توقفوا عن تعبيد مسارات الأبقار: لماذا ينبغي أن يسبق تحليل العمليات وتحسينها تطبيق الذكاء الاصطناعي

CpEقلّما يخلو مجلس إدارة هذه الأيام من سؤال «ما استراتيجيتنا للذكاء الاصطناعي؟». فالضغط للتحرك حقيقي، والخوف من فوات الفرصة كبير: يعلن المنافسون عن مشاريع تجريبية ويتصدرون العناوين بفضل الذكاء الاصطناعي، ويَعِد الموردون بتحول جذري، ولا أحد يريد أن يكون الشركة التي فاتتها الموجة. وفي ظل هذا الضغط، يظهر نمط مألوف: تتعامل المؤسسات مع تطبيق الذكاء الاصطناعي بوصفه المشروع بحد ذاته؛ فتختار أداة أولًا، ثم تبحث لاحقًا عن مجال لتطبيقها.C/pE CpEتشير الأدلة - من الاقتصاد، وأبحاث نظم المعلومات، وعدد متزايد من تحليلات ما بعد الفشل لمبادرات الذكاء الاصطناعي - إلى عكس ذلك. فالمؤسسات التي تجني قيمة من الذكاء الاصطناعي ليست الأسرع في تبنيه، بل تلك التي تهيئ الأرضية له: تعيد التفكير في أعمالها، وترسم خرائط عملياتها، وتحللها وتحسنها قبل إدخال أي نموذج إلى بيئة الإنتاج. وتلخص مقولة كثيرًا ما تُنسب إلى بيل غيتس المنطق الكامن وراء ذلك: «(...) الأتمتة المطبقة على عملية فعّالة تعزز كفاءتها، بينما الأتمتة المطبقة على عملية غير فعّالة تضخم أوجه قصورها». قد يكون إسناد المقولة إليه من قبيل الحكايات المتداولة؛ أما الآلية، كما سنرى، فهي موثقة جيدًا.C/pE CpEتقدم هذه المقالة الأدلة على تسلسل لطالما اتبعه المشغلون المنضبطون: حلّل أولًا، ثم حسّن، ثم أتمت.C/pE CpEnbsp;C/pE Ch2Eالحسابات الصعبة للذكاء الاصطناعي المؤسسيC/h2E CpEلنبدأ بالنتائج. قدّرت دراسة أجرتها مؤسسة RAND عام 2024، استنادًا إلى مقابلات مع علماء بيانات ومهندسين ذوي خبرة، أن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل، أي ما يقارب ضعف معدل فشل مشاريع تقنية المعلومات التي لا تتضمن الذكاء الاصطناعي [1]. وبعد عام، أورد مشروع NANDA التابع لمعهد MIT رقمًا أشد وقعًا في عصر الذكاء الاصطناعي التوليدي: فعلى الرغم من استثمارات الشركات التي بلغت عشرات المليارات من الدولارات، لم تحقق نحو 95% من المشاريع التجريبية للذكاء الاصطناعي التوليدي أي أثر ملموس في الأرباح والخسائر، ولم يصل إلى الإنتاج على نطاق واسع سوى نحو 5% من الأدوات المؤسسية المطورة خصيصًا [2].C/pE CpEوتروي بيانات الاستطلاعات القصة نفسها من زاوية أخرى. فقد وجدت شركة Samp;P Global Market Intelligence أن نسبة الشركات التي تخلت عن CemEمعظمC/emE مبادراتها في مجال الذكاء الاصطناعي قفزت إلى 42% في عام 2025، بعد أن كانت 17% في العام السابق، وأن 46% من إثباتات المفهوم أُلغيت في المتوسط قبل وصولها إلى مرحلة الإنتاج [3]. وكانت Gartner قد توقعت هذا الفرز تحديدًا، إذ تنبأت بأن ما لا يقل عن 30% من مشاريع الذكاء الاصطناعي التوليدي ستُلغى بعد إثبات المفهوم بحلول نهاية عام 2025 [4]. ولا يقتصر ذلك على الذكاء الاصطناعي التوليدي: ففي عام 2019، قبل ظهور ChatGPT، وجد استطلاع عالمي أجرته MIT Sloan Management Review وBoston Consulting Group أن سبع