IBM: گزارش جهانی از شکاف میان جاهطلبی AI و آمادگی دادهای
مطالعه جدید از سوی IBM که بر پاسخِ بیش از ۱,۷۰۰ مقام ارشد دادهمحور (Chief Data Officers) انجام شده است، نشان میدهد ۸۱٪ از آنها سرمایهگذاری در توانمندیهای AI را اولویت قرار دادهاند.
با این حال تنها ۲۶٪ گفتهاند که اطمینان دارند دادههایشان برای ایجاد درآمد مبتنی بر AI کافی است.
همچنین ۷۸٪ گفتهاند که بهرهگیری از دادههای اختصاصی (proprietary data) یکی از اهداف استراتژیک مهم سازمانشان است.
تحلیل:
این خبر روشن میسازد که در کسبوکارها «خواست گسترش AI» وجود دارد، اما «زیرساخت دادهای و قابلیت آمادهسازی برای AI در مقیاس» هنوز عقب است. سازمانها باید فقط به مدلها فکر نکنند بلکه به کیفیت داده، معماری داده و حاکمیت داده نیز توجه کنند. این وضعیت در بازار ایران و خاورمیانه نیز دیده میشود—شرکتها باید از همین حالا روی داده، ذخیرهسازی، مدیریت داده و تیم داده سرمایهگذاری کنند، نه صرفاً خرید مدل.
۱. تضاد میان اشتیاق سازمانی برای AI و آمادگی دادهای
در این گزارش IBM، عدد ۸۱٪ نشان میدهد تقریباً همه شرکتها AI را در اولویت قرار دادهاند — اما تنها یکچهارم (۲۶٪) از آنها واقعاً زیرساخت لازم را دارند.
این شکاف به اصطلاح AI Readiness Gap است: شرکتها مدل میخواهند، اما دادهی تمیز، برچسبخورده و یکپارچه ندارند.
در واقع، بدون معماری داده مدرن (Data Lakehouse، Governance، Quality Layer)، حتی بهترین مدلها کارایی ندارند.
۲. اهمیت دادههای اختصاصی (Proprietary Data)
۷۸٪ از مدیران بر اهمیت دادههای انحصاری تأکید کردهاند.
در عصر مدلهای عمومی (مثل GPT، Claude، Gemini و غیره)، تمایز واقعی سازمانها نه در مدل، بلکه در دادههای منحصربهفرد آنهاست.
مثلاً یک بانک با دادههای اعتباری داخلی، یا یک خردهفروشی با دادههای وفاداری مشتری، میتواند با همان مدل عمومی نتایج بسیار متفاوتی بگیرد.
بنابراین تمرکز آینده شرکتها از «ساخت مدل» به «تملک و حاکمیت داده» تغییر کرده است.
۳. چالشهای فنی و سازمانی
IBM در گزارش خود تأکید میکند که سه مانع اصلی برای آمادگی دادهای عبارتاند از:
- پراکندگی دادهها بین سیستمهای مختلف (Siloed Data)
- نبود استانداردسازی و متادیتا
- کمبود نیروی متخصص در مهندسی داده و حاکمیت داده
راهحلها در جهان به سمت Data Fabric و AI Data Governance Platforms رفتهاند — سیستمهایی که داده را بهصورت هوشمند، تمیز و آماده برای مدلسازی نگه میدارند.
۴. پیام برای ایران و منطقه خاورمیانه
در ایران نیز بسیاری از سازمانها در حال ورود به فاز «آزمایش مدلهای AI» هستند، اما هنوز پایه دادهای و فرآیند تمیزکاری دادهها ضعیف است.
اگر شرکتها میخواهند از هوش مصنوعی درآمد واقعی کسب کنند، باید:
- تیم داده (Data Team) ایجاد کنند.
- فرآیند جمعآوری، صحتسنجی و یکپارچهسازی داده را نهادینه کنند.
- از دادههای بومی و فارسی استفاده کنند تا مدلها دقیقتر شوند.
جمعبندی تحلیلی
| محور | وضعیت جهانی | پیام برای ایران |
|---|---|---|
| آمادگی دادهای | پایین (۲۶٪ آماده) | نیاز فوری به زیرساخت داده |
| استراتژی AI | در اولویت بالا (۸۱٪) | تمایل زیاد اما با کمبود فنی |
| تمرکز آینده | داده اختصاصی و حاکمیت | فرصت برای دادههای بومی و محلی |
نتیجه نهایی:
هوش مصنوعی بدون دادهی باکیفیت مثل موتور بدون سوخت است.
در سال ۲۰۲۵ و بعد از آن، سازمانهایی برندهاند که زودتر از دیگران «زیرساخت دادهای هوشمند» خود را بسازند و بعد سراغ مدل بروند — نه برعکس.
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.
