جدول المحتويات
تفشل مشاريع الذكاء الاصطناعي الصناعي في الغالب لأسباب تنظيمية وأسباب تتعلق بالبيانات، لا لأن الخوارزمية خاطئة. والأسباب الشائعة هي: مشكلة غامضة تُقاس بمؤشر نجاح خاطئ، وبيانات غير جاهزة، ومشاريع تجريبية لم تُصمَّم للإنتاج، وتكامل ضعيف مع أنظمة المصنع، ومشغلون لا يستخدمون المخرجات، ونماذج تنجرف بعد التشغيل.
أهم النقاط
- وفق تقديرات تذكرها RAND، يفشل أكثر من 80% من مشاريع الذكاء الاصطناعي، أي نحو ضعف معدل مشاريع تقنية المعلومات التي لا تتضمن ذكاءً اصطناعيًا. وفي مقابلات RAND كان سوء فهم المشكلة السبب الأكثر شيوعًا.
- في 2019 أفاد المنتدى الاقتصادي العالمي وMcKinsey بأن أكثر من 70% من الشركات الصناعية عالقة في «مطهر المشاريع التجريبية» مع تقنيات الثورة الصناعية الرابعة.
- تنسب BCG نحو 70% من صعوبات تنفيذ الذكاء الاصطناعي إلى الأفراد والعمليات، و20% إلى التقنية، و10% فقط إلى الخوارزميات.
- بيانات المصانع «وفيرة غالبًا لكنها فقيرة في المعلومات» (Lawrence et al., 2024)، والأمثلة المعنونة مثل نتائج المختبر أو الأعطال المسجلة نادرة.
- تفقد النماذج دقتها عندما تتغير العملية. وتدعو الإرشادات المشتركة التي تقودها CISA إلى المراقبة وآليات الرجوع الآمن وتدريب المشغلين.
ما مدى تكرار فشل مشاريع الذكاء الاصطناعي الصناعي؟
لا يوجد معدل فشل موثوق للذكاء الاصطناعي الصناعي، ولم نجد أي معدل خاص بالجزائر أو بمنطقة الشرق الأوسط وشمال إفريقيا. والأرقام المتاحة مصدرها استطلاعات ومقابلات، ولكل منها تعريفه الخاص للفشل.
- RAND (2024) تذكر تقديرات تفيد بأن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل. أما بحثها نفسه فنوعي: مقابلات مع 65 من علماء البيانات والمهندسين لديهم خمس سنوات خبرة على الأقل (Ryseff et al., RAND).
- المنتدى الاقتصادي العالمي وMcKinsey (2019) وجدا أن 29% فقط من الشركات الصناعية كانت تنشر تقنيات الثورة الصناعية الرابعة على نطاق واسع، وأن 30% لم تبدأ أي مشروع تجريبي بعد. ويشمل ذلك التقنيات الرقمية للتصنيع عمومًا، لا الذكاء الاصطناعي وحده (WEF, 2019).
- BCG (2024) استطلعت آراء 1000 من كبار المسؤولين في 59 دولة، ووجدت أن 74% من الشركات لم تحقق بعد قيمة ملموسة من استخدامها للذكاء الاصطناعي (BCG).
اقرؤوا هذه الأرقام تحذيرًا لا توقعًا. والقاسم المشترك بينها أن معظم المشاريع تتعثر بين عرض تجريبي ناجح والاستخدام اليومي.