شركات من كل عشر أبلغت عن أثر ضئيل أو معدوم لاستثماراتها في الذكاء الاصطناعي حتى ذلك الحين [5].C/pE CpEلكن الاكتشاف الأهم ليس معدل الفشل، بل CemEأسبابهC/emE. فعندما صنف باحثو RAND الأسباب الجذرية، تبيّن أن أبرزها لا علاقة له تقريبًا بالخوارزميات: عدم التوافق بين قادة الأعمال والفرق التقنية بشأن المشكلة التي يُفترض أن يحلها الذكاء الاصطناعي؛ وغياب البيانات اللازمة لتدريب نماذج مناسبة؛ والتركيز على استخدام أحدث التقنيات بدلًا من حل مشكلات المستخدمين الفعلية؛ وقصور البنية التحتية وحوكمة البيانات [1]. وتوصل تقرير MIT إلى استنتاج مكمل: تفشل المشاريع التجريبية لأن الأدوات لا تتلاءم مع سير العمل الفعلي، ولا تتعلم من سياق العمل؛ وهي «فجوة تعلم» متجذرة في العمليات، لا في جودة النموذج [2].C/pE CpEبعبارة أخرى، يفشل الذكاء الاصطناعي المؤسسي في الغالب بسبب اختيار المشكلة، والبيانات، ودمج العمليات. وهذه الجوانب الثلاثة هي بالضبط ما يهدف تحليل العمليات إلى ضبطه.C/pE CpEnbsp;C/pE Ch2Eلقد شاهدنا هذا الفيلم من قبلC/h2E CpEلا ينبغي أن يفاجئ هذا أحدًا ممن يتذكر آخر مرة اجتاحت فيها تقنية عامة الغرض المؤسسات. ففي عام 1990، وبعد عقد من الإنفاق الكبير على تقنية المعلومات في الشركات من دون تحقيق مكاسب إنتاجية تذكر، شخص مايكل هامر السبب في واحدة من أكثر المقالات الإدارية تأثيرًا على الإطلاق: كانت الشركات تستخدم التكنولوجيا لميكنة أساليبها القديمة في العمل، فتُبقي العمليات غير الفعّالة على حالها وتجعل الحواسيب تسرّعها. وكتب: CemE«حان الوقت للتوقف عن تعبيد مسارات الأبقار»C/emE؛ فبدلًا من تثبيت العمليات القديمة في السيليكون والبرمجيات، ينبغي للمؤسسات إعادة تصميم العمل نفسه أولًا [6].C/pE CpEثم قاس الاقتصاديون ما استشفه هامر. فمن خلال دراسة بيانات الشركات خلال تسعينيات القرن الماضي، أظهر إريك برينجولفسون ولورين هيت أن عوائد الاستثمار في تقنية المعلومات تفاوتت بدرجة كبيرة، وأن الفارق يعود إلى CemEالاستثمارات التنظيمية المكملةC/emE: فالشركات التي أعادت تصميم العمليات، ووزعت صلاحيات اتخاذ القرار، واستثمرت في المهارات حققت مكاسب إنتاجية كبيرة من التكنولوجيا نفسها التي لم تحقق الكثير للشركات التي اكتفت بتركيبها [7]. وبعد عقدين، صاغ هذا التقليد البحثي الفكرة رسميًا في مفهوم «منحنى الإنتاجية على شكل J»: فالتقنيات العامة الغرض - الكهرباء والحوسبة، والذكاء الاصطناعي اليوم - لا تحقق فوائدها إلا بعد فترة تأخر، لأن على الشركات أولًا بناء أصول غير ملموسة مكملة، مثل العمليات والمهارات الجديدة وسير العمل المعاد تنظيمه. وإذا أُهملت هذه العناصر المكملة، ظل أداء التكنولوجيا دون المستوى إلى أجل غير مسمى [8].C/pE CpEالذكاء الاصطناعي هو الجزء التالي من هذا الفيلم، بميزانيات أكبر ودورات ضجة إعلامية أسرع. لقد تغيرت التكنولوجيا، لكن اقتصاديات التكامل لم تتغير.C/pE CpECstrongEلهذا السبب، تُعد Mourinho Solutions الشريك المناسب لإرشادكم في مسار إطلاق الكفاءة في مؤسستكم