نرخ موفقیت صفر درصدی پروژه‌های هوش مصنوعی سازمانی طی ۱۸ ماه

تصور کنید در شرکتی کار می‌کنید که مدیرانش به شدت به هوش مصنوعی باور دارند، اما هیچ‌کدام از ابزارهای پیاده‌سازی شده واقعاً کار نمی‌کنند. در این فضای مسموم، تنها راه بقای شما این است که تظاهر کنید این ابزارها زندگی‌تان را تغییر داده‌اند، حتی اگر تمام خروجی‌ها را دستی اصلاح کنید.

به نقل از گزارشی مفصل که در ۱۹ ژوئیه ۲۰۲۶ توسط Ludicity منتشر شد، موج فعلی پذیرش هوش مصنوعی در سازمان‌ها نه تنها بهره‌وری را افزایش نداده، بلکه تصمیم‌گیری‌های منطقی را در بانک‌ها، بیمارستان‌ها و سازمان‌های دولتی تخریب کرده است. میچل هاشیموتو، بنیان‌گذار HashiCorp و خالق Ghostty، این وضعیت را «سایکوز شدید AI» (روان‌پریشی هوش مصنوعی) می‌نامد؛ حالتی که در آن گفتگوهای عقلانی در محیط شرکت‌ها غیرممکن شده است. او ابراز نگرانی عمیقی می‌کند و اشاره می‌کند که حتی دوستان نزدیک و مورد احترام او نیز در چنگال این پدیده گرفتار شده‌اند.

این بحران در حالی رخ می‌دهد که شرکت‌ها برای جلب نظر هیئت‌مدیره و سرمایه‌گذاران، فشار شدیدی دارند تا «AI-native» (بومی هوش مصنوعی) به نظر برسند. در حالی که روایت عمومی بر «تحول» تأکید دارد، واقعیت داخلی اغلب ترکیبی از ترس و استیصال است. نویسندهٔ گزارش که بخش‌های فنی تقریباً تمام تعاملات شرکت را رهبری کرده و حدود ۳۰۰ جلسه با متخصصان مختلف (از کارکنان بخش‌های خدماتی تخصصی تا مدیران ارشد Fortune 500) داشته، می‌گوید رهبران سازمان‌ها یا هیچ برنامه‌ای ندارند یا صرفاً سرشان را پایین انداخته‌اند تا کسی متوجه شکست‌ها نشود. این تنها شکست تکنولوژی نیست، بلکه یک فروپاشی سیستمی در نحوه اجرای پروژه‌های نرم‌افزاری توسط سازمان‌هاست. نویسنده در موقعیت نادری قرار دارد که رفاه شغلی او وابسته به چاپلوسی و تایید این جنون نیست و همین امر به او دیدگاهی شفاف‌تر از ویرانه‌های به‌جامانده می‌دهد.

واقعیت شکست پروژه‌ها

گزارش ادعا می‌کند که نرخ موفقیت پروژه‌های AI در یک بازه ۱۸ ماهه صفر درصد بوده است. این نرخ شکست نه تنها شامل پروژه‌هایی است که تیم نویسنده مستقیماً در آن‌ها شرکت داشته، بلکه شامل پروژه‌هایی است که در حین انجام کارهای نامرتبط، به صورت گذرا مشاهده شده‌اند. این نیاز به ثبت دقیق و شفاف خطاها، انگیزه‌ای برای ایجاد ابزارهایی نظیر پلتفرم متن‌باز FLARE-AI برای ردیابی سیستماتیک شکست‌های هوش مصنوعی ایجاد کرده است تا از تکرار این الگوهای شکست جلوگیری شود. این شکست‌ها عمدتاً در دو دسته جای می‌گیرند: سوءمدیریت عمومی نرم‌افزاری و ناتوانی بنیادی مدل‌های زبانی بزرگ (LLM) در حل مسائل خاص کسب‌وکار. همان‌طور که نویسنده اشاره می‌کند، پروژه‌های AI تمام نقاط ضعف پروژه‌های نرم‌افزاری سنتی را دارند، با این ریسک افزوده که به دلیل نوظهور بودن روش، حتی اگر همه چیز را درست انجام دهید، باز هم ممکن است شکست بخورید.

