لماذا يفشل الذكاء الاصطناعي المؤسسي قبل أن يصبح النموذج ذا أهمية؟

كان لا بد من قراءة كل طلب شراء وارد من قِبل شخص. كان على أحدهم فتح المستند، وفهم بنيته، واستخراج البيانات، وإدخالها في النظام، والتحقق من المخرجات، ومتابعة سير الطلب. لم يكن في هذا العمل أي طابع استراتيجي. كان هادئًا، وروتينيًا، ويسهل تجاهله لأن الشركة اعتادت عليه. لكن العملية برمتها كانت تعتمد عليه، ومع ازدياد حجم العمل، أصبح من المستحيل إخفاء هذا الضعف. المزيد من الطلبات يعني المزيد من الموظفين، والمزيد من القراءة اليدوية، والمزيد من إدخال البيانات، والمزيد من التحقق، والمزيد من التأخير، والمزيد من احتمالية الخطأ. لم تكن المؤسسة تعاني من نقص في الجهد. كان الموظفون يقومون بالعمل. المشكلة تكمن في أن نموذج العمل كان يتوسع في الاتجاه الخاطئ.

هنا يكمن سوء فهم العديد من المؤسسات للذكاء الاصطناعي. إذ يعتقدون أن المسألة تبدأ بالنموذج، بينما في الواقع تبدأ بمدى وضوح فهم العمل بما يكفي ليكون النموذج مفيدًا. في هذه الحالة، لم يكن الحل هو إرهاق الموظفين، أو إضافة أداة تتبع أخرى، أو إنشاء تقرير إضافي، أو زيادة الضغط الإداري على نفس العملية الهشة. بل كان الحل هو فصل العمل بشكل صحيح. ما هو العمل الروتيني؟ ما الذي يتطلب حُكمًا؟ ما الذي يمكن استخلاصه؟ ما الذي يجب التحقق منه؟ أين يجب أن يتصل النظام؟ أين يجب أن تبقى المراجعة البشرية؟ أين تُهدر القدرات البشرية عمدًا؟

تم تصميم PO Assist كأداة لمعالجة أوامر الشراء تعتمد على الذكاء الاصطناعي والتعلم الآلي. وقد أتمتت عملية جمع البيانات بالكامل: من تحليل واستخراج البيانات من ملفات PDF، إلى دمجها في النظام دون الحاجة إلى إدخال يدوي، وصولاً إلى التحقق الآلي قبل المراجعة البشرية. صُممت الأداة لتتعلم مع كل عملية شراء، لا لتكون مجرد أداة ثابتة بجانب العملية. لم تقتصر النتائج على السرعة فحسب، بل تجاوزت معدلات نجاح الطلبات الهدف بأكثر من 80%. كما أُتمت عملية إدخال البيانات المعرفية على نطاق واسع، وتحسنت كفاءة المعالجة، وانخفضت احتمالية حدوث الأخطاء. وتم توجيه موظفي إدارة الطلبات نحو معالجة الحالات الاستثنائية والعمل على الحسابات الاستراتيجية. ولم تعد العملية بحاجة إلى زيادة حجم الطلبات لخلق ضغط متناسب على عدد الموظفين.

هذا هو الجانب الذي يستحق الاهتمام. كان النموذج مهمًا، لكنه لم يكن الخطوة الأولى. الخطوة الأولى كانت فهم العمل جيدًا بما يكفي لمعرفة مكانة الذكاء الاصطناعي. هذا التمييز هو الفرق بين نشاط الذكاء الاصطناعي وقيمته.

عادةً ما تفشل أنظمة الذكاء الاصطناعي المؤسسية قبل أن يتمكن أحد من إلقاء اللوم على النموذج نفسه. تفشل عندما لا تُظهر المؤسسة سير العمل الحقيقي بوضوح. تفشل عندما تبقى الاستثناءات حبيسة أذهان الموظفين. تفشل عندما تكون خريطة العمليات الرسمية أكثر وضوحًا من الواقع العملي. تفشل عندما يُستخدم التقييم البشري كشعار بدلًا من كونه آلية تحكم مُصممة. تفشل عندما يقيس القادة الاستخدام ويصفونه بالقيمة. تفشل عندما تشتري الشركة معلومات استخباراتية من مصادر خارجية بينما تبقى معرفتها التشغيلية متناثرة وغير رسمية وغير مُدارة.

