سرمایه‌گذاری عظیم، دستاورد اندک

استراتژی‌های عبور از گسست هوش مصنوعی مولد

چرا بیشتر طرح‌های آزمایشی شکست می‌خورند و سازمان‌های پیشرو چگونه به ارزش واقعی می‌رسند؟

گزارش «وضعیت هوش مصنوعی در کسب‌وکار ۲۰۲۵» تصویری دقیق از وضعیت امروز GenAI در سازمان‌ها ارائه می‌دهد: یک تناقض بنیادین بین پذیرش بالا و تحول پایین.  در حالی که ابزارهای هوش مصنوعی مولد در سراسر صنایع مورد استفاده قرار گرفته‌اند، تنها بخش کوچکی از سازمان‌ها توانسته‌اند ارزش مالی قابل‌اندازه‌گیری استخراج کنند. این فاصله‌ی مهم میان «استفاده از ابزار» و «تغییر ساختاری»، همان چیزی است که گزارش از آن با عنوان گسست هوش مصنوعی مولد (GenAI Divide) یاد می‌کند

 

گزارش «وضعیت هوش مصنوعی در کسب‌وکار ۲۰۲۵» بر اساس تحلیل بیش از ۳۰۰ پروژه، مصاحبه با ده‌ها سازمان و نظرسنجی از رهبران ارشد شکل گرفته و نشان می‌دهد بخش عمده‌ای از طرح‌های آزمایشی، حتی با وجود سرمایه‌گذاری سنگین، به مرحله‌ی خلق ارزش پایدار نمی‌رسند. تنها درصد اندکی از پروژه‌ها توانسته‌اند سامانه‌هایی ایجاد کنند که با سازمان سازگار شوند، در طول زمان یاد بگیرند و در جریان کار ادغام شوند. این مقاله، بر اساس همان بخش‌هایی که در نسخه‌ی اولیه آمده، دقیقاً همان یافته‌ها را بازسازی و تحلیل می‌کند.

۱. پذیرش بالا، تحول پایین: تصویری واقعی از وضعیت استقرار   GenAI

یکی از یافته‌های کلیدی گزارش این است که سازمان‌ها به‌طور گسترده ابزارهای عمومی هوش مصنوعی مولد مانند ChatGPT یا Copilot  را پذیرفته‌اند. بخش بزرگی از کارکنان در صنایع مختلف، استفاده‌ی روزمره از ابزارهای LLM را گزارش می‌کنند. اما این ابزارها عمدتاً تأثیر فردی دارند و هنوز منجر به تغییر مالی و عملیاتی در سطح سازمانی نشده‌اند.

اگرچه بیش از ۸۰٪ سازمان‌ها ابزارهای conversational AI را بررسی کرده‌اند و حدود ۴۰٪ نوعی استقرار گزارش می‌کنند، این استقرار غالباً محدود به بهره‌وری فردی است. وقتی نوبت به سامانه‌های سازمانی می‌رسد، از ابزارهای سفارشی گرفته تا محصولات فروشندگان شکست بسیار رایج‌تر است: تنها حدود یک‌پنجم طرح‌ها به مرحله پایلوت می‌رسند و کمتر از ۵٪ به استقرار عملیاتی ختم می‌شوند.

گزارش نشان می‌دهد دلیل اصلی این ناکامی‌ها، عدم سازگاری ابزارها با جریان کار و نبود قابلیت یادگیری زمینه‌ای است. ابزارهای مصرفی، انعطاف‌پذیرند و با کاربر تطبیق پیدا می‌کنند؛ اما ابزارهای سازمانی معمولاً ایستا هستند و بدون یادگیری یا افزایش مهارت، تنها خروجی‌های ثابت ارائه می‌دهند. نتیجه: پذیرش بالا، تحول نزدیک به صفر.

در تحلیل میان‌بخشی، تنها دو صنعت تکنولوژی و رسانه، نشانه‌هایی از تحول ساختاری نشان داده‌اند. بخش‌های دیگر اگرچه فعالیت آزمایشی بالا دارند، اما هنوز به تغییرات عمیق یا ایجاد ارزش پایدار نرسیده‌اند. این همان جایی است که گسست هوش مصنوعی مولد خود را نشان می‌دهد: سرمایه‌گذاری عظیم، نتیجه‌ی اندک.

