چرا هوش مصنوعی هزینه جایگزینی نرم‌افزارهای تخصصی را کمرشکن می‌کند؟

تصور کنید تصمیمی که امروز دربارهٔ زیرساخت هوش مصنوعی می‌گیرید، استراتژی تکنولوژی شرکت داروسازی شما را تا سال ۲۰۳۵ دیکته کند. به نقل از مایک کینگ (Mike King)، مدیر ارشد محصول و استراتژی در شرکت IQVIA، هوش مصنوعی در حال نابود کردن چرخهٔ سنتی ۵ تا ۷ سالهٔ جایگزینی نرم‌افزار در بخش علوم زیستی است.

این تغییر نگاه، حاصل دو دهه تجربه کینگ در شرکت‌هایی مثل Accenture و GE Healthcare است. مسیر شغلی او از مشاوره در اکسنچر آغاز شد و سپس به نقش‌های رهبری در تضمین کیفیت و امور رگولاتوری در شرکت‌های Stryker، Dentsply Sirona و GE Healthcare رسید. او در این شرکت‌ها نظارت بر امور رگولاتوری را در بازارهای پیچیده بین‌المللی، از جمله اروپا، روسیه، کشورهای مشترک‌المنافع (CIS)، اسرائیل، خاورمیانه، آفریقا و آسیا بر عهده داشت. او اکنون در IQVIA — ارائه‌دهنده جهانی خدمات پژوهش‌های بالینی، بینش‌های تجاری و داده‌های سلامت — بر این موضوع تمرکز کرده است که چگونه «هوش متصل» (Connected Intelligence) می‌تواند داده‌های پیچیده را به بینش‌های عملی تبدیل کند.

شرکت IQVIA با ترکیب داده‌های سلامت در مقیاس کلان و تحلیل‌های پیشرفته، تکنولوژی و تخصص دامنه، به سازمان‌های بیوتکنولوژی، داروسازی و تجهیزات پزشکی در توسعه دارو، پژوهش‌های بالینی، تجاری‌سازی و تولید شواهد (Evidence Generation) کمک می‌کند. برای دهه‌ها، این شرکت‌ها هر زمان که قراردادشان تمام می‌شد یا نرم‌افزاری با قابلیت‌های بهتر ظهور می‌کرد، سیستم خود را عوض می‌کردند؛ چون نرم‌افزار را یک کالای معمولی (Commodity) می‌دیدند. اما حالا هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — ارزش را از خودِ اپلیکیشن به داده‌های انباشته شده، گردش‌کارها و حاکمیتی که در دل سیستم جاسازی شده است، منتقل کرده است.

در محیط‌های تحت نظارت، به‌ویژه استانداردهای GxP (Good Practices)، ریسک‌ها و مخاطرات بیشتر است. طبق مصاحبه‌ای با unite.ai، وقتی یک سازمان هوش مصنوعی را روی فرآیندهای تجاری تاییدشده (Validated) و تحت نظارت متخصصان انسانی قرار می‌دهد، در واقع یک «دارایی اطلاعاتی» (Intelligence Asset) خلق می‌کند. در این حالت، جایگزینی پلتفرم دیگر یک ارتقای سادهٔ IT نیست، بلکه تصمیمی است برای دور ریختن سال‌ها دانش سازمانی. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حاکمیت داده‌ها اشاره کردیم، موفق‌ترین سرمایه‌گذاری‌ها آن‌هایی هستند که عملکرد عملیاتی و تجاری را مستقیماً به نتایج سلامت بیمار گره می‌زنند.