يصبح النموذج حينها أسهل نقطة للوم لأنه مرئي. كان السياق مفقودًا، لذا "لم يفهم" النموذج. لم يتم رصد الاستثناء، لذا "فشل" النموذج في الحالات الشاذة. كان سير العمل غير واضح، لذا "لم يكن النموذج قابلاً للتوسع". تسببت المخرجات في أعمال تصحيح، لذا "قاوم الموظفون" اعتماد النموذج. لم تكن الحوكمة جزءًا لا يتجزأ من العملية، لذا "أبطأت فرق إدارة المخاطر الأمور". قد يكون بعض ذلك صحيحًا جزئيًا، لكنه نادرًا ما يمثل الحقيقة كاملة.

لا يدخل الذكاء الاصطناعي بيئة محايدة، بل يتداخل مع سير العمل الحالي. فهو يتغلغل في ثغرات العمليات، والحلول غير الرسمية، وتأخير الموافقات، وجداول البيانات غير الرسمية، وعمليات التدقيق المكررة، والاختلافات الإقليمية، والاستثناءات الخاصة بالعملاء، والقرارات غير الموثقة التي يستخدمها الناس يوميًا لتسيير الأنظمة غير الكاملة. إذا كان هذا الواقع غير مرئي، فلن يراه الذكاء الاصطناعي تلقائيًا. سيتفاعل فقط مع نسخة العمل التي أتاحتها له المؤسسة، وفي كثير من الشركات، تكون هذه النسخة غير مكتملة.

لهذا السبب، يُعدّ التعامل مع الذكاء الاصطناعي كعملية نشر تقنية عادية أمرًا خطيرًا. فالنشر العادي يفترض فهم العمل جيدًا، وتتمثل المهمة الرئيسية في تحفيز الاستخدام: اختيار المنصة، والموافقة على الميزانية، وتدريب المستخدمين، وشرح الفوائد، وتتبع التبني، والإبلاغ عن التقدم، والانتقال إلى المرحلة التالية. يُظهر هذا النهج حركةً واضحة، إذ يُمكن من خلاله إنتاج مشاريع تجريبية، ولوحات معلومات، وإعلانات داخلية، وجلسات تدريبية، وقائمة طويلة من حالات الاستخدام. يُوحي هذا النهج بأن المؤسسة تتقدم، لكن الحركة لا تعني بالضرورة القيمة التشغيلية.

إذا ظل العمل غير واضح، يصبح الذكاء الاصطناعي طبقة إضافية فوق نفس الديون التشغيلية. يُصحح الموظفون المخرجات يدويًا. يُبرر المديرون أسباب عدم تحقق الوفورات. يستمر الخبراء في معالجة الاستثناءات من الذاكرة. تُعدّل فرق التكنولوجيا التنبيهات وعمليات التكامل دون رؤية السياق الكامل دائمًا. تُراجع فرق الحوكمة السياسات بينما يختلف سير العمل في الواقع. تستمر المؤسسة في العمل، لكن الأفراد ما زالوا يتحملون عبء النظام. هذا هو العمل البطولي التفاعلي مع طبقة تكنولوجية جديدة.

تبدأ عقلية المهندس المعماري من مكان آخر. لا تبدأ بالأداة، بل بالعمل نفسه. ما العمل الذي نسعى لتحسينه؟ كيف يُنجز اليوم؟ أين تكمن المشكلة؟ ما الخطوات الروتينية؟ ما القرارات التي تتطلب حُكمًا؟ ما الاستثناءات المتكررة؟ من المسؤول عن النتيجة؟ ما معنى "تم الحل" تحديدًا؟ ماذا يحدث عندما تكون مخرجات الذكاء الاصطناعي خاطئة؟ ما الذي يجب توجيهه، أو مساعدته، أو أتمتته، أو تصعيده، أو تركه تحت قيادة بشرية؟ هذه الأسئلة ليست نظرية، بل هي التي تحدد ما إذا كان الذكاء الاصطناعي قادرًا على إنتاج قيمة أم مجرد تنفيذ مهام.

يمكن للنموذج أن يساعد في التلخيص والتصنيف والاستخلاص والصياغة والتوجيه والمقارنة والتوصية والمراقبة. لكنه لا يستطيع تعويض كل نقص في وضوح العمليات. لا يمكنه تحديد سير العمل إذا لم تتفق المؤسسة على ماهيته الحقيقية. لا يمكنه إدارة الاستثناءات التي لم تُعلن. لا يمكنه حماية التقدير إذا لم تحدد المؤسسة الجهة المسؤولة عنه. لا يمكنه إثبات القيمة إذا توقفت دراسة الجدوى عند المخرجات الأولية وتجاهلت التصحيح وإعادة العمل والتصعيد وإعادة فتح الحالات.