وتعظيم عائد استثماركم في الذكاء الاصطناعي. C/strongEنحن نؤمن بأن الأعمال تأتي أولًا، وأن التكنولوجيا (والذكاء الاصطناعي) ينبغي أن تأتي بعدها. وهناك خمسة أسباب وجيهة لذلك.C/pE CpEnbsp;C/pE Ch2Eالسبب الأول: الأتمتة تضخم أي عملية تمسهاC/h2E CpEترث الخوارزمية المنشورة على عملية ما منطق تلك العملية، بما فيه عيوبها. كان هذا تحذير هامر الأصلي بشأن تقنية المعلومات [6]، وأصدرت الأوساط البحثية التحذير نفسه تحديدًا حين ازدهرت أتمتة العمليات الروبوتية (RPA) في أواخر العقد الثاني من الألفية. ولأن روبوتات RPA تكرر الطريقة التي يُنجز بها العمل CemEحاليًاC/emE - فتتنقل بين الشاشات نفسها وتتبع القواعد نفسها - فإن الأتمتة من دون فحص العملية مسبقًا تنطوي على خطر صب الخرسانة الرقمية فوق أوجه القصور، ما يجعل العملية السيئة أسرع وأكثر جمودًا وأصعب تغييرًا [9]. كما حددت مراجعة منهجية لأدبيات RPA اختيار العمليات ومدى ملاءمتها - أي أن تكون قائمة على القواعد وموحدة وناضجة - بوصفهما من المحددات الأساسية للنجاح، وأشارت إلى سوء اختيار العمليات بوصفه سببًا متكررًا لفشل المبادرات [10].C/pE CpEوينطبق الدرس مباشرة على الذكاء الاصطناعي، وربما مع مخاطر أكبر. فنموذج لغوي يصوغ الردود ضمن سلسلة موافقات معطوبة لا يفعل سوى ملء طابور عنق الزجاجة بوتيرة أسرع. ونموذج تعلم آلي يتنبأ بالطلب لصالح عملية تخطيط لا يلتزم بها أحد ينتج تنبؤات لا يستخدمها أحد. فالتضخيم هو جوهر الأتمتة، ولهذا ينبغي التدقيق أولًا في الشيء المراد تضخيمه.C/pE CpEnbsp;C/pE Ch2Eالسبب الثاني: جودة البيانات نتيجة للعمليات، وهي أسوأ مما تظنC/h2E CpEيعتمد كل نظام للذكاء الاصطناعي على بيانات سابقة، وتعتمد البيانات بدورها على العمليات: إذ تنشئها العمليات اليومية للأعمال، وتُدخلها، وتحولها، وتتبادلها بين الجهات. وحالة تلك البيانات مثيرة للقلق. ففي دراسة قيّم فيها المديرون عينات من سجلات مؤسساتهم، لم تستوفِ المعايير الأساسية للجودة سوى بيانات 3% من الشركات، واحتوى ما يقرب من نصف السجلات المنشأة حديثًا على خطأ جوهري واحد على الأقل يؤثر في العمل [11]. وصنف الأشخاص الذين قابلتهم RAND نقص البيانات الملائمة والقابلة للاستخدام ضمن أبرز أسباب فشل مشاريع الذكاء الاصطناعي، مشيرين إلى أن المؤسسات تقلل باستمرار من حجم إعداد البيانات الذي تتطلبه التكنولوجيا [1].C/pE CpEوعلى مستوى الممارسين، توثق الأدلة جيدًا عواقب تجاهل ذلك. فقد وجدت دراسة شملت ممارسي الذكاء الاصطناعي في مجالات عالية المخاطر أن 92% منهم واجهوا «سلاسل متتابعة من إخفاقات البيانات» - وهي إخفاقات تتفاقم في المراحل اللاحقة بفعل مشكلات جودة البيانات في المراحل السابقة، وغالبًا ما تظل خفية حتى تظهر متأخرة في صورة نماذج معطوبة وعمليات نشر متروكة [12]. ولا يحتاج عنوان الدراسة إلا إلى قراءة واحدة لتشخيص مشكلة ترتيب الخطوات في القطاع: CemE«الجميع يريد العمل على النماذج، لا على البيانات».C/emEC/pE CpEوهنا تكمن النقطة الاستراتيجية: لا يمكن إصلاح جودة البيانات