NAVIDIX همه‌ی مقاله‌ها ←

NAVIDIX · ARTICLE

آن آمار ۹۵ درصدی که همه تکرارش می‌کنند

۳۰ مرداد ۱۴۰۵

یک گزارش از MIT گفت ۹۵ درصد پروژه‌های هوش مصنوعی شرکتی شکست می‌خورند. عدد در چند روز دور دنیا چرخید. ولی وقتی خود گزارش را می‌خوانی، چیزی که واقعاً گفته با چیزی که همه نقل می‌کنند یکی نیست.

تابستان ۲۰۲۵ یک عدد در اینترنت منفجر شد: ۹۵ درصد.

نود و پنج درصد پروژه‌های هوش مصنوعی مولد در شرکت‌ها شکست می‌خورند. منبع هم چیز کمی نبود — گزارشی از MIT. در چند روز، این عدد از لینکدین تا تلگرام و از یاهو فایننس تا فوربز پخش شد. کسانی که از اول به هوش مصنوعی بدبین بودند آن را مدرک گرفتند. کسانی که سرمایه‌گذاری کرده بودند شروع کردند به توضیح‌دادن.

و مثل هر عددی که خیلی سریع پخش می‌شود، تقریباً هیچ‌کس نرفت ببیند دقیقاً چه چیزی اندازه گرفته شده.

بگذار برویم ببینیم. چون داستان واقعی از آن عدد جالب‌تر است.

گزارش دقیقاً چه گفت

گزارش اسمش «شکاف GenAI: وضعیت هوش مصنوعی در کسب‌وکار ۲۰۲۵» است و از ابتکار NANDA در MIT بیرون آمده. پایه‌اش سه چیز بود: ۵۲ مصاحبه با مدیران، نظرسنجی از ۱۵۳ نفر از رهبران سازمانی، و بررسی ۳۰۰ استقرار عمومی هوش مصنوعی.

نتیجه‌ای که همه نقل کردند این بود که ۹۵ درصد پایلوت‌ها هیچ اثر قابل‌اندازه‌گیری روی سود و زیان نداشتند. با وجود ۳۰ تا ۴۰ میلیارد دلار خرجی که شرکت‌ها کرده بودند.

به آن جملهٔ پررنگ دقت کن، چون تمام تفاوت آنجاست. گزارش نگفت پروژه‌ها «کار نکردند». نگفت خروجی بی‌فایده بود. نگفت کارمندها ناراضی بودند. گفت اثری که بشود در صورت مالی شرکت اندازه گرفت پیدا نشد.

اینها یکی نیستند. ابداً.

چرا این تفاوت مهم است

خودِ گزارش می‌گوید بیش از ۸۰ درصد سازمان‌ها ابزارهایی مثل ChatGPT یا Copilot را آزمایش کرده‌اند و نزدیک به ۴۰ درصد آن‌ها را مستقر کرده‌اند. و می‌گوید این ابزارها عمدتاً بهره‌وری فردی را بالا برده‌اند.

یعنی چه؟ یعنی کارمندها واقعاً سریع‌تر کار می‌کنند. ایمیل‌ها زودتر نوشته می‌شوند، گزارش‌ها زودتر آماده می‌شوند، کد زودتر نوشته می‌شود.

ولی وقت آزادشدهٔ صد نفر، خودبه‌خود در ترازنامهٔ شرکت ظاهر نمی‌شود. برای اینکه ظاهر شود باید کسی آن وقت را به کار تازه‌ای اختصاص بدهد، یا فرایندی را حذف کند، یا نیروی کمتری بگیرد. این تصمیم‌ها مدیریتی‌اند، نه فنی.

پس آن ۹۵ درصد، بیشتر از آنکه شکست فناوری باشد، شکست سازمان در تبدیل بهره‌وری به نتیجه است. که مسئلهٔ خیلی قدیمی‌تری است و ربطی به هوش مصنوعی ندارد.

منتقدان چه می‌گویند

بعد از موج اول، موج دوم آمد — و این‌بار از سمت کسانی که خود گزارش را خوانده بودند.

انتقاد اصلی به حجم نمونه بود. ۵۲ مصاحبه و ۱۵۳ پاسخ‌دهنده، برای نتیجه‌گیری دربارهٔ کل اقتصاد جهانی عدد بزرگی نیست. مقاله‌ای با عنوان «آن مطالعهٔ ویروسی MIT؟ باورش نکنید» دقیقاً روی همین دست گذاشت.

