رفتن به محتوای اصلی
مهندس پیاده‌سازی

چرا بیشتر پروژه‌های هوش مصنوعی در مرحله آزمایشی می‌مانند؟

۶ دقیقه مطالعه

در این مقاله

دمو در جلسه عالی بود. مدیرعامل سر تکان داد، تیم فروش کف زد و دو ماه بعد کسی در شرکت یادش نیست آن ابزار روی کدام سرور است. اگر چنین چیزی را دیده‌اید، تنها نیستید: پروژه آزمایشی (pilot) هوش مصنوعی در بسیاری از شرکت‌ها دقیقاً همین مسیر را می‌رود.

این‌که چرا پیاده‌سازی هوش مصنوعی در سازمان این‌قدر گیر می‌کند، سؤالی است که پاسخ‌های بدی هم دارد. یکی از آن‌ها عددی است که در تیتر خبرها گشت و به یک «قاعده» شبیه شد. در این نوشته اول می‌بینیم آن عدد از کجا آمده و چقدر قابل‌اتکاست، بعد به دلیل‌های عملی می‌رسیم که در شرکت‌های واقعی دیده می‌شوند.

گزارش MIT NANDA دقیقاً چه گفت؟

گزارش «The GenAI Divide: State of AI in Business» (۲۰۲۵) از پروژه NANDA در MIT می‌گوید حدود ۵ درصد از پروژه‌های آزمایشی هوش مصنوعی مولد در شرکت‌ها به «شتاب سریع درآمد» رسیده‌اند و بقیه متوقف مانده‌اند. این را Fortune در ۱۸ اوت ۲۰۲۵ گزارش کرد. نویسنده اصلی گزارش Aditya Challapally است.

بر اساس همان گزارش خبری، پایه گزارش این بود: مصاحبه با ۱۵۰ مدیر، یک نظرسنجی از ۳۵۰ کارمند و بررسی ۳۰۰ استقرار عمومی. نکته دیگری هم در آن بود: ابزارهایی که از بیرون خریداری می‌شوند یا با شریک ساخته می‌شوند حدود ۶۷ درصد مواقع موفق شده‌اند و ساخت داخلی «فقط یک‌سوم این‌قدر» موفق بوده است. دقت کنید که عبارت Fortune «یک‌سوم این‌قدر» است، نه «۳۳ درصد». یعنی حدود یک‌سوم آن ۶۷ درصد.

Challapally در همان گزارش خبری می‌گوید شرکت‌هایی که جواب گرفته‌اند «یک درد را انتخاب می‌کنند، خوب اجرا می‌کنند و هوشمندانه شریک می‌گیرند». منبع: گزارش Fortune.

چرا نباید این عدد را «قانون» فرض کنید؟

چون خود گزارش مبهم است و منتقدانش دلیل دارند. Fortune هم تصریح کرده «موفقیت» و «شکست» در مقاله تعریف نشده‌اند، پاسخ‌دهندگان ممکن است شکست‌ها را پنهان کرده باشند و داستان استارتاپی که از صفر به ۲۰ میلیون دلار رسید یک نمونه موردی است. تا جایی که توانستیم ببینیم، گزارش هم یک پیش‌نویس اولیه از یک ابتکار دانشگاهی بود و داوری علمی (peer review) نشده بود. این آخری را قطعی نمی‌دانیم.

Arnon Shimoni در ۲۷ اوت ۲۰۲۵ در نقد مفصلی نوشت که نمونه گزارش ۵۲ سازمان بوده (که با اعداد Fortune نمی‌خواند، پس حتی اندازه نمونه در منابع یکسان گزارش نشده)، و هر پروژه‌ای که به «استقرار کامل تولیدی» نرسیده شکست حساب شده است. او با داده خودش، که تأییدنشده است و از شرکتی با منافع تجاری می‌آید، شکست واقعی را بین ۲۵ تا ۳۰ درصد می‌داند.