لهذا السبب، غالبًا ما يكون أول فشل في الذكاء الاصطناعي غير تقني، بل هو فشل في الترجمة. تعجز المؤسسة عن ترجمة عملها إلى صيغة يمكن لجميع الأقسام - التقنية والإدارية والمالية والموظفين - استخدامها. تظهر تكلفة هذه الترجمة في كل مكان. يترجم المحللون العمل لفرق التقنية، ويترجم الموظفون الاستثناءات لفرق المشاريع، ويترجم المديرون الثغرات التشغيلية للمسؤولين التنفيذيين، ويترجم المستشارون سير العمل إلى عروض تقديمية، ويترجم الموردون غموض الأعمال إلى إعدادات المنصة. ثم يبدأ البرنامج التالي، وتبدأ الترجمة من جديد.

ينبغي للذكاء الاصطناعي أن يقلل من هذه الدورة، لكنه لن يستطيع ذلك إذا استمرت المؤسسة في التعامل مع المعرفة العملية كمدخلات مؤقتة للمشاريع بدلاً من كونها أصولاً تشغيلية مستدامة. في مثال أوامر الشراء، لم يكن التحول المهم هو الأتمتة فحسب، بل كان في جعل الجزء الروتيني من العمل واضحاً بما يكفي ليتم التعامل معه بواسطة نظام، بينما انتقلت القدرات البشرية إلى معالجة الاستثناءات وإدارة الحسابات الاستراتيجية. هذا ليس مجرد تحسين شكلي للإنتاجية، بل هو إعادة توجيه لمجالات اهتمام الإنسان.

هذا هو المعيار الذي ينبغي تطبيقه على الذكاء الاصطناعي بشكل متكرر. ليس السؤال ببساطة ما إذا كان الناس قد استخدموا الأداة، أو ما إذا كان النموذج قد أنتج إجابة، أو ما إذا كانت التجربة الأولية واعدة. السؤال الأهم هو ما إذا كان العمل قد سار بشكل أفضل، مع تقليل التعقيدات، وتقليل التصحيحات الخفية، وتعزيز التحكم، وتوضيح دور الإنسان. هذا السؤال يكشف برامج الذكاء الاصطناعي الضعيفة بسرعة، لأن العديد من البرامج تبدو قوية فقط لأنها تقيس أمورًا خاطئة في البداية.

يُعدّ عدد المستخدمين النشطين، وحجم الطلبات، وعدد حالات الاستخدام، وإتمام التدريب، وعدد التجارب التجريبية، أو الوقت النظري المُوفّر، مؤشرات مفيدة، لكنها لا تُثبت القيمة. قد يستخدم فريقٌ ما الذكاء الاصطناعي بكثافة، ومع ذلك يُنتج المزيد من إعادة العمل. قد تسير عملية سير العمل بسرعة في الخطوة الأولى، ثم تُعاد فتحها لاحقًا. قد يُنشئ نموذجٌ ما مسودةً مُتقنةً، لكن يستغرق تصحيحها وقتًا أطول من المتوقع. قد يُوجّه وكيلٌ ما العمل بسرعة، ومع ذلك يُرسل الاستثناءات إلى المكان الخطأ. قد تُظهر لوحة التحكم مدى التبني، بينما يتجنب الموظفون استخدام الأداة في العمل ذي الأهمية الفعلية. يُثبت الاستخدام التفاعل مع الأداة، لكنه لا يُثبت تحسّن العمل.

لهذا السبب، يجب قياس قيمة الذكاء الاصطناعي بناءً على النتائج. هل تحسّن وقت التنفيذ؟ هل انخفضت نسبة التصحيح؟ هل تراجعت حالات إعادة فتح الملفات؟ هل انخفضت نسبة التصعيد؟ هل استعاد الموظفون قدراتهم؟ هل تحسّنت الجودة؟ هل أصبحت المعرفة قابلة لإعادة الاستخدام؟ هل تعزّزت الحوكمة؟ هل قلّ اعتماد المؤسسة على الذاكرة الفردية؟ إذا لم تُطرح هذه الأسئلة، فقد يكون برنامج الذكاء الاصطناعي يُنتج نشاطًا دون إثبات قيمته.