ما الأسباب الأكثر شيوعًا؟
| السبب | كيف يظهر في الموقع | علامة إنذار مبكر |
|---|---|---|
| مشكلة غامضة أو مؤشر خاطئ | نموذج دقيق لا يغيّر أي قرار | لا أحد يستطيع تسمية مؤشر الأداء (KPI) الذي سيحسّنه المشروع |
| بيانات غير جاهزة | أشهر تُقضى في البحث عن الوسوم (tags) وتنظيفها ومزامنتها | نتائج المختبر أو سجلات الأعطال على الورق أو في جداول بيانات |
| اختيار التقنية قبل المشكلة | «نحتاج إلى LLM» أو «نحتاج إلى توأم رقمي» كنقطة انطلاق | لم تُقارن أي طريقة أبسط |
| مشروع تجريبي غير مصمَّم للإنتاج | عرض تجريبي على الحاسوب المحمول لمهندس واحد | لا مسؤول ولا ميزانية ولا بنية تحتية لما بعد المشروع التجريبي |
| غياب التكامل مع أنظمة المصنع | المشغلون ينسخون القيم من شاشة إلى أخرى | لا واجهة محددة مع قاعدة البيانات التاريخية (historian) أو DCS أو ERP |
| المشغلون لا يستخدمونه | توصيات تُتجاهل أو تُعطَّل | لم يُشرَك المشغلون في تحديد حالة الاستخدام |
| الانجراف بعد التشغيل | تتراجع الدقة بعد أشهر، إثر تغيير في العملية أو اللقيم | لا أحد مكلَّف بمراقبة النموذج |
تغطي الأسباب الجذرية الخمسة التي حددتها RAND جزءًا كبيرًا من هذا الجدول: مشكلة أُسيء فهمها، وبيانات ناقصة، وتقديم التقنية على المستخدمين، وبنية تحتية غير كافية، ومشكلات أصعب من أن يحلها الذكاء الاصطناعي (RAND). وتضيف الصناعة إليها التكامل مع التقنيات التشغيلية (OT)، وثقة المشغلين، وانجراف العملية.
لماذا تُغرق المشكلة الغامضة المشروع؟
وجدت RAND أن سوء فهم المشكلة أو سوء التواصل بشأنها هو السبب الأكثر شيوعًا لفشل مشاريع الذكاء الاصطناعي. فتُنشر نماذج «مُحسَّنة وفق مؤشرات خاطئة» أو لا تنسجم مع سير العمل في المؤسسة (RAND).
دقة النموذج ليست قيمة تجارية. فدراسة مسحية لعمليات نشر التعلم الآلي تصف كيف وجدت Booking.com، بعد نشر 150 نموذجًا، أن تحسّن أداء النماذج لم يتحول دائمًا إلى قيمة تجارية، ويعود ذلك جزئيًا إلى أن المؤشرات الوسيطة لم تتحول إلى المؤشر التجاري (Paleyes et al., 2022). وما يقابل ذلك في المصنع نموذج يتنبأ جيدًا بمتغير نوعي لكنه لا يقلّل المنتج خارج المواصفات، لأن أحدًا لا يغيّر نقطة الضبط بناءً عليه.
حدّدوا المؤشر قبل النموذج. فالقاعدة رقم 2 في Rules of Machine Learning من Google هي: «صمّموا المؤشرات ونفّذوها أولًا». سمّوا القرار الذي سيغيّره النموذج، ومن يتخذه، والمرجع الحالي. ويحوّل دليلنا لبناء دراسة جدوى للذكاء الاصطناعي ذلك إلى أرقام.
لماذا نادرًا ما تكون بيانات المصنع جاهزة؟
تصف دراسة مسحية للتعلم الآلي في الصناعات التحويلية بيانات العملية بأنها «وفيرة غالبًا لكنها فقيرة في المعلومات» بسبب الاضطرابات والقيم الشاذة والقيم المفقودة (Lawrence et al., 2024). وتعدّ نقص البيانات المعنونة التحدي الرئيسي في تطوير المستشعرات البرمجية، إذ تؤخذ عينات المتغيرات النوعية غالبًا مرة في كل وردية من 8 ساعات أو مرة في اليوم.
وتضيف الإرشادات التي تقودها CISA صوامع البيانات الناتجة عن الفصل بين شبكات OT وIT، والبروتوكولات المغلقة، وتعدد الموردين، وصعوبة رصد الحالات الحدّية المتعلقة بالسلامة، التي «تستلزم خبرة مشغلي OT» (CISA et al., 2025). وسجلات الأعطال ثغرة شائعة: فنموذج التنبؤ بالأعطال يحتاج إلى أمثلة على أعطال، والمصنع الذي يُصان جيدًا قليل الأعطال.
تحققوا من ذلك قبل توقيع أي شيء. فـتقييم الجاهزية للذكاء الاصطناعي يقيّم قاعدة البيانات التاريخية وتسمية الوسوم والسجلات.
هل الذكاء الاصطناعي هو الأداة المناسبة أصلًا؟
السببان الثالث والخامس عند RAND هما ملاحقة أحدث تقنية بدل مشكلة المستخدم، وتطبيق الذكاء الاصطناعي على مشكلات أصعب منه (RAND). وتطلب الإرشادات التي تقودها CISA من المشغّلين تقييم ما إذا كان الذكاء الاصطناعي هو الحل الأنسب، والنظر في «ما إذا كانت قدرة قائمة ومجرّبة تلبي احتياجاتهم» قبل اللجوء إلى ذكاء اصطناعي أعقد (CISA et al., 2025).
