تیر
اخبار
مایکروسافت و شرط ۲.۵ میلیارد دلاری برای پایان شکست پروژههای هوش مصنوعی
مایکروسافت ۲.۵ میلیارد دلار و ۶۰۰۰ مهندس را پشت یک ایدهی ساده گذاشته است: مشکل اصلی هوش مصنوعی در سازمانها، خودِ مدلها نیستند؛ نحوهی پیادهسازی آنهاست.
لیست مطالب
۱. چه اتفاقی افتاد؟ شرط ۲.۵ میلیارد دلاری مایکروسافت
در ابتدای ژوئیهی ۲۰۲۶، مایکروسافت از تأسیس واحدی تازه به نام «Frontier» رونمایی کرد؛ واحدی که مأموریتش با بقیهی بخشهای این شرکت فرق دارد. Frontier قرار نیست مدل هوش مصنوعی جدیدی بسازد یا محصولی تازه بفروشد. مأموریت آن یک چیز است: کاری کند که هوش مصنوعی در دنیای واقعی «کار کند».
ابعاد این شرط کوچک نیست. مایکروسافت حدود ۲.۵ میلیارد دلار بودجه و نزدیک به ۶۰۰۰ مهندس و متخصص صنعتی را به این واحد اختصاص داده است. هدایت آن هم بر عهدهی جادسون آلتاف، مدیر بخش تجاری مایکروسافت، گذاشته شده. برخلاف مدل فروش سنتی که در آن فروشنده یک نرمافزار را تحویل میدهد و میرود، مهندسان Frontier مستقیم داخل عملیات شرکتهای مشتری مستقر میشوند و سیستمهای هوش مصنوعی را «بهجای خودِ مشتری» طراحی، اجرا و تنظیم میکنند.
در فهرست نخستین شرکای این طرح نامهای بزرگی دیده میشود؛ از گروه بورس لندن و یونیلیور گرفته تا نوو نوردیسک و Land O’Lakes، در کنار غولهای مشاورهای مثل اکسنچر و EY. این ترکیب نشان میدهد مایکروسافت مسئله را نه یک مشکل فنی، بلکه یک مشکل «اجرایی» و سازمانی میبیند. اگر میخواهید تصویر بزرگتری از اهمیت این تحول برای دنیای کسبوکار داشته باشید، مقالهی چرا هوش مصنوعی در کسبوکار مهم است؟ نقطهی شروع خوبی است.
۲. عددی که همه را تکان داد: چرا ۹۵ درصد؟
پشت این سرمایهگذاری میلیاردی، یک عدد ایستاده است. گزارشی از پروژهی NANDA در دانشگاه MIT با عنوان «شکاف هوش مصنوعی مولد» نشان داد که حدود ۹۵٪ سازمانهایی که هوش مصنوعی مولد را بهکار گرفتهاند، هیچ بازده مالی محسوسی از آن ندیدهاند. به بیان ساده، پول خرج شده اما سود و صرفهجویی قابلردیابیای در صورتهای مالی ظاهر نشده است.
این تنها آمار نگرانکننده نبود. بر اساس همین دست پژوهشها، سهم شرکتهایی که بیشتر ابتکارهای هوش مصنوعی خود را رها کردهاند، از حدود ۱۷٪ در سال ۲۰۲۴ به ۴۲٪ در سال ۲۰۲۵ رسید و بیش از ۸۰٪ پروژهها نتوانستند ارزش مورد انتظار را تحویل دهند. البته باید منصف بود؛ برخی کارشناسان معتقدند این عدد ۹۵ درصد بیش از حد بزرگنمایی شده و «شکست» در آن با سختگیری زیادی تعریف شده است. با این حال، حتی منتقدان هم میپذیرند که فاصلهی میان هیجانِ نمایشی و ارزشِ واقعی، عمیق است.
نکتهی کلیدی اینجاست: این شکستها معمولاً بهخاطر «کمهوش بودن» مدلها رخ نمیدهند. مدلهایی مثل GPT، Gemini و Claude در آزمونها فوقالعاده عمل میکنند. مشکل جای دیگری است. برای درک بهتر مرز میان توانایی واقعی و توهم فناوری، پیشنهاد میکنیم پتانسیل و محدودیتهای واقعی هوش مصنوعی را هم بخوانید.
۳. چرا واقعاً پروژههای هوش مصنوعی شکست میخورند؟
اگر مدلها اینقدر توانمندند، پس گره کار کجاست؟ تجربهی سازمانها نشان میدهد شکست معمولاً حاصل جمع چند عامل پنهان است که هیچکدام ربطی به «باهوشتر شدن» هوش مصنوعی ندارند.