انتقاد دوم به تعریف شکست بود. اگر معیارت اثر مستقیم و قابل‌اندازه‌گیری روی سود در بازهٔ کوتاه باشد، بیشتر پروژه‌های فناوری در تاریخ «شکست‌خورده» حساب می‌شوند. اولین سال هر ERP، هر CRM، هر مهاجرت به فضای ابری، با همین معیار مردود می‌شود.

انتقاد سوم ظریف‌تر است. «پایلوت» ذاتاً چیزی است که قرار است اکثرش شکست بخورد. اگر ۹۵ درصد آزمایش‌های یک آزمایشگاه به نتیجه نرسند، این خبر بدی از آزمایشگاه نیست؛ تعریف آزمایش است.

پس آن ۵ درصد چه کردند

اینجا جالب‌ترین بخش گزارش است و عجیب اینکه تقریباً هیچ‌کس نقلش نکرد.

گزارش می‌گوید آن اقلیت موفق، سه کار متفاوت کردند:

اول، سراغ اصطکاک رفتند نه فرار از آن. به‌جای اینکه ابزار را جایی بگذارند که راحت است، گذاشتند جایی که کار واقعاً گیر دارد — حتی اگر پیاده‌سازی‌اش سخت‌تر بود.

دوم، عمیق ادغام کردند. ابزار جدا و کنار فرایند نبود؛ داخلش بود.

سوم، حافظه و حلقهٔ یادگیری ساختند. سیستمی که هر بار از صفر شروع می‌کند، هر بار همان مقدار کمک می‌کند. سیستمی که یاد می‌گیرد، ماه به ماه بهتر می‌شود.

و یک یافتهٔ دیگر که ارزش تکرار دارد: بودجه‌ها به شکل غالب به فروش و بازاریابی رفته بود، در حالی که بازگشت سرمایهٔ بهتر در عملیات و مالی دیده می‌شد. یعنی پول به جایی رفته که دیده می‌شود، نه جایی که اثر می‌گذارد.

این برای ما، اینجا، چه معنایی دارد

اگر در ایران با هوش مصنوعی کار می‌کنی — چه فریلنسر باشی چه تیم کوچک — این گزارش دربارهٔ شرکت‌های بزرگ آمریکایی نوشته شده، ولی درسش دقیقاً به کار تو می‌آید. شاید بیشتر.

یک. ابزار خریدن یا اشتراک گرفتن، پروژه نیست. تا وقتی مشخص نکنی کدام کار مشخص قرار است سریع‌تر یا بهتر شود، هرچقدر هم ابزار خوب باشد در ترازنامه‌ات چیزی عوض نمی‌شود.

دو. اگر کاری را که هوش مصنوعی برایت انجام می‌دهد نمی‌توانی اندازه بگیری، نمی‌توانی بگویی جواب داده یا نه. ساده‌ترین اندازه‌گیری، زمان است: قبلش چند ساعت می‌برد، الان چند ساعت.

سه. جایی که کار گیر دارد را انتخاب کن، نه جایی که تظاهر به مدرن‌بودن راحت‌تر است. همان درس ۵ درصد.

چهار. رویه بساز، نه یک بار امتحان. سیستمی که هر بار از نو شروع می‌شود، همان پایلوتی است که در آن ۹۵ درصد افتاده.

جمع‌بندی

آن عدد ۹۵ درصد واقعی است، ولی چیزی که فکر می‌کنی را نمی‌گوید. اندازه‌گیری «اثر مستقیم روی سود و زیان» است، در نمونه‌ای کوچک، در بازه‌ای کوتاه، روی چیزی که ذاتاً آزمایش است.

چیزی که واقعاً از این گزارش می‌شود برداشت این است: مسئله فناوری نیست، مسئله جای گذاشتنش است. و آن، همان مسئله‌ای است که هر ابزار تازه‌ای در تاریخ داشته.

اگر می‌خواهی کارت در آن ۵ درصد بیفتد، از همان جایی شروع کن که گزارش می‌گوید تفاوت را می‌سازد — رویه به‌جای یک‌بار امتحان: از یک کار به یک سیستم. و اگر هنوز اولین کارت را تمام نکرده‌ای، اولین کارِ واقعی دقیقاً دربارهٔ همان است که چطور کاری را انتخاب کنی که تمام شود.

منابع

محمد نویدی — استودیو نویدیکس

هوش مصنوعیکسب‌وکارپژوهشتحلیل
→ برگرد به فهرست مقاله‌ها