یکی از ویراستاران این مقاله اشاره می‌کند که چرخهٔ شکست اغلب به این شکل است: ابتدا شرکت برای ارائه رابط‌هایی برای گردش‌های کاری عامل‌محور (Agentic Workflows) تغییر مسیر می‌دهد، سپس متوجه می‌شود که تنها ۱۰ کاربر از محصول استفاده کرده‌اند و دوباره مسیر خود را به سمت گردش‌های کاری عامل‌محور در فضایی شلوغ تغییر می‌دهد که در آن تنها حدود چهار مورد کاربردی واقعاً قابل انجام است. این چرخه به عنوان تلاشی «تکان‌دهنده» توصیف شده که نشان‌دهنده تلاشی مذبوحانه برای نوآور به نظر رسیدن است، بدون اینکه کاربردی واقعی خلق شود.

• چت‌بات‌های داخلی: این ابزارها یکی از اصلی‌ترین نقاط شکست هستند. مدل‌ها غیب‌گو نیستند و به مستندات متنی تکیه می‌کنند. چون مستندات بیشتر شرکت‌ها کیفیت پایینی دارد، کارکنان هیچ سود واقعی از این بات‌ها نمی‌برند. نویسنده می‌گوید هرگز شاهد پذیرش گسترده و واقعی این ابزارها در سطح داخلی سازمان‌ها نبوده است.
• برنامه‌های مشتری‌محور: به جز موارد نادری مثل تبدیل گفتار به متن در جلسات پزشکی، این ابزارها بی‌اثر بوده‌اند. برای مثال در شرکت Mitsubishi، یک بات صوتی بسیار صیقل‌خورده به صورت طبیعی پاسخ داد و وعده پیگیری تماس بعد از یک نقص فنی خودرو را داد، اما ۶ ماه بعد هیچ تماسی گرفته نشد. در معیارهای مدیریتی، این پروژه احتمالاً موفق به نظر می‌رسید چون «خطایی» (Error) نداد، اما نتیجه این شد که مشتری تصمیم گرفت دیگر خودرویی از این برند نخرد.
• دستکاری معیارها: مدیران پروژه‌ها از ردیابی معیارهای پایهٔ استفاده اجتناب می‌کنند. وقتی هم این کار می‌کنند، از معیارهایی استفاده می‌کنند که به‌راحاًسی قابل جعل باشند. تیم نویسنده در نهایت یاد گرفت که در طول تعاملات، درباره پروژه‌های جاری AI سوال نپرسد؛ زیرا وقتی چنین پروژه‌هایی شروع می‌شوند، دیگر برای مداخله مدیریتی دیر شده است و تنها زمانی به نتیجه می‌رسند که سازمان به نقطه بحرانی و اجتناب‌ناپذیر شکست برسد.

فرهنگ AI-Washing یا «سفیدشویی هوش مصنوعی»

وقتی اعتراف به شکست به معنای اخراج فوری باشد، «تئاتر اجرا» جایگزین کار می‌شود. در سازمان‌های با بیش از ۵۰۰ کارمند، تداوم استخدام اکنون مستلزم «ابراز ایمان مذهبی» به قدرت تحولی AI است. این موضوع با ارائه ایده‌های کاربردی برای استفاده از AI متفاوت است؛ این یک تقاضا برای «اعلام ایمان» است.

