أصبح الذكاء الاصطناعي متاحاً على نطاق واسع داخل الشركات، لكن كثيراً من المؤسسات لا تزال تتعثر عند نقطة أساسية: تحويل هذه القدرات إلى نتائج فعلية يشعر بها العملاء والموظفون. المشكلة، وفق هذا المنطق، لم تعد في توفر النماذج أو كثرة الأدوات، بل في غياب نموذج تشغيل يربط التقنية بسير العمل والمسؤولية والقياس.
هذا التحول في زاوية النظر مهم لأنه يفسر لماذا تنجح بعض الشركات في تحقيق أثر تشغيلي واضح، فيما تبقى أخرى عالقة في مرحلة التجارب. فالمؤسسة قد تشتري مساعداً رقمياً للمبيعات، وأداة تلخيص للدعم، ومحركاً تحليلياً للتسويق، لكنها تظل تواجه التشتت ذاته إذا لم تكن هذه الأدوات جزءاً من منظومة واحدة تدير التجربة من البداية إلى النهاية.
من وفرة القدرات إلى ندرة التنفيذ
في عام 2026، لم يعد السؤال في أغلب المؤسسات: هل لدينا ذكاء اصطناعي؟ بل: هل نعرف كيف نستخدمه بطريقة متصلة وقابلة للقياس؟ كثير من الشركات أنفقت على حلول متعددة من مزودين مختلفين، لكن هذا التراكم التقني لم يتحول تلقائياً إلى قيمة أعمال. والسبب أن كل أداة غالباً ما تم تحسينها داخل نطاقها الضيق، بينما بقيت نقاط التسليم بين الأنظمة بلا مالك واضح.
تظهر هذه الفجوة بوضوح عندما تنتقل الشركة من مرحلة التجربة إلى الإنتاج. في التجارب، تبدو النتائج مشجعة، لكن عند التشغيل الفعلي تبدأ الأسئلة الصعبة: من المسؤول عن القرار؟ أين تُخزن البيانات؟ من يراقب الجودة؟ وكيف يقاس الأثر على العميل أو على الإيرادات؟ عند هذه النقطة، يتضح أن امتلاك الأداة شيء، وبناء القدرة المؤسسية على دمجها شيء آخر تماماً.
لماذا تفشل معظم المبادرات المؤسسية
تتكرر داخل السوق أسباب عديدة تفسر تعثر مشاريع الذكاء الاصطناعي، مثل ضعف جودة البيانات أو بطء التغيير الداخلي أو نقص المهارات. وهذه عوامل حقيقية بلا شك، لكنها لا تكفي وحدها لتفسير الصورة الكاملة. كثير من المبادرات تتعثر لأن هناك انفصالاً بين من يضع الاستراتيجية ومن ينفذها.
في النموذج التقليدي، قد تُصاغ خارطة طريق ممتازة ثم تُسلَّم إلى فريق آخر بعد أسابيع أو أشهر. ومع مرور الوقت، تصبح بعض الافتراضات قديمة، بينما يفقد منفذو المشروع السياق الذي بُنيت عليه التوصيات الأولى. النتيجة هي فجوة بين التصميم والتنفيذ، وهي فجوة تزداد اتساعاً كلما كبر عدد الفرق والموردين والمنصات.
هذه المشكلة لا تتعلق بالتخطيط فقط، بل بالملكية التشغيلية. فإذا لم تكن هناك جهة واحدة مسؤولة عن تجربة كاملة تمتد عبر الأنظمة المختلفة، فإن الذكاء الاصطناعي سيبقى محصوراً داخل كل أداة على حدة، بدلاً من أن يعمل كطبقة تنسيق ترفع كفاءة المنظومة بأكملها.
نموذج تشغيل جديد يقوم على التكامل
يستند ما يمكن وصفه بـ"الذكاء المطبق" إلى فكرة بسيطة: اجعل الاستراتيجية والهندسة والعمل التشغيلي جزءاً من دورة واحدة. فبدلاً من أن تُكتب التوصيات في عزلة ثم تُنقل لاحقاً إلى فرق التنفيذ، يجري تطويرها منذ البداية مع مراعاة القيود التقنية وآليات العمل ومقاييس الأداء.
ويعتمد هذا النموذج على ثلاثة مبادئ تشغيلية أساسية. أولها الجمع بين التفكير الاستراتيجي والتنفيذ الهندسي ضمن إطار واحد، حتى لا تصبح الخطة وثيقة نظرية بعيدة عن الواقع. وثانيها إشراك الإدارة العليا والعاملين على الأرض في الوقت نفسه، لأن التبني الفعلي لا يحدث في النهاية بل بالتوازي مع التصميم. وثالثها التركيز على مكاسب واضحة خلال 90 يوماً بدلاً من انتظار تحول شامل قد يستغرق عاماً أو أكثر.
الهدف هنا ليس إطلاق مشروع ضخم جديد، بل بناء قدرة تراكمية. كل دورة قصيرة تعالج نقطة تسليم واحدة أو عملية واحدة، ثم تقيس ما تغير فعلاً. ومع تكرار هذه الدورات، تبدأ المؤسسة في تكوين خبرة تشغيلية قابلة للتوسع، بدلاً من الاكتفاء بمشاريع معزولة لا تتعلم من بعضها بعضاً.
