قيمة الذكاء الاصطناعي ليست في الهيكل التنظيمي. بل في زر الإيقاف.

معظم برامج الذكاء الاصطناعي التي رأيتها تفشل بطريقة يمكن التنبؤ بها جدًا. تقوم بكثير من العمل الظاهر. تبني فريقًا مركزيًا للذكاء الاصطناعي، ومجلس governance، ولوحة متابعة. تنفّذ تجارب. تكتب مبادئ. ترتفع الكلفة. ويبقى throughput ثابتًا.

نمط الفشل هذا ليس مسألة جودة النموذج. إنه مسألة ملكية. قيمة الذكاء الاصطناعي لا تسكن في الهيكل التنظيمي. بل تسكن في ثلاثة أمور: من يملك القرار، ومن يملك المؤشر، ومن يملك زر الإيقاف.

عندما قدتُ العمليات في مجال الكهربة وتخزين الطاقة، كانت مسؤوليتي تمتد عبر الهندسة والإنتاج وسلسلة الإمداد والخدمة والعمليات. في هذا الموقع تتعلم سريعًا أن “تحسينًا ذكيًا” لا يمكن التراجع عنه ليس ابتكارًا؛ بل هو مخاطر تشغيلية. وإذا لم يستطع أحد أن يجيب عن سؤال “من يقرر؟” بجملة واحدة، فأنت لا تملك نظامًا؛ بل مسرحًا.

رأيي بسيط: إذا كانت حالة استخدام للذكاء الاصطناعي تمس خطًا أو عملية أو مسار عمل حرجًا للعميل، فيجب التعامل معها كأي تغيير إنتاجي آخر. Release. ضبط. قياس. تراجع. صلاحية واضحة. وما عدا ذلك اختياري.

operating model الوحيدة للذكاء الاصطناعي التي تصمد في التحوّل التصحيحي

في التحوّلات التصحيحية توجد قوة قسرية. لا يمكنك تحمّل هياكل موازية لا تحرّك القيد. ولا يمكنك تحمّل غموض المساءلة. ولا يمكنك كذلك تحمّل عمليات نشر هشة تولّد دقائق downtime ثم تقضي وقتًا في مناقشتها داخل الاجتماعات.

في التحوّل التصحيحي، ليس السؤال المفيد: “ماذا يمكن للذكاء الاصطناعي أن يفعل؟” بل: “أي قرارات، إذا اتخذناها أسرع أو أفضل، ستحرّك throughput أو yield أو رأس المال العامل هذا الربع؟” ثم تسند حقوق القرار بصرامة كما تسند ملكية الميزانية.

وعندما قدتُ وحدة أعمال للمباني الذكية مع مسؤولية P&L كاملة عبر عدة دول، انطبق المبدأ نفسه حتى خارج المصنع: إذا لم يكن للمنتج المتصل أو لميزة cloud مالك واضح للجودة وrelease وأثرها على العميل، فإنها تصنع ضجيجًا. الضجيج يتحول إلى churn. وchurn تتحول إلى ضغط على الهامش. الذكاء الاصطناعي ليس استثناءً. هو فقط يفشل أسرع لأنه يؤتمت اتخاذ القرار.

إذا أردت إطارًا صالحًا عبر الزمن ويصمد تحت الضغط، فاستعمل هذا: الذكاء الاصطناعي تغيير في operating model متخفٍ في هيئة مشروع برمجي.

خمسة حقوق قرار تفتح معظم القيمة

في البيئات الصناعية، وجدتُ أن معظم قيمة الذكاء الاصطناعي محجوبة خلف عدد صغير من حقوق القرار. ليس عشرين. عادة 3 إلى 5. هذه هي الحقوق التي أصرّ عليها، بأسماء ملاكها، قبل أن أمول تجربة إضافية.

1. من يملك release إلى الإنتاج للذكاء الاصطناعي في خط أو عملية محددة؟

   ليس “فريق الذكاء الاصطناعي”. بل مالك العملية تشغيليًا، مع نظير تقني واضح. إذا لم يستطع أحد في العمليات اعتماد الـ release فلن تتوسع أبدًا. وإذا استطاعت العمليات الاعتماد دون بوابات تقنية، فستُطلق مخاطر.

2. من يستطيع تغيير setpoints أو recipes، ومن يستطيع التراجع عنها؟

   إذا كان النموذج يؤثر على التحكم، فهو يحتاج مسار تراجع صارمًا. وإذا كانت خطة التراجع هي “سنراقب ونتدخل”، فأنت لا تملك خطة تراجع؛ بل تملك أملًا.

3. من يوقّع على جودة البيانات عند المصدر (sensor, PLC, SCADA) وليس في cloud؟

   في إلكترونيات القدرة والأتمتة الصناعية، تعلمت أن الجودة في المنبع تتفوق على البطولات في المصب. إذا كان الحساس ينحرف، فالنموذج يتعلم معلومات خاطئة. جودة البيانات مسؤولية إنتاج بدعم هندسي، وليست مهمة تنظيف يقوم بها فريق التحليلات.

