خلفية فشل 90٪ من مشاريع الذكاء الاصطناعي: ديون كلمات التحفيز، ديون الاسترجاع، وديون التقييم تعيق تنفيذ الشركات

في عام 2025، قامت 42% من الشركات بإيقاف العديد من مشاريع الذكاء الاصطناعي، وهو ضعف النسبة التي كانت في العام السابق والتي بلغت 17%. المشكلة ليست في ضعف النماذج، بل في نوع جديد من الديون التقنية يتراكم بصمت في بنية تحتية للذكاء الاصطناعي داخل الشركات، مثل ديون العبارات التحفيزية، ديون الاسترجاع، وديون التقييم.
(مقدمة سابقة: ما هو هندسة Harness؟ تحليل المكونات السبعة الحقيقية لتطبيق وكيل الذكاء الاصطناعي (هندسة قيادة الذكاء الاصطناعي))
(معلومات إضافية: GPT-5.5 Instant متاح لجميع المستخدمين، وOpenAI تعلمك كيف تكتب عبارات تحفيزية بشكل أذكى وأكثر فاعلية)

فهرس المقال

Toggle

• ثلاثة أنواع جديدة من الديون، أصعب من الأخطاء البرمجية
• فجوة المراقبة غير المرئية
• الحل ليس في النموذج، بل في تصميم النظام

42%، هو نسبة الشركات التي أوقفت مشاريع الذكاء الاصطناعي في عام 2025، وهو ضعف النسبة في العام السابق. تشير بيانات S&P Global Market Intelligence إلى أن فشل الذكاء الاصطناعي ليس ظاهرة عرضية، بل هو مشكلة منهجية. وأظهرت دراسة من MIT في نفس العام أن 95% من تجارب الذكاء الاصطناعي لم تدخل فعليًا في بيئة الإنتاج أو تخلق قيمة تجارية قابلة للقياس.

غالبًا ما يُعزى هذه الإخفاقات إلى ضعف قدرات النماذج، أو جودة البيانات السيئة، أو صعوبة شرح العائد على الاستثمار. لكن Vikram، مدير شركة Cota Capital، يعتقد أن السبب الحقيقي أكثر خفاءً: نوع جديد من الديون التقنية يتراكم بهدوء في طبقات عبارات التحفيز، الاعتماد على النماذج، وطبقات التقييم في أنظمة الذكاء الاصطناعي، وهو مختلف تمامًا عن ديون الشفرة التقليدية، لكنه بنفس الخطورة.

ثلاثة أنواع جديدة من الديون، أصعب من الأخطاء البرمجية

الديون التقنية التقليدية توجد في مستودع الشفرة، حيث يمكن إعادة إنتاج الأخطاء، واختبارها، وإصلاحها. أما ديون الذكاء الاصطناعي فهي مختلفة تمامًا: فهي موزعة، تتواجد في عبارات التحفيز، واجهات برمجة التطبيقات للنماذج، خطوط البيانات، والبنية التحتية.

كما أنها متقطعة، لأن طبيعة أنظمة الذكاء الاصطناعي احتمالية، فنفس المدخلات لا تضمن دائمًا نفس المخرجات؛ وهي أيضًا شبه غير مرئية، لأن النظام "يبدو" أنه يعمل بشكل طبيعي، حتى ينهار في لحظة حاسمة.

ديون العبارات التحفيزية (Prompt Debt) هي الأكثر وضوحًا بين الثلاثة. فهي لا تتضمن تعديلات مؤقتة مسجلة في ملفات، ولا تغييرات إصدار للتحفيز، بالإضافة إلى أن "ملء العبارات التحفيزية" يضع كمية هائلة من المعلومات غير ذات الصلة في العبارات، محاولًا جعل النموذج يفهم المزيد.

النتيجة هي أن العبارات التحفيزية أصبحت نوعًا من الشفرة غير الرسمية، بلا نوع، ولا اختبار، ولا إدارة إصدارات. كل تعديل يتم على نظام غير شفاف، ومع تراكمها، تزداد هشاشة النظام بشكل أسي.

ديون الاعتماد على النموذج (Model Dependency Debt) تنشأ من اعتماد الشركات بشكل كبير على واجهات برمجة التطبيقات للنماذج الخارجية. تعتمد التطبيقات على استدعاء النماذج الخارجية، لكن تحديثات هذه النماذج ليست تحت سيطرة الشركة.

عندما يقوم مزود النموذج بترقية الإصدار بشكل صامت، قد تتوقف العبارات التحفيزية المصممة خصيصًا للإصدار القديم عن العمل، أو تتغير سلوكيات المخرجات بشكل غير متوقع. وتختفي قابلية إعادة الإنتاج.