• دروغ‌های استراتژیک: مهندسان اکنون کارهای خود را AI-wash می‌کنند. حتی وقتی یک مهندس با مهارت کامل کاری را انجام می‌دهد، دروغ می‌گوید که Claude آن را نوشته است، چون مدیران اگر بفهمند AI استفاده نشده، ناراضی می‌شوند. یک مهندس گزارش داد که صرفاً برای رعایت سهمیه‌های ردیابی استفاده، یک مخزن کد Go را دریافت کرد و از AI خواست آن را به زبان Zig بازنویسی کند تا سیستم ثبت کند AI کار کرده است، در حالی که خودش روی کارهای دیگر متمرکز بود.
• بازی با توکن‌ها: برخی مهندسان بر اساس «جدول توکن» (Token Leaderboards) سنجیده می‌شوند؛ یعنی هرچه هزینه استنتاج و مصرف توکن بیشتر باشد، عملکرد بهتر تلقی می‌شود. این منجر به رفتارهای عجیب شده است: متخصصان مدل‌ها را در حلقه‌های تکراری نیمه‌پlausible قرار می‌دهند تا مصرف توکن — تکه‌های کوچکی از متن که مدل پردازش می‌کند — را بالا ببرند و در این مدت نتفلیکس تماشا می‌کنند. با وجود اینکه خروجی این مدل‌ها برای استقرار در محیط عملیاتی کاملاً نامناسب است، اما حتی یک نفر هم در این مورد دستگیر نشده است.
• ایمان برتر از واقعیت: استراتژی‌های فنی توسط مدیرانی نوشته می‌شود که هرگز از ابزاری مثل ChatGPT استفاده نکرده‌اند اما پذیرش آن را اجباری می‌کنند. در یک مورد، مدیری در شرکتی با درآمد بیش از ۲ میلیارد دلار، استراتژی محور AI تدوین کرد در حالی که در تمام زندگی‌اش هرگز یک ابزار AI را لمس نکرده بود. برخی دیگر با صدای بلند می‌گویند «AI همه چیز را تغییر می‌دهد» و لحظاتی بعد اعتراف می‌کنند که نمی‌توانند حتی یک مورد را نام ببرند که واقعاً تغییر کرده باشد.
• پاکسازی شک‌کنندگان: در برخی موارد افراطی، کارکنان پربازدهی صرفاً چون اهدافشان را بدون استفاده از LLM‌ها محقق کرده بودند، اخراج شدند. نویسنده اشاره می‌کند که تنها کسانی اخراج می‌شوند که شک خود را به استراتژی سازمان به‌صورت آشکار ابراز کنند؛ حرکتی که حتی منتقدانی مثل پتاسک (Ptacek) آن را به‌طور شفاف «احمقانه» می‌دانند.

روان‌شناسی «تلهٔ دمو»

نویسنده اثر از اثر «ذهن‌کش» (Mind-killer) در جریان نمایش‌های زنده (Demo) می‌گوید. برای مثال در استفاده از Cortex محصول Snowflake — لایه‌ای که به کاربر اجازه می‌دهد سوالات طبیعی بپرسد و متادیتاها و پایگاه‌های داده را کوئری کند — مدیران دچار یک تغییر روان‌شناختی خطرناک می‌شوند. این لایه به کاربر اجازه می‌دهد سوالاتی مثل «درآمد هفته گذشته ما چقدر بود؟» بپرسد.

حتی وقتی متخصصان صریحاً هشدار می‌دهند که ابزار به دلیل نرخ دقت ۹۲٪ برای محیط عملیاتی مناسب نیست (یعنی یک مدیر مالی از هر ۱۰ عدد، یکی را غلط می‌بیند)، مدیران به محض دیدن یک پرس‌وجوی متنی شیک، دچار جنون خرید می‌شوند. این غیرمنطقی بودن، میلیون‌ها دلار ارزش ملموس و غیر-AI را نادیده می‌گیرد. نویسنده این صحنه را به پزشکانی تشبیه می‌کند که «قرص‌های جذاب» را نمایش می‌دهند اما هرگز آن‌ها را تجویز نمی‌کنند؛ وی توصیف می‌کند که مدیران گویی دست‌هایشان را در سینه‌شان فرو کرده‌اند تا با «تضرعی غم‌انگیز» کارت‌های اعتباری خود را ارائه دهند.

این تب خرید شدید حتی در مشتریانی رخ می‌دهد که قبلاً «سرد» یا بی‌تفاوت بودند. این نشان می‌دهد عطش برای AI چنان زیاد است که فروشندگان می‌توانند محصولاتی را که تنها در ۲ ساعت با تایپ چند توصیف متنی در مرورگر ساخته شده‌اند، به شرکت‌های پذیرفته‌شده در بورس ASX (استرالیا) بفروشند و باز هم از سرمایه‌گذاری‌های داخلی شکست‌خورده این شرکت‌ها بهتر عمل کنند. در نتیجه، تیم نویسنده مجبور شده از فروش‌هایی که در آن‌ها مشتری بیش از یک کنجکاوی گذرا به AI نشان می‌دهد، کناره‌گیری کند، زیرا چنین رفتاری با محیط‌های مدیریتی فرقه-گونه و ناکارآمد مرتبط است.