تظهر المشكلة نفسها في مجال الحوكمة. تمتلك العديد من المؤسسات الآن مبادئ وسياسات ولجانًا وقواعد استخدام مقبولة ومراجعات للمخاطر المتعلقة بالذكاء الاصطناعي. هذا ضروري، ولكنه غير كافٍ. يمكن للسياسة أن تنص على بقاء المسؤولية على عاتق العنصر البشري، ولكن يجب أن يوضح سير العمل مكان وجود هذه المسؤولية. يمكن للسياسة أن تنص على ضرورة مراجعة مخرجات الذكاء الاصطناعي، ولكن يجب أن تحدد العملية الجهة التي تراجعها، والمعيار الذي تستند إليه، والصلاحيات الممنوحة لها، والإجراءات المتخذة في حال كانت المخرجات خاطئة. يمكن للسياسة أن تنص على ضرورة حماية البيانات الحساسة، ولكن يجب أن يوضح نموذج التشغيل البيانات المستخدمة، ومسار تدفقها، ومن يمكنه الاطلاع عليها، والأدلة التي يتم الاحتفاظ بها.

يصبح تطبيق الحوكمة واقعًا ملموسًا في العمل الفعلي، لا مجرد بيان سياسي. وتزداد أهمية هذا الأمر مع انتقال الذكاء الاصطناعي من مجرد تلقي التعليمات إلى التنفيذ الفعلي. إن صياغة مذكرة داخلية بسيطة أمر، واستخراج بيانات الطلبات، وتوجيه طلبات العملاء، والتأثير على سير العمليات المالية، وتحديث السجلات، أو تفعيل الإجراءات أمر آخر. كلما زاد اعتماد سير العمل على الذكاء الاصطناعي، ازدادت حاجة المؤسسة إلى التتبع، وتحديد المسؤولية، ومعالجة الاستثناءات، والتحقق، وقواعد التصعيد. هذا ليس بيروقراطية، بل هو أساس العمل السليم.

ينطبق المنطق نفسه على الموظفين. ففي كثير من برامج الذكاء الاصطناعي، يُعامل الموظفون كمستخدمين بحاجة إلى تدريب، أو جمهور بحاجة إلى طمأنة، أو أرقام استخدام بحاجة إلى تحسين. هذا النهج متأخر جدًا وسطحي. فالأشخاص الأقرب إلى العمل غالبًا ما يمتلكون الحقيقة التشغيلية التي يحتاجها الذكاء الاصطناعي. إنهم يعرفون الحالات الطبيعية وغير الطبيعية، ويعرفون أي حقل في النظام لا يمكن الوثوق به، ويعرفون أي تفاصيل العميل تُغير النتيجة، ويعرفون أي حلول بديلة موجودة لأن العملية الرسمية لا تُناسبها، ويعرفون متى تكون المخرجات المصقولة خاطئة.

إذا لم تُشرك المؤسسة الموظفين بشكل صحيح، فإنها ستُجري عمليات الأتمتة بناءً على صورة غير مكتملة. وإذا أشركتهم بشكل سيئ، فإنها ستُولد انعدام الثقة. سيشعر الموظفون بأن خبراتهم تُستغل لتقليل أهميتهم. سيمتثلون عند الضرورة، لكنهم لن يُوظفوا أفضل ما لديهم من حكمة في عملية التغيير. سيستخدمون الأداة في الأعمال ذات المخاطر المنخفضة، ويحمون العمل الحقيقي بأساليب غير رسمية. هذا ليس مقاومة، بل هو حكمة.

إنّ قصة التبني الأفضل هي الأكثر مصداقية. ينبغي للذكاء الاصطناعي أن يُزيل الأعمال التي لا ينبغي أن تستنزف القدرات البشرية أصلاً، ثم يُوجّه الأفراد نحو التحقق من صحة البيانات، ومعالجة الاستثناءات، والإشراف، وتقييم العملاء، والعمل الاستراتيجي. هذا ما جعل مثال طلب الشراء ذا مغزى. فقد تمّت أتمتة إدخال البيانات المعرفية الروتينية، وانتقل الأفراد إلى العمل الذي تُعدّ فيه الخبرة أساسية. هذه قصة تطور وظيفي موثوقة.

