أسباب فشل مشاريع الذكاء الاصطناعي بعد الأشهر الستة الأولى من الإطلاق

معظم أسباب فشل مشاريع الذكاء الاصطناعي لا تظهر يوم الإطلاق، بل تختبئ حتى تنتقل الشركة من العرض التجريبي إلى التشغيل اليومي. المشروع يبدأ ناجحاً. النموذج يعمل، والفريق التقني يعرض نتائج مبهرة، والاستشاري يسلّم ملف الجدوى ويرحل.

ثم يأتي الشهر السادس، ويكتشف صاحب الشركة أن النظام لا يُستخدم فعلاً، أو أنه يُنتج مخرجات لا تصلح للعمليات، أو أن أحداً في الفريق لا يعرف كيف يُصلحه. في الإمارات تحديداً، حيث تدخل بيانات العملاء عبر WhatsApp بالعربية والإنجليزية معاً، وحيث يُنظّم المرسوم الاتحادي بقانون رقم 45 لسنة 2021 (PDPL) استخدام البيانات الشخصية، تكون فجوة الأشهر الستة أعمق مما يتخيله معظم القادة.

أهم النقاط

• 80% من مشاريع الذكاء الاصطناعي تفشل في تحقيق قيمة تشغيلية فعلية — بحسب أبحاث MIT Media Lab (Project NANDA)، لم تُنتج 95% من مشاريع الذكاء الاصطناعي التوليدي أي عائد قابل للقياس على الأرباح والخسائر، ووفق دراسة IBM لعام 2025 وصلت 16% فقط من المبادرات إلى انتشار على مستوى المؤسسة كاملة.
• الفشل يقع عند الانتقال من التجربة إلى التشغيل اليومي، لا في يوم الإطلاق — بيئة التجربة محكومة ببيانات نظيفة ومستخدمين مختارين، بينما يُدخل التشغيل الفعلي بيانات فوضوية وحالات لم تُختبر، فيذبل المشروع تدريجياً حتى يُصنَّف بعد أشهر بأنه لم يُحقق التوقعات.
• 80% من جهد المشروع هندسة بيانات لا بناء نماذج — الشركات التي لا تحسب هذا العبء في الميزانية تصل إلى الشهر الثالث وقد أنفقت نصف الميزانية على تنظيف البيانات وتوسيمها، بينما أقل من 1% من بيانات المؤسسات دُمج فعلاً في نماذج ذكاء اصطناعي حتى اليوم.
• غياب مالك داخلي بصلاحيات واضحة هو أكثر أسباب الانهيار تكراراً — يظهر أثره فور رحيل الاستشاري: لا أحد يُصلح النظام أو يُحدّث الـ prompts، والشركات من 20 إلى 200 موظف تدفع الثمن الأكبر لأن كل تعديل يمر عبر عقد جديد يستغرق أسابيع.
• الامتثال لقانون حماية البيانات الشخصية PDPL شرط تصميمي من اليوم الأول — المرسوم الاتحادي بقانون رقم 45 لسنة 2021 يشترط أساساً قانونياً لمعالجة بيانات العملاء، والشركات داخل DIFC وADGM تخضع لأنظمة إضافية مستقلة؛ تجاهل ذلك يعني إعادة بناء النظام من الصفر بتكلفة أعلى.

المفارقة: مشاريع تبدو واعدة ثم تنهار في صمت

الفجوة بين نجاح التجربة وفشل التشغيل هي القاعدة لا الاستثناء. تُقدّر تقارير الصناعة أن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل، أي ضعف معدل فشل مشاريع تقنية المعلومات التقليدية. وتُشير أبحاث MIT Media Lab (Project NANDA) إلى أن 95% من مشاريع الذكاء الاصطناعي التوليدي في المؤسسات لم تُنتج أي عائد قابل للقياس على مستوى الأرباح والخسائر.

الأرقام أسوأ عند التدقيق. وفق دراسة IBM Institute for Business Value لعام 2025، وصلت 16% فقط من مبادرات الذكاء الاصطناعي إلى انتشار على مستوى المؤسسة. الباقي عالق في مرحلة "النموذج يعمل، والفريق لا يستخدمه".

هذه هي المفارقة التي تجعل أسباب فشل مشاريع الذكاء الاصطناعي عصيّة على التشخيص المبكر. المشروع لا ينهار انهياراً مرئياً، بل يذبل. تتوقف الفرق عن الاعتماد عليه وتعود إلى ملفات Excel القديمة، ثم يُصنَّف بعد سنة على أنه "لم يُحقق التوقعات".

السؤال الجوهري ليس لماذا فشلت التقنية، بل لماذا فشل الانتقال من العرض إلى العملية.

