مشكلة الـ95%: ماذا تعني فجوة الذكاء التوليدي بحسب MIT لقطاع المال
وجدت MIT أن 95% من تجارب الذكاء التوليدي لا تحقق أي عائد. في قطاع المال، المشكلة ليست في النموذج بل في بيانات غير مطابَقة. وهذا هو الحل.
بقلم The Rexfin team
ثمة رقم ظل يتردد في عروض مجالس الإدارة منذ ما يقارب العام: 95% من تجارب الذكاء الاصطناعي التوليدي في المؤسسات لا تحقق أي عائد قابل للقياس. مصدر الرقم هو مبادرة NANDA في MIT، في تقرير عام 2025 بعنوان The GenAI Divide: State of AI in Business. درس الباحثون مئات عمليات النشر فوجدوا أن الغالبية الساحقة لم تحرّك أي بند في قائمة الأرباح والخسائر، فيما نجحت أقلية صغيرة فقط.
يُستشهد بهذه الإحصائية لتبرير الحذر، أو تُستخدم لإسكات النقاش. وكلا الاستخدامين يغفل عن جوهر الأمر. فالسؤال المثير ليس لماذا فشل الـ95%، بل ما الذي فعله الـ5% الباقون بطريقة مختلفة. وفي قطاع المال تحديداً، تكون الإجابة محرجة، لأنها لا تكاد تتعلق إطلاقاً باختيار النموذج.
الفجوة ليست في جودة النموذج
حين تتعثر تجربة الذكاء الاصطناعي لدى فريق مالي، عادةً ما يحمّل تحليل ما بعد الفشل المسؤولية للطرف الخطأ. “النموذج لم يكن ذكياً بما يكفي.” “الهلوسات.” “كنا بحاجة إلى GPT-5 لا GPT-4.” فينتظر الفريق الإصدار التالي، ويعيد تشغيل التجربة نفسها على نموذج أفضل، ليحصل على النتيجة المخيّبة ذاتها. لم يكن النموذج هو عنق الزجاجة قط.
تقول رؤية MIT إن الفجوة تكمن بين الأدوات وسير العمل. فمساعدات المحادثة العامة تُتبنّى بسهولة لأنها متسامحة مع الخطأ: صياغة بريد إلكتروني، تلخيص مستند، ولا ضرر إن جاءت النتيجة مائلة قليلاً. أما الأنظمة المخصصة لعمل تشغيلي حقيقي، حيث تغذّي المخرجات قراراً فعلياً، فتتوقف. لا تحتفظ بالسياق، ولا تتكامل مع طريقة عمل الفريق الفعلية، والأهم أن أحداً لا يثق في المخرجات بما يكفي للتصرّف بناءً عليها دون إعادة فحص كل شيء يدوياً. وعندها، ما الذي وفّره لك الذكاء الاصطناعي أصلاً؟
في قطاع المال، تكون مشكلة الثقة أحدّ منها في أي مكان آخر تقريباً. فالملخّص الذي يكون “صحيحاً في معظمه” مقبول في تدوين محضر اجتماع، أما هامش الربح الإجمالي الذي يكون “صحيحاً في معظمه” فهو رقم خاطئ في عرض لمجلس الإدارة، واسمك موقّع عليه.
لماذا يفشل قطاع المال لسبب مختلف
خارج قطاع المال، يكون نمط الفشل في الغالب احتكاكاً في سير العمل. أما داخله، فثمة عائق أكثر تحديداً يكمن تحت ذلك: البيانات التي يستدل عليها الذكاء الاصطناعي لم تكن جديرة بالثقة من الأساس.
تأمّل ما يحدث فعلاً. يوجّه فريق أداةَ ذكاء اصطناعي نحو بياناته في QuickBooks أو NetSuite، أو يرفع بضعة تصديرات، ويبدأ بطرح الأسئلة. يقول النظام المحاسبي شيئاً، ويقول نظام CRM شيئاً آخر عن العملاء أنفسهم. وعرض المجلس الشهر الماضي يحمل نسخة ثالثة من رقم الإيرادات لأن أحدهم أجرى تعديلاً يدوياً في جدول بيانات لم يعد قط إلى دفتر الأستاذ. الذكاء الاصطناعي لا يعلم بأي من هذا. فيحسب متوسطاً على الفوضى بكل ثقة، ويعيد إجابة لا تطابق أي شيء.
هذا ليس عيباً في النموذج، بل عيب في البيانات يرثه النموذج بأمانة. وفرق التخطيط والتحليل المالي (FP&A) تعرف هذا الألم عن قرب: يُظهر استطلاع تلو الآخر أن المحللين يقضون حصة كبيرة من أسبوعهم، غالباً ما بين الثلث وقرابة النصف، في مجرد جمع البيانات ومطابقتها قبل أن يبدأ أي تحليل. تلك المطابقة اليدوية هي العمل الذي يجعل الرقم جديراً بالثقة. تخطَّها، يصبح الذكاء الاصطناعي سريعاً وخاطئاً بدلاً من أن يكون بطيئاً وصحيحاً.