أمثلة من قطاعات مختلفة
تظهر أهمية نموذج التشغيل المتكامل في قطاعات متعددة. في الخدمات المالية، ظلت بعض المؤسسات لسنوات تطلب من العملاء المعلومات نفسها أكثر من مرة لأن مسار التحقق من الهوية ومسار فتح الحساب لم يكونا منسقين بالشكل المطلوب. وعندما جرى إصلاح نقطة الربط بين هذين المسارين، انخفضت حالات انسحاب العملاء وتقلص الوقت اللازم للوصول إلى الحساب الممول بصورة ملحوظة. التقنية نفسها لم تتغير كثيراً، لكن تصميم التجربة هو الذي تحسن.
وفي قطاع الضيافة، واجهت الشركات المشكلة ذاتها: نزيل يحجز الغرفة ثم يصل إلى الفندق ليجد أن النظام لا يتعامل مع الحجز بوصفه جزءاً من تجربة موحدة. المؤسسات التي نجحت في حل ذلك لم تعتمد فقط على منصة أفضل، بل على توزيع واضح للمسؤولية بين أنظمة الحجز وإدارة المنشأة وبرامج الولاء ضمن مسار واحد يخدم الضيف.
أما في القطاع الصحي، فقد أظهرت حالة تشغيلية داخلية على نطاق واسع أن نموذجاً لغوياً أو تصنيفياً يمكن أن يحقق أثراً كبيراً إذا وُضع داخل سير عمل متكامل. في إحدى الحالات المنشورة في دراسة محكمة، أدى استخدام نموذج يعتمد على BERT لفرز رسائل المرضى في بوابة إلكترونية إلى خفض وقت قراءة الرسائل عالية الحساسية بنسبة تراوحت بين 44 و67 في المئة. الدرس الأهم هنا ليس في النموذج وحده، بل في البيئة التشغيلية التي سمحت له بأن يعمل داخل عملية واضحة ومقاسة.
من المشروع إلى الممارسة
أكثر برامج الذكاء الاصطناعي نضجاً داخل المؤسسات تشبه الممارسة التشغيلية المستمرة أكثر من كونها مشروعاً ضخماً ينتهي بتاريخ محدد. فبدلاً من السعي إلى إصلاح كل شيء دفعة واحدة، تختار هذه المؤسسات نقطة احتكاك واحدة وتعيد تصميمها، ثم تنتقل إلى التالية. بهذه الطريقة، يصبح التعلم جزءاً من العمل اليومي، لا مرحلة لاحقة بعد التنفيذ.
هذا النهج يغيّر أيضاً طريقة قياس النجاح. فبدلاً من الاكتفاء بمؤشرات النشاط مثل عدد التجارب أو عدد المستخدمين المسجلين في الأداة، تبدأ المؤسسة في متابعة المقاييس عند نقاط التسليم نفسها: سرعة الاستجابة، دقة القرار، تقليص الوقت، وتحسن التجربة النهائية للعميل. حينها فقط يمكن القول إن الذكاء الاصطناعي أصبح جزءاً من أداء المؤسسة، لا مجرد طبقة تقنية مضافة.
كما أن هذا النموذج يساعد في سد الفجوة بين التوسع في الوصول إلى أدوات الذكاء الاصطناعي وبين تحويل هذه الأدوات إلى إنتاج فعلي. فالكثير من الشركات زادت إتاحة الحلول لموظفيها، لكن نسبة أقل بكثير نجحت في نقل التجارب إلى بيئة تشغيل مستقرة. المشكلة ليست في الإتاحة، بل في الانضباط المؤسسي الذي يحول الإتاحة إلى قيمة.
القيمة المستقبلية ستذهب إلى من يضبط التشغيل
الدرس الأوسع لقطاع التقنية واضح: الذكاء الاصطناعي لا يصلح بالضرورة أنظمة العمل المعيبة، لكنه يضاعف آثارها. وإذا كان النظام مرتبكاً أو مفصولاً بين الفرق والمنصات، فإن الأتمتة ستجعل هذا الارتباك أسرع. أما إذا كانت المؤسسة قد بنت مساراً واضحاً للمسؤولية والبيانات والقياس، فإن الذكاء الاصطناعي سيضاعف الكفاءة والاتساق.
لهذا يبدو أن الفارق الحقيقي في المرحلة المقبلة لن يكون في من يمتلك أكبر عدد من النماذج، بل في من يمتلك أفضل نموذج تشغيل. الشركات التي تستثمر اليوم في التكامل بين الاستراتيجية والهندسة والعمليات ستكون الأقرب إلى تحقيق عائد مستدام من استثماراتها التقنية، لأن القيمة في الذكاء الاصطناعي لا تُقاس بما تملكه المؤسسة من أدوات، بل بما تستطيع أن تنجزه بها داخل الواقع التشغيلي.
وبهذا المعنى، لم يعد التحدي تقنياً بحتاً. التحدي أصبح تنظيمياً وتشغيلياً في المقام الأول، وهو ما سيحدد من يحول الذكاء الاصطناعي إلى ميزة تنافسية، ومن يظل عالقاً عند حدود التجريب.