دادهی نامرتب و زیرساخت ناقص
هوش مصنوعی روی داده زندگی میکند. وقتی دادههای شرکت پراکنده، ناقص یا در سیستمهای جزیرهای حبس شده باشند، حتی بهترین مدل هم چیز ارزشمندی برای تحویلدادن ندارد. بخش بزرگی از پروژهها پیش از آنکه به هوش مصنوعی برسند، در مرحلهی آمادهسازی داده زمین میخورند.
شکاف مهارت و نبودِ مترجم میان کسبوکار و فناوری
بسیاری از سازمانها کسی را ندارند که هم زبان کسبوکار را بفهمد و هم زبان مدلها را. نتیجه این میشود که یک ابزار قدرتمند خریداری میشود اما هیچکس نمیداند دقیقاً کدام مسئلهی واقعی را باید حل کند. همینجاست که تفاوت «ساختن یک نمونهی نمایشی» با «مهندسی یک راهحل پایدار» خود را نشان میدهد؛ موضوعی که در مقالهی توهم هوش مصنوعی: توسعهدهندهی تنها در برابر مهندس واقعی بهخوبی شکافته شده است.
یکپارچهنشدن با فرایندهای روزمره
یک دستیار هوشمند که در گوشهای جدا از جریان کار قرار دارد، خیلی زود فراموش میشود. پروژههای موفق آنهایی هستند که هوش مصنوعی را در دل فرایندهای موجود مینشانند، نه اینکه یک لایهی اضافی و دستوپاگیر بسازند. انتظارات غیرواقعی مدیران هم مزید بر علت میشود؛ توقع معجزهی یکشبه، به سرخوردگی و رهاکردن پروژه میانجامد.
۴. مدل تازهی مایکروسافت: مهندس در دل سازمان
راهحل مایکروسافت برای این بحران، ساده اما پرهزینه است: بهجای فروش نرمافزار و رهاکردن مشتری، مهندسان خود را به داخل شرکت میفرستد. این مهندسان بهعنوان بخشی از تیم مشتری کار میکنند، مسئلهی واقعی را از نزدیک میبینند، راهحل را میسازند و آن را تا رسیدن به نتیجه تنظیم میکنند.
تفاوت ظریف اما تعیینکننده اینجاست: Frontier مسئولیت «نتیجه» را بر عهده میگیرد، نه صرفاً تحویل ابزار. این یعنی حرکت از فروش فناوری به فروش «پیامدِ تجاری». برای شرکتی در ابعاد مایکروسافت، اختصاص ۶۰۰۰ مهندس به چنین کاری، اعتراف روشنی است به اینکه مانع اصلی رشد هوش مصنوعی دیگر قدرت مدلها نیست، بلکه توان پیادهسازی آنهاست. اگر دنبال جدیدترین تحولات این حوزه هستید، بخش اخبار هوش مصنوعی ما را دنبال کنید.
۵. اعترافی مهم: پایان وابستگی به یک مدل
یکی از جالبترین بخشهای این خبر، صراحت غیرمعمول مایکروسافت است. جادسون آلتاف پذیرفت که گرهزدن کامل استراتژی به مدلهای OpenAI یک «اشتباه» بوده و Frontier از این پس چند مدل مختلف، از جمله مدلهای Anthropic، را در کنار هم بهکار خواهد گرفت.
این چرخش، فراتر از یک تصمیم فنی است. سالها رابطهی نزدیک مایکروسافت و OpenAI نماد یک ائتلاف قدرتمند بود؛ حالا پیام تازه این است که هیچ مدل واحدی برای همهی مسائل بهترین نیست. اگر میخواهید بدانید OpenAI دقیقاً چیست و چه جایگاهی دارد، مرور OpenAI چیست؟ کمککننده است. رقابت میان مدلها هم روزبهروز داغتر میشود؛ نمونهاش را در نبرد ChatGPT و DeepSeek دیدهایم.
برای کسبوکارها پیام این بخش روشن است: بهجای قفلشدن روی یک فروشنده یا یک مدل، انعطافپذیری در انتخاب ابزار، خودش یک مزیت راهبردی است.
۶. نبرد بعدی هوش مصنوعی: پیادهسازی، نه فقط هوشمندی
تا امروز، رقابت شرکتهای بزرگ بر سر این بود که چه کسی مدل باهوشتری میسازد؛ چه کسی در آزمونها امتیاز بالاتری میگیرد و پنجرهی زمینهی بزرگتری ارائه میدهد. حرکت مایکروسافت نشان میدهد که میدان بازی در حال جابهجایی است.
