سنجش (تعداد کارخانه، تعداد نیروی آموزش‌دیده) دنبال شود، نه صرفاً در سطح یک نهاد فناوری عمومی. چهارم، مدیران بنگاه‌های بزرگ باید کار را نه با خرید پراکنده‌ی ابزارهای هوش مصنوعی، بلکه با دو قدم مشخص آغاز کنند: نخست، یکپارچه‌سازی داده‌های موجود سازمان، و دوم، تعریف حداقل یک شاخص عملکردی قابل‌سنجش برای هر پروژه هوشمندسازی.

مدیران بنگاه‌های بزرگ باید کار را نه با خرید پراکنده‌ی ابزارهای هوش مصنوعی، بلکه با دو قدم مشخص آغاز کنند: نخست، یکپارچه‌سازی داده‌های موجود سازمان، و دوم، تعریف حداقل یک شاخص عملکردی قابل‌سنجش برای هر پروژه هوشمندسازی .

دقیقاً همان منطقی که هدف‌گذاری کمّی کره جنوبی (از ۱۰ هزار به ۳۰ هزار کارخانه) و عربستان (۲۰ میلیارد دلار، ۲۰ هزار متخصص) بر آن استوار بوده است.

نقشه‌ی راه عملی: صنایع بزرگ ایران از کجا باید شروع کنند؟

فاصله میان «آگاهی از ضرورت» و «اقدام مؤثر» جایی است که بسیاری از پروژه‌های هوشمندسازی در بنگاه‌های بزرگ ایرانی متوقف می‌شود. بر اساس همان الگویی که در تجربه‌ی عربستان سعودی و کره جنوبی دیده شد، مرحله‌بندی روشن به‌جای یک جهش یک‌باره، می‌توان یک نقشه‌ی راه سه‌مرحله‌ای برای بنگاه‌های بزرگ ایرانی ترسیم کرد:

• مرحله‌ی اول (۰ تا ۶ ماه): ممیزی داده و انتخاب یک پایلوت با شاخص مشخص: نقطه‌ی شروع، نه خرید نرم‌افزار هوش مصنوعی، بلکه یک «ممیزی داده» داخلی است: کدام واحدها (تولید، فروش، انبار، نگهداری و تعمیرات) داده تولید می‌کنند؟، این داده‌ها کجا ذخیره می‌شوند؟، و اصلاً چه بخشی از آن‌ها قابل استفاده است؟ هم‌زمان باید یک پروژه‌ی پایلوت واحد ، نه ده پروژه‌ی پراکنده، انتخاب شود که سه ویژگی داشته باشد: تأثیر مالی قابل‌اندازه‌گیری در کوتاه‌مدت (مثلاً کاهش ضایعات خط تولید یا کاهش توقف غیربرنامه‌ریزی‌شده‌ی دستگاه)، دسترسی به داده‌ی کافی برای آموزش مدل، و حمایت مستقیم مدیرعامل یا هیئت‌مدیره. این دقیقاً همان منطقی است که پشت انتخاب «پنج بخش اولویت‌دار» در فاز نخست راهبرد عربستان سعودی بود: تمرکز به‌جای پراکندگی.
• مرحله‌ی دوم (۶ تا ۱۸ ماه): ساخت زیرساخت داده‌ی یکپارچه و آموزش نیروی انسانی: پس از اثبات ارزش پایلوت، گام بعدی سرمایه‌گذاری در یک لایه‌ی یکپارچه‌ی داده (Data Layer) است که بتواند اطلاعات پراکنده در ERP، سامانه‌های کنترل صنعتی (SCADA/MES) و کانال‌های فروش را در یک بستر واحد گردآوری کند. هم‌زمان باید برنامه‌ی آموزش داخلی برای تیم‌های میانی ،نه فقط واحد فناوری اطلاعات، طراحی شود؛ همان درسی که برنامه‌ی ۴۰ هزار نفره‌ی آموزش نیروی متخصص در راهبرد اخیر کره جنوبی به‌روشنی نشان می‌دهد: بدون نیروی انسانی آموزش‌دیده در سطح عملیاتی، حتی پیشرفته‌ترین خط تولید هوشمند هم بدون بهره‌بردار باقی می‌ماند.