في مصنع العمليات، قد تكون هذه القدرة القائمة حلقة تحكم مضبوطة بشكل أفضل، أو مراجعة للإنذارات، أو حسابًا قائمًا على المبادئ الأولى، أو قاعدة ثابتة. والقاعدة رقم 1 في دليل Google هي: «لا تخشَ إطلاق منتج دون تعلم آلي» (Google). وإذا قطعت طريقة بسيطة معظم الطريق، فإنها تصبح أيضًا المرجع الذي يجب أن يتفوق عليه الذكاء الاصطناعي.
لماذا لا تصل المشاريع التجريبية إلى الإنتاج أبدًا؟
وجد المنتدى الاقتصادي العالمي أن المشاريع التجريبية «طويلة جدًا و/أو معقدة جدًا في الغالب»: إذ أفاد 56% من المشاركين بمشاريع تجريبية تمتد من سنة إلى سنتين، و28% بمشاريع تتجاوز سنتين. وواجهت الشركات صعوبة في التوسع بسبب صعوبة التوافق على القيمة والعائد على الاستثمار، وعدم اليقين بشأن القيمة، وكلفة التنفيذ والتوسع (WEF, 2019).
ويعود جزء من السبب إلى أن النموذج هو الجزء الصغير. ففي ورقة كثيرة الاستشهاد عن الدَّين التقني في أنظمة التعلم الآلي، يشير مهندسون من Google إلى أن «جزءًا صغيرًا فقط من أنظمة التعلم الآلي الفعلية يتكون من شيفرة التعلم الآلي»، وأن البنية التحتية المحيطة بها «واسعة ومعقدة» (Sculley et al., 2015). ويصف دليل MLOps من Google Cloud المرحلة الأقل نضجًا بأنها عملية يدوية تعتمد على السكربتات، بإصدارات متباعدة ودون مراقبة فعلية للأداء (Google Cloud).
وتوصي RAND بالاستثمار المسبق في البنية التحتية لحوكمة البيانات ونشر النماذج، وبتكليف فريق بمشكلة واحدة لمدة سنة على الأقل (RAND). أدرجوا مرحلة الإنتاج في خطة المشروع التجريبي: من يستضيف النموذج، ومن يصونه، وكم يكلف بعد السنة الأولى. ويفصّل مقالنا عن كلفة مشروع الذكاء الاصطناعي الصناعي هذه التكاليف.
لماذا يعرقل التكامل مع أنظمة OT المشاريع؟
النموذج الذي لا يستطيع قراءة البيانات الحية، ولا إيصال مخرجاته إلى حيث يعمل المشغلون، يبقى مجرد تقرير. كما أن ربطه بقاعدة البيانات التاريخية أو بنظام DCS أو SCADA يعبر الحدود التي تحمي شبكة التحكم. وتوصي الإرشادات التي تقودها CISA بمعماريات قائمة على الدفع (push)، تُدفع فيها البيانات إلى خارج شبكة OT دون وصول دائم إليها، وبأن تمر مسارات الاتصال الجديدة عبر المنطقة المنزوعة السلاح (DMZ) أو خادم القفز (jump host) القائمين، وباختبار أنظمة الذكاء الاصطناعي من حيث آثارها على السلامة مثل زمن الاستجابة، كأي نظام OT جديد (CISA et al., 2025).
أشركوا مهندسي OT وفريق الأمن السيبراني من الأسبوع الأول، لا بعد المشروع التجريبي. راجعوا مقال دمج الذكاء الاصطناعي مع أنظمة SCADA وOT.
لماذا يتجاهل المشغلون المخرجات؟
تلاحظ الدراسة المسحية لحالات النشر أن التعلم الآلي «كثيرًا ما يُستقبل بحذر من المستخدمين النهائيين»، وأن بناء الثقة يتطلب استثمار الوقت، وأن إشراك الجمهور المستهدف مبكرًا وسيلة فعالة لتحقيق ذلك (Paleyes et al., 2022).