ديون الاسترجاع (Retrieval Debt) تظهر في معظم تطبيقات الشركات التي تعتمد على بنية RAG. المشكلة أن مستودعات البيانات غالبًا ما تكون مليئة ببيانات غير منظمة، وملفات مكررة، ومعلومات منتهية الصلاحية. لذلك، فإن الإجابات التي يعيدها الذكاء الاصطناعي كانت صحيحة تقنيًا في السابق، لكنها لم تعد مناسبة الآن. وهذا أصعب في الكشف من الوهم، لأنه يبدو منطقيًا تمامًا، ويمكن أن يمر عبر مراجعة المختبرين العاديين.

فجوة المراقبة غير المرئية

ديون التقييم (Evaluation Debt) هي الأكثر تقليلًا من قبل الكثيرين بين الأنواع الجديدة من ديون الذكاء الاصطناعي. غالبًا ما تركز اختبارات المعايير الحالية على تقييمات ضيقة ومؤقتة، ولا تعكس الأداء الحقيقي بعد النشر. ومعظم الشركات تفتقر إلى معايير اختبار موحدة، مجموعات بيانات مرجعية، وآليات مراقبة فورية للنماذج المنشورة.

مقارنة مع عملية التطوير التقليدية للبرمجيات التي أصبحت ناضجة جدًا، مثل CI/CD (الدمج المستمر / التسليم المستمر)، لا يوجد حتى الآن آلية "دمج مستمر للعبارات التحفيزية" في مجال الذكاء الاصطناعي.

بعبارة بسيطة: عندما يدمج المهندس رمزًا، هناك اختبار آلي يخبره أين المشكلة؛ لكن بعد تعديل عبارة تحفيزية، لا يوجد نظام ينبه بشكل فوري. ونتيجة لذلك، يفتقر مديرو تقنية المعلومات والمديرون التنفيذيون إلى رؤية حقيقية لأداء النموذج، ولا يمكنهم تتبع ما إذا كانت الأداء يتدهور.

هذه الأنواع الأربعة من الديون تتراكم فوق ديون الشفرة التقليدية، مما يسرع من تراكمها بشكل مركب. والأسوأ من ذلك، أن ملكية أنظمة الذكاء الاصطناعي موزعة بين فرق الهندسة، المنتج، البيانات، والأعمال، وعند حدوث خطأ، غالبًا ما يكون تحديد المسؤولية غير واضح.

الحل ليس في النموذج، بل في تصميم النظام

تحسين النموذج لن يحل المشكلة. وفقًا لـ Vikram، السبب هو أن معدلات الفشل مرتفعة، وليس مرتبطًا بدقة النموذج، بل يعود إلى تصميم النظام، والتحكم في التكامل، والثقافة التنظيمية.

بالتحديد، يجب اعتبار العبارات التحفيزية كرمز برمجي، وتخضع لإدارة الإصدارات، وتوثق بشكل جيد، وتُختبر بشكل صارم قبل وبعد النشر، مع جميع الإعدادات المحتملة.

كما يجب دمج آليات التقييم في كامل بنية تحتية للذكاء الاصطناعي، وإنشاء خطوط تقييم مستمرة، تغطي المقاييس التقنية والتجارية، وتتكامل مع أنظمة الرصد لمراقبة جودة المخرجات، ومعدلات الفشل، وانحرافات النموذج، وانحرافات البيانات.

علاوة على ذلك، يجب أن تتضمن جميع نتائج الذكاء الاصطناعي شرحًا قابلًا للفهم، مع مصادر البيانات، والنماذج المستخدمة، والخطوات التي تم تنفيذها، بحيث تكون شفافة وقابلة للمراجعة، ويمكن تصحيحها بسرعة عند حدوث أخطاء منهجية.

هذا يتطلب، كما فعلت الشركات سابقًا لتعزيز أمن المعلومات أو تحديث السحابة، وضع خطة واضحة لإزالة ديون الذكاء الاصطناعي وميزانية مخصصة، يقودها قادة على مستوى CXO.

بعد كل هذا، يمكنك أن تفهم الآن: 95% من الإخفاقات ليست بسبب أن الذكاء الاصطناعي غير ذكي بما فيه الكفاية، بل بسبب طريقة بناء أنظمة الذكاء الاصطناعي، التي لا تزال تعتبره مجرد صندوق أسود يُستدعى عبر واجهة برمجة التطبيقات، وليس نظامًا معقدًا يتطلب هندسة جادة. الديون التقنية لا تختفي من العدم، بل تتراكم وتُسدد بفائدة عالية في نقطة مستقبلية.