۲. چرا طرح‌های آزمایشی شکست می‌خورند؟

مسئله زیرساخت نیست؛ مسئله، یادگیری است. یافته‌ی مهم دیگر این است که بزرگ‌ترین مانع برای مقیاس‌دهی هوش مصنوعی مولد، محدودیت‌های فنی یا مقرراتی نیست. گزارش نشان می‌دهد زیرساخت‌ها به اندازه‌ی کافی بالغ شده‌اند و سازمان‌ها به استعداد موردنیاز دسترسی دارند. مشکل اصلی، نبود یادگیری سازمانی در سامانه‌های AI است.

بیشتر سامانه‌های GenAI:

  • بازخورد را در خود نگه نمی‌دارند؛
  • ترجیحات کاربران را یاد نمی‌گیرند؛
  • تغییرات فرآیند را دنبال نمی‌کنند؛
  • و در مواجهه با پیچیدگی‌ها رشد نمی‌کنند.

این ابزارها خروجی می‌دهند، اما تکامل پیدا نمی‌کنند. این عدم تکامل‌پذیری، هسته‌ی اصلی گسست است.

از نگاه کاربران نیز مشکل مشابه دیده می‌شود: بسیاری از کارکنان که در زندگی روزمره از ChatGPT بهره‌وری قابل‌توجه به دست می‌آورند، نسبت به ابزارهای سازمانی بدبین هستند. یکی از دلایل اصلی مقاومت کاربران در برابر ابزارهای داخلی، این است که این ابزارها انعطاف ابزارهای عمومی را ندارند و از تعاملات قبلی نمی‌آموزند. کاربران انتظار دارند سامانه‌ی سازمانی بهتر از ChatGPT باشد، اما معمولاً چنین نیست.

نمونه‌ای از این مسئله در گزارش ارائه شده: یک وکیل شرکتی بیان کرده ابزار خلاصه‌سازی قراردادی که شرکتش خریداری کرده بود، خروجی‌هایی خشک و غیرقابل‌انعطاف تولید می‌کرد، درحالی‌که با ابزارهای عمومی می‌توانست خروجی‌های دقیق‌تر و قابل هدایت‌تری دریافت کند. مشکل اصلی نه مدل، بلکه یادگیری و سازگاری است.

۳. شکاف یادگیری و نقش کلیدی حافظه

گزارش نشان می‌دهد که محدودیت ابزارهایی مانند ChatGPT (فراموشی زمینه، عدم یادگیری) درواقع «تصویر کوچک‌شده‌ای» از مشکل بزرگ‌تر سازمان‌هاست. برای فعالیت‌هایی که حساسیت و ریسک بالا دارند، ۹۰٪  کاربران هنوز انسان را ترجیح می‌دهند، نه به دلیل ضعف هوش مصنوعی، بلکه به دلیل نبود حافظه، فرآیندپذیری و یادگیری مستمر.

در کارهای ساده پیش‌نویس ایمیل، تحلیل اولیه، خلاصه‌سازی کاربران GenAI را ترجیح می‌دهند. اما در پروژه‌های پیچیده مدیریت مشتری، پردازش حقوقی یا پیگیری‌های چندمرحله‌ای انسان‌ها با اختلاف بسیار بالا انتخاب می‌شوند. خط جداکننده «هوش» نیست؛ حافظه و توان یادگیری است.

در پروژه‌های پیچیده مدیریت مشتری، پردازش حقوقی یا پیگیری‌های چندمرحله‌ای انسان‌ها با اختلاف بسیار بالا انتخاب می‌شوند. خط جداکننده «هوش» نیست؛ حافظه و توان یادگیری است.

در این میان، نسل جدید سامانه‌ها، هوش مصنوعی عاملیت‌محور (Agentic AI) به‌عنوان راه‌حل معرفی شده‌اند. این سامانه‌ها:

  • حافظه بلندمدت دارند؛
  • از بازخورد یاد می‌گیرند؛
  • جریان‌های کاری را خودکار سازماندهی می‌کنند؛
  • و می‌توانند وظایف چندمرحله‌ای و پیچیده را مدیریت کنند.