بدون نیروی انسانی آموزش‌دیده در سطح عملیاتی، حتی پیشرفته‌ترین خط تولید هوشمند هم بدون بهره‌بردار باقی می‌ماند.

• مرحله‌ی سوم (۱۸ تا ۳۶ ماه): مقیاس‌پذیری و اتصال به کانال فروش دیجیتال: در این مرحله، مدل موفق پایلوت باید به سایر خطوط تولید یا واحدهای مشابه در گروه صنعتی تسری یابد و هم‌زمان به داده‌ی فروش آنلاین و پیش‌بینی تقاضا متصل شود تا حلقه‌ی «تولید هوشمند- فروش دیجیتال» که در تحلیل چین و در بخش پیشین همین مقاله نیز به آن اشاره شد، تکمیل شود. در این نقطه است که بنگاه می‌تواند برای نخستین‌بار شاخص‌های کمّی روشن (تعداد خط تولید هوشمندشده، درصد کاهش ضایعات، سهم فروش پیش‌بینی‌شده با دقت الگوریتمی) را در گزارش‌های هیئت‌مدیره ارائه دهد؛ دقیقاً همان نوع شاخصی که غیاب آن، امروز در سطح کلان اقتصاد ایران نیز (رقم نوسانی ۷.۱ درصدی سهم اقتصاد دیجیتال) قابل مشاهده است.

سه اشتباه رایج که باید از آن‌ها پرهیز کرد:

• نخست، شروع هم‌زمان با چندین پروژه‌ی پراکنده به‌جای یک پایلوت متمرکز، که منابع را رقیق و امکان یادگیری سازمانی را از بین می‌برد.
• دوم، واگذاری کامل پروژه به واحد فناوری اطلاعات بدون مالکیت مشترک با واحد تولید یا فروش ،که نتیجه‌ی آن راه‌حلی فنی و بدون کاربرد عملیاتی است.
• سوم، ارزیابی موفقیت پروژه صرفاً بر اساس «نصب فناوری» به‌جای «تغییر شاخص کسب‌وکاری»؛ اشتباهی که دقیقاً همان چیزی است که تجربه‌های موفق بین‌المللی ،از هدف‌گذاری کمّی کره جنوبی تا KPIهای مشخص عربستان، برای اجتناب از آن طراحی شده‌اند.

مقایسه‌ی تجربه چین، عربستان سعودی و کره جنوبی با وضعیت کنونی ایران، یک نتیجه‌ی مشترک را برجسته می‌کند: هیچ‌کدام از این کشورها دیجیتالی‌شدن صنعت را به بازار یا بنگاه‌ها به‌تنهایی واگذار نکردند، اما هیچ‌کدام نیز صرفاً به انتشار سند بالادستی بسنده نکردند. نقشه‌ی راه هر سه کشور، ترکیبی از نهاد اجرایی مقتدر، هدف‌گذاری کمّی و مرحله‌بندی‌شده، و اتصال مستقیم به بخش خصوصی و کانال‌های فروش بود. ایران در گام نخست، به تدوین سند و تأسیس نهاد سیاست‌گذار، اقدام کرده است؛ رقم ۷.۱۴ درصدی (و افت اخیر به ۷.۰۶ درصد) سهم اقتصاد دیجیتال از تولید ناخالص داخلی نشان می‌دهد چالش اصلی پیش رو، عبور از این گام به سمت اجرای قابل‌سنجش در سطح بنگاه‌های بزرگ است؛ اجرایی که در نمونه‌های موفق جهانی، همواره با شاخص‌های کمّی روشن (تعداد کارخانه‌ی هوشمند، حجم سرمایه‌گذاری، تعداد متخصص تربیت‌شده) قابل ردیابی بوده است. برای مدیران این بنگاه‌ها، دیگر پرسش این نیست که «آیا زمان سرمایه‌گذاری در هوش مصنوعی و دیجیتالی‌شدن فرارسیده یا نه؟»، بلکه این است که «سازمان تا چه اندازه برای تبدیل سند ملی به یک برنامه‌ی اجرایی داخلی با شاخص‌های قابل‌سنجش، آماده است؟»