إذن، الشرط الفعلي المسبق لتحقيق عائد من الذكاء الاصطناعي في المال ليس نموذجاً أفضل، بل مصدر واحد موثوق ومطابَق: نموذج مالي واحد تطابق فيه الأرقام دفتر الأستاذ فعلاً، قبل أن يلمسها الذكاء الاصطناعي. وهذا هو جوهر لماذا يحتاج الذكاء الاصطناعي المالي الموثوق إلى نموذج مطابَق تحته.
ما الذي يجمع بين الـ5% الناجحين
إذا نحّيت الضجيج جانباً، تشترك عمليات النشر الناجحة في سمة بسيطة مملّة: كانت مُؤسَّسة على بيانات (grounded). لم يكن الذكاء الاصطناعي يربط ربطاً حراً بين كومة من المستندات، بل كان يسترجع من مصدر بيانات محدّد ومحكوم، وكان مستخدموه قادرين على رؤية مصدر كل إجابة.
هذه هي اللعبة كلها. التأسيس على المصدر يحوّل نظاماً يبدو معقولاً إلى نظام يمكن الدفاع عنه. فحين يستطيع المراقب المالي النقر على رقم وتتبّعه رجوعاً إلى المعاملة المصدر، يكفّ الذكاء الاصطناعي عن كونه عبئاً ويصبح رافعة. وحين يعجز عن ذلك، تحتاج كل مخرجة إلى تدقيق يدوي، وتنهار حجة الإنتاجية، فتكون قد أضفت خطوة لا أزلتها.
ثمة فخّ ذو صلة يستحق التسمية. فحتى مع تأسيس جيّد، يعيد تكليفُ نموذج لغوي بـحساب الإجابة إدخالَ الخطأ، لأن نماذج LLM ضعيفة فعلاً في العمليات الحسابية. (نتناول الآلية في لماذا يخطئ الذكاء الاصطناعي في الحسابات المالية.) الحل هو أن ندع الذكاء الاصطناعي يسترجع ويفسّر، ونسلّم الحساب الفعلي إلى محرّك حتمي. الاسترجاع يؤسّس المدخلات، والمحرّك يضمن صحة الحساب. ولا يكفي أيٌّ منهما وحده.
كيف تكون ضمن الـ5%، بالترتيب
إن كنت مديراً مالياً تقرّر ما إذا كانت ميزانية الذكاء الاصطناعي لهذا العام ستكرّر خيبة العام الماضي، فالتسلسل أهم من الأدوات. وبصورة تقريبية:
- طابِق أولاً. اوصل إلى نموذج واحد تطابق فيه الإيرادات والهامش والنقد دفترَ الأستاذ عبر كل مصدر متصل. لا تستحق أي خطوة ذكاء اصطناعي أن تُشغَّل على أرقام لا توقّع عليها.
- أسّس الذكاء الاصطناعي على ذلك النموذج، لا على تصديرات خام أو كومة مستندات. ينبغي أن يسترجع الذكاء الاصطناعي من المصدر المطابَق، مع إمكانية تتبّع كل رقم رجوعاً إلى منشئه.
- انقل الحساب إلى طبقة حتمية. دع النموذج يقرّر ماذا يُحسب، ودع محرّكاً حقيقياً يقوم بالحساب، بحيث يعطي السؤال نفسه الإجابة نفسها في كل مرة.
- ثم أتمِت. بمجرد أن تثق في الأرقام وفي مسار الوصول إليها، توسّع نحو إعداد التقارير وتحليل الانحرافات والسيناريوهات. الأتمتة مكافأة على الثقة، لا بديل عنها.
معظم التجارب الفاشلة تعكس هذا الترتيب. فتؤتمت أولاً، ثم تكتشف أن الأرقام لا يُوثَق بها، ثم تُغلق المشروع بهدوء. الـ95% ليست حكماً على الذكاء الاصطناعي، بل حكم على البدء من المكان الخطأ.
الخلاصة
لم تُثبت MIT أن الذكاء الاصطناعي لا يعمل في قطاع المال. أثبتت أن الذكاء الاصطناعي المبني على بيانات غير مطابَقة لا يعمل، وهو ما كان بإمكان أي مراقب مالي أن يخبرك به مجاناً. صار النموذج سلعة متاحة للجميع. أما الطبقة المالية المطابَقة القابلة للتتبّع تحته فهي الأمر الصعب، وهي ما يقرّر على أي جانب من الفجوة ستحطّ.
إن كنت تفضّل أن تكون مبادرتك القادمة للذكاء الاصطناعي ضمن الـ5%، فإن الخطوة الأولى غير البرّاقة هي إصلاح الأرقام. وهذا هو ما صُمّمت Rexfin للقيام به. احجز عرضاً توضيحياً وسنُريك كيف يبدو الذكاء الاصطناعي حين يطابق كل رقم مصدره.
جزء من طبقة الموثوقية التي يحتاجها الذكاء الاصطناعي قبل أن يقترب من أرقامك