آزمایش‌های اولیه نشان می‌دهد عاملیت‌های خدمات مشتری یا پردازش مالی، توانسته‌اند بخش‌های قابل‌توجهی از عملیات را بدون دخالت انسان مدیریت کنند، دقیقاً جایی که شکاف یادگیری در ابزارهای ایستا مانع تحول بود.

آزمایش‌های اولیه نشان می‌دهد عاملیت‌های خدمات مشتری یا پردازش مالی، توانسته‌اند بخش‌های قابل‌توجهی از عملیات را بدون دخالت انسان مدیریت کنند، دقیقاً جایی که شکاف یادگیری در ابزارهای ایستا مانع تحول بود.

۴. هوش مصنوعی در سایه و الگوهای سرمایه‌گذاری اشتباه

یکی از واقعیت‌های کمتر دیده‌شده در سازمان‌ها، هوش مصنوعی در سایه (Shadow AI) است. اگرچه بخش قابل‌توجهی از سازمان‌ها اشتراک رسمی LLM خریداری نکرده‌اند، بیش از ۹۰٪ کارکنان به‌صورت فردی و غیررسمی از ابزارهای GenAI برای کارهای خود استفاده می‌کنند. این استفاده غیررسمی، در بسیاری موارد ارزش بیشتری تولید می‌کند تا طرح‌های رسمی.

بااین‌حال نقش آن در تصمیم‌گیری‌های سرمایه‌گذاری سازمان‌ها تقریباً نادیده گرفته می‌شود.

گزارش نشان می‌دهد که ۵۰ تا ۷۰ درصد بودجه‌های هوش مصنوعی مولد به فروش و بازاریابی تخصیص می‌یابد، نه به بخش‌هایی که بیشترین بازده واقعی را دارند. دلیل این سوگیری ساده است:
منافع فروش و مارکتینگ، آسان‌تر دیده می‌شوند؛ اما بهبودهای عملیاتی مانند کاهش خطاهای انطباق، کوتاه شدن چرخه‌ی پایان ماه، یا حذف پردازش‌های دستی برای مدیران ارشد کمی «نامرئی» هستند.

در نتیجه، فعالیت‌هایی که بیشترین بازده واقعی دارند، کمترین بودجه را دریافت می‌کنند.

۵. سازندگان و خریداران موفق چه کار متفاوتی انجام می‌دهند؟

گزارش نشان می‌دهد سازمان‌هایی که توانسته‌اند از گسست عبور کنند، رویکردی مشترک دارند. آن‌ها:

الف) به جای افزودن ویژگی‌های زیاد، روی یادگیری مداوم تمرکز می‌کنند؛

استارت‌آپ‌های موفق بر تعداد اندکی موارد استفاده با ارزش بالا تمرکز می‌کنند و به‌جای ساخت ابزارهای پرزرق‌وبرق، سامانه‌هایی می‌سازند که در جریان کار یاد می‌گیرند و بهتر می‌شوند.

ب) اولویت خریداران را دقیقاً درک می‌کنند.

رهبران سازمان‌ به طور مداوم پنج عامل کلیدی را برای انتخاب فروشنده بیان کرده‌اند:

  1. اعتماد به فروشنده؛
  2. فهم عمیق جریان کار؛
  3. ادغام بدون ایجاد اختلال؛
  4. توان یادگیری مداوم؛
  5. انعطاف‌پذیری هنگام تغییر فرآیند.

ابزارهایی که این پنج مؤلفه را داشته‌اند، بهترین نرخ استقرار را ثبت کرده‌اند.

ج) مسیر استقرار را با پیروزی‌های کوچک شروع می‌کنند.

سازمان‌های موفق ابتدا ابزار را در بخش‌هایی که ریسک پایین‌تر و بازده سریع‌تر دارند مستقر می‌کنند. پس از اثبات ارزش، ابزار در فرآیندهای اصلی گسترش می‌یابد. این رویکرد موجب:

  • افزایش اعتماد کاربر؛
  • کاهش مقاومت؛
  • و تسهیل پذیرش گسترده

می‌شود.

