كيف تقيس الذكاء الاصطناعي في الشركة: مقاييس النجاح والعائد على الاستثمار وتجنب المقاييس الاستعراضية

أطروحتي المبنية على المحادثات والخبرة والعمل مع العملاء

معظم الشركات التي أتحدث معها إما لا تقيس قيمة الذكاء الاصطناعي على الإطلاق، أو تقيس الأشياء الخاطئة. ليست المسألة نقصاً في أدوات إعداد التقارير. المسألة غياب الوضوح بشأن ما نريد معرفته فعلاً، وكيف نعرف أن الذكاء الاصطناعي يحقق قيمة حقيقية. بدون ذلك يصبح القياس طقساً لا أداة لاتخاذ القرار.

قياس الذكاء الاصطناعي يجب أن يكون جزءاً من الاستراتيجية منذ اليوم الأول. لا فكرة لاحقة تُضاف بعد التطبيق حين يسأل أحد أعضاء مجلس الإدارة: "حسناً، لكن كم يكلفنا هذا وماذا نجني منه؟".

ماذا يعني هذا عملياً

عملياً أرى سيناريوهين نموذجيين. في الأول، تُطبّق الشركة الذكاء الاصطناعي دون تحديد أي مقاييس نجاح. يُعتبر التطبيق ناجحاً لأنه يعمل تقنياً. لا أحد يتحقق مما إذا كان قد غيّر شيئاً في النتائج التجارية.

في السيناريو الثاني، تقيس الشركة لكنها تقيس مقاييس استعراضية (vanity metrics). عدد مستخدمي Copilot. كمية الطلبات المُرسلة إلى النموذج. نسبة الفريق الذي أتم التدريب. هذه الأرقام تبدو جيدة على الشرائح، لكنها لا تقول شيئاً عما إذا كان الذكاء الاصطناعي يغير فعلاً أسلوب العمل، أو يخفض التكاليف، أو يُسرّع القرارات، أو يُحسّن الجودة.

المقاييس الحقيقية لقيمة الذكاء الاصطناعي مختلفة. توفير الوقت في عملية محددة. خفض التكاليف التشغيلية بأرقام ملموسة. تحسّن جودة القرارات الظاهر في النتائج. اختصار الوقت من الفكرة إلى التنفيذ. انخفاض عدد الأخطاء في المهام المتكررة. لكن لقياسها، يجب أولاً معرفة خط الأساس (baseline)، أي حالة العملية قبل تطبيق الذكاء الاصطناعي.

لماذا هذه مشكلة الآن تحديداً

لأن ميزانيات الذكاء الاصطناعي تنمو، وصبر مجالس الإدارة والمديرين الماليين يتناقص. في عام 2024 أطلقت شركات كثيرة مشاريع تجريبية وتطبيقات أولى. الآن في 2026 يحين وقت المحاسبة. ويتبين أن المؤسسات التي لم تهتم بالقياس منذ البداية لا تستطيع الإجابة عن السؤال الجوهري: هل تُرد هذه الاستثمارات؟

تؤكد أبحاث MIT Sloan أن الشركات التي تقيس قيمة الذكاء الاصطناعي بشكل منهجي تتخذ قرارات أفضل بشأن التوسع، وتتخلى أسرع عن المشاريع التي لا تحقق نتائج. هذا ليس صدفة. القياس ليس بيروقراطية. إنه آلية تعلّم المؤسسة.

في الوقت نفسه، يتزايد الضغط التنظيمي. يفرض قانون الذكاء الاصطناعي الأوروبي (AI Act) على الشركات توثيق أثر أنظمة الذكاء الاصطناعي. الشركات التي لا تملك إطاراً لقياس القيمة ستجد صعوبة ليس فقط في تبرير الميزانيات، بل أيضاً في تلبية متطلبات الامتثال.

ما الذي يجدي نفعاً فعلاً

يجدي نفعاً النهج الذي نحدد فيه المقاييس قبل التطبيق لا بعده. يجدي نفعاً قياس ما يهم الأعمال فعلاً، حتى لو كان أصعب في الرصد من عدد الطلبات. ويجدي نفعاً الصدق في تفسير النتائج، بدلاً من تعديل المقاييس لتتوافق مع رواية نجاح محسومة سلفاً.

إطار قياس قيمة الذكاء الاصطناعي الجيد ليس شاملاً لكل حالة. يجب أن يكون مُصمَّماً للمؤسسة، ولنوع التطبيق، ولما تريد الشركة تحقيقه فعلاً. قياس قيمة AI في خدمة العملاء يختلف عن قياسها في عمليات المكتب الخلفي، ويختلف أيضاً عن قياسها في تطوير المنتج.