يعود أسلوب التفكير المتسلسل إلى ورقة بحثية عام 2022 لوي وزملائه، أظهرت أن مطالبة النموذج بالمرور على خطوات وسيطة تحسّن الاستدلال متعدد الخطوات.

مشكلة البيانات: 80% من العمل الذي لا يراه أحد

تصوير: RDNE Stock project عبر Pexels

أول أسباب فشل مشاريع الذكاء الاصطناعي هو البيانات، لا النموذج. أشار أحد المعنيين في تقرير صناعي واسع الاستشهاد إلى أن نحو 80% من جهد أي مشروع ذكاء اصطناعي هو "العمل الشاق لهندسة البيانات"، لا بناء النماذج. ويُقدَّر أن أقل من 1% من بيانات المؤسسات دُمج فعلاً في نماذج ذكاء اصطناعي حتى اليوم.

السياق الإماراتي يُضاعف هذه المشكلة. بيانات عملائكم لا تصل في جداول نظيفة. تصل عبر WhatsApp، وصور مستندات، وملفات PDF بالعربية والإنجليزية في الرسالة الواحدة، وأحياناً بالعربيزي.

صور الهويات الإماراتية والرخص التجارية وفواتير VAT تحتاج إلى استخراج قبل أن يراها أي نموذج.

هنا يقع أغلب القادة في الفخ. يُقدّرون الميزانية على أساس بناء النموذج، ولا يحسبون تكلفة تنظيف البيانات وترتيبها وتوسيمها. تنكسر الجداول الزمنية في الأسابيع الأولى، وتتضاعف التكاليف، ويصل المشروع إلى الشهر الثالث وقد أُنفق نصف الميزانية على العمل الذي لم يظهر في أي شريحة عرض.

غياب المالك الداخلي: الفراغ الذي يُفضي إلى الانهيار

حين لا يوجد مالك داخلي للنظام، يُصبح النظام يتيماً في اليوم الذي يرحل فيه الاستشاري. لا أحد يُصلحه حين تتغير عملية بيع، ولا أحد يُحدّث الـ prompts حين يتوسع كتالوج المنتجات، ولا أحد يفهم لماذا خرج النموذج بمخرج غريب اليوم، فيتوقف الفريق عن الوثوق به.

الاعتماد الكامل على المورد الخارجي يُنتج شللاً تشغيلياً عند أول مشكلة. الشركات الصغيرة والمتوسطة في الإمارات، تلك التي تعمل بفرق من 20 إلى 200 موظف بلا قسم تقني داخلي، تدفع ثمن هذا الاعتماد بأشد صوره. كل تعديل يمر عبر عقد جديد، وكل عقد يستغرق أسابيع، وخلال تلك الأسابيع يعود الفريق إلى الطريقة القديمة ولا يعود.

التدريب الداخلي ليس بنداً كمالياً في العقد. النظام الذي لا يفهمه الفريق لن يُستخدم مهما كانت جودة النموذج. للتعمق في كيفية تحديد هذا الدور وصلاحياته منذ مرحلة التخطيط، راجعوا مقالتنا حول من يدير وكيل الذكاء الاصطناعي داخل شركتكم والتي تُفصّل المسؤوليات التي ينساها الجميع في مرحلة العقد.

التوقعات غير الواقعية والجداول الزمنية التي تُفضي إلى الفشل

الفجوة بين ما يتوقعه القادة وما يتطلبه التنفيذ الفعلي هي المُحرّك الأساسي لأغلب حالات الفشل. تُشير الأبحاث إلى أن 84% من قادة الأعمال يعتقدون أن الذكاء الاصطناعي سيؤثر جوهرياً على أعمالهم، لكن 14% فقط من المؤسسات مستعدة فعلاً لاستيعابه. الفارق بين النسبتين هو المسافة التي تسقط فيها معظم المشاريع.

الشركات الصغيرة في الإمارات تُواجه ضغطاً مضاعفاً. ميزانيات أصغر وفرق أرق تعني أن التوقعات غير الواقعية تُكلّف نسبياً أكثر مما تُكلّف الشركات الكبيرة. إذا كنتم تُشغّلون شركة من خمسة أو عشرة موظفين، مقالتنا حول الذكاء الاصطناعي لشركة من خمسة موظفين وما هو واقعي فعلاً تُقدّم إطاراً عملياً لتحديد ما يُمكن تحقيقه ضمن حدودكم.

الانتقال من تجربة ناجحة إلى نتائج قابلة للقياس يحتاج خارطة طريق ممتدة، لا سباقاً قصيراً. خارطة طريق الأتمتة لاثني عشر شهراً تُقدّم هيكلاً شهراً بشهر لهذا الانتقال. الفاصل بين المشاريع الناجحة والفاشلة يُوضع قبل الكود الأول: تحديد مؤشرات النجاح الكمية أولاً وربطها بعملية تشغيلية بعينها، لا ترك التقييم لِما بعد التسليم.