۶. سازماندهی صحیح برای استقرار در سمت درست گسست

بهترین سازمان‌ها ساختار استقرار را غیرمتمرکز می‌کنند.

به‌جای انتظار برای راهنمایی از واحد مرکزی  AI، مدیران عملیاتی خود موارد استفاده را شناسایی می‌کنند و ابزار مناسب را انتخاب می‌نمایند. این شیوه، نرخ استقرار را افزایش می‌دهد و ارزش‌های اولیه را بسیار سریع‌تر آشکار می‌کند.

گزارش نشان می‌دهد مشارکت‌های خارجی تقریباً دو برابر موفق‌تر از ساخت داخلی‌اند.
علت روشن است: ساخت داخلی گران، کند و اغلب از جریان کار فاصله دارد؛ درحالی‌که فروشندگان تخصصی، ابزار تطبیق‌پذیر و آماده را سریع ارائه می‌کنند.

نکته‌ی مهم دیگر این است که بیشترین صرفه‌جویی‌های مالی واقعی، از جایگزینی خدمات برون‌سپاری (BPO) به دست آمده‌اند، نه کاهش نیروی انسانی. سازمان‌هایی که عاملیت‌های پردازش سند و خدمات مشتری را پیاده‌سازی کرده‌اند، صرفه‌جویی‌هایی بین ۲ تا ۱۰ میلیون دلار گزارش کرده‌اند.

۷. آینده‌ی Agentic Web و بسته شدن پنجره تحول

گزارش هشدار می‌دهد که پنجره عبور از گسست GenAI در حال بسته شدن است.
زیرا نسل جدید سامانه‌ها شامل پروتکل‌های  MCP،  A2A و NANDA  در حال ایجاد وب عاملیت‌محور هستند: شبکه‌ای از عاملیت‌های هماهنگ که می‌توانند:

  • فروشنده مناسب را خودکار شناسایی کنند؛
  • داده‌ها را در زمان واقعی هماهنگ کنند؛
  • APIها را خودکار تنظیم کنند؛
  • و بدون دخالت انسان، وظایف چندلایه را مدیریت کنند.


سازمان‌هایی که اکنون روی سامانه‌های یادگیرنده سرمایه‌گذاری می‌کنند، به سرعت هزینه‌های تعویض را بالا می‌برند و مزیت رقابتی پایدار کسب می‌کنند.

دیگرانی که منتظر می‌مانند، در آینده مجبور به تقلید و تطبیق با فاصله زیاد خواهند بود.

جمع‌بندی

سازمان‌هایی که از گسست هوش مصنوعی مولد عبور کرده‌اند سه کار را کاملاً متفاوت انجام می‌دهند:

۱. ابزارهای ایستا را کنار گذاشته و ابزارهای یادگیرنده و تطبیق‌پذیر انتخاب می‌کنند.

۲. استقرار را غیرمتمرکز کرده و قدرت را به نیروهای خط مقدم می‌دهند.

۳. مسیر تحول را با پیروزی‌های کوچک و سریع آغاز می‌کنند و سپس گسترش می‌دهند.

این مسیر، کلید ارزش‌آفرینی واقعی در عصر هوش مصنوعی مولد است.

منبع

یافته‌های اولیه از تحقیقات پیاده‌سازی هوش مصنوعی از پروژه محققان MIT NANDA  

بررسی کنندگان : پرادیومنا چاری (Pradyumna Chari) ، پروژه ناندا

دوره تحقیق: ژانویه – ژوئن 2025

روش‌شناسی: این گزارش بر اساس یک طرح تحقیقاتی چند روشی شامل بررسی سیستماتیک بیش از 300 طرح هوش مصنوعی افشا شده عمومی، مصاحبه‌های ساختاریافته با نمایندگان 52 سازمان و پاسخ‌های نظرسنجی از 153 رهبر ارشد جمع‌آوری شده در چهار کنفرانس بزرگ صنعتی است.

1
0
کپی شد

مطالب مرتبط

معرفی محصولات

نظرات کاربران

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *