توسيع نطاق الذكاء الاصطناعي في الشرق الأوسط: خمسة أخطاء يجب على المؤسسات تجنّبها

تتسارع الاستثمارات في الذكاء الاصطناعي في أنحاء الخليج، لكنّ جاهزية البيانات تبرز كعامل فاصِل بين التبنّي الناجح على مستوى المؤسسات والتوقّف عند مراحل التجارب. تتوقّع IDC أن تتجاوز نفقات الذكاء الاصطناعي في منطقة الشرق الأوسط $3bn بحلول 2026، بدفع من برامج مثل رؤية 2030 في السعودية، والاستراتيجية الوطنية للذكاء الاصطناعي في الإمارات، والاستثمارات السيادية في الذكاء الاصطناعي، والتوسع السريع في بنية مراكز البيانات الفائقة. ومع انتقال الحكومات والبنوك ومقدمي الرعاية الصحية وشركات الطاقة والمصنّعين إلى ما بعد إثبات المفهوم، تواجه العديد من المؤسسات تحدّي توسيع نطاق الذكاء الاصطناعي من تجارب أولية إلى أنظمة موثوقة وحاسمة للأعمال.

“لقد تغيّرت المحادثة حول الذكاء الاصطناعي المؤسسي”، يقول Gabriele Obino، نائب الرئيس لأوروبا الجنوبية والشرق الأوسط في Denodo. “قبل عامين، كانت المؤسسات تسأل أي نموذج ينبغي عليها اعتماده. اليوم، تسأل ما إذا كان يمكنها الوثوق بالذكاء الاصطناعي لدعم قرارات أعمال حقيقية.”

يحدّد Obino وممارسون آخرون مجموعة متناسقة من الحواجز التي تمنع مشاريع الذكاء الاصطناعي من الوصول إلى نطاق المؤسسات. يبرز المقال خمسة أخطاء شائعة يجب على المؤسسات في المنطقة تجنّبها إذا كانت تريد الانتقال إلى ما بعد مرحلة التجريب: اعتبار الذكاء الاصطناعي مشروعاً تقنياً بدلاً من تحويل أعمال، مساواة حجم البيانات بجودتها، الاعتماد على بيانات مكررة أو مجمّعة للقرارات الحيّة، تأجيل الحوكمة حتى بعد النشر، وبناء حالات استخدام معزولة تُكرّر مجموعات البيانات والتعاريف التجارية.

• اعتبار الذكاء الاصطناعي مبادرة تقنية: تبدأ العديد من المؤسسات بتقييم النماذج والأدوات قبل تحديد مشكلة العمل. يؤكد النصّ أن نتائج الأعمال — سواء كانت تقليص الاحتيال، تحسين تجربة العملاء، تحسين العمليات أو تسريع اتخاذ القرار — يجب أن تُحدّد استراتيجية الذكاء الاصطناعي ومقاييس النجاح.
• الافتراض بأن المزيد من البيانات يعني ذكاءً اصطناعياً أفضل: أدّى النمو السريع في بيانات المؤسسات إلى سوء الفهم القائل بأن استيعاب أحجام أكبر ينتج تلقائياً نماذج أفضل. بدلاً من ذلك، يحتاج الذكاء الاصطناعي إلى بيانات ذات صلة وموثوقة ومناسبة للغرض؛ إذ يمكن لوجود نسخ متعددة من سجلات العملاء والبيانات المالية والتشغيلية أن يقوض دقة القرارات.
• استخدام بيانات قديمة أو مجمّعة للقرارات الحيّة: كانت التحليلات التقليدية تتسامح مع التأخيرات، لكن الذكاء الاصطناعي بات يدعم عمليات أعمال حيّة بشكل متزايد. عندما تعتمد النماذج على معلومات مكرّرة أو قديمة فقد تُنتج مخرجات مقنعة لكنها غير صحيحة، وهو خطر جسيم لخدمات العملاء والقطاع المالي والرعاية الصحية.
• تأجيل الحوكمة: مع طرح حكومات الخليج سياسات الذكاء الاصطناعي وأطر حماية البيانات، تصبح الحوكمة استراتيجية بدلاً من مجرد امتثال. من دون ملكية بيانات واضحة، تعريفات أعمال متسقة وضوابط وصول شفافة، قد تكافح المؤسسات لشرح قرارات الذكاء الاصطناعي والحفاظ على الثقة.
• بناء حالات استخدام معزولة: يمكن أن تُسرّع النشر المعزول والسريع الانتصارات المبكرة لكنه يولّد ديوناً تقنية طويلة الأمد. يوصي المقال بإنشاء منتجات بيانات قابلة لإعادة الاستخدام وتحت حوكمة وأساس بيانات مشترك لتوسيع الذكاء الاصطناعي بكفاءة عبر الأقسام.

وبالنظر إلى المستقبل، ستستمر الاستثمارات العامة والخاصة الكبيرة في المنطقة — بما في ذلك الإشارات إلى برامج الذكاء الاصطناعي متعددة المليارات في السعودية والنشاط السيادي في الإمارات — في دفع عملية التبنّي. ومع ذلك، سيعتمد النجاح على قدرة توفير معلومات حية وموثوقة وجاهزة للأعمال للذكاء الاصطناعي أكثر من تعقّد النماذج. “المؤسسات التي ستنجح لن تكون بالضرورة تلك التي تستخدم أكثر نماذج الذكاء الاصطناعي تطوراً”، يحذّر Obino. “إنها ستكون تلك التي تمنح الذكاء الاصطناعي الوصول إلى معلومات حية وموثوقة وجاهزة للأعمال. عندما يفهم الذكاء الاصطناعي السياق الكامن وراء البيانات التي يستخدمها، يمكن للمؤسسات أن تنتقل من التجربة إلى التبنّي الواثق على مستوى المؤسسة بأكملها.”