نظریه بازی‌های مدیریتی

تداوم این حباب به دلیل یک «مشکل هماهنگی» (Coordination Problem) بین رهبران Fortune 500 است. این صرفاً یک تبلیغات فروش نیست؛ بلکه یک مکانیسم بقا در یک محیط سیاسی پرتنش است. مدیران امنیت اطلاعات (CISO) اغلب در دل خود شکاک هستند اما می‌ترسند صحبت کنند و مانند آنچه در دوران انتقال به کلود (Cloud) کردند، اکنون به عنوان سپری برای کسب‌وکار در برابر این ابتکارات بی‌مغز عمل می‌کنند، هرچند فضای AI بیشتر شبیه به یک فرقه است.

اگر یک مدیر اعتراف کند که افزایش بهره‌وری با AI غیرممکن است، ریسک می‌کند که با مدیرِ یک مشتری تضاد داشته باشد یا به عنوان یک «مرتد» (Heretic) شناخته شود. اگر فروشنده‌ای بگوید «بهره‌وری ۱۰۰ برابری» غیرممکن است، اعتبار مشتری‌اش را زیر سؤال برده و ممکن است منجر به لغو قراردادهای کلان سازمانی شود. این یک حلقهٔ مرگبار است که در آن مدیران اسلحه را به سوی یکدیگر گرفته‌اند و هیچ‌کس نمی‌خواهد اولین کسی باشد که از این روایت خارج شود. اگر همه همزمان حقیقت می‌گفتند، امیدی وجود داشت، اما راهی برای هماهنگی این اتفاق وجود ندارد.

حتی در سطح هیئت‌مدیره، فشار بسیار زیاد است. اعضای هیئت‌مدیره S&P 500 در جلسات خصوصی اعتراف کرده‌اند که سرمایه‌گذاری در این مرحله «ریسک بدون سود» به نظر می‌رسد، اما احساس می‌کنند حفظ جایگاهشان منوط به مطالبه سرمایه‌گذاری در AI است. نتیجه این است که سازمان‌های چندمیلیاردی ۱۰ ساله، خود را «AI-native» معرفی می‌کنند در حالی که هیچ هسته عملیاتی AI ندارند.

اثر بر استعدادها و استخدام

این محیط، فرآیند استخدام و ارزیابی را فاسد کرده است. یک «آزمون خلوص» بر تمام ابتکارات شرکتی اعمال شده است. برای مثال، یک جابجایی سادهٔ پایگاه‌داده از Oracle به Snowflake به عنوان یک «موفقیت محور AI» فروخته شد، چون فروشنده سعی کرد از یک LLM برای ترجمه SQL استفاده کند. وقتی AI به دلیل مسائل دسترسی (Permission) شکست خورد، فروشنده کار را دستی انجام داد اما در صورت‌حساب آن را «پیروزی AI» نامید تا خواسته‌های استراتژیک برآورده شود.

• تله‌های نیرویی: بسیاری از شرکت‌ها اکنون از کارکنان می‌خواهند ثابت کنند ابتدا از AI استفاده کرده‌اند و سپس درخواست نیروی جدید (Headcount) دهند. اما اگر کارمندی گزارش دهد که AI استفاده شد ولی هنوز کمک لازم است، برچسب «ضعیف در AI» می‌خورد و در لیست تعدیل قرار می‌گیرد.
• فلج سازمانی: شرکت‌ها نمی‌توانند نرم‌افزارهای منطقی بخرند یا استعدادهای компетانت استخدام کنند زیرا هر درخواست باید آنقدر بازنویسی شود تا «به اندازه کافی AI» به نظر برسد. درخواست‌هایی که نتوانند در قالب AI-driven قاب‌بندی شوند، اغلب اصلاً بودجه دریافت نمی‌کنند.
• فروپاشی مدیریتی: منطقی‌ترین توصیه‌ها بدون چالش می‌مانند و کارکنان بر اساس معیارهای قابل جعل مثل «پول خرج شده برای AI» ارزیابی می‌شوند. این منجر به یک «حکومتی از طریق ترور» (Government by Assassination) توزیع‌شده می‌شود که در آن تنها توصیه‌های غیرمنطقی زنده می‌مانند.