بحملة سريعة لتنظيفها، لأن العمليات التي تنتج البيانات السيئة تواصل CemEإعادة إنتاجهاC/emE. يكشف تحليل العمليات أين تُنشأ البيانات، وأين تتكرر أو يُعاد إدخالها أو تتعرض للتلف؛ ويعالج تحسين العمليات الخلل من مصدره. فالمؤسسة التي تحسن عملياتها أولًا تبني، في هدوء وبالتزامن، أساس البيانات الذي سيعتمد عليه ذكاؤها الاصطناعي مستقبلًا.C/pE CpEnbsp;C/pE Ch2Eالسبب الثالث: من دون وضوح العمليات، ستختار حالات الاستخدام الخاطئةC/h2E CpEإن تحديد المجالات المناسبة للذكاء الاصطناعي قرار يتعلق بمحفظة المبادرات، ولا يمكن اتخاذه على نحو سليم من دون معرفة كيفية تدفق العمل فعليًا. فقد وجد دافنبورت ورونانكي [13]، بعد استطلاع شمل 152 مشروعًا للتقنيات المعرفية، أن المشاريع الطموحة من نوع «الرهان الكبير» كثيرًا ما خيبت الآمال، بينما اتبع المتبنون الناجحون نهجًا تدريجيًا: فحصوا عملياتهم مهمةً تلو أخرى، ومواءمة قدرات محددة للذكاء الاصطناعي مع اختناقات محددة ضمن تدفقات عمل محددة.C/pE CpEوهذا المستوى من الوضوح على صعيد المهام هو ما يوفره مجال إدارة عمليات الأعمال (BPM)، وهو من كفاءاتنا الأساسية. تمر دورة حياة BPM القياسية بتحديد العمليات واكتشافها وتحليلها وإعادة تصميمها CemEقبلC/emE التنفيذ والأتمتة؛ وهو تسلسل تبلور عبر عقود من الممارسة، ويعتبر أتمتة عملية لم تُفحص خطأً في التصنيف [14]. ويعزز التنقيب الحديث في العمليات هذا النهج: فمن خلال إعادة بناء العمليات اعتمادًا على سجلات الأحداث في أنظمة تقنية المعلومات القائمة، يستبدل خرائط العمليات القائمة على الآراء بأدلة تكشف العدد الفعلي لأنواع العمليات، وحلقات إعادة العمل، والانحرافات، والاختناقات التي لا تكشفها المقابلات وحدها [15]. وهو أشبه بصورة بالأشعة السينية تُلتقط قبل الجراحة؛ وكثيرًا ما تكشف أن العملية التي يصفها التنفيذيون ليست العملية التي تنفذها المؤسسة فعلًا.C/pE CpEلقد بُنيت قصص النجاح الكلاسيكية في الأتمتة على هذا الانضباط في الاختيار تحديدًا. ففي Telefónica O2، أحد أقدم تطبيقات RPA وأكثرها استشهادًا بها - والذي حقق في نهاية المطاف عائدًا على الاستثمار بلغ مئات النسب المئوية - اختيرت أهداف الأتمتة بعناية: عمليات عالية الحجم وموحدة وقائمة على القواعد، جرى تثبيتها قبل تطبيق الروبوتات البرمجية عليها [16]. فقد صُنع النجاح عبر الاختيار، لا عبر البرمجيات.C/pE CpEnbsp;C/pE Ch2Eالسبب الرابع: أحيانًا يكون أفضل «مشروع ذكاء اصطناعي» هو حذف الخطوةC/h2E CpEلتحليل العمليات عادة مزعجة: فهو يواصل العثور على مشكلات لا تحتاج إلى الذكاء الاصطناعي أصلًا. موافقة مكررة، أو تقرير لا يقرأه أحد، أو عملية تسليم موجودة بسبب هيكل تنظيمي يعود إلى عام 2014، أو إعادة إدخال البيانات يدويًا بين نظامين يمكن ببساطة دمجهما - تقول مبادئ الهندسة الصناعية الكلاسيكية إنه ينبغي الإلغاء والدمج والتبسيط قبل الأتمتة، لأن أتمتة الهدر لا تنتج سوى هدر أسرع. وكان هذا جوهر حجة هامر: CemE«لا تؤتمت، بل أزل من الوجود»C/emE؛ فكثير