لماذا يصعب قياس العائد الحقيقي من الذكاء الاصطناعي في الشركات؟

تتوسع الشركات في استخدام الذكاء الاصطناعي بوتيرة سريعة، لكن السؤال الأصعب لم يتغير: هل يحقق هذه الاستثمارات قيمة مالية واضحة أم لا؟ وعلى الرغم من أن كثيراً من المؤسسات تعلن عن مكاسب في السرعة أو تحسين التجربة أو خفض بعض المهام اليدوية، فإن تحويل هذه النتائج إلى عائد استثماري دقيق يظل مهمة شديدة التعقيد.

المشكلة لا تتعلق بالتقنية نفسها فقط، بل بطريقة عمل المؤسسات. فالذكاء الاصطناعي لا يُطبَّق عادة في مهمة منفصلة وبسيطة، بل يدخل إلى سلاسل طويلة من الإجراءات، ويؤثر في أقسام مختلفة، ويتداخل مع أنظمة قديمة وأخرى جديدة. لذلك قد يبدو الأثر إيجابياً في مستوى مهمة واحدة، بينما يظل تأثيره على الربحية الكلية غير واضح.

أحد أكبر أسباب الارتباك في حساب العائد هو أن كثيراً من الشركات تبدأ الاستخدام قبل أن تضع معياراً دقيقاً للمقارنة. فإذا لم تكن هناك بيانات واضحة عن زمن إنجاز المهمة أو معدلات الخطأ أو تكلفة العملية قبل إدخال أدوات الذكاء الاصطناعي، يصبح من الصعب إثبات ما الذي تغيّر بالفعل بعد التطبيق.

في بعض الحالات، تظن الإدارة أنها كانت تقيس الأداء، لكن البيانات لا تعكس ما يحدث فعلياً على الأرض. فالتوثيق الرسمي قد يختلف عن طريقة التنفيذ اليومية، كما أن الموظفين أنفسهم قد ينجزون المهمة نفسها بطرق متعددة. هذا التباين يجعل المقارنة بين ما قبل وما بعد أقل موثوقية مما يبدو على الورق.

وتزداد الصعوبة عندما تكون العملية موزعة على أكثر من فريق أو أكثر من مرحلة زمنية. عندها قد ينجح الذكاء الاصطناعي في تسريع خطوة محددة، لكن تأخر خطوة لاحقة في سلسلة العمل يبدد الفائدة المتوقعة، أو يؤجل ظهورها لسنوات.

في قطاع الصناعات الدوائية، تظهر هذه المعضلة بوضوح. فاختصار أيام أو أسابيع من دورة تطوير دواء قد يترجم إلى ملايين الدولارات، لكن الوصول إلى هذا الاختصار يتطلب تحسين سلسلة كاملة من المهام المتشابكة. وقد تتضمن هذه السلسلة فرقاً مختلفة لا ترى الصورة الكاملة، أو لا تدرك أن مرحلة معينة بدأت تتجهز بالفعل لتسليم تنظيمي أو مراجعة رقابية.

لهذا السبب، قد يبدو المشروع ناجحاً عند النظر إلى جزء واحد منه، لكنه لا يحقق الأثر المتوقع على مستوى الشركة ككل. فالذكاء الاصطناعي يمكن أن يكشف نقاطاً خفية في سير العمل، مثل اختلاف عدد الخطوات بين فريق وآخر في المهمة نفسها، أو الحاجة إلى تدريب إضافي، أو حتى ضرورة تعديل واجهة المستخدم نفسها قبل انتظار أي مكاسب حقيقية.

وفي هذه البيئة، لا يكفي نشر أداة جديدة ثم انتظار التحسن تلقائياً. الشركات التي تحقق فائدة ملموسة هي تلك التي تعيد تعريف العملية، وتوحّد خطواتها، ثم تقارن نتائجها السابقة واللاحقة بمنهجية واضحة.

حتى عندما يثبت الذكاء الاصطناعي أنه يرفع إنتاجية الأفراد، فإن ذلك لا يعني بالضرورة انخفاضاً مباشراً في المصروفات أو زيادة فورية في الإيرادات. في كثير من المؤسسات، لا تنخفض أعداد الموظفين بمجرد تحسن الكفاءة، لأن العمل يتوسع لملء الوقت المتاح، أو لأن الشركة تعيد توجيه القدرات المتحررة نحو مهام إضافية.

هذا منطق معروف في بيئات العمل المعرفي، حيث تخلق السرعة مجالاً لمزيد من الطلب. فبدلاً من أن يغادر الفريق العمل مبكراً، قد يُطلب منه تنفيذ مشروعات أكثر أو معالجة عدد أكبر من الحالات أو رفع جودة المخرجات. وهنا يصبح أثر الذكاء الاصطناعي إيجابياً من منظور التشغيل، لكنه لا يظهر كخفض واضح في بند الأجور.

كما أن بعض القطاعات لا تقيس القيمة بالطريقة نفسها. فالمكاتب القانونية مثلاً قد تستفيد من تسريع البحث والمراجعة والتدقيق، لكن هذا التسريع لا يترجم مباشرة إلى زيادة الربح، لأن نموذج الإيراد نفسه يعتمد على الزمن المبذول في العمل. لذلك قد يكون التحسن التشغيلي حقيقياً، بينما يبقى الأثر المحاسبي معقداً أو حتى متناقضاً.

