آیا هوش مصنوعی چوب جادوی کسب‌وکارهای ایرانی است؟ 

هوش مصنوعی امروز دیگر یک ابزار جانبی یا پروژه‌ نمایشی نیست. در شرکت‌های بزرگ جهانی مثل آمازون، نتفلیکس و علی‌بابا، این فناوری در قلب زیرساخت قرار دارد و به بخشی از سیستم عامل کسب‌وکار تبدیل شده است.

اگر آمازون می‌تواند میلیون‌ها سفارش را در لحظه مدیریت کند، اگر نتفلیکس برای هر کاربر تجربه‌ای منحصربه‌فرد می‌سازد یا اگر علی‌بابا در اوج جشنواره‌های فروشش فرو نمی‌ریزد، دلیلش نه فقط تیم‌های بازاریابی یا طراحی محصول، بلکه لایه‌ی عمیقی از هوش مصنوعی و معماری داده است که تصمیم‌گیری‌ها را به صورت خودکار و بهینه انجام می‌دهد.

در آمازون، از زمان کلیک روی دکمه‌ی خرید تا لحظه‌ای که کالا از انبار خارج می‌شود، ده‌ها مدل یادگیری ماشین درگیر تصمیم‌سازی هستند. نتفلیکس با سیستم توصیه‌گر مبتنی بر یادگیری عمیق، بیش از هشتاد درصد مصرف محتوایش را هدایت می‌کند و علی‌بابا در بخش مالی خود از مدل‌های تشخیص تقلب و اعتبارسنجی هوشمند استفاده می‌کند که در لحظه میلیاردها تراکنش را پایش می‌کنند. در تمام این نمونه‌ها، هوش مصنوعی نه در ویترین، بلکه در ستون فقرات زیرساخت فنی و تصمیم‌سازی سازمان‌هاست.

اما در ایران، هنوز هوش مصنوعی بیشتر شبیه یک «پروژه‌ جانبی» است تا یک بخش اساسی از معماری کسب‌وکار. بسیاری از شرکت‌ها آن را در قالب چت‌بات، ابزار توصیه‌گر ساده یا یک پروژه‌ی تحقیقاتی در تیم داده تجربه کرده‌اند. اما واقعیت این است که در لایه‌ی زیرساخت هنوز تفکر سنتی حاکم است؛ پیش‌بینی تقاضا با اکسل انجام می‌شود، ضدتقلب با Rule Engine ثابت اداره می‌شود، لجستیک با برنامه‌ریزی دستی پیش می‌رود و داده‌ها در دیتابیس‌های پراکنده بدون هماهنگی نگه‌داری می‌شوند. بیشتر شرکت‌های ایرانی نه Feature Store دارند، نه Pipeline استاندارد برای MLOps. در بهترین حالت، مدل‌ها با فایل CSV آموزش داده می‌شوند و استقرارشان در محیط عملیاتی یعنی کپی‌کردن یک فایل pickle روی سرور. هیچ مانیتورینگی برای Drift وجود ندارد و وقتی رفتار کاربر تغییر می‌کند، مدل‌ها ظرف چند هفته بی‌اثر می‌شوند. حتی وقتی مدل‌ها خوب کار می‌کنند، نگه‌داری آن‌ها در محیط واقعی سخت است چون زیرساخت لازم برای بازآموزی، نظارت و مدیریت نسخه‌ها وجود ندارد.

واقعیت این است که ارزش واقعی هوش مصنوعی در بخش‌هایی ساخته می‌شود که کاربر نمی‌بیند. در پلتفرم‌های بزرگ جهانی، مدل‌های هوشمند Caching توانسته‌اند بار روی دیتاسنتر را تا سی درصد کاهش دهند و Latency پاسخ جست‌وجو را نصف کنند. در پرداخت آنلاین، الگوریتم‌های گراف‌محور برای تشخیص تقلب توانسته‌اند الگوهای جدید کلاهبرداری را در کسری از ثانیه شناسایی کنند؛ کاری که Rule Engine سنتی از پس آن برنمی‌آید. در لجستیک، الگوریتم‌های مسیریابی مبتنی بر یادگیری تقویتی توانسته‌اند مسیر تحویل کالا را بهینه کنند و زمان ارسال را تا چهل درصد کاهش دهند. این‌ها دستاوردهایی هستند که مستقیم روی هزینه، درآمد و رضایت مشتری تأثیر می‌گذارند، هرچند شاید در ظاهر به چشم نیایند.

شکاف ایران با دنیا فقط در GPU و زیرساخت سخت‌افزاری نیست، بلکه در طرز فکر و بلوغ سازمانی است. در بسیاری از شرکت‌های جهانی، هوش مصنوعی بخشی از زنجیره ارزش است و برای هر تغییر در محصول، الگوریتم‌ها به‌صورت خودکار ارزیابی و تنظیم می‌شوند. در ایران اما هنوز AI بیشتر در سطح «آزمایش» باقی مانده است. وقتی پلتفرم‌های بین‌المللی از ابزارهایی مثل Vertex AI، SageMaker، TensorFlow Serving یا Dataflow برای اتوماسیون چرخه‌ی داده و مدل استفاده می‌کنند، ما هنوز درگیر هماهنگی بین تیم داده، توسعه و عملیات هستیم. در واقع، تفاوت در این است که در جهان، مدل‌ها هر روز در جریان زندگی پلتفرم تنفس می‌کنند، در ایران اما در قفس سرورها خاک می‌خورند.

آیا هوش مصنوعی چوب جادوی کسب‌وکارهای ایرانی است؟ پاسخ منفی است، اگر آن را صرفاً یک پروژه‌ تحقیقاتی یا ابزار تبلیغاتی بدانیم. اما اگر بپذیریم که باید در تار و پود زیرساخت فنی بنشیند، در پیش‌بینی تقاضا، در بهینه‌سازی لجستیک، در کشف تقلب و در پایش سرویس‌ها، آن‌وقت می‌توان گفت بله، می‌تواند به چوب جادوی ما هم تبدیل شود. اما تا زمانی که AI در ایران «پروژه» باشد و نه «معماری»، فاصله ما با دنیا بیشتر خواهد شد، نه کمتر.