4. من يملك cost-of-poor-quality من طرف إلى طرف؟

   إذا كانت scrap وإعادة العمل والإرجاعات والخدمة موزعة على وظائف مختلفة، سيصبح الذكاء الاصطناعي مولّدًا للجدل. ضع cost-of-poor-quality تحت مالك واحد مُساءَل مع تعريف واحد. حينها تستطيع أن تقرر هل تستحق حالة الاستخدام الإطلاق أم لا.

5. من يقرر أن النموذج “جيد بما يكفي” للإطلاق مقابل كونه “لطيفًا لو توفر”؟

   “أكثر دقة” ليست مقياسًا تجاريًا. “جيد بما يكفي” يجب تعريفه مقابل النتائج التشغيلية والمخاطر. عمليًا هو قرار مشترك: العمليات تملك النتيجة، والهندسة تملك المخاطر التقنية، والمالية تضبط التعريف.

لاحظ ما الذي لا وجود له: لجنة. اللجان تستطيع أن تقدّم النصح. لكنها لا تستطيع أن تملك زر الإيقاف. وفي الإنتاج، زر الإيقاف هو الوظيفة.

مقاييس تعمل (ومقاييس تخلق اجتماعات)

فرق الذكاء الاصطناعي تحب المقاييس البديلة لأنها سهلة الإنتاج: Accuracy وF1 score وAUC وثقة النموذج. قد تكون مهمة، لكنها ليست ما تموّله مجالس الإدارة.

تعريفات KPI التي تنجو باستمرار عند الاحتكاك بالواقع ليست جذابة؛ إنها تشغيلية وعلى مستوى المالية. اختر مجموعة صغيرة واجعلها قابلة للتدقيق.

• Throughput عند القيد: throughput الوحيد الذي يهم هو عند عنق الزجاجة. إذا حسّن الذكاء الاصطناعي خطوة ليست قيدًا، احتفل، لكن لا تدّعِ أنك حرّكت النظام.
• Yield وfirst-pass yield: افصل yield الحقيقي عن yield المخفي بإعادة العمل. إن لم تستطع الفصل بينهما، فستحسّن السلوك الخطأ.
• دقائق downtime غير المخطط: تتبعها كما تتبع السلامة. عرّفها مرة واحدة. وطبّقها في كل مكان.
• تكلفة scrap وإعادة العمل: اربطها بـ cost-of-poor-quality، لا بكبرياء الهندسة.
• الالتزام بخطة forecast-to-plan: في سلسلة الإمداد وتخطيط الإنتاج، القيمة ليست في “توقع أفضل”. بل في تقليل تغييرات الجداول، وتقليل expedites، وتقليل المفاجآت.

الملكية أهم من الاختيار. هذه المؤشرات يجب أن تملكها العمليات، بتعريفات على مستوى المالية. ليس تعريف عرض شرائح. بل تعريف “إقفال الدفاتر”.

ضوابط مسار العمل: الجزء غير اللامع الذي يجعل الذكاء الاصطناعي حقيقيًا

أعدتُ بناء وتوسيع مؤسسات R&D وتحمّلت مسؤولية QA عبر العتاد والبرمجيات. النمط دائمًا واحد: لا تحصل على الاعتمادية من الموهبة وحدها. تحصل عليها من مسار العمل. وتسليم الذكاء الاصطناعي يحتاج الانضباط نفسه.

هذا هو الحد الأدنى من طبقة التحكم التي أضعها.

• قائمة واحدة لحالات الاستخدام مرتبطة بعناق الزجاجة.

  إذا كان كل مدير مصنع وكل وظيفة يستطيع بدء مشروع ذكاء اصطناعي، ستغرق في التجارب. شغّل قائمة واحدة. وافرض ترتيب الأولويات مقابل القيد وcost-of-poor-quality.

• نشر مُبوّب مع مسار تراجع صارم.

  النشر ليس “دفع إلى الإنتاج”. بل هو “إدخال نمط فشل جديد بأمان”. عامل طرح النموذج كتغيير في العملية. نفّذه على مراحل. حدّد نطاق الأثر. وتراجع بسرعة.

• مراجعة تشغيل أسبوعية يُعامل فيها model drift كما يُعامل انحراف العملية.

  لا تنشئ إيقاع مراجعة منفصلًا للذكاء الاصطناعي. ضعه ضمن الإيقاع التشغيلي. إذا رفع الانحراف دقائق downtime أو scrap، يُعالج في الأسبوع نفسه وبالجدية نفسها كأي انحراف ميكانيكي.

• تصعيد واضح عند تعطل البيانات.

  معظم أعطال الذكاء الاصطناعي هي أعطال بيانات متنكرة. عندما تتدهور جودة البيانات عند المصدر، يجب أن يكون هناك من تقع عليه مسؤولية إصلاح الحساس أو PLC mapping أو SCADA tag. ليس عالم البيانات.