باید بدانید هوش مصنوعی فرآیندهای خراب را تعمیر نمی‌کند، بلکه آن‌ها را تقویت می‌کند. کینگ هشدار می‌دهد که اگر داده‌های یک سازمان پراکنده باشد، فرآیندها ناسازگار باشند یا حاکمیت داده ضعیف باشد، AI فقط ناکارآمدی‌های موجود را خودکار می‌کند و آن‌ها را تشدید می‌کند. برای جلوگیری از این فاجعه، شرکت‌ها باید اولویت‌های خود را بر سه محور متمرکز کنند:

• استانداردسازی گردش‌کارها (Standardized Workflows)
• معماری داده‌های قابل‌اعتماد، باکیفیت و متمرکز
• چارچوب‌های شفاف مالکیت و حاکمیت داده

دیجیتالی‌شدن و آمادگی داده‌ها دیگر یک گزینه یا گام اختیاری نیستند، بلکه پیش‌نیازهای ضروری هستند. بدون این‌ها، پیاده‌سازی AI به جای خلق ارزش معنادار، نقص‌های سیستمی را تثبیت و تقویت می‌کند. همچنین، حاکمیت مستمر داده‌ها و هوش مصنوعی برای تضمین اعتماد و انطباق با قوانین، مدت‌ها پس از استقرار اولیه، ضروری است.

این وضعیت منجر به یک «پارادوکس خرید» (Procurement Paradox) می‌شود. هرچه یک شرکت هوش مصنوعی خود را بیشتر روی داده‌های اختصاصی کیفیت، بالینی یا رگولاتوری آموزش دهد، مزیت رقابتی‌اش بیشتر می‌شود. اما هم‌زمان، این موفقیت هزینهٔ تغییر تامین‌کننده (Vendor) را افزایش می‌دهد، زیرا هوشِ تولید شده به پلتفرم گره خورده است. کینگ دو نوع وابستگی را تعریف می‌کند:

۱. وابستگی مثبت (Good Lock-in): شرکت می‌ماند چون پلتفرم به تکامل خود ادامه می‌دهد، از دانش اختصاصی محافظت می‌کند و اجازه می‌دهد قابلیت‌های جدید AI و گردش‌کارهای «عامل‌محور» (Agent-native) را با بلوغ تکنولوژی بپذیرند. در اینجا شرکت «نمی‌خواهد» برود، نه اینکه «نتواند» برود.
۲. وابستگی منفی (Bad Lock-in): شرکت توسط تامین‌کننده‌ای ایستا، قابلیت‌های تبادل داده محدود و سال‌ها دانش انباشته شده به دام افتاده است؛ دانشی که در سیستمی حبس شده که نمی‌تواند به راحتی سازگار شود.

برای کاهش ریسک وابستگی منفی، کینگ پیشنهاد می‌کند که قراردادهای خرید باید از همان ابتدا محافظت‌های صریحی را تعریف کنند. این موارد شامل است:

• تعریف دقیق قابلیت‌های صادرات داده (Data-export)
• چارچوب‌های یکپارچه‌سازی باز و APIهای مستند
• حقوق مربوط به تبار داده (Data Lineage) و مهاجرت داده‌ها
• شفافیت در مورد نحوه تعامل مدل‌های اختصاصی با اطلاعات شرکت

بسیاری از سازمان‌ها اکنون بودجه را صرف پروژه‌های آزمایشی (Pilot)، نگهداری پیش‌بینانه یا عامل‌های (Agents) هوشمند می‌کنند اما جایگزینی سیستم‌های قدیمی (Legacy) را به تعویق می‌اندازند. این یک گلوگاه خطرناک است. پلتفرم‌های قدیمی اغلب بر پایه گردش‌کارهای دستی یا بسیار سفارشی‌شده و سیلوهای داده‌ای ایزوله هستند. وقتی شرکت‌ها می‌خواهند AI را مقیاس کنند، می‌بینند زیرساخت هسته آن‌ها توان پشتیبانی از این استقرار را ندارد. این شکاف باعث می‌شود مدرن‌سازی در آینده گران‌تر و پیچیده‌تر شود، زیرا فاصله بین وضعیت فعلی و پلتفرم‌های AI نسل بعد بیشتر می‌شود.

