الذكاء الاصطناعي وتحليل البيانات: من البيانات التي تملكها إلى قرار تستطيع الدفاع عنه

لماذا تتعثّر أكثر مشاريع الذكاء الاصطناعي

نبدأ بما لا يُقال في عروض المبيعات: الغالبية العظمى من مشاريع الذكاء الاصطناعي لا تصل إلى التشغيل الفعلي. دراسة RAND Corporation لعام 2024 — "The Root Causes of Failure for Artificial Intelligence Projects" — وجدت أن أكثر من 80% منها يتعثّر، أي نحو ضعف معدل تعثّر مشاريع تقنية المعلومات الأخرى.

والسبب في الغالب ليس النموذج ولا الخوارزمية. أكثر ما يوقف هذه المشاريع أمور مملّة:

• بيانات غير جاهزة — مبعثرة بين أنظمة لا تتحدث، أو ناقصة، أو غير موحّدة التصنيف.
• مشكلة غير محدّدة — «نريد استخدام الذكاء الاصطناعي» ليست مشكلة، بل رغبة. المشروع الذي يبدأ من التقنية لا من الألم ينتهي بعرض تقديمي.
• لا مالك للقرار — نموذج يعطي توصية لا يعتمدها أحد ولا يتصرف بناءً عليها.
• تجربة لا تُنقَل — نجاح في بيئة اختبار لا يُصمَّم أصلًا ليعمل في الإنتاج.

نبدأ من هنا لأن هذا هو مكان الفشل. ومن يبيعك نموذجًا قبل أن يسألك عن حالة بياناتك يبيعك احتمال تعثّر.

ما الذي يصلح فعلًا في الجهات الحكومية

ليست كل تطبيقات الذكاء الاصطناعي متساوية الجدوى. هذه أربع فئات أثبتت قيمتها في البيئة الحكومية، ولكلٍّ منها شرط نجاح مختلف — وهي نفسها ما نستعرضه بتفصيل أكبر في الذكاء الاصطناعي في الجهات الحكومية السعودية: تطبيقات عملية لعام 2026.

جاهزية البيانات: الشرط الذي يُتخطّى

لا يوجد نموذج ذكاء اصطناعي ينقذ بيانات سيئة. هذه حقيقة تقنية لا رأي.

قبل أي مشروع، نقيّم أربعة أمور:

فإن كشف التقييم فجوة، فالمسار الصحيح معالجتها أولًا — عبر حوكمة البيانات أو تأسيس مكتب إدارة البيانات — لا القفز فوقها. وهذا ما يفصل مشروعًا يعمل بعد سنتين عن عرض تقديمي جميل.

لتعميق الفهم في هذه النقطة تحديدًا، راجع البيانات الضخمة وصنع القرار الحكومي: كيف تحوّل الأرقام إلى سياسات وهل مؤسستك جاهزة لمشاريع الذكاء الاصطناعي؟ تقييم الجاهزية في 5 أبعاد.

الإطار التنظيمي وما يعنيه عمليًا

الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا) — المرجع الوطني، وقد أصدرت مبادئ أخلاقيات الذكاء الاصطناعي وإطار تبنّي الذكاء الاصطناعي، وتوفّر خدمة تقييم ذاتي لأخلاقيات الذكاء الاصطناعي عبر منصتها. هذا التقييم إجراء ملموس يستحق أن تبدأ به جهتك قبل أي مشروع.

نظام حماية البيانات الشخصية — يحكم استخدام بيانات الأفراد في التدريب والتحليل، وشروط نقلها.

الهيئة الوطنية للأمن السيبراني — ضوابطها تحدّد أين يجوز أن تُعالَج البيانات ومن يجوز أن يشغّل النظام.

ما نفعله: نُدخل هذه الاعتبارات في التصميم لا في المراجعة الأخيرة. نموذج بُني ثم اكتُشف أنه يخالف ضابطًا يُعاد من الصفر.

وللتعمق في الجانب التوليدي تحديدًا من هذا الإطار، راجع الذكاء الاصطناعي التوليدي في الخدمات الحكومية: تطبيقات حقيقية وضوابط لا تتجاوزها.

كيف نعمل

1. 1تحديد المشكلة — نبدأ من قرار قائم يمكن تحسينه، لا من تقنية نريد تجربتها. المخرج: صياغة مشكلة قابلة للقياس.
2. 2تقييم جاهزية البيانات — الأمور الأربعة أعلاه. المخرج: تقرير صريح، بما فيه احتمال «بياناتك ليست جاهزة بعد».
3. 3نموذج أولي محدود — على نطاق ضيق وبيانات حقيقية، لا بيانات تجريبية. الهدف إثبات الجدوى أو نفيها بسرعة وبكلفة منخفضة.
4. 4الإنتاج والتكامل — نقل ما أثبت جدواه إلى بيئة تشغيل حقيقية، مدمجًا في الأنظمة القائمة.
5. 5المتابعة وإعادة التدريب — أداء النماذج يتدهور مع تغيّر البيانات. المتابعة الدورية جزء من التشغيل لا خدمة إضافية.

والمرحلة الثانية قد تنتهي بتوصية بعدم المتابعة. نقولها حين تكون صحيحة — وهذا أرخص لك من مشروع يستمر سنة قبل أن يصطدم بالجدار نفسه.

نفّذنا مشاريع ذكاء اصطناعي وتحليل بيانات لجهات حكومية سعودية. طبيعة هذه المشاريع تمنعنا من ذكر تفاصيلها، لكن يمكننا مناقشة المنهجية والنتائج في جلسة مباشرة.

لمعرفة أين تقف جهتك على مسار النضج قبل البدء بهذه المراحل، راجع نموذج نضج الذكاء الاصطناعي للجهات الحكومية: أين أنت وإلى أين تسير؟.

متى لا يكون الذكاء الاصطناعي هو الجواب

• حين تكفي قاعدة بسيطة — كثير مما يُطلب فيه ذكاء اصطناعي تحلّه قاعدة شرطية أو تقرير مجدول، بكلفة وتعقيد أقل بكثير.
• حين لا توجد بيانات تاريخية كافية — لا يُبنى نموذج تنبّؤ بلا ماضٍ يتعلّم منه.
• حين يكون القرار عالي الخطورة بلا مراجعة بشرية — القرارات التي تمسّ حقوق الأفراد تحتاج مسارًا يُدقَّق ويُفسَّر، لا صندوقًا أسود.
• حين لا يوجد من يتصرّف بناءً على المخرَج — نموذج بلا مالك قرار هو تكلفة تشغيل بلا عائد.