گزارش EY: اکثر شرکتها در استقرار AI با زیان مالی مواجهاند
بررسی جدید شرکت مشاوره EY نشان داده است که بسیاری از شرکتها هنگام استقرار هوش مصنوعی دچار زیانهای مالی مرتبط با ریسک شدهاند.
تحلیل:
- این گزارش یک زنگ هشدار برای روند پرشتاب پذیرش AI است: اجرای موفق در آزمایشگاه با اجرا در محیط واقعی سازمانی تفاوت بزرگی دارد.
- زیانها ممکن است ناشی از سوگیری مدل، ناهماهنگی داده، خطاهای تولیدی یا انتظارات نامتناسب باشد.
- نکته کلیدی این است که شرکتها باید از ابتدا با رویکرد مدیریت ریسک، فازهای آزمایشی محدود و پایش مستمر پیش بروند تا از ضررهای بزرگ جلوگیری کنند.
- شرکت مشاورهای Ernst & Young (EY) در تازهترین گزارش خود اعلام کرده که بیش از ۶۰٪ شرکتهای بزرگ که هوش مصنوعی را در فرآیندهای سازمانی خود پیاده کردهاند، زیان مالی یا آسیب عملیاتی را تجربه کردهاند.
- زیانها بیشتر در صنایع مالی، خردهفروشی، بیمه و لجستیک مشاهده شدهاند.
- دلایل اصلی: خطاهای مدل، تصمیمگیری خودکار اشتباه، و هزینههای پیشبینینشده در زیرساخت و نیروی انسانی.
- گزارش EY تأکید میکند که تنها ۱۸٪ از شرکتها چارچوب مشخصی برای مدیریت ریسک AI دارند.
تحلیل فنی و عملیاتی
- فاصله بزرگ بین “آزمایش موفق” و “استقرار واقعی”
بسیاری از مدلهای هوش مصنوعی در فاز تست عملکردی درخشان دارند، اما در محیط واقعی با دادههای ناپایدار، رفتار انسانی غیرقابل پیشبینی، و سیستمهای قدیمی IT مواجه میشوند.
این باعث میشود مدلها دقت و پایداری خود را از دست بدهند، و در نتیجه تصمیمات نادرست مالی یا عملیاتی تولید کنند. - سوگیری داده (Data Bias) و تطبیق ضعیف مدل
شرکتها معمولاً مدلها را با دادههای تاریخی خود آموزش میدهند، اما در دنیای واقعی شرایط بازار دائماً تغییر میکند.
در نتیجه مدلها دچار “bias drift” یا “concept drift” میشوند — یعنی پیشبینیها به مرور از واقعیت فاصله میگیرد.
این همان دلیلی است که منجر به زیانهای پنهان و تدریجی میشود. - هزینههای پنهان زیرساختی و انسانی
بسیاری از مدیران اجرایی تصور میکنند هوش مصنوعی تنها به خرید مدل یا اشتراک API محدود میشود.
در حالی که هزینههای اصلی در بخشهایی مانند:- Data Cleaning و Annotation
- پردازش ابری (Cloud GPU usage)
- تیمهای DataOps و MLOps
- و آموزش کاربران سازمانی
بروز میکند.
نتیجه: ROI (بازگشت سرمایه) کمتر از پیشبینی اولیه است.
تحلیل مدیریتی و ریسک
- نبود چارچوب مدیریت ریسک هوش مصنوعی (AI Risk Governance)
بسیاری از سازمانها هنوز ساختارهایی مانند AI Ethics Board یا Risk Oversight Committee ندارند.
در نتیجه، مدلها بدون ارزیابی شفاف از پیامدهای اخلاقی، امنیتی و مالی مستقر میشوند. - نقش حیاتی فاز آزمایشی (Pilot Phase)
شرکتهایی که پروژههای خود را ابتدا در مقیاس کوچک و با پایش چندبعدی آغاز کردهاند، ۳ برابر موفقتر از سازمانهایی بودهاند که مستقیماً استقرار کامل انجام دادهاند.
به بیان دیگر، “Fail small, learn fast” باید اصل طلایی استقرار AI باشد.