گام‌های بقا و استراتژی‌ها

برای کسانی که در این جنون پیش می‌روند، نویسنده بسته به اهدافشان مسیرهای مختلفی را پیشنهاد می‌کند:

هنگام تلاش برای اصلاح مسیر یک پروژه:

• از جلسات جمعی برای بحث درباره شکست‌های پروژه AI اجتناب کنید؛ گفتگوها را به جلسات یک‌به‌یک منتقل کنید تا پویایی «مرتد بودن» شکل نگیرد. روشن کنید که نظرات را هنگام گزارش به دیگران، بدون نام و غیرقابل شناسایی نگه می‌دارید.
• از نظرسنجی‌های ناشناس برای رتبه‌بندی موفقیت پروژه (مثلاً مقیاس ۱ تا ۱۰) استفاده کنید. یک شکاف دوقطبی (Bimodal Split)—مثلاً وقتی برخی به پروژه‌ای که سه سال تأخیر دارد نمره ۳ و برخی دیگر نمره ۸ می‌دهند—می‌تواند برای نشان دادن این موضوع به CEO استفاده شود که اطلاعات از او پنهان شده است.
• با افرادی که در خط مقدم کار هستند تعامل کنید. در یک مورد، تیم متوجه شد که کارکنان حتی نمی‌دانستند لایسنس AI دریافت کرده‌اند، که این تمام ادعاهای بهره‌وری شرکت را باطل کرد. مراقب باشید با زیردستان با احترام رفتار کنید، زیرا بسیاری از مدیران ارشد شرکت‌های بزرگ به آن‌ها به چشم «موجوداتی غیرواقعی» نگاه می‌کنند.
• ادعاهای کلی مثل «AI همه چیز را تغییر می‌دهد» را در ملاء عام به چالش نکشید. اعتماد از طریق همدلی خصوصی و آرام کردن اضطراب‌ها در یک وعده غذا به دست می‌آید، نه با شرم‌زده کردن رهبران. اگر برای نجات یک پروژه مجبورید درباره یک چت‌بات ۱۰ هزار دلاری دروغ بگویید، نویسنده پیشنهاد می‌کند این کار را بکنید و می‌گوید: «تاریخ شما را می‌بخشد».

هنگام تلاش برای بقای ساده:

• بپذیرید که مقاومت در برابر جریان در شرکت‌های ناکارآمد اغلب غیرممکن است. اگر در جایگاه قدرت نیستید، سعی نکنید مقاومت کنید.
• به سمت پیمانکاری (Contracting) کوچ کنید تا خود را از تئاترهای سیاسی داخلی دور کنید و برای موقعیت‌های غیرقابل تحمل، تاریخ پایان مشخصی داشته باشید. این کار اجازه می‌دهد دستمزد بالاتری بگیرید و کمتر در معرض روان‌شناسی داخلی شرکت باشید.
• مصرف اخبار AI از منابعی مثل HackerNews یا Reddit را محدود کنید تا دچار «دیوانه‌سازی» نشوید. نویسنده پیشنهاد می‌کند فقط به اندازه‌ای بخوانید که احساس کنید هنوز عاقل هستید و همان‌جا متوقف شوید.
• اگر وظیفه بررسی حجم عظیمی از کدهای افتضاح تولید شده توسط AI (مثلاً PRهای ۲۰۰۰ خطی) را دارید، فرض کنید فرسودگی شغلی و اخراج اجتناب‌ناپذیر است و فوراً جستجو برای شغل جدید را شروع کنید. زمانی دنبال شغل بگردید که هنوز انرژی دارید، نه وقتی که آنقدر افسرده شده‌اید که نمی‌توانید کار کنید.
• اگر مدیری با متن‌های تولید شده توسط AI پاسخ می‌دهد، شما هم با AI پاسخ دهید تا سلامت روان خود را حفظ کنید؛ باورمندان واقعی معمولاً از اینکه شما زحمت تعامل واقعی را نکشید، خوشحال می‌شوند.
• اگر به عنوان یک برنامه‌نویس نظر شما را خواستند، توصیه نویسنده این است که بگویید: «اوه، آن چیزها کمی بیش از حد بزرگ‌نمایی شده‌اند» و سپس سریعاً موضوع را عوض کنید.

این بی‌ثباتی سیستمی نشان می‌دهد که حباب فعلی AI با یک راهکار فنی پایان نخواهد یافت، بلکه با فروپاشی ساختاری سبک‌های مدیریتی ناکارآمدی که اکنون به آن دامن می‌زنند به پایان می‌رسد؛ مسیری که دقیقاً مشابه ماجرای بلاک‌چین بود.

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