علاوه بر موانع فنی، ریسک‌های تجاری گسترده‌تری وجود دارد:

• کاهش پشتیبانی: با قدیمی شدن تکنولوژی، پشتیبانی تامین‌کننده کاهش می‌یابد و یافتن منابع متخصص برای سیستم‌های قدیمی سخت‌تر می‌شود.
• افزایش هزینه‌ها: هزینه‌های نگهداری بالا می‌رود در حالی که شرکت در ایجاد بهبودهای ملموس در عملکرد فرآیند یا کیفیت محصول شکست می‌خورد.
• رکود: سازمان‌ها ممکن است صرفاً برای حفظ وضع موجود سرمایه‌گذاری کنند، بدون اینکه نتایج بیمار، انطباق رگولاتوری یا اثربخشی تجاری را بهبود بخشند.

بنابراین، مدرن‌سازی و آمادگی برای AI باید به عنوان یک مسیر واحد پیش بروند، نه به عنوان ابتکارات جداگانه.

در دنیای داروسازی و تجهیزات پزشکی، AI مسئولیت‌ها را حذف نمی‌کند. متخصصان کیفیت و رگولاتوری همچنان مسئول حاکمیت، یکپارچگی و انطباق سیستم‌ها و فرآیندهای خود هستند. سیستم‌های مجهز به AI باید توسط موارد زیر پشتیبانی شوند:

• اعتبارسنجی مبتنی بر ریسک (Risk-based validation)
• کنترل تغییرات مستند (Documented change control)
• قابلیت توضیح‌پذیری (Explainability) کافی برای پاسخگویی به نظارت‌های رگولاتوری

تخصص انسانی، رکن اصلی و ضروری حاکمیت است. در حالی که رهبران ارشد در ایجاد تعادل بین ریسک‌های بلندمدت تکنولوژی و تعهدات رگولاتوری — مانند سیستم‌های ERP، تولید، کیفیت، بالینی و رگولاتوری — تجربه دارند، AI اهمیت استراتژیک حاکمیت داده را افزایش داده است. این سیستم‌ها به دلیل تاثیرات عملیاتی و نیاز به اعتبارسنجی، همیشه به افق‌های برنامه‌ریزی چندساله نیاز داشته‌اند.

در نهایت، این تغییر به این معناست که شرکت‌ها باید از «خرید نرم‌افزار» به سمت «انتخاب شریک همکاری» حرکت کنند. پلتفرم‌های برنده آن‌هایی خواهند بود که تخصص عمیق در علوم زیستی را با یک معماری منعطف ترکیب کنند. هنگام انتخاب تامین‌کنندگان، شرکت‌ها باید اولویت را به کسانی بدهند که بتوانند:

• راهکار خود را با پیشرفت‌های تکنولوژیک تکامل دهند
• از دانش اختصاصی و تعهدات رگولاتوری محافظت کنند
• مسیری روشن به سمت قابلیت‌های عامل‌محور (Agent-native) بدون مختل کردن عملیات تجاری فراهم کنند.

هدف نهایی، حفظ سیستمی است که بر ایمنی بیمار و انطباق جهانی تاثیر مثبت بگذارد و در عین حال تضمین کند که دانش سازمانی — یکی از ارزشمندترین دارایی‌های شرکت — قابل انتقال، امن و تحت کنترل باقی بماند.

گام بعدی شما

• بازبینی قراردادهای فعلی با تامین‌کنندگان نرم‌افزار برای اطمینان از حق مالکیت و قابلیت انتقال داده‌ها (Data Portability).
• اولویت‌بندی پاک‌سازی داده‌ها و استانداردسازی گردش‌کارها پیش از سرمایه‌گذاری روی مدل‌های زاینده.
• ارزیابی سیستم‌های Legacy برای شناسایی گلوگاه‌هایی که مانع مقیاس‌پذیری AI در سال ۲۰۲۶ می‌شوند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.