ما يجمع بين المقاربات الفعالة هو عدة مبادئ. أولاً، خط الأساس: نعرف كيف تبدو العملية بدون AI. ثانياً، مقاييس مرتبطة بالهدف التجاري لا بالنشاط. ثالثاً، مراجعة دورية: هل المقاييس لا تزال تقيس ما هو مهم. ورابعاً، الاستعداد لتغيير المسار حين لا تؤكد النتائج الفرضية.

كيف أعمل مع العملاء على هذا الأمر

أبدأ من فهم ما تريد الشركة تحقيقه من الذكاء الاصطناعي، وما التطبيقات التي لديها أو تخطط لها. بناءً على ذلك نحدد معاً أي الأسئلة التجارية يجب أن تحصل على إجابة، وأي المقاييس تتيح الحصول على تلك الإجابة.

ثم أساعد في بناء إطار القياس (measurement framework): مجموعة المقاييس، وطريقة جمعها، ودورية المراجعة، وقواعد التفسير. ليس وثيقة تُنشأ في البداية وتبقى على الرف، بل آلية حية تتطور مع التطبيق.

المهم أنني لا أتوقف عند تحديد المقاييس. أشارك العميل في عملية القياس وأتحمل مسؤولية مشتركة في أن تؤثر المقاييس فعلاً على القرارات. أساعد في تفسير النتائج، ومواجهتها بالتوقعات، واتخاذ قرارات بشأن الاستمرار أو التوسع أو التصحيح أو الإيقاف. لأن القياس بلا عواقب مجرد إعداد تقارير.

رسالتي للرؤساء التنفيذيين والمديرين الماليين

قبل أن تسألوا "ما العائد على الاستثمار من AI"، تأكدوا أن لديكم إجابة واضحة عن سؤال "ما الذي نريد قياسه بالضبط وكيف نعرف النجاح". فالعائد على الاستثمار من الذكاء الاصطناعي ليس رقماً واحداً. إنه مجموعة مؤشرات يجب أن تكون ملائمة لما تفعله الشركة فعلاً مع AI. بدون ذلك يبقى السؤال عن ROI بلاغياً.

الأسئلة الشائعة

متى أفضل وقت لبدء قياس قيمة الذكاء الاصطناعي؟

قبل التطبيق. اللحظة الأهم هي تحديد خط الأساس، أي حالة العملية قبل AI. بدونه لن يكون هناك ما يُقارن به، وسيعتمد كل تقييم على الحدس لا على البيانات.

هل المقاييس الاستعراضية (vanity metrics) سيئة دائماً؟

ليست سيئة دائماً، لكنها غير كافية في كل الأحوال تقريباً. عدد المستخدمين أو تكرار الاستخدام قد يكونان مفيدين كمؤشرات تبنٍّ، لكنهما بحد ذاتهما لا يقولان شيئاً عن القيمة التجارية. تظهر المشكلة حين تحل المقاييس الاستعراضية محل مقاييس النتائج.

كم يستغرق بناء إطار قياس قيمة AI؟

عادةً من أسبوعين إلى أربعة أسابيع، بحسب عدد التطبيقات وتعقيد المؤسسة. الإطار نفسه لا يجب أن يكون معقداً. الأهم أن يكون مفيداً وأن يستخدمه الأشخاص في المؤسسة فعلاً.

هل يتطلب قياس AI استثمارات كبيرة في الأدوات؟

في الغالب لا. كثير من المؤسسات تمتلك بالفعل أدوات تحليلية كافية لقياس المقاييس الأساسية. المفتاح ليس الأداة، بل وضوح ما نقيسه ولماذا وكيف نفسر النتائج.

دعوة للتواصل

عزيزي القارئ/عزيزتي القارئة، إذا شعرت أن شركتك تستثمر في الذكاء الاصطناعي لكن ليس لديها صورة واضحة عما إذا كانت هذه الاستثمارات تحقق قيمة، أدعوك للحديث. ليس لإنشاء لوحات معلومات جديدة، بل لنحدد معاً ما يستحق القياس فعلاً وكيف نستفيد منه.

للمراجعة الموضوعية

• هل نريد عرض أمثلة لمقاييس خاصة بقطاعات أو أنواع تطبيقات معينة على هذه الصفحة؟
• النظر فيما إذا كان من المفيد إضافة مقارنة بين المقاييس الاستعراضية ومقاييس الأعمال كجدول أو رسم بياني.
• التحقق مما إذا كانت الإشارة إلى AI Act في سياق قياس القيمة واسعة جداً وتحتاج إلى تدقيق.