من السهل نسبياً حساب تكلفة الترخيص أو استخدام نموذج ذكاء اصطناعي، لكن الصورة الحقيقية أوسع من ذلك بكثير. فحين يصبح الذكاء الاصطناعي جزءاً من العمليات الأساسية، تظهر تكاليف أخرى مرتبطة بالبيانات، والبنية التحتية، والتكامل بين الأنظمة، والتخزين، والمراجعات الأمنية، والاختبارات الدورية.

وفي الحالات التي تعتمد على الاسترجاع المعزز بالمصادر أو على الوكلاء الذكيين، تتفاقم المسألة أكثر. فعدد الطلبات المرسلة إلى النماذج اللغوية قد يرتفع بسرعة، وقد تكون الأنظمة القائمة غير مهيأة لمراقبة هذا الاستهلاك بدقة. ومع توسع الاستخدام، يمكن أن تتضاعف الفاتورة من دون أن تدرك الشركة مصدر الزيادة إلا بعد فوات الأوان.

وتبرز أيضاً تكاليف نقل البيانات خارج السحابة، والتجهيزات اللازمة للتدريب أو الضبط الدقيق، والوقت الذي يقضيه الفريق في إصلاح الأخطاء أو اختبار الأداء أو إعادة تصميم العمليات. هذه النفقات قد توضع في ميزانيات مختلفة، ما يجعل احتساب التكلفة الإجمالية الحقيقية أكثر صعوبة من احتساب تكلفة الأداة نفسها.

كلما أصبحت أنظمة الذكاء الاصطناعي أكثر استقلالية، زادت صعوبة القياس والسيطرة. فالأنظمة الوكيلة لا تعمل دائماً بطريقة يمكن التنبؤ بها بسهولة، وقد تولد سلسلة من الطلبات أو القرارات أو التفاعلات التي يصعب ربطها مباشرة بتكلفة واحدة أو بمردود واحد. ولهذا ترى بعض الشركات أن فواتير الذكاء الاصطناعي أصبحت أقل قابلية للضبط مع توسع الأتمتة الذكية.

إلى جانب ذلك، تظهر تكاليف غير مباشرة عندما تُبنى التطبيقات داخلياً بدلاً من شرائها جاهزة. فهناك حاجة إلى تدقيقات أمنية، واختبارات اختراق، ومراجعات برمجية، وتحديثات مستمرة. هذه العناصر قد لا تُحسب عند إطلاق المشروع، لكنها تصبح جزءاً من الصورة النهائية كلما زادت حساسية التطبيق وارتفعت المخاطر المرتبطة به.

كما أن بعض المكاسب قد تقود إلى عبء عمل جديد بدلاً من توفير مباشر. فعندما يصبح الفريق أكثر قدرة على الإنجاز، تتراكم أمامه فرص أكثر، ومهام أكثر، ومشروعات مؤجلة أكثر. بذلك يتحول التحسن في الإنتاجية إلى توسع في نطاق العمل، لا إلى تقليص في الإنفاق.

رغم كل هذه الصعوبات، هناك مجالات تظهر فيها النتائج بوضوح أكبر من غيرها. فخدمة العملاء، وأتمتة إدخال البيانات، ومراقبة الامتثال، وكشف الاحتيال، والصيانة التنبؤية، كلها حالات يمكن فيها تتبع الأثر بطريقة أدق، لأن المدخلات والمخرجات أكثر انتظاماً ويمكن قياسها رقمياً.

أما في الإنتاجية العامة للموظفين، فالمعادلة أصعب بكثير. فحتى لو أظهرت المؤشرات أن الاستخدام ازداد، فإن الربط المباشر بين الاستخدام والنتيجة النهائية ليس مضموناً. كما أن آثار الذكاء الاصطناعي قد تظهر على المدى الطويل، خصوصاً في القطاعات التي تتطلب دورات عمل طويلة أو قرارات تمتد نتائجها لسنوات.

بمعنى آخر، العائد ليس غائباً بالضرورة، لكنه يتطلب نهجاً مختلفاً: تحديد خط أساس، وقياساً متكرراً، وربطاً بين الأداء التشغيلي ونتائج الأعمال، وفهماً بأن التقنية وحدها لا تصنع القيمة. القيمة تظهر عندما تُستخدم داخل عملية محسوبة، ومقاسة، ومُدارة على مستوى المؤسسة كلها.

صعوبة قياس العائد من الذكاء الاصطناعي لا تعني أن الاستثمار فيه بلا فائدة، بل تعني أن الفائدة لا تأتي دائماً في صورة سهلة أو سريعة أو مباشرة. ففي كثير من الأحيان، تكون القيمة موزعة بين تحسينات صغيرة، وتكاليف خفية، وإعادة تنظيم داخلية، ونتائج لا تُرى إلا بعد وقت طويل.

ولهذا، فإن السؤال الأهم للشركات ليس ما إذا كان الذكاء الاصطناعي مفيداً أم لا، بل كيف يمكن قياس هذا الأثر بدقة، وما الذي يجب تغييره في العمليات والأنظمة والحوكمة حتى يتحول الاستخدام إلى قيمة قابلة للإثبات. من دون ذلك، سيبقى الذكاء الاصطناعي ناجحاً في الخطاب أكثر من كونه قابلاً للحساب.