في عمليات النشر على edge، أفضّل بقوة نماذج صغيرة ومصممة لغرض محدد لأنها تبسّط التحكم والـ latency وأنماط الفشل. إذا كنت تنشر على أجهزة محدودة الموارد أو في مصانع ذات ظروف قاسية، فارجع إلى سبب كون النماذج الصغيرة غالبًا الطريقة الوحيدة المعقولة لشحن AI إلى edge.

مثال من الواقع: لماذا لم يتوسع “الذكاء الاصطناعي المركزي”، بينما توسعت حقوق القرار

في عملي الاستثماري، خصوصًا عند بناء IBHQ وShopeno، أملك ميزة البدء من صفحة بيضاء. يمكنك تصميم مسارات عمل يكون فيها المؤشر وزر الإيقاف واضحين منذ اليوم الأول. إذا مسّ قرار مؤتمت التسعير أو المخاطر أو تجربة العميل، تحدد من يستطيع تجاوزه، وما الذي يطلق fallback تلقائيًا. هذا ليس خيارًا؛ إنه تصميم منتج.

في البيئات الصناعية الأكبر، نادرًا ما تحظى بهذه الرفاهية. الإغراء هو إنشاء وظيفة مركزية للذكاء الاصطناعي لتعويض الملكية المتشظية. يبدو ذلك كفؤًا. عمليًا يتحول إلى طبقة ترجمة بين من يشعر بالألم ومن يبني النموذج. طبقات الترجمة مكلفة. كما أنها تفشل عند الساعة 2 صباحًا عندما يتوقف خط إنتاج.

الخطوة التي كانت تعمل أفضل كانت دائمًا نفسها: ادفع الملكية إلى الحافة التشغيلية، ووحّد الضوابط. بوابة release واحدة. تعريف مؤشر واحد. آلية تراجع واحدة. قائمة واحدة مرتبطة بعناق الزجاجة. يمكن للفرق المركزية أن تبقى، لكن كمُمكِّنات لا كمالكين.

هذه هي العقلية نفسها التي طبّقتها عندما امتلكت QA والاختبار عبر العتاد والبرمجيات. لم تتحسن الجودة لأن QA كتب تقارير أخطاء أفضل. تحسنت عندما كانت معايير الـ release صريحة وغير قابلة للتفاوض، وعندما احترم كل من المصنع والهندسة زر الإيقاف.

الذكاء الاصطناعي يحتاج العقد نفسه. لا مزيدًا من لوحات المتابعة.

قائمة مجلس الإدارة لهذا الربع

إذا كنت عضو مجلس إدارة أو مالكًا أو مسؤولًا تشغيليًا، فهذه عدسة عملية تستطيع استخدامها غدًا. تتسع في صفحة واحدة وتفرض وضوحًا.

1. سمِّ 3 إلى 5 قرارات سيغيّرها الذكاء الاصطناعي، واربط كل قرار بمؤشر قيد واحد (throughput, yield, downtime, scrap, forecast-to-plan).
2. عيّن مالكًا تشغيليًا واحدًا لكل قرار. إذا تشاركته وظيفتان، فلن يملكه أحد.
3. عرّف “جيد بما يكفي للإطلاق” بلغة الأعمال، إضافة إلى بوابات المخاطر التقنية. ضعه كتابةً.
4. اشترط مسار تراجع قبل النشر. إذا كان التراجع صعبًا، صغّر نطاق حالة الاستخدام حتى تصبح آمنة.
5. ضع مساءلة جودة البيانات عند المصدر. اجعل سلامة الحساسات والوسوم مسؤولية شخص ما، مع مسار تصعيد.
6. شغّل قائمة واحدة لحالات الاستخدام مرتبطة بعناق الزجاجة وcost-of-poor-quality. أوقف المشاريع التي لا تحرّك القيد.
7. أدخل drift ضمن الإيقاع التشغيلي الأسبوعي. تعامل معه كأي انحراف في العملية، مع إجراءات تصحيحية.

إذا نفّذت هذه الأمور السبعة، ستتوقف عن دفع كلفة مسرح الذكاء الاصطناعي. وستكتشف أيضًا أن الهيكل التنظيمي يصبح أقل أهمية بكثير. لأن النظام سيخبر الناس بما يجب أن يفعلوه.

وخلاصة رأيي مباشرة: الذكاء الاصطناعي لا يحتاج قسمًا جديدًا. يحتاج حقوق قرار، وانضباطًا في المقاييس، وزر إيقاف تُمكَّن العمليات من الضغط عليه. عندها فقط تصبح الأدوات مهمة.

منطق الاعتمادية المرتبط هنا يتجاوز الذكاء الاصطناعي. إذا كنت تبني منتجات متصلة في الميدان، فقد يهمك أيضًا فكرة ruggedization كعقد اعتمادية وeSIM كمرساة ثقة في IoT P&L.