ليس لأن كل الأدوار ستبقى على حالها، فلن تبقى كذلك. وليس لأن الذكاء الاصطناعي لا يؤثر على القوى العاملة، بل له تأثير. ولكن لأن تبنيه يكون أقوى عندما يرى الناس دورًا مستقبليًا جادًا، لا مجرد رسالة براقة عن الكفاءة. وهنا تنهار عادات التحول القديمة. فقد أمضت المؤسسات سنوات في تطبيق أنظمة فوق عمليات غير واضحة. مركزت العمل دون مراعاة الواقع المحلي. أتمتت المهام دون إعادة تصميم سير العمل. دربت المستخدمين دون تغيير منطق الأداء. أعلنت النجاح عند بدء التشغيل بينما استوعب الموظفون الثغرات بهدوء.

يجعل الذكاء الاصطناعي هذا النمط أكثر تكلفة لأنه يخلق وهمًا بأن الآلة قادرة الآن على التعامل مع الغموض. يمكن دعم بعض الغموض، لكن لا يمكن تفويض كل الغموض. يمكن لنموذج قوي أن يُنتج إجابة أولية أفضل، وقد يقلل من بعض التصحيحات، وقد يتعامل مع المزيد من الفروق الدقيقة، وقد يُوسّع نطاق حالات الاستخدام. ولكن إذا لم تفهم المؤسسة طبيعة العمل، فستظل تُعيد اكتشاف المشكلات نفسها بأشكال جديدة.

يصدق هذا الأمر بشكل خاص في المؤسسات العالمية. قد يحمل سير العمل الاسم نفسه في مختلف المناطق، بينما يختلف تطبيقه عمليًا. يرى المركز عملية موحدة، بينما يرى فريق العمل القواعد المحلية، والاختلافات اللغوية، وواقع السوق، وعادات الموافقة، والقيود التنظيمية، وفجوات نضج النظام، والتعامل الخاص بكل عميل. إن تطبيق الذكاء الاصطناعي عالميًا دون مراعاة هذه الجوانب سيبدو فعالًا في خطة البرنامج، ولكنه مكلف في الواقع.

لا يكمن الحل في السماح لكل منطقة بابتكار منطقها الخاص بالذكاء الاصطناعي، لأن ذلك يُؤدي إلى التشتت. بل يكمن الحل في توحيد الجهود مع مراعاة الأدلة المحلية: معايير مشتركة للحوكمة، والخصوصية، والجودة، وقياس القيمة، والاستعداد للأتمتة، إلى جانب معرفة دقيقة بكيفية سير العمل على أرض الواقع. هذا التوازن صعب، ولكنه ضروري.

إنّ جاهزية الذكاء الاصطناعي ليست شهادة، وليست قرارًا يتعلق بمنصة معينة، وليست مجرد نسبة إتمام التدريب. إنما هي قدرة المؤسسة على فهم العمل، وإدارته، وقياسه، وتطويره باستخدام الذكاء الاصطناعي. ولهذا السبب، يفشل الذكاء الاصطناعي المؤسسي حتى قبل أن يصبح النموذج ذا أهمية. يبدأ الفشل عندما تفترض الشركة أن النموذج قادر على تنفيذ ما لم يوضحه نموذج التشغيل. ويبدأ عندما تطلب القيادة من الذكاء الاصطناعي توسيع نطاق عمل لم يُفهم بعد. ويبدأ عندما تُقيّم دراسة الجدوى الاقتصادية الناتج الأولي دون الحل النهائي. ويبدأ عندما يُعامل الأشخاص الأقرب إلى العمل كمستخدمين بحاجة إلى تدريب بدلاً من كونهم مصادر موثوقة للمعلومات التشغيلية.

ليس من الأفضل توخي الحذر لمجرد الحذر، بل من الأفضل أن نكون أكثر دقة. ابدأ بالعمل. اجعل سير العمل الفعلي واضحًا. حدد مواطن الخلل. رصد الاستثناءات. حدد معنى الحل. صمم دور العنصر البشري. أدمج الحوكمة في سير العمل. قِس التكلفة الكاملة للنتيجة. ثم قرر ما يجب أن يفعله الذكاء الاصطناعي.

