در تابستان ۲۰۲۵ گزارشی از MIT NANDA با عنوان «شکاف GenAI» در همه‌جا نقل شد. عنوان رسانه‌ها تقریباً یکی بود: «۹۵٪ آزمایش‌های هوش مصنوعی مولد در سازمان‌ها شکست می‌خورند.»
پیش از هر چیز یک هشدار صادقانه: ما گزارش اصلی را در این نوشته مستقیم بررسی نکرده‌ایم و بیشتر نقل رسانه‌ها (Fortune و دیگران) را دیده‌ایم. تعریف «شکست» دقیقاً روشن نیست و نمونهٔ پژوهش نسبتاً کوچک است: حدود ۱۵۰ مصاحبه با مدیران، نظرسنجی از ۳۵۰ کارمند و بررسی ۳۰۰ استقرار. پس عدد ۹۵٪ را خبر بدانید، نه قانون.
ولی الگوی دلایل که گزارش می‌دهد، با تجربهٔ ما هم‌خوان است.
دلیل اصلی: یادگیری، نه مدل
نویسندهٔ اصلی می‌گوید مشکل کیفیت مدل نیست. ابزارهای عمومی مثل ChatGPT به فرد سازگار می‌شوند، ولی ابزار سازمانی باید با فرایندها و داده‌های همان سازمان یکپارچه شود و با آن یاد بگیرد. بسیاری از پروژه‌ها این بخش را جدی نمی‌گیرند.
چند یافتهٔ جالب‌تر
- خرید در برابر ساخت: طبق گزارش، همکاری با تأمین‌کنندهٔ تخصصی حدود دو برابر ساخت داخلی موفق بود (حدود ۶۷٪ در برابر یک‌سوم).
- بودجه در جای اشتباه: بیش از نیمی از بودجه به فروش و بازاریابی می‌رفت، در حالی که بیشترین بازگشت در خودکارسازی کارهای پشت‌صحنه دیده شد.
- مدیران خط مقدم: پذیرش را مدیران میانی و خط مقدم باید رهبری کنند، نه فقط یک تیم مرکزی.
چه باید کرد؟
اگر این الگو درست باشد، پروژهٔ موفق چهار ویژگی دارد:
- با یک فرایند مشخص شروع می‌شود، نه یک ابزار.
- مالک فرایند، یعنی همان مدیر، از ابتدا درگیر است.
- به داده و سامانه‌های واقعی سازمان وصل می‌شود.
- آموزش بخشی از پروژه است، نه کاری برای بعد.
نکتهٔ آخر مهم‌تر از بقیه است. وقتی کارکنان نمی‌دانند ابزار چه می‌کند و چه نمی‌کند، بهترین ایجنت هم استفاده نمی‌شود.
برنامهٔ آموزش اختصاصی ما هم از همین‌جا ساخته شده: اول مصاحبه با مدیران تا فرایندهای درست پیدا شوند، بعد آموزش و در پایان دسترسی به ابزار.