حال باید بر این مهم نیز واقف بود، طی‌کردن این مسیر لزوماً با تکیه‌ی صرف بر منابع داخلی امکان‌پذیر نیست. تجربه نشان می‌دهد بنگاه‌های بزرگ در گذار به هوشمندسازی، به‌ندرت این مسیر را به‌تنهایی طی می‌کنند. اغلب یک شریک فناور تخصصی در کنارشان است که سه ویژگی مشخص دارد:

نخست: تمرکز اصلی‌اش نه فروش نرم‌افزار عمومی، بلکه یکپارچه‌سازی داده‌های پراکنده‌ی سازمانی (از ERP و SCADA/MES گرفته تا داده فروش و انبار) در یک بستر واحد اس؛

دوم: راهکارها و پلتفرم‌هایی که ارائه می‌دهد، بر پایه‌ی هوش مصنوعی و متناسب با فرآیند واقعی همان صنعت طراحی می‌شوند، نه ابزارهای آماده و یکسان برای همه بنگاه‌ها؛

سوم: همراهی‌اش به فروش یک محصول محدود نمی‌شود، بلکه از مرحله‌ی ممیزی اولیه‌ی داده و انتخاب پایلوت، تا آموزش نیروی انسانی و مقیاس‌پذیری نهایی پروژه در سراسر گروه صنعتی تداوم دارد.

برای مدیرانی که می‌خواهند سند ملی هوش مصنوعی را به یک برنامه‌ی اجرایی واقعی در سازمان خود تبدیل کنند، بدون آنکه دوباره در همان شکاف میان سیاست‌گذاری بالادستی و اجرای بنگاهی که پیش‌تر تحلیل شد گرفتار شوند، انتخاب چنین شریکی، نه یک هزینه‌ی جانبی، بلکه بخشی جدایی‌ناپذیر از خودِ راهبرد هوشمندسازی است. در ایران نیز شرکت‌های تخصصی فعال در این حوزه شکل گرفته‌اند؛ که دقیقاً بر همین سه محور، یکپارچه‌سازی داده سازمانی، طراحی راهکار و پلتفرم مبتنی بر هوش مصنوعی، و همراهی تا مرحله‌ی مقیاس‌پذیری، فعالیت می‌کند و می‌تواند نمونه‌ای از این نوع شراکت برای صنایع بزرگ ایرانی باشد.

منابع و ارجاعات

۱. United Nations Department of Economic and Social Affairs (UN DESA), E-Government Development Index (EGDI) 2024 – Iran Country Data.

https://publicadministration.un.org/egovkb/en-us/Data/Country-Information/id/79-Iran-Islamic-Republic-of/dataYear/2024

۲. Oxford Insights, Government AI Readiness Index 2024, published December 20, 2024.

https://oxfordinsights.com/wp-content/uploads/2024/12/2024-Government-AI-Readiness-Index-2.pdf

۳. Tehran Times, Iran’s ranking improves in Government AI Readiness 2024, February 2025.

https://www.tehrantimes.com/news/510202/Iran-s-ranking-improves-in-Government-AI-Readiness-2024

۴. تسنیم، سند ملی هوش مصنوعی مصوب شورای عالی انقلاب فرهنگی ابلاغ شد، ۲ مرداد ۱۴۰۳.

https://www.tasnimnews.com/fa/news/1403/05/02/3127148

۵. ویکی‌پدیای فارسی، سازمان ملی هوش مصنوعی ایران (تاریخ افتتاح ۱۹ تیر ۱۴۰۳ و آمار تسهیلات صندوق توسعه ملی تا فروردین ۱۴۰۴).