مما طُلب من التكنولوجيا تسريعه لم يكن ينبغي أن يوجد من الأساس [6].C/pE CpEوعلى الصعيد الشخصي، أستحسن كثيرًا المقولة التي كثيرًا ما تُنسب إلى ليوناردو دا فينشي: «البساطة هي قمة الرقي». فتَبسيط العملية عمل شاق، يتطلب كفاءات تحليلية قوية، والقدرة على الربط بين المدخلات الواردة من مختلف أقسام المؤسسة، ودمج المعارف من مجالات متعددة. CstrongEوهذا بالضبط هو المجال الذي بنينا حوله Mourinho Solutions.C/strongEC/pE CpEبالنسبة إلى مؤسسة تستعد لتمويل برنامج للذكاء الاصطناعي، لا يُعد ذلك التفافًا عن المسار، بل توفيرًا مباشرًا وخفضًا للمخاطر. فالخطوات التي تُلغى لا تكلف شيئًا لأتمتتها، ولا تتطلب صيانة نماذج، ولا تخلق أنماط إخفاق جديدة، وتبدأ بتحقيق العائد فورًا. ويحقق العمل على العمليات فائدة ثانية: خط أساس مقاس. ومن النتائج البارزة في تقرير MIT NANDA أن معظم المشاريع التجريبية للذكاء الاصطناعي التوليدي لم تستطع إثبات أثر قابل للقياس في الأرباح والخسائر [2]؛ لكن لا يمكن CemEقياسC/emE الأثر إلا بالمقارنة مع نقطة بداية معروفة. فالعملية المحسّنة تأتي مع توثيق لأزمنة الدورات ومعدلات الأخطاء والتكاليف لكل معاملة؛ وبذلك يرث تطبيق الذكاء الاصطناعي اللاحق، مجانًا، القدرة على إثبات عائده على الاستثمار.C/pE CpEnbsp;C/pE Ch2Eالسبب الخامس: تتحقق قيمة الذكاء الاصطناعي عبر التغيير المؤسسي، لا بمجرد تثبيت البرمجياتC/h2E CpEأخيرًا، تتلاقى الأبحاث حول مصادر القيمة الفعلية للذكاء الاصطناعي عند حقيقة غير مريحة للاستراتيجيات التي تبدأ بالأدوات: تتحقق القيمة على مستوى عمليات الأعمال، ولا تتحقق إلا عندما تتغير المؤسسة بما يتناسب مع التكنولوجيا. ووجدت مراجعة منهجية للأدبيات المتعلقة بالذكاء الاصطناعي وقيمة الأعمال أن الآثار المباشرة تظهر في كفاءة العمليات وتحسين القرارات ضمنها؛ وأن تحقيق هذه الآثار يعتمد على عوامل تمكين مؤسسية وتحول متعمد في عمليات الأعمال، لا على مدى تطور النموذج [17]. كما تحدد دراسات المقابلات مع المؤسسات التي تبنت الذكاء الاصطناعي الجاهزية المؤسسية - بما تشمل من مواءمة استراتيجية وجودة البيانات وحوكمتها ومعرفة العمليات والثقافة - بوصفها شرطًا مسبقًا ينبغي تقييمه CemEقبلC/emE اتخاذ قرارات التبني، لا اكتشافه بعدها [18].C/pE CpEوتتفق أبحاث الممارسين مع ذلك. فقد أفاد قادة في McKinsey كتبوا في Harvard Business Review بأن أكبر العقبات أمام توسيع نطاق الذكاء الاصطناعي ليست تقنية، بل ثقافية ومؤسسية، وأن النجاح يتطلب إعادة تصميم تدفقات العمل وإدارة مبادرات الذكاء الاصطناعي بوصفها تغييرًا في العمليات تقوده الأعمال، بمشاركة فرق متعددة التخصصات، لا باعتبارها عمليات تثبيت لتقنية المعلومات [19]. وفي الدراسة العالمية التي أجرتها MIT Sloan وBCG، تميزت الشركات التي حققت قيمة فعلية من الذكاء الاصطناعي بالطريقة التي جمعت بها بين الاستراتيجية والتغيير المؤسسي والتكنولوجيا، بدلًا من التعامل مع التكنولوجيا باعتبارها الاستراتيجية [5].C/pE CpEإن تحليل العمليات وتحسينها هو بالضبط هذا العمل المؤسسي، حين يُنفذ بالترتيب الصحيح. فهو يوحد القيادة حول المشكلات الأهم (ويعالج السبب الأول للفشل وفق RAND [1])، ويبني فهم العمليات اللازم لإعادة تصميم تدفقات العمل، وينشئ عمليات مستقرة وموحدة يمكن نشر الذكاء الاصطناعي عليها بثقة.C/pE CpEnbsp;C/pE Ch2Eتقدم لكم Mourinho Solutions نهج «العمليات أولًا»C/h2E CpEلا تعني أي من الأسباب السابقة ضرورة قضاء سنوات في التحليل قبل السماح لأي شخص بلمس نموذج. بل تدعو إلى تسلسل قصير ومنضبط - أي النصف الأول من دورة حياة BPM [14] - يُنفذ خلال أسابيع، لا أرباع سنوية، ويُضبط حجمه بما يتناسب مع طموح برنامج الذكاء الاصطناعي الذي يسبقه.C/pE CpEتعتمد Mourinho Solutions نهجًا استشاريًا مصممًا خصيصًا، يستند إلى أحدث المعارف وسنوات من الخبرة، ويقود مؤسستكم عبر دورة حياة BPM بأكملها وبمنهجية، لتحققوا أعلى عائد على استثماركم.C/pE CpEوثمة أثر تراكمي يستحق التنويه. فالمؤسسات المنتمية إلى الأقلية الناجحة - نسبة 5% التي أوردها MIT، و«الرواد» في دراسات MIT Sloan وBCG - لم تكتف بتجنب الفشل؛ بل بنت قدرات مؤسسية تجعل كل تطبيق لاحق للذكاء الاصطناعي أقل تكلفة وأسرع من سابقه [5]، [2]. إن وضوح العمليات، وتدفقات البيانات النظيفة، والانضباط في القياس، كلها بنية تحتية. وتزداد قيمتها بمرور الوقت.C/pE CpEnbsp;C/pE

الخلاصة: الجاهزية للذكاء الاصطناعي تبدأ بجاهزية العمليات

ينظر الاندفاع نحو تطبيق الذكاء الاصطناعي إلى تحليل العمليات على أنه تأخير. لكن الأدلة تشير إلى العكس: فهو الإجراء الأكثر فاعلية للحد من المخاطر، إذ يعالج الأسباب الجذرية الموثقة لفشل الذكاء الاصطناعي — اختيار المشكلة الخطأ، وضعف البيانات، وعدم تكامل سير العمل — قبل أن تتفاقم وتؤدي إلى التخلي عن مشروع تجريبي. إن تعبيد المسارات التي تسلكها الأبقار لن يحقق قيمة تُذكر، بل قد يؤدي فعليًا إلى تقليلها. وتروي 35 سنة من الأبحاث، بدءًا من إعادة هندسة عمليات الأعمال [6]، مرورًا باقتصاديات التكامل [7]، [8]، ووصولًا إلى تحليلات ما بعد الإخفاقات للجيل الحالي من الذكاء الاصطناعي [1]، [2]، قصة متسقة مفادها أن التكنولوجيا تضاعف أثر المؤسسة التي تُطبَّق فيها. حسِّن المؤسسة أولًا، وسيضاعف الذكاء الاصطناعي أثرًا يستحق المضاعفة.

لذا، ليس السؤال الذي ينبغي لفرق القيادة طرحه: «ما مدى سرعة تطبيق الذكاء الاصطناعي؟»، بل: «أي من عملياتنا سيُحدث الذكاء الاصطناعي فيها تحولًا حقيقيًا بعد فهمها وتحسينها؟». إن الإجابة عن هذا السؤال بهذا الترتيب هي ما يميز نسبة الـ5% عن نسبة الـ95%.

تضمن Mourinho Solutions أن تكون مؤسستك ضمن نسبة الـ5%.

---

في Mourinho Solutions، نتبع هذا التسلسل في عملنا. نساعد المؤسسات على رسم خرائط عملياتها وتحليلها، وتحسينها لتحقيق مكاسب قابلة للقياس، ثم تصميم الذكاء الاصطناعي وتطبيقه حيثما تثبت جدواه. إذا كانت شركتك تخطط لمبادرة في مجال الذكاء الاصطناعي، فابدأ بحوار حول عملياتك — اتصل بنا لإجراء تقييم للعمليات.