نتیجه صادقانه این است: چیزی واقعی در این داده‌ها هست، یعنی خیلی از پروژه‌ها در آزمایشی می‌مانند. اما نمی‌دانیم چند درصد، چون تعریف‌ها یکی نیست. به همین دلیل ما عدد را «قاعده» نمی‌کنیم و می‌گوییم: «یک گزارش ۲۰۲۵ از MIT NANDA چنین یافته و روش آن مورد نقد است.»

پروژه‌های آزمایشی معمولاً چرا گیر می‌کنند؟

معمولاً ماجرا یک حادثه بزرگ نیست؛ چند دلیل کوچک است که کنار هم می‌ایستند. پنج مورد را در پروژه‌های واقعی بیشتر از همه می‌بینیم. این فهرست دیدگاه خود ماست و از آن گزارش نیامده.

  1. مسئله را از ابزار شروع کرده‌اند. اول ابزار انتخاب شده و بعد دنبال جایی برایش گشته‌اند. نتیجه، دمویی است که به هیچ دردی نمی‌خورد.
  2. فرایند واقعی دیده نشده. آنچه روی کاغذ نوشته شده با آنچه تیم انجام می‌دهد فرق دارد. سیستم برای فرایند کاغذی ساخته می‌شود و در کار واقعی کنار می‌ماند.
  3. اتصال وجود ندارد. سیستم بیرون از ابزارهای روزانه (حسابداری، CRM، تلگرام) نشسته و هر استفاده‌اش یک کار اضافه است.
  4. معیار نیست. کسی نمی‌داند «کار کرد» یعنی چه. چند ساعت کمتر؟ چند خطای کمتر؟ بدون این، پروژه با اولین خرابی از نظر می‌افتد.
  5. صاحب ندارد. بعد از دمو، کسی مسئول نیست که پروژه را تا کار روزانه ببرد، خطاها را جمع کند و بهبود بدهد.

دو مورد اول به شناخت مربوط‌اند، دو مورد بعد به مهندسی و اتصال، و آخری به مالکیت. این دقیقاً همان‌جایی است که یک مهندس پیاده‌سازی (FDE) کار می‌کند؛ مهندس پیاده‌سازی چیست را اگر ندیده‌اید، اول آن را بخوانید.

یک پروژه آزمایشی سالم چه شکلی دارد؟

یک پروژه آزمایشی سالم کوچک است، به یک درد مشخص بسته است و از اول معیار اندازه‌گیری دارد. هدفش اثبات یک چیز است، نه نمایش همه امکانات.

فرض کنید یک کارگاه کفش‌سازی در تبریز می‌خواهد پاسخ به پرسش‌های مشتریان در پیام‌رسان را سریع‌تر کند. این مثال فرضی است. پروژه آزمایشی سالم این‌طور می‌گذرد:

  • یک درد: پاسخ به پرسش‌های تکراری درباره سایز، رنگ و موجودی. نه «یک چت‌بات برای کل شرکت».
  • یک معیار: مثلاً زمان میانگین پاسخ و تعداد پیام‌هایی که فروشنده باید خودش پاسخ بدهد. عددش را همین امروز می‌شود تخمین زد.
  • یک نفر مسئول: کسی از خود کارگاه که هر هفته خطاها را می‌بیند و می‌گوید کجا اشتباه کرد.
  • یک مسیر به کار واقعی: از همان اول معلوم است اگر جواب داد، به کدام ابزار وصل می‌شود.
  • یک شرط توقف: اگر معیار بهتر نشد، چه می‌شود. این‌که بشود صادقانه گفت «کار نکرد» نشانه سلامت است.

اگر این پنج را ندارید، هنوز زود است. در اولین پروژه هوش مصنوعی را چطور انتخاب کنیم می‌توانید قدم قبل از آن را ببینید.

ساخت داخلی یا شریک؟ آن عدد ۶۷ درصد چه می‌گوید؟

عدد گزارش به نفع شریک‌گرفتن است، اما نمونه و تعریف‌هایش همان مشکلات بالا را دارد، پس راهنمای قطعی نیست. چیزی که از آن می‌شود برداشت کرد این است که ساخت داخلی دشوارتر از چیزی است که به نظر می‌رسد، نه این‌که داخلی بد است.