وقتی همه به مدلهای قدرتمند دسترسی دارند، مزیت رقابتی دیگر در خودِ مدل نیست؛ در توانایی تبدیل آن به ارزش واقعی است. این همان «شکاف پیادهسازی» است که میان شرکتهای برنده و بازنده فاصله میاندازد. به همین دلیل بسیاری از تحلیلگران معتقدند موج بعدی ارزشآفرینی در هوش مصنوعی، نه در آزمایشگاههای مدلسازی، بلکه در کفِ سازمانها و خطوط تولید رقم میخورد.
۷. این تحول برای کسبوکارهای فارسیزبان چه میگوید؟
شاید همهی ما بودجهی مایکروسافت را نداشته باشیم، اما درس این ماجرا برای یک تیم کوچک هم دقیقاً همان درس شرکتهای بزرگ است: هوش مصنوعی بدون پیادهسازی درست، فقط یک هزینه است، نه یک سرمایهگذاری.
برای کسبوکارهای کوچک و متوسط، خبر خوب این است که برای شروع لازم نیست ۶۰۰۰ مهندس داشته باشید. کافی است یک مسئلهی مشخص و پرتکرار را انتخاب کنید، آن را با ابزارهای موجود مثل ChatGPT حل کنید و نتیجه را اندازه بگیرید. مهارت درستنوشتنِ درخواست از مدلها هم نقش پررنگی دارد؛ برای همین آموزش نوشتن پرامپت به زبان ساده میتواند نقطهی شروع کمهزینه و پرثمری باشد.
۸. چطور پروژهی هوش مصنوعیتان را از دام ۹۵ درصد نجات دهید؟
تجربهی شکستها و موفقیتها چند اصل عملی به ما میدهد که رعایتشان شانس موفقیت هر پروژهای را چند برابر میکند.
از مسئله شروع کنید، نه از ابزار
پیش از خرید هر ابزاری بپرسید «کدام درد واقعی کسبوکار من قرار است حل شود؟». پروژهای که با یک مسئلهی روشن و قابلاندازهگیری آغاز شود، مسیر مشخصی برای سنجش موفقیت دارد.
کوچک شروع کنید و نتیجه را اندازه بگیرید
بهجای یک دگرگونی بزرگ و پرریسک، یک فرایند کوچک را خودکار کنید و تأثیرش را در زمان یا هزینه اندازه بگیرید. موفقیتهای کوچکِ قابلاثبات، اعتماد لازم برای گامهای بعدی را میسازند. برای یادگیری گامبهگام کار با ابزارها، مجموعهی آموزشهای ChatGPT منبع خوبی است.
روی مهارت تیم سرمایهگذاری کنید
ابزار بهتنهایی معجزه نمیکند؛ آدمهایی که بدانند چطور از آن استفاده کنند، تفاوت را رقم میزنند. آموزش تیم، مستندسازی فرایندها و ساختن فرهنگ آزمونوخطای هوشمندانه، سرمایهگذاریای است که بازدهاش بارها بیشتر از خودِ ابزار خواهد بود.
پرسشوپاسخ کوتاه (FAQ)
واحد Frontier مایکروسافت دقیقاً چهکار میکند؟
Frontier یک واحد تازهی مایکروسافت با بودجهی حدود ۲.۵ میلیارد دلار و نزدیک به ۶۰۰۰ مهندس است که بهجای فروش صرفِ نرمافزار، مهندسان خود را داخل شرکتها مستقر میکند تا سیستمهای هوش مصنوعی را تا رسیدن به نتیجهی واقعی طراحی و اجرا کنند.
آمار ۹۵ درصد شکست از کجا آمده است؟
این عدد از گزارش پروژهی NANDA در دانشگاه MIT با نام «شکاف هوش مصنوعی مولد» میآید که نشان داد حدود ۹۵٪ سازمانها از پروژههای هوش مصنوعی مولد خود بازده مالی محسوسی ندیدهاند. برخی کارشناسان این رقم را بزرگنماییشده میدانند، اما بر وجود یک شکاف واقعی توافق دارند.
چرا مایکروسافت گفت وابستگی به OpenAI اشتباه بود؟
چون هیچ مدل واحدی برای همهی مسائل بهترین نیست. مایکروسافت با افزودن مدلهای دیگر مانند Anthropic در کنار OpenAI، انعطاف بیشتری برای حل مسائل متنوع مشتریان بهدست میآورد.
یک کسبوکار کوچک از کجا شروع کند؟
با انتخاب یک مسئلهی مشخص و پرتکرار، حل آن با ابزارهای موجود مثل ChatGPT، و اندازهگیری نتیجه. شروع کوچک و قابلسنجش، امنترین مسیر برای پرهیز از سرنوشت آن ۹۵ درصد است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