هذا الترتيب مهم. عندما تتبعه المؤسسات، يصبح الذكاء الاصطناعي أكثر من مجرد طبقة تقنية، بل جزءًا من قدرة تشغيلية أوسع. فهو يُساعد الفرق على العمل بوتيرة أسرع لأن العمل يصبح أكثر وضوحًا، ويُخفف العبء بفصل الأنشطة الروتينية عن التقدير الشخصي، ويدعم التوسع لأن الاستثناءات لا تُعاد اكتشافها في كل مرة، ويُعزز الثقة لأن الموظفين يرون أن النظام يُحسّن العمل بدلًا من إضافة طبقة تصحيح أخرى.

عندما تتجاهل المؤسسات الذكاء الاصطناعي، يصبح مجرد مرآة باهظة الثمن تعكس الارتباك القائم أصلاً. لن يفشل الذكاء الاصطناعي المؤسسي بسبب افتقار المؤسسات للطموح، فالطموح متوفر بكثرة. إنما سيفشل لأن الطموح وُضع فوق واقع تشغيلي لم يُكشف عنه بشكل كافٍ. الميزة التالية ستكون للمؤسسات التي تُمعن النظر قبل التوسع: تقليل المظاهر، وزيادة الأدلة، وتقليل التركيز المفرط على النموذج، وزيادة الانضباط في تحديد الشروط التي تجعل النموذج مفيدًا.

النموذج مهم. لكن النموذج نادراً ما يكون بداية الفشل.

أسئلة وأجوبة

س: ما هو السبب الرئيسي لفشل الذكاء الاصطناعي في المؤسسات؟

ج: عادةً ما تفشل تطبيقات الذكاء الاصطناعي المؤسسي بسبب ضعف الظروف المحيطة بها. قد يكون للنموذج أهمية، لكن الفشل غالباً ما يبدأ قبل ذلك: غموض سير العمل، وضعف الملكية، وعدم إدارة الاستثناءات، وضعف الحوكمة، وقياس القيمة الذي يركز على النشاط بدلاً من النتائج.

س: هل لا تزال جودة النموذج مهمة؟

ج: نعم. جودة النموذج مهمة. لكن حتى النموذج القوي الموضوع ضمن عملية غير واضحة قد لا يُحقق قيمة تجارية تُذكر. يجب على المؤسسة فهم العمل، والمخاطر، ومنطق الاستثناءات، ومعايير الجودة قبل تقييم أداء النموذج بشكل عادل.

س: لماذا يختلف الذكاء الاصطناعي عن طرح التكنولوجيا العادية؟

ج: يتفاعل الذكاء الاصطناعي مع الأحكام المسبقة والسياق والغموض. عادةً ما تتبع البرامج التقليدية قواعد محددة. أما الذكاء الاصطناعي، فيدعم أو يؤثر في كثير من الأحيان على القرارات والتصنيفات والصياغة والتوجيه والتوصيات والإجراءات. وهذا يعني أن المؤسسة بحاجة إلى حوكمة أقوى، ومساءلة أوضح، وشفافية أفضل لكيفية سير العمل فعلياً.

س: ما الذي يجب على القادة قياسه بالإضافة إلى التبني؟

أ: ينبغي على القادة قياس مدى انخفاض الاحتكاك، وجهود التصحيح، ومعدلات إعادة فتح المشكلات، وجهود التصعيد، ووقت الدورة، وجودة الحل، وإعادة استخدام الاستثناءات، والمعرفة المكتسبة، والقدرة الموثوقة التي تم إنشاؤها. فالاستخدام وحده لا يثبت القيمة.

س: ما معنى الحقيقة العملية؟

أ: الحقيقة التشغيلية هي الرؤية الصادقة لكيفية سير العمل فعلياً. وهي تشمل خطوات العملية الرسمية، والحلول البديلة غير الرسمية، والاستثناءات، ونقاط التقييم، وعمليات التسليم، والضوابط، والتأخيرات، وإعادة العمل الخفية. وبدون الحقيقة التشغيلية، يعتمد الذكاء الاصطناعي على الافتراضات بدلاً من القيمة.

س: ما الذي ينبغي على المؤسسات فعله قبل توسيع نطاق استخدام الذكاء الاصطناعي؟

أ: ينبغي عليهم تحديد العمل المحدد الذي يرغبون في تحسينه، والتحقق من كيفية إنجاز هذا العمل فعلياً، وفهم أين تدخل الأحكام والاستثناءات، وتحديد الحوكمة على مستوى سير العمل، وقياس القيمة من خلال النتائج لا النشاط. يجب أن يستند التوسع إلى الأدلة، لا إلى الضغوط.