كشف تقرير «State Of AI Survey 2026» الصادر عن شركة الأبحاث Forrester أن أكثر من نصف مدراء تكنولوجيا المعلومات (CIOs) قد لا يحققون أهداف عائد الاستثمار (ROI) المرتبطة بالذكاء الاصطناعي في العام المقبل. يشير التقرير إلى أن 45% من صناع القرار في مجال الذكاء الاصطناعي يحتاجون إلى عائد استثمار إيجابي خلال عام واحد لاعتبار استثماراتهم ناجحة.
ورغم التوقعات بأن يتزايد إنفاق الشركات على الذكاء الاصطناعي بشكل كبير، حيث سيمثل 20% من إجمالي الإنفاق على تكنولوجيا الأعمال في عام 2027، فإن تحقيق العوائد الملموسة يظل تحدياً كبيراً.
تحديات تحقيق عائد الاستثمار من الذكاء الاصطناعي
يُعزى هذا التحدي إلى الفجوة بين الاستثمار في تبني التكنولوجيا والتغيير التنظيمي المطلوب لدفع النتائج على مستوى الشركة. فقد أشار 22% فقط من صناع القرار إلى تأثير إيجابي للذكاء الاصطناعي على أرباحهم قبل الفوائد والضرائب والإهلاك والاستهلاك (EBITDA) خلال الأشهر الـ12 الماضية.
وتؤكد شارين ليفر، كبيرة مسؤولي الأبحاث في Forrester، أن هذا سيزيد الضغط على القادة لإثبات قيمة الذكاء الاصطناعي مع التحكم في التكاليف والبنية التحتية والمخاطر. بالإضافة إلى ذلك، ستُدخل التقنيات الناشئة والضغوط الجيوسياسية والاستخدام المتزايد للذكاء الاصطناعي في عمليات التكنولوجيا تعقيدات ونقاط فشل محتملة جديدة.
نماذج مفتوحة الوزن: الحل الاقتصادي للشركات
في ظل هذه التحديات، تسعى فرق التقنية للحصول على أقصى قيمة من إنفاقها المتزايد على الذكاء الاصطناعي، وذلك بالاستثمار في نماذج GenAI مفتوحة الوزن. تتوقع Forrester أن تمثل هذه النماذج نصف رموز الذكاء الاصطناعي (AI tokens) المستخدمة، لكنها لن تشكل سوى 5% من الإنفاق الكلي للمؤسسات.
وترى Forrester أن النماذج مفتوحة الوزن مثل Gemma وLlama وQwen «جيدة بما يكفي لأعباء العمل المؤسسية التي تولد أكبر حجم من الرموز، مثل معالجة المستندات، ومحادثات دعم العملاء، والبحث في المعرفة الداخلية، والخطوات الروتينية الفرعية ضمن سير عمل الوكلاء».
بينما سيتم حجز النماذج المتطورة، بما في ذلك Claude Opus 5.5 وClaude Sonnet 5.5 من Anthropic، وGPT-6.1 Sol وGPT-6 Astra من OpenAI، وGemini 4 Argon من Google، «لعدد قليل من مهام المعرفة العميقة وأتمتة المهام الحرجة حيث تكون الأخطاء باهظة التكلفة، لكن عدد الرموز سيتجه نحو النماذج مفتوحة الوزن».
ما يعنيه هذا للمطورين والمصممين هو ضرورة التركيز على الاستفادة القصوى من النماذج مفتوحة الوزن حيثما أمكن، نظراً لفعاليتها من حيث التكلفة. برأينا، هذا يتطلب فهماً عميقاً لمتطلبات المشروع لاختيار النموذج الأنسب — سواء كان نموذجاً رائداً لمهام حساسة أو نموذجاً مفتوح الوزن لمهام يومية تتطلب حجم معالجة كبيراً.
المصدر: theregister.com