 

 

المراجع

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry، الأسباب الجذرية لفشل مشاريع الذكاء الاصطناعي وكيفية إنجاحها: تجنب الأنماط المضادة للذكاء الاصطناعي. Santa Monica, CA, USA: RAND Corporation, 2024. [متاح على الإنترنت]. متاح على: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari، «الفجوة في الذكاء الاصطناعي التوليدي: واقع الذكاء الاصطناعي في الأعمال 2025»، MIT NANDA, Cambridge, MA, USA, 2025. [متاح على الإنترنت]. متاح على: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence، استطلاع «صوت المؤسسة: الذكاء الاصطناعي والتعلم الآلي»، 2025؛ وقد نُشرت النتائج في «ارتفاع معدلات فشل مشاريع الذكاء الاصطناعي: تقرير»، CIO Dive، مارس 2025. [متاح على الإنترنت]. متاح على: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner، «تتوقع Gartner التخلي عن 30% من مشاريع الذكاء الاصطناعي التوليدي بعد إثبات المفهوم بحلول نهاية 2025»، بيان صحفي، 29 يوليو 2024. [متاح على الإنترنت]. متاح على: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron، «النجاح بالذكاء الاصطناعي»، MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, تقرير بحثي، 2019. [متاح على الإنترنت]. متاح على: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer، «إعادة هندسة العمل: لا تؤتمت، بل أزل»، Harvard Business Review، المجلد 68، العدد 4، الصفحات 104–112، يوليو–أغسطس 1990. [متاح على الإنترنت]. متاح على: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt، «ما وراء الحوسبة: تكنولوجيا المعلومات والتحول التنظيمي وأداء الأعمال»، Journal of Economic Perspectives، المجلد 14، العدد 4، الصفحات 23–48، 2000، doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson، «منحنى الإنتاجية على شكل J: كيف تكمل الأصول غير الملموسة التقنيات متعددة الأغراض»، American Economic Journal: Macroeconomics، المجلد 13، العدد 1، الصفحات 333–372، يناير 2021، doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl، «أتمتة العمليات الروبوتية»، Business & Information Systems Engineering، المجلد 60، العدد 4، الصفحات 269–272، 2018، doi: 10.1007/s12599-018-0542-4.

[10] R. Syed وآخرون، «أتمتة العمليات الروبوتية: موضوعات وتحديات معاصرة»، Computers in Industry، المجلد 115، المقالة رقم 103162، فبراير 2020، doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon، «لا تستوفي بيانات سوى 3% من الشركات معايير الجودة الأساسية»، Harvard Business Review، 11 سبتمبر 2017. [متاح على الإنترنت]. متاح على: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo، ««الجميع يريد العمل على النماذج، لا على البيانات»: تتابعات البيانات في تطبيقات الذكاء الاصطناعي عالية المخاطر»، في أعمال مؤتمر CHI لعام 2021 حول العوامل البشرية في أنظمة الحوسبة (CHI ’21)، يوكوهاما، اليابان، 2021، المقالة رقم 39، doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki، «الذكاء الاصطناعي للعالم الحقيقي»، Harvard Business Review، المجلد 96، العدد 1، الصفحات 108–116، يناير–فبراير 2018. [متاح على الإنترنت]. متاح على: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers، أساسيات إدارة عمليات الأعمال، الطبعة الثانية. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst، تنقيب العمليات: علم البيانات في التطبيق، الطبعة الثانية. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks، «أتمتة العمليات الروبوتية في Telefónica O2»، MIS Quarterly Executive، المجلد 15، العدد 1، الصفحات 21–35، مارس 2016. [متاح على الإنترنت]. متاح على: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie، «الذكاء الاصطناعي والقيمة التجارية: مراجعة للأدبيات»، Information Systems Frontiers، المجلد 24، العدد 5، الصفحات 1709–1734، 2022، doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki، «سواء أكنت مستعدًا أم لا، فالذكاء الاصطناعي قادم — دراسة مقابلات حول عوامل الجاهزية التنظيمية للذكاء الاصطناعي»، Business & Information Systems Engineering، المجلد 63، العدد 1، الصفحات 5–20، 2021، doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh، «بناء مؤسسة مدعومة بالذكاء الاصطناعي»، Harvard Business Review، المجلد 97، العدد 4، الصفحات 62–73، يوليو–أغسطس 2019. [متاح على الإنترنت]. متاح على: https://hbr.org/2019/07/building-the-ai-powered-organization