تحلیل اقتصادی و استراتژیک
- در فضای کنونی که شرکتها تحت فشارند تا از AI عقب نمانند، شتابزدگی در پیادهسازی بدون برنامهریزی مالی دقیق منجر به زیان شده است.
- این پدیده به نوعی “Bubble of Adoption” شبیه است — مشابه اتفاقی که در دوران Transformation Digital دهه ۲۰۱۰ رخ داد:
شرکتها فناوری را خریدند، بدون اینکه مدل اقتصادی آن را طراحی کنند.
پیام برای بازار و آینده
- ورود فاز جدید: از “هیجان” به “انضباط” در AI
گزارش EY نشان میدهد که عصر “AI adoption for PR” تمام شده است؛ از این پس شرکتها باید به AI risk-adjusted ROI فکر کنند.
یعنی بازدهی هوش مصنوعی باید همراه با تحلیل ریسک مالی و عملیاتی سنجیده شود. - فرصت برای شرکتهای مشاوره و امنیت داده
این بحران بهنوعی فرصت است برای کسبوکارهایی که در زمینهی AI Governance، امنیت داده و پایش مدل (Model Auditing) فعالیت دارند.
بازار جهانی خدمات “AI Risk Management” طبق پیشبینی PwC تا سال ۲۰۲۸ به ۵۰ میلیارد دلار میرسد.
جمعبندی تحلیلی
| محور | نکته کلیدی | پیام استراتژیک |
|---|---|---|
| ریسک مالی | زیان ناشی از سوگیری، خطای تصمیم و هزینه پنهان | نیاز به ارزیابی ROI واقعی قبل از استقرار |
| مدیریت پروژه | نبود ساختار حاکمیت ریسک AI در اغلب شرکتها | باید چارچوب “AI Risk Governance” ایجاد شود |
| تحول سازمانی | فاصله بین آزمایشگاه و واقعیت میدانی | ضرورت فاز آزمایشی کنترلشده |
| آینده بازار | حرکت از هیجان به بلوغ در استفاده از AI | دوران رشد آگاهانه و حسابشده آغاز میشود |
پرایم سیستم، رهبر فناوری اطلاعات در قزوین و زنجان، با افتخار نمایندگی رسمی معتبرترین برندهای ایران و جهان است:
۱- تخت جمشید:
پرایم سیستم، پیشگام سختافزار، گیمینگ، رندرینگ و لوازم جانبی کامپیوتر
۲- سیناپ:
پرایم سیستم، سیستمهای AIDC
پیشرو در شناسایی خودکار و جمعآوری داده، نرمافزارهای انبار و لجستیک و تجهیزات بارکد/RFID برای صنایع تولیدی، خردهفروشی و راهحلهای دقیق برای زنجیره تأمین.
۳- ماپرا:
پرایم سیستم، تحول دیجیتال صنعت F&B
نرمافزار یکپارچه مدیریت فروش، انبارداری، باشگاه مشتریان و رزرو آنلاین بر پایه فناوری ابری و دادهمحور، همراه هزاران رستوران، کافه و فستفود برای مدیریت بدون محدودیت مکان/زمان، افزایش کارایی و هوشمندسازی عملیات.
۴- سختافزار:
پرایم سیستم، پیشتاز قطعات دیجیتال
فروش آنلاین/آفلاین قطعات کامپیوتر و دیجیتال و نمایندگی برندهای ایرانی/خارجی، ارسال به تمام ایران، سیستمهای گیمینگ/رندرینگ/ماینینگ و تیم اورکلاکر حرفهای. تولید محتوای تخصصی، برترین فروشگاه سخت افزار و نرم افزار قزوین/زنجان.
۵- نیلپر:
پرایم سیستم، تولیدکننده محصولات ارگونومیک، کوله و کیف
تمرکز بر کیفیت، طراحی دانشمحور و بازارهای اداری/آموزشی/رستورانی. مدیریت استراتژیک برای رضایت مشتری.
۶- زبرآسیا:
پرایم سیستم، فناوری AIDC و بارکد
تسهیل در جمعآوری داده بدون خطا با تمرکز بر بارکد و AID، راهحلهای اطلاعاتی برای صنایع، افزایش سرعت/دقت و برنامهریزی منابع. تکیه بر متخصصان داخلی و دانش جهانی، جلب اعتماد مشتریان.
