استراتژی هوش مصنوعی سازمان: چرا بی‌برنامگی از خود هوش مصنوعی خطرناک‌تر است

«هوش مصنوعی خطرناک نیست؛ بی‌برنامگی خطرناک است.» این جمله شاید شعاری به نظر برسد، اما داده‌های سال‌های اخیر دقیقاً همین را نشان می‌دهد. سازمان‌هایی که بدون هدف روشن، بدون مالک و بدون قاعده سراغ هوش مصنوعی رفته‌اند، دو هزینه داده‌اند: پولی که به نتیجه نرسید و ریسکی که کسی مدیریتش نکرد.

شواهد: بیشتر پروژه‌ها به نتیجه نمی‌رسند

• MIT: گزارش «شکاف هوش مصنوعی مولد» پروژه‌ی NANDA در MIT (۲۰۲۵) بر پایه‌ی مصاحبه‌ها، نظرسنجی و بررسی صدها پیاده‌سازی، برآورد کرد حدود ۹۵٪ سازمان‌ها از سرمایه‌گذاری‌شان در هوش مصنوعی مولد هنوز بازده قابل‌اندازه‌گیری در سود و زیان ندیده‌اند. به گفته‌ی این گزارش، مشکل اصلی کیفیت مدل‌ها نبود؛ نبودِ یکپارچگی با فرایندهای کاری و ابزارهایی بود که از کار یاد نمی‌گرفتند.
• گارتنر: در ژوئیه ۲۰۲۴ پیش‌بینی کرد دست‌کم ۳۰٪ پروژه‌های هوش مصنوعی مولد تا پایان ۲۰۲۵ پس از مرحله‌ی اثبات مفهوم کنار گذاشته می‌شوند؛ به دلایلی مثل کیفیت پایین داده، کنترل ناکافی ریسک، افزایش هزینه‌ها یا ارزش کسب‌وکاری نامشخص.
• مک‌کنزی: گزارش State of AI (۲۰۲۵) از میان ۲۵ ویژگی سازمانی که بررسی کرد، بازطراحی فرایندهای کاری را مهم‌ترین عامل در دیدن اثر مالی از هوش مصنوعی مولد یافت؛ و نظارت مدیرعامل بر حاکمیت AI را یکی از عوامل همبسته با نتیجه‌ی بهتر.

خلاصه: فناوری کار می‌کند؛ سازمان‌ها برای استفاده از آن برنامه ندارند.

بی‌برنامگی چه شکلی دارد؟

• خرید اشتراک ابزار برای همه، بدون مشخص کردن اینکه قرار است کدام کار بهتر شود.
• ده‌ها پروژه‌ی آزمایشی پراکنده در واحدهای مختلف، بدون معیار موفقیت و بدون تصمیم درباره‌ی ادامه یا توقف.
• هیجان مدیریت پس از یک همایش، و فراموشی سه ماه بعد.
• استفاده‌ی گسترده‌ی کارکنان از ابزارهای شخصی، بدون سیاست (Shadow AI).
• پروژه‌ای که به داده‌ی مشتری وصل می‌شود، بدون اینکه کسی ریسکش را ارزیابی کرده باشد.

و پیامدش: هزینه بدون بازده، به‌علاوه‌ی ریسکی که ناگهان به یک رخداد تبدیل می‌شود. گزارش IBM ۲۰۲۶ میانگین هزینه‌ی نشت داده را ۴٫۹۹ میلیون دلار اعلام کرده است؛ یک پروژه‌ی بی‌برنامه‌ی AI می‌تواند با یک رخداد، کل بودجه‌ی سالانه‌ی نوآوری را ببلعد.

استراتژی هوش مصنوعی در یک صفحه

استراتژی هوش مصنوعی لازم نیست سندی صدصفحه‌ای باشد. باید به شش سؤال جواب دهد:

۱. چرا؟ (هدف کسب‌وکاری)

هوش مصنوعی قرار است کدام مسئله‌ی مشخص کسب‌وکار را حل کند؟ «کاهش ۳۰ درصدی زمان پاسخ به مشتری» هدف است؛ «استفاده از هوش مصنوعی» هدف نیست. ISO/IEC 42001 هم در بند ۶٫۲ تعیین اهداف قابل‌سنجش برای هوش مصنوعی را الزامی می‌داند.

۲. کجا؟ (اولویت کاربردها)

فهرست کاربردهای ممکن را بر اساس دو محور مرتب کنید: ارزش (چقدر اثر دارد) و ریسک (اگر اشتباه کند چه می‌شود). از کاربردهای «ارزش بالا، ریسک پایین» شروع کنید؛ مثل خلاصه‌سازی اسناد داخلی غیرمحرمانه یا پیش‌نویس محتوا با بازبینی انسانی.

۳. چطور؟ (بازطراحی فرایند)

برای هر کاربرد، فرایند را دوباره طراحی کنید: کدام مرحله با AI انجام می‌شود، کجا انسان بازبینی می‌کند، خروجی کجا می‌رود. همان چیزی که مک‌کنزی مهم‌ترین عامل موفقیت یافت.

۴. چه کسی؟ (مالکیت)

یک مالک برای کل برنامه و یک مالک برای هر کاربرد. (مسئول حاکمیت هوش مصنوعی)

۵. با چه قاعده‌ای؟ (حاکمیت و ریسک)

سیاست استفاده، ارزیابی ریسک برای کاربردهای مهم، نقاط تأیید انسانی. این بخش، ترمز نیست؛ فرمان است. طبق گزارش استنفورد ۲۰۲۶، سهم سازمان‌هایی که هیچ سیاست هوش مصنوعی مسئولانه ندارند در یک سال از ۲۴٪ به ۱۱٪ رسیده؛ رقبای شما در حال ساختن همین زیرساخت‌اند. (راهنمای جامع حاکمیت هوش مصنوعی)

۶. چطور می‌سنجیم؟ (شاخص و تصمیم)

برای هر پروژه‌ی آزمایشی، از روز اول مشخص کنید چه نتیجه‌ای یعنی «ادامه» و چه نتیجه‌ای یعنی «توقف». پروژه‌ی آزمایشی بی‌پایان، بی‌برنامگی است با اسم محترمانه.

یک برنامه‌ی ۹۰ روزه برای شروع

دوره	اقدام
روز ۱ تا ۳۰	فهرست استفاده‌های فعلی، تعیین مالک، سیاست یک‌صفحه‌ای، انتخاب ۲ تا ۳ کاربرد اولویت‌دار
روز ۳۱ تا ۶۰	اجرای آزمایشی کاربردهای منتخب با بازطراحی فرایند و شاخص مشخص؛ آموزش کارکنان درگیر
روز ۶۱ تا ۹۰	سنجش نتایج، تصمیم ادامه یا توقف، و برنامه‌ریزی موج بعدی

جمع‌بندی

سازمان‌هایی که از هوش مصنوعی نتیجه می‌گیرند، لزوماً بهترین ابزار یا بیشترین بودجه را ندارند؛ برنامه دارند: هدف روشن، مالک مشخص، فرایند بازطراحی‌شده و قاعده‌ای که ریسک را کنترل می‌کند. برای ۷ سؤالی که مدیریت ارشد باید به آن‌ها پاسخ دهد، مقاله‌ی هوش مصنوعی برای مدیران را ببینید.