ساخت داخلی وقتی خوب جواب می‌دهد که شرکت مهندس باتجربه، زمان کافی و کسی را دارد که مالک مسئله باشد. شریک وقتی خوب است که تجربه ساختن قبلاً در جای دیگر هم آزموده شده و در شرکت شما فقط باید «جا بیفتد». در هر دو حالت، همان پنج پرسش بالا تعیین‌کننده است. مقایسه سه راه، یعنی نرم‌افزار آماده، تیم داخلی و مهندس پیاده‌سازی، در نرم‌افزار آماده، تیم داخلی یا مهندس پیاده‌سازی آمده است.

یک مهندس پیاده‌سازی با پروژه آزمایشی گیرکرده چه می‌کند؟

او ابتدا نگاه می‌کند چرا سیستم کنار گذاشته شده، نه این‌که سیستم را از نو بسازد. بیشتر وقت‌ها پاسخ در یکی از پنج دلیل بالا است و رفعش ساخت یک چیز بزرگ‌تر نیست.

در روش کار ما، که در صفحه روش کار هم آمده، گام «شناخت» دقیقاً همین‌جا کمک می‌کند: کنار کسی که با فرایند سروکار دارد می‌نشینیم و می‌بینیم کجا ابزار از کار افتاده است. بعد در گام «نقشه» تصمیم می‌گیریم اصلاحش کنیم، به سیستم دیگری وصلش کنیم یا کنارش بگذاریم و جای دیگری شروع کنیم. گام‌های «اتصال» و «اجرا و بهبود» همان دو حفره‌ای را پر می‌کنند که پروژه‌ها در آن می‌افتند: سیستم جدا از کار و بی‌صاحب. بلنک پیکسل پیش از ساخت هر چیز، با شما معیار اندازه‌گیری را توافق می‌کند تا بعداً بتوان گفت جواب داد یا نه.

پرسش‌های رایج

آیا تقریباً همه پروژه‌های هوش مصنوعی شکست می‌خورند؟

نه، این را نمی‌شود یک واقعیت عمومی دانست. یک گزارش ۲۰۲۵ از MIT NANDA درباره پروژه‌های آزمایشی هوش مصنوعی مولد چنین چیزی گفته، اما «شکست» در آن روشن تعریف نشده و نمونه‌اش مورد نقد است. بهتر است عدد را با احتیاط بخوانید.

مهم‌ترین دلیل متوقف شدن پروژه آزمایشی چیست؟

یک دلیل واحد نداریم. از تجربه ما، نبودن اتصال به کار روزانه و نبودن معیار روشن بیشتر از همه دیده می‌شود. این برداشت ما از پروژه‌هاست و از آن گزارش نیامده است.

پروژه آزمایشی را چقدر باید کوچک گرفت؟

آن‌قدر کوچک که بتوان یک درد و یک معیار را مشخص کرد و نتیجه را بدون بحث دید. اگر برای توضیح پروژه به بیش از چند جمله نیاز دارید، احتمالاً بزرگ است.

اگر پروژه آزمایشی شکست خورد باید هوش مصنوعی را کنار گذاشت؟

لزوماً نه. اول ببینید دلیل شکست چه بود: انتخاب نادرست مسئله، نبود اتصال یا نبود معیار. گاهی جواب «این‌جا هوش مصنوعی مناسب نیست» است و جای دیگری فرصت بهتری دارید.

نوشته تیم بلنک پیکسلمنتشرشده در ۱۸ آبان ۱۴۰۵

راهکار مرتبط

روش کار

روش کار بلنک پیکسل: گفت‌وگوی رایگان، گزارش امکان‌سنجی برای فرایندهای شما، و بعد ساخت، اتصال و بهبود پیوسته. دامنه هر پروژه پس از شناخت مشخص می‌شود.

ببینید هوش مصنوعی کجا بیشترین صرفه‌جویی را برایتان دارد.

یک گفت‌وگوی رایگان درباره کسب‌وکارتان، و بعد گزارش امکان‌سنجی مکتوب از فرایندهایتان: زمان و پول کجا هدر می‌رود، هوش مصنوعی چه کارهایی را می‌تواند برعهده بگیرد و از کجا باید شروع کرد.