https://fa.wikipedia.org/wiki/سازمان_ملی_هوش_مصنوعی_ایران

۶. اکوایران، زنگ خطر برای اقتصاد دیجیتال؛ زیرساخت‌ها کوچک‌تر می‌شوند، تقاضا بزرگ‌تر (اظهارات احسان چیت‌ساز، معاون سیاست‌گذاری و برنامه‌ریزی فاوا و اقتصاد دیجیتال).

https://ecoiran.com/بخش-فناوری-168/146657

۷. اقتصادآنلاین، سهم اقتصاد دیجیتال در ایران دو برابر می‌شود (هدف‌گذاری برنامه هفتم توسعه، فصل ۱۳).

https://www.eghtesadonline.com/fa/news/2139261

۸. Saudi Data and Artificial Intelligence Authority (SDAIA) via PMC/NCBI, The Saudi Data & Artificial Intelligence Authority (SDAIA) Vision: Leading the Kingdom’s Journey toward Global Leadership, 2021.

https://pmc.ncbi.nlm.nih.gov/articles/PMC8242113/

۹. Wamda, $20 billion investment target set for Saudi national AI strategy, October 2020.

https://www.wamda.com/2020/10/20-billion-investment-target-set-saudi-national-ai-strategy

۱۰. Saudipedia, National Strategy for Data and AI (NSDAI).

https://saudipedia.com/en/national-strategy-for-data-and-ai-nsdai

۱۱. OECD, Korea’s Smart Manufacturing Innovation Initiative (SMII).

https://www.oecd.org/en/publications/sme-technology-adoption-in-the-united-kingdom_cecfb794-en/korea-s-smart-manufacturing-innovation-initiative_ec63920a-en.html

۱۲. Privacy Shield / export.gov (U.S. Department of Commerce archive), Korea – Manufacturing Technology – Smart Factory (شروع راهبرد نوآوری صنعت تولید ۳.۰ در ژوئن ۲۰۱۴).

https://www.privacyshield.gov/ps/article?id=Korea-Manufacturing-Technology-Smart-Factory

۱۳. MarketScale, South Korea commits $7.5 billion to AI-autonomous manufacturing as smart factory count hits 30,000.

https://www.marketscale.com/industries/engineering-and-construction/south-korea-commits-75-billion-to-ai-autonomous-manufacturing-as-smart-factory-count-hits-30000

یادداشت روش‌شناختی: این مقاله ادامه مستقیم تحلیل قبلی این مجموعه درباره چین است و از همان استاندارد ارجاع‌دهی -اتکا به گزارش‌های رسمی نهادهای بین‌المللی، اسناد دولتی و اظهارات رسمی مقامات مسئول به‌جای منابع ثانویه غیرقابل‌ردیابی- پیروی می‌کند. تمامی ۸ منبع انگلیسی‌زبان و ۳ منبع فارسی اصلی این نوشتار (تسنیم، ایرنا، زومیت) به‌صورت مستقیم بازبینی و با متن اصلی تطبیق داده شده‌اند. دو منبع (اکوایران و اقتصادآنلاین) به دلیل محدودیت فنی ابزار در بازیابی نشانی‌های فارسی طولانی، فقط از طریق قطعه‌متن جست‌وجو تأیید شده‌اند، نه بازبینی کامل صفحه. یک نکته روش‌شناختی مهم از خودِ گزارش آکسفورد اینسایتس: ایران جزو معدود کشورهایی است که به دلیل کمبود داده در برخی شاخص‌های زیرمجموعه، مشمول روش «میانگین‌گیری از گروه همتا» برای تکمیل داده‌های ناقص نشده است؛ نکته‌ای که خود نشانه‌ای از همان شکاف زیرساخت آماری کشور است. رتبه‌های بین‌المللی ایران در شاخص‌های EGDI و AI Readiness، و همچنین رقم سهم اقتصاد دیجیتال از تولید ناخالص داخلی، به‌صورت ادواری بازنگری می‌شوند و ممکن است در گزارش‌های بعدی تغییر کنند.

[i] Government AI Readiness Index
[ii] Oxford Insights
[iii] Manufacturing Industry Innovation 3.0
[iv] AI-autonomous manufacturing