وتحذّر الإرشادات التي تقودها CISA أيضًا من الخطر المعاكس: اعتماد مفرط يُضعف المهارات اليدوية، وفجوات في المهارات تجعل الموظفين يسيئون تفسير مخرجات الذكاء الاصطناعي. وتوصي بتدريب فرق OT على تفسير هذه المخرجات والتحقق منها، وبإجراءات تشغيل تغطي العمليات المرتبطة بالذكاء الاصطناعي، وبآليات أمان تعيد العمل إلى الأتمتة التقليدية أو التشغيل اليدوي. ولأسباب تتعلق بالسلامة، تنصح بالحد من التحكم الفعلي في أنظمة OT بواسطة الذكاء الاصطناعي دون إنسان في الحلقة (CISA et al., 2025).
عمليًا، يميل المشغلون أكثر إلى استخدام أداة شاركوا في تحديدها، وتشرح سبب توصياتها، ويمكنهم إيقافها.
لماذا تتراجع النماذج بعد التشغيل؟
يتعلم النموذج المصنع كما كان. وتعدّ الإرشادات التي تقودها CISA الانجراف خطرًا: فالنماذج «قد تصبح أقل دقة مع الوقت» عندما تتلقى بيانات غير ممثَّلة في بيانات تدريبها، كما أن التعديلات على عمليات الإنتاج قد تؤثر في أدائها (CISA et al., 2025). ويمكن أن ينتج ذلك عن تقادم المحفّز، أو لقيم أو خليط خام جديد، أو جهاز قياس مستبدل، أو مشروع لإزالة الاختناقات.
ويوصي دليل Google Cloud بالمراقبة الفعلية لجودة النموذج في الإنتاج وإعادة تدريبه على بيانات حديثة (Google Cloud). وفي النموذج الصناعي يعني ذلك مسؤولًا محددًا، ومقارنة بنتائج المختبر أو الفحص وفق جدول ثابت، وخطة رجوع واضحة. ويبيّن دليلنا عن المستشعرات البرمجية ذلك لنوع واحد من النماذج.
كيف نفحص المشروع قبل انطلاقه؟
- صياغة المشكلة على شكل قرار. أي قرار سيتغير، ومن يتخذه، وأي مؤشر أداء سيتحسن، وما المرجع الحالي.
- المقارنة بطريقة أبسط. قاعدة، أو حساب، أو ضبط أفضل للتحكم. وإذا كانت كافية، فالتوقف عندها.
- تدقيق البيانات. تغطية قاعدة البيانات التاريخية، واتساق الوسوم، وعدد الأمثلة المعنونة (نتائج المختبر، الأعطال) وطوابعها الزمنية.
- إشراك المستخدمين. يساعد المشغلون وفريق الصيانة ومهندسو العمليات في تحديد المخرجات وطريقة عرضها.
- الاتفاق كتابيًا على بروتوكول المشروع التجريبي. المرجع، والمؤشر، وفترة الاختبار، وعتبة النجاح، والمدة، قبل البدء. ويعدّد دليلنا لاختيار المورّد الأسئلة التي تُطرح على الموردين.
- تصميم مسار الإنتاج. الاستضافة، ومسار التكامل عبر DMZ، والمراجعة الأمنية، والميزانية بعد السنة الأولى.
- تعيين مسؤول لما بعد التشغيل. المراقبة، ومعايير إعادة التدريب، وخطة الرجوع، ومن يملك صلاحية الإيقاف.
ويقدّم إطار NIST لإدارة مخاطر الذكاء الاصطناعي (AI RMF)، الصادر في يناير 2023 للاستخدام الطوعي، بنية أشمل لإدارة هذه المخاطر.
ما الذي لاحظناه في KABAS AI
مشروعانا المنشوران مشروعا بحث وتطوير، لا عمليات نشر في غرف التحكم، لكنهما يتبعان ترتيب العمل الموصوف أعلاه. ففي ENAD Shymeca بدأ المشروع بمرحلة استكشاف مع فريق البحث والتطوير، ثم ضُبط Virtual Lab على المعايير الخاصة بالمنظفات، ونُقل السجل التاريخي للتركيبات، ودُرّب موظفو البحث والتطوير. وتذكر دراسة الحالة انخفاضًا بنسبة 40% في دورات الاختبارات الفيزيائية. وفي ADFC توجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين، ويقع النشر داخل البيئة المعلوماتية لسوناطراك.
وهناك درسان يتجاوزان البحث والتطوير. احتفظوا بالقياس الفيزيائي مرجعًا، سواء كان اختبارًا مخبريًا أو فحصًا أو محللًا. وقرروا مبكرًا أين سيعمل النظام: فعندما يجب أن تبقى البيانات في الموقع، تحدد الاستضافة شكل التكامل والعتاد والكلفة. ويمكن نشر DALILE وVirtual Lab كليهما على البنية التحتية الخاصة بالعميل.
من أين نبدأ؟
إذا كان مشروع ما متعثرًا أو على وشك الانطلاق، فراجعوه وفق الخطوات السبع أعلاه قبل تمويل مشروع تجريبي آخر. ويمكن لفريق الاستشارات لدينا إجراء هذه المراجعة مع مسؤولي التشغيل وتقنية المعلومات والإدارة لديكم، كما يمكنكم التواصل معنا لمناقشة حالة محددة.
المصادر
- Ryseff, De Bruhl and Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RAND, August 2024
- World Economic Forum with McKinsey & Company, Fourth Industrial Revolution: Beacons of Technology and Innovation in Manufacturing, January 2019
- BCG, AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value, October 2024
- Paleyes, Urma and Lawrence, Challenges in Deploying Machine Learning: a Survey of Case Studies, ACM Computing Surveys, 2022 (arXiv 2011.09926)
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 December 2025
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- Google Cloud, MLOps: Continuous delivery and automation pipelines in machine learning
- Google for Developers, Rules of Machine Learning
- NIST, AI Risk Management Framework
الأسئلة الشائعة
ما نسبة مشاريع الذكاء الاصطناعي التي تفشل؟
لا يوجد رقم واحد موثوق. تذكر RAND أن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل وفق بعض التقديرات، أي نحو ضعف معدل فشل مشاريع تقنية المعلومات التي لا تتضمن ذكاءً اصطناعيًا. ووجدت BCG في 2024 أن 74% من الشركات لم تحقق بعد قيمة ملموسة من الذكاء الاصطناعي. ويعرّف كل مصدر الفشل بطريقته، لذا تُقرأ هذه الأرقام تحذيرًا لا توقعًا.
ما المقصود بـ«مطهر المشاريع التجريبية» (pilot purgatory)؟
هو وضع الشركة التي تجري مشاريع تجريبية لتقنيات رقمية جديدة دون أن تنشرها على نطاق واسع أبدًا. وقد أفادت ورقة بيضاء للمنتدى الاقتصادي العالمي أُعدّت مع McKinsey في 2019 بأن أكثر من 70% من الشركات الصناعية كانت في هذا الوضع مع تقنيات الثورة الصناعية الرابعة، وأن كثيرًا من المشاريع التجريبية استمر من سنة إلى سنتين أو أكثر.
هل رداءة البيانات هي السبب الرئيسي لفشل مشاريع الذكاء الاصطناعي الصناعي؟
هي من الأسباب الرئيسية لكنها ليست الوحيدة. فقد بيّنت مقابلات RAND أن سوء فهم المشكلة المراد حلها هو السبب الأكثر شيوعًا، وأن نقص البيانات اللازمة من أسبابها الجذرية الخمسة. وفي المصانع تكون بيانات العملية وفيرة غالبًا لكنها مشوّشة، بينما تندر الأمثلة المعنونة مثل نتائج المختبر أو الأعطال المسجلة.
هل يمكن أن يفشل مشروع ذكاء اصطناعي حتى لو كان النموذج دقيقًا؟
نعم. قد يتنبأ النموذج جيدًا ولا يغيّر شيئًا إذا لم يتوقف عليه أي قرار، أو إذا لم يستخدمه المشغلون، أو إذا لم يُربط أبدًا بالأنظمة التي يعمل عليها الفريق. وقد وجدت Booking.com أن تحسّن أداء النماذج لم يتحول دائمًا إلى قيمة تجارية، ويعود ذلك جزئيًا إلى أن المؤشرات الوسيطة لم تتحول إلى المؤشر التجاري.
كيف نحافظ على دقة نموذج الذكاء الاصطناعي الصناعي بعد التشغيل؟
عيّنوا مسؤولًا محددًا، وقارنوا مخرجات النموذج بنتائج المختبر أو الفحص أو المحلل وفق جدول ثابت، وأعيدوا تدريبه عند تغيّر العملية أو اللقيم أو المعدات. واحتفظوا بخطة رجوع إلى الطريقة السابقة أو إلى التشغيل اليدوي. وتعدّ الإرشادات المشتركة التي تقودها CISA انجراف النماذج خطرًا خاصًا عند استخدام الذكاء الاصطناعي مع التقنيات التشغيلية.



