واحد وتسعون بالمئة من شركات السوق المتوسطة تقول إنها واثقة من خبرتها الداخلية في الذكاء الاصطناعي. وعشرة بالمئة فقط نجحت فعلياً في توسيع جميع مبادراتها إلى ما بعد المرحلة التجريبية (IT Brief UK، 2026).
المشاركون أنفسهم البالغ عددهم 500. الاستطلاع نفسه. الأسابيع الستة نفسها من العمل الميداني.
المسافة بين هذين الرقمين هي المكان الذي تموت فيه المشاريع التجريبية للذكاء الاصطناعي في السوق المتوسطة — والسبب الذي يقتل معظمها ليس السبب الذي يُموَّل. فحين سُئل هؤلاء المديرون أنفسهم عن سبب تعثّر المشاريع، أشار 48% إلى نقص الخبرة في الذكاء الاصطناعي. أي أنهم يلومون تحديداً القدرة التي قيّموا أنفسهم فيها للتوّ بثقة 91%.
هذه ليست فجوة مهارات. إنها خطأ في التشخيص، وهو خطأ باهظ الثمن.
ماذا قاس استطلاع Klarus فعلياً
نشرت Klarus، بالتعاون مع Vitreous World، دراستها عن الذكاء الاصطناعي في السوق المتوسطة في 8 يوليو 2026. العينة: 500 من كبار صنّاع القرار في شركات بالمملكة المتحدة وأيرلندا بإيرادات تتراوح بين 200 مليون ومليارَي جنيه إسترليني، وبعدد موظفين بين 300 و3000 — مالكون، وقيادات تنفيذية، ونواب رؤساء، ومديرون، ورؤساء أقسام لهم سلطة على القرارات التقنية (IT Brief UK، 2026).
التبنّي ليس هو المشكلة. فقد نشرت 73% منها الذكاء الاصطناعي جزئياً أو كلياً. ومن بين من اختبروه، وسّع 10% فقط كل مبادراتهم إلى ما بعد المرحلة التجريبية — ما يترك 90% بأعمال متوقفة أو عالقة في مراحلها الأولى (Klarus، 2026).
هذه الشريحة ليست هامشية. تستشهد Klarus ببيانات NatWest التي تضع السوق المتوسطة البريطانية عند 30% من القيمة المضافة الإجمالية، رغم أنها تمثّل 0.5% فقط من الشركات. معدّل تعثّر بنسبة 90% في هذه الشريحة ليس طرفة من قطاع التقنية. إنه بند إنتاجية على مستوى الاقتصاد الوطني — وبشكل أكثر إلحاحاً، ميزانيتك التشغيلية.
انقلاب الثقة والكفاءة
اقرأ الرقمين الرئيسيين معاً، وستظهر لك علّة محدّدة.
91% ثقة في الخبرة الداخلية. 48% يشيرون إلى غياب الخبرة كسبب لموت المشاريع التجريبية. 39% يضعون "بناء الخبرة الداخلية" ضمن أولويات الأشهر الاثني عشر المقبلة.
هذه الأرقام الثلاثة لا يمكن أن تصف المنظمة نفسها وصفاً دقيقاً في آنٍ واحد. ما تصفه هو فريق واثق في المجرّد ومرتجل في المحدّد — كفء في استخدام أدوات الذكاء الاصطناعي، غير مختبَر في تحويلها إلى إنتاج. الثقة حقيقية؛ لكنها ببساطة تقيس الشيء الخطأ. إتقان كتابة موجّه ليس إتقان تشغيل نموذج على بيانات تشغيلية حيّة، مع أثر تدقيق، ومالك، وخطة تراجع.
النتيجة ميزانية موجَّهة في الاتجاه الخطأ. حين يعتقد القادة أن القيد هو الخبرة، يوظّفون. يشترون تراخيص تدريب، وينظّمون أسابيع تمكين، وينشرون إعلاناً لمهندس ذكاء اصطناعي. وفي الأثناء يبقى العائق الفعلي طبقةً أدنى، بلا مساس، فيموت المشروع التجريبي التالي بالسبب نفسه تماماً الذي قتل سابقه.
القيد الذي لا يموّله أحد: لماذا تتعثّر مشاريع الذكاء الاصطناعي التجريبية في السوق المتوسطة عند البيانات
إليك ما أفاد به هؤلاء المديرون أنفسهم حين سُئلوا عن بياناتهم بدل موظفيهم.
83% من الشركات التي جرّبت أو نشرت الذكاء الاصطناعي أبلغت عن ضعف جودة البيانات. و69% قالت إن ذلك يمنع أو يؤخّر فعلياً العمل على الذكاء الاصطناعي (IT Brief UK، 2026).
وحين حقّقت المشاريع التوقعات، سمّى المشاركون السبب: جودة بيانات قوية، وصفها 59% بأنها حاسمة — متقدّمةً على الحوكمة والأمن والخصوصية والأخلاقيات عند 54%.
الاستطلاع يجيب عن سؤاله بنفسه. جودة البيانات هي عامل النجاح الأول لدى الناجحين، وشكوى شبه شاملة لدى المتعثّرين. لكنها ببساطة ليست ما يُلام، لأن لوم بياناتك أقل إطراءً من لوم سوق العمل.
جهتان مستقلتان، لا مصلحة لهما في عقد استشاري مع السوق المتوسطة، تشيران إلى الاتجاه نفسه. يتوقع Gartner أن تتخلّى المؤسسات، حتى عام 2026، عن 60% من مشاريع الذكاء الاصطناعي غير المدعومة ببيانات "جاهزة للذكاء الاصطناعي" (Gartner، 2025). أما RAND، فبعد مقابلات منظّمة مع 65 من علماء ومهندسي البيانات ذوي الخبرة، وضعت قصور البيانات ضمن أسبابها الجذرية الخمسة لفشل مشاريع الذكاء الاصطناعي — إلى جانب سوء فهم المشكلة، واللهاث خلف التقنية بدل حالة الاستخدام، وضعف البنية التحتية اللازمة لنشر النماذج وصيانتها (RAND Corporation، 2024).
ثلاث مجموعات بيانات. واحدة من استطلاع للسوق المتوسطة البريطانية، وأخرى من توقّع لشركة تحليل، وثالثة من مؤسسة بحثية أمريكية تقابل ممارسين. ولا واحدة منها تسمّي المواهب قيداً أساسياً.
الحوكمة هي المشكلة نفسها بعنوان مختلف
59% من هذه الشركات لا تملك إطار حوكمة شاملاً للذكاء الاصطناعي. و48% أشارت إلى مخاوف الحوكمة أو الأخلاقيات أو الأمن أو الخصوصية كسبب للتعثّر — وهي النسبة نفسها التي ألقت اللوم على نقص الخبرة (IT Brief UK، 2026).
عاملهما كنتيجة واحدة لا اثنتين. المشروع التجريبي بلا إطار حوكمة لا يملك مساراً محدّداً نحو الإنتاج، لأن أحداً لم يجب عمّن يعتمد مخرجات النموذج، وماذا يحدث حين تكون إحداها خاطئة، وأي بيانات يُسمح بخروجها من الشركة، ومن سيملكها بعد تسعين يوماً. وبغياب هذه الإجابات، لا يمكن ترقية مشروع تجريبي ناجح. يمكن فقط تكراره.
هذه هي الآلية الكامنة خلف نسبة الـ90%. معظم أعمال الذكاء الاصطناعي المتوقفة لا تفشل تقنياً. إنها تجتاز مرحلتها التجريبية ثم تصل إلى بوابة لم يبنِها أحد، فتنتظر عندها.
35% فقط يخطّطون لتعزيز ضوابط الذكاء الاصطناعي خلال العام المقبل. وبالنسبة لمعظمهم، تبقى البوابة غير مبنيّة.
لماذا لا ينبغي أخذ هذه الأرقام على علّاتها
أريد أن أكون صريحة بشأن المصدر، لأن نزعة التقليل من شأنه محقّة جزئياً.
Klarus شركة خدمات تقنية تبيع لهذا السوق تحديداً. واستطلاع يخلص إلى أن شركات السوق المتوسطة تحتاج أسساً أفضل للبيانات وحوكمة أقوى هو، تجارياً، الاستطلاع الذي تودّ نشره. كما أن العينة تقتصر على المملكة المتحدة وأيرلندا، فلا يصحّ نقل النسب المحدّدة إلى عملية أمريكية أو أوروبية دون تعديل. وكل رقم هنا مُبلَّغ ذاتياً: "83% يبلّغون عن ضعف جودة البيانات" يقيس ما يعتقده المديرون عن بياناتهم، لا تدقيقاً فعلياً لها.
لكن هناك تحفّظين يعملان في الاتجاه المعاكس.
انحياز الإبلاغ الذاتي في هذا الاستطلاع يعمل ضد النتيجة لا لصالحها. فالمديرون الذين يبالغون في تقدير خبرتهم عند 91% ليسوا فئة تميل إلى تضخيم نقاط ضعفها. بل إن 83% أقرب إلى أن تكون حدّاً أدنى.
والتأكيد مستقل. فتوقّع Gartner حول البيانات الجاهزة للذكاء الاصطناعي ومقابلات RAND مع الممارسين أُنتجا بفارق سنوات، في قارتين مختلفتين، دون أي علاقة تجارية بـ Klarus. وحين يتقارب استطلاع ممول من مورّد، وتوقّع من شركة تحليل، ودراسة ذات طابع أكاديمي، يستحق حافز المورّد أن يُلاحَظ ثم يُنحّى جانباً.
ما لا يخبرك به أيٌّ منها هو ما إذا كانت مشاريعك أنت تتعثّر لهذا السبب. هذا لا تجيب عنه إلا بياناتك الخاصة — وبحسب خبرتي، نادراً ما يُطرح السؤال بهذه الصيغة تحديداً.
ما الذي يتغيّر في شركة من 300 إلى 3000 موظف
ليست قصة "مطهر المشاريع التجريبية" التي قرأتها من قبل
قيل للسوق المتوسطة حتى الآن ثلاثة أشياء مختلفة عن سبب تعثّر مشاريع الذكاء الاصطناعي التجريبية: أن حقوق القرار بلا مالك، وأن البرامج الناضجة تفرط في الحوكمة فتقتل تجاربها، والآن أن طبقة البيانات لم تكن جاهزة قط. هذه ليست تفسيرات متنافسة. إنها ثلاث بوابات على المسار نفسه، وعلى أي مشروع تجريبي أن يجتازها جميعاً.
الفارق المهم عملياً هو الترتيب. حقوق القرار والحوكمة يمكن إصلاحهما بقرار — شخص لديه صلاحية يسمّي مالكاً ومساراً للاعتماد، فتوجد البوابة بحلول يوم الجمعة. أما أسس البيانات فلا. فتوحيد الكيانات عبر ثلاثة أنظمة، وتعبئة الحقول التي لم يجعلها أحد إلزامية، وإرساء تتبّع المنشأ للجداول التي سيستهلكها النموذج فعلياً — كل ذلك ربع سنة من عمل غير برّاق بلا عرض توضيحي في نهايته.
ولهذا بالضبط يخسر معركة الميزانية أمام برنامج تدريبي، مرّة بعد مرّة.
وهم البيانات المهيّأة
في هذا الحجم لا تملك وظيفة هندسة بيانات لديها طاقة فائضة. تملك شخصين أو ثلاثة يعرفون أين تسكن الحقيقة داخل كل نظام، وهم ملتزمون بالكامل أصلاً.
هذا هو قيد التوسّع الحقيقي، وهو يفسّر نمطاً سيتعرّف عليه معظم قادة العمليات: المشاريع التجريبية تنجح على بيانات مهيّأة وتفشل على بيانات الإنتاج. فالمشروع التجريبي عمل على مستخرَج نظيف أعدّه أحدهم يدوياً. أما الإنتاج فيعمل على نظام السجلات، بمعرّفات عملائه المكرّرة، وحقل الحالة النصّي الحر، وأربع سنوات من السجلات المُرحَّلة التي لم يتحقّق منها أحد.
لم يتغيّر شيء في النموذج بين التشغيلين. تغيّرت البيانات.
نتيجة أخيرة تستحق التذكّر: 45% قالوا إن الذكاء الاصطناعي يساعد الموظفين المبتدئين على أداء عملهم بشكل أفضل أو أسرع، و24% قالوا إنه يخلق أدواراً جديدة (Klarus، 2026). الأثر المباشر للذكاء الاصطناعي على القوى العاملة في السوق المتوسطة يظهر كدعم للمهام وإعادة تصميم للأدوار، لا كتقليص للعمالة. وإذا كانت جدوى استثمارك في الذكاء الاصطناعي مبنية على وفورات في تكاليف العمالة بينما يبلّغ نظراؤك عن مكاسب في القدرة، فأنت لست أكثر صرامة منهم. أنت تقيس عائداً لا تنتجه هذه الشريحة بعد.
ثلاث خطوات قبل تمويل المشروع التجريبي التالي
دقّق في البيانات، لا في الفريق
قبل أن تحصل المبادرة التالية على ميزانية، خذ مجموعات البيانات الثلاث التي ستستهلكها فعلاً وافحص أربعة أمور: الاكتمال، ونسبة التكرار، والملكية، وتتبّع المنشأ. ليس مستودع البيانات عموماً — بل تلك الجداول الثلاثة. يستغرق ذلك من محلّل أسبوعاً واحداً، وسيخبرك عن فرص نجاح المشروع أكثر من أي تقييم لقدرات من يديرونه.
ابنِ بوابة الترقية قبل تشغيل المشروع التجريبي
اكتب مسبقاً ما الذي يجب أن يثبته المشروع التجريبي ليصل إلى الإنتاج، ومن يعتمده، ومن يملكه بعد ذلك، وماذا يحدث حين تكون إحدى المخرجات خاطئة. 59% من هذا السوق لا يملك إطاراً كهذا. المشروع التجريبي بلا مخرج محدّد ليس تجربة؛ إنه عرض توضيحي له بند في الميزانية.
حوّل جنيهاً من التدريب إلى جنيه للبيانات
إذا كانت خطتك للذكاء الاصطناعي لعام 2026 تموّل التمكين والتوظيف ولا تموّل شيئاً في جودة البيانات، فأنت تموّل تفسير الـ48% بدل تفسير الـ83%. لست مضطراً للتخلي عن التدريب. أنت بحاجة إلى بند واحد على الجانب الآخر من الدفتر، بحجم ربع سنة من أعمال المعالجة الحقيقية.
قرار واحد هذا الربع
خذ آخر مشروع ذكاء اصطناعي تجريبي لم يصل إلى التوسّع، واكتب جملة واحدة تشرح لماذا توقّف. ثم قارن تلك الجملة بالبيانات التي كان يعمل عليها.
إذا كانت الإجابة الصادقة أن النموذج كان يعمل وأن خط البيانات لم يكن، فأنت لم تفتقر إلى خبرة في الذكاء الاصطناعي. لقد افتقرت إلى ذلك الشيء الممل، غير القابل للتمويل، والقابل تماماً للإصلاح، الكامن تحته — و90% ممن لم يوسّعوا قط مشروع ذكاء اصطناعي تجريبياً في السوق المتوسطة