تصور کنید مدیرعامل شرکت شما رویه‌ای رؤیایی برای هوش مصنوعی دارد، اما تیم فنی شما حتی برای دسترسی به داده‌های پاکیزه می‌جنگد. اگر این شکاف پر نشود، پروژه‌های شما هرگز از مرحله «پایلوت» یا آزمایشگاهی فراتر نخواهند رفت.
طبق گزارشی که در ۲۷ ژوئن ۲۰۲۶ در وب‌سایت dev.to منتشر شد، سازمان‌ها برای جلوگیری از توقف طرح‌های هوش مصنوعی در مراحل ابتدایی، باید یک مدل حکمرانی سه‌لایه را پیاده‌سازی کنند. مقیاس‌بندی هوش مصنوعی در سازمان شبیه ساخت یک شهر است؛ شما نمی‌توانید بدون برنامه‌ریزی برای منطقه‌بندی و زیرساخت‌های شهری، مستقیماً سراغ ساخت خانه‌ها بروید. بسیاری از شرکت‌ها به دلیل حذف لایه استراتژیک و پرش مستقیم به پیاده‌سازی فنی، دچار پدیده «هوش مصنوعی سایه» (Shadow AI) می‌شوند؛ یعنی بخش‌هایی از سازمان به‌صورت پراکنده و بدون نظارت از ابزارها استفاده می‌کنند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استقرار مدل‌های بازمتن اشاره کردیم، نبودِ ساختار مدیریتی منجر به اتلاف منابع محاسباتی می‌شود. در این مدل سه‌لایه، ساختار به شرح زیر است:
چارچوب سه‌سطحی مدیریت
در رأس، سطح استراتژیک قرار دارد. اینجا جایی است که رهبران چشم‌اندازهای بلندمدت و اهداف کلان را تعریف می‌کنند. در این لایه، مدیر پروژه هوش مصنوعی نقش پل ارتباطی حیاتی را ایفا می‌کند تا اهداف مدیریتی به عملیات روزمره تبدیل شوند.
در لایه‌ی میانی، سطح تاکتیکی قرار دارد که بر ابتکارات میان‌مدت تمرکز می‌کند. یکی از کلیدی‌ترین سازوکارهای موفقیت در این سطح، ایجاد یک مرکز تعالی هوش مصنوعی (AI Center of Excellence یا AI CoE) است. این مراکز وظیفه استانداردسازی روش‌های بهینه، شناسایی موارد کاربردی دارای اولویت و ترسیم نقشه راه پروژه را بر عهده دارند.
در نهایت، سطح فنی مسئول طراحی و نگهداری واقعی برنامه‌ها است. این لایه شامل موارد زیر است:
- یکپارچه‌سازی داده‌ها از سامانه‌های ERP، CRM و حسگرهای IoT.
- مدیریت پایگاه‌داده‌ها با استفاده از سیستم‌های SQL و NoSQL.
- خطوط لوله توسعه با بهره‌گیری از GitHub و Jenkins برای استقرار مستمر (CI/CD).
- مدیریت چرخه عمر مدل از طریق MLOps برای شناسایی رانش داده‌ها (data drift) و به‌روزرسانی مدل‌ها.
برای پیوند دادن این لایه‌ها، اکنون از چارچوب COMPEL به‌عنوان ابزاری برای تحول و نظارت جامع بر هوش مصنوعی استفاده می‌شود. این سازوکار تضمین می‌کند که تغییر در یک پارامتر فنی، با استراتژی کلی شرکت هم‌راستا باشد.
به نقل از تحلیلگران این حوزه، این یعنی هوش مصنوعی دیگر صرفاً ابزاری برای بخش IT نیست، بلکه تلاشی میان‌وظیفه‌ای است که نیازمند تغییر فرهنگ سازمانی و تعهد به برنامه‌های یادگیری ساختاریافته است.
گام بعدی شما
- شناسایی نقاط «هوش مصنوعی سایه» در سازمان خود و تجمیع آن‌ها در یک لایه نظارتی.
- بررسی امکان ایجاد یک AI CoE کوچک برای استانداردسازی پرامپت‌ها و مدل‌ها.
- تطبیق پارامترهای فنی مدل‌های جاری با اهداف کوارتر بعدی مدیریت.
با پیشروی شرکت‌ها به سمت استاندارد COMPEL، چالش بعدی احتمالاً ادغام این ساختارها با مقررات جهانی و در حال تغییر هوش مصنوعی خواهد بود؛ موضوعی که در بررسی‌های آتی ما درباره سیاست‌گذاری‌های اتحادیه اروپا خواهیم پرداخت.
گفتگو