الامتثال لقوانين حماية البيانات في الإمارات: عامل يُوقف المشاريع في منتصف الطريق

تصوير: Stephen Andrews عبر Pexels

تجاهل الامتثال في مرحلة التصميم يعني إعادة البناء من الصفر لاحقاً بتكلفة أعلى. المرسوم الاتحادي بقانون رقم 45 لسنة 2021 (PDPL) يُنظّم استخدام البيانات الشخصية على المستوى الاتحادي في الإمارات، ويُشرف مكتب الإمارات لحماية البيانات على تطبيقه. أي نموذج يُغذّى ببيانات عملاء دون معالجة قانونية سليمة يُصبح مصدر مخاطرة لا مصدر قيمة.

الوضع أكثر تعقيداً للشركات العاملة داخل DIFC أو ADGM، حيث يُطبَّق نظام حماية بيانات مستقل فوق القانون الاتحادي. بيانات العملاء الواردة عبر WhatsApp، وسجلات الموارد البشرية، والمعاملات المالية، تستلزم كلها موافقة صريحة قبل إدخالها في أي نموذج، بما في ذلك النماذج الجاهزة التي تُشغَّل على البنية التحتية للمزوّد.

المشكلة الشائعة أن كثيراً من الشركات الإماراتية تكتشف هذه المتطلبات بعد بناء النظام لا قبله. ستة أشهر من العمل تتحول إلى خسارة كاملة حين يكتشف مسؤول الامتثال أن قاعدة البيانات التي دُرّب عليها النموذج تحتوي على بيانات شخصية دون أساس قانوني للمعالجة. إذا وصلتم إلى هذه النقطة وأنتم تُقيّمون مشروعاً قائماً، حديث قصير مع فريق مطّلع على السوق المحلي قبل توقيع العقد التالي قد يوفر عليكم أشهراً من إعادة البناء.

هذه الأسباب الأربعة نادراً ما تعمل بمعزل عن بعضها، ويُلخّص الجدول التالي متى يظهر كل سبب وماذا يترتب على تجاهله.

علامات الفشل القادم في الأشهر الثلاثة الأولى: كيف تُشخّصون مشروعكم مبكراً

المؤشرات المبكرة لِأسباب فشل مشاريع الذكاء الاصطناعي تظهر في الأسابيع الأولى، لا في الشهر السادس. أولها غياب مؤشرات أداء محددة بأرقام قبل انطلاق المشروع. إذا كان الفريق لا يستطيع الإجابة على سؤال "بكم سنقيس النجاح؟" بأرقام، فالمشروع بلا هدف، وأي مخرج سيُقبل، وأي مخرج سيُرفض حسب مزاج اللقاء.

المؤشر الثاني هو انفصال الفريق التشغيلي عن المشروع. حين يُعامَل النظام على أنه مسؤولية "قسم التقنية" فقط، وليس مسؤولية العمليات اليومية التي سيُغيّرها، فالنتيجة معروفة سلفاً. الفريق التشغيلي لن يستخدم أداة لم يُشارك في تصميمها.

المؤشر الثالث يظهر في الأسبوع الأول من الاستخدام الفعلي: الفجوة بين ما طلبه صاحب القرار وما بناه الفريق التقني. المؤشر الرابع أخطرها جميعاً: قياس التقدم بجاهزية التقنية لا بالنتائج التشغيلية. "النموذج يعمل" جملة صحيحة لا تعني شيئاً، بينما "الفريق يستخدمه يومياً ويُوفّر أربع ساعات من العمل اليدوي" جملة قابلة للتحقق.

ما الذي يجعل مشروع الذكاء الاصطناعي يتجاوز الستة أشهر ويُحقق قيمة حقيقية

المشاريع التي تتجاوز الأشهر الستة تتشارك ثلاث خصائص: بيانات مُعدّة قبل النموذج، ومالك داخلي بصلاحيات، وتدريب موازٍ للبناء. البناء والتدريب في شراكة واحدة، لا على دفعتين منفصلتين، هو الفارق التشغيلي بين المشروع الذي يعمل والمشروع الذي يُقدَّم للأرشيف.

الأرقام تدعم هذا التأطير. وفق مسح McKinsey لعام 2025 (The State of AI: Global Survey 2025)، تستخدم 88% من المؤسسات الذكاء الاصطناعي في وظيفة واحدة على الأقل، لكن 6% فقط تُصنَّف كمنفّذات متميزات تُحقق أثراً مالياً واضحاً. الفرق بين المجموعتين يُبنى في المنهجية، لا في اختيار النموذج.

المشاريع الناجحة تبدأ بسؤال مختلف. ليس "أي نموذج نستخدم؟"، بل "ما المشكلة التشغيلية الحقيقية، ومن سيتحمّل مسؤولية الحل داخل الشركة؟". إذا كنتم تُعدّون لإطلاق أول مشروع أو تُعيدون إحياء مشروع متعثر، يُقدّم دليلنا الشامل لأتمتة الأعمال بالذكاء الاصطناعي في الإمارات والخليج الإطار الكامل لتصميم مشروع مبني على النجاح التشغيلي لا على العرض التجريبي.

إذا وصلتم إلى هنا وأنتم تُقلّبون فكرة مشروع في أذهانكم، احجزوا استشارة مجانية مدتها 30 دقيقة مع فريقنا. نستمع أولاً، ونُحدد أكبر فرصتين أو ثلاث أمام مشروعكم، ونُعطيكم توصية صريحة تشمل "لا تبنوا هذا" إذا كان ذلك هو الجواب الصحيح.

الأسئلة الشائعة

لماذا ينجح مشروع الذكاء الاصطناعي في مرحلة التجربة ثم يفشل عند التشغيل الفعلي؟

لأن بيئة التجربة مُهيّأة ومحدودة: بيانات نظيفة، ومستخدمون مختارون، وسيناريو واضح. التشغيل اليومي يُدخل بيانات فوضوية ومستخدمين لم يُدرَّبوا وحالات لم تُتوقع. النموذج الذي يعمل على مئة حالة اختبار قد يفشل على الحالة التي لم تراها البيانات التجريبية أصلاً.

ما هي أبرز أسباب فشل مشاريع الذكاء الاصطناعي في الشركات الإماراتية الصغيرة والمتوسطة؟

جودة البيانات ثنائية اللغة، وغياب مالك داخلي للنظام، وتجاهل متطلبات المرسوم الاتحادي بقانون رقم 45 لسنة 2021 (PDPL) في مرحلة التصميم. تُضاف إلى ذلك التوقعات غير الواقعية بشأن الجداول الزمنية، لأن الميزانيات الأصغر تجعل أي انزلاق زمني مؤثراً على الاستمرار.

هل تحتاج الشركة إلى فريق بيانات داخلي قبل إطلاق مشروع الذكاء الاصطناعي؟

لا تحتاجون فريقاً كاملاً، لكن تحتاجون على الأقل شخصاً مسؤولاً بصلاحيات واضحة. هذا الشخص يفهم عمليات الشركة ويستطيع الحكم على مخرجات النموذج، حتى لو لم يكن تقنياً. غياب هذا الدور يُبقي النظام يتيماً بعد رحيل المورد.

كيف تؤثر قوانين حماية البيانات في الإمارات على تصميم مشاريع الذكاء الاصطناعي؟

المرسوم الاتحادي بقانون رقم 45 لسنة 2021 (PDPL) يشترط أساساً قانونياً لمعالجة البيانات الشخصية، ما ينعكس على مصادر البيانات التدريبية وطرق تخزينها ومكان المعالجة. الشركات داخل DIFC وADGM تخضع لأنظمة إضافية. تجاهل هذه المتطلبات في التصميم يعني إعادة بناء لاحقة مكلفة.

ما الفرق بين مشروع الذكاء الاصطناعي الذي يُحقق عائداً قابلاً للقياس وذلك الذي يبقى مجرد تجربة؟

الأول يبدأ بمؤشرات كمية محددة قبل الكود الأول، ويربطها بعملية تشغيلية بعينها. الثاني يبدأ بنموذج ويبحث لاحقاً عن استخدام. الفرق الجوهري في السؤال الأول: "ما المشكلة التشغيلية؟" مقابل "أي نموذج نُجرّب؟".

متى يمكن للشركة أن تتوقع نتائج حقيقية من مشروع الذكاء الاصطناعي؟

الأشهر الثلاثة الأولى عادةً لإعداد البيانات وبناء النسخة الأولى، والأشهر الثلاثة التالية لتثبيت الاستخدام داخل الفريق. النتائج المالية القابلة للقياس تظهر بعد الشهر السادس في أغلب المشاريع الناجحة. الوعود بنتائج خلال أسابيع علامة إنذار، لا علامة كفاءة.

من المسؤول داخل الشركة عن مشروع الذكاء الاصطناعي بعد تسليمه من المورد؟

يجب أن يكون هذا الشخص محدداً منذ اليوم الأول، لا منتخباً بعد التسليم. عادةً يكون قائد العمليات أو مدير القسم الذي سيستخدم النظام يومياً، بصلاحيات واضحة لتعديل النظام والوصول إلى المورد للدعم. بدون هذا التحديد، النظام يتحول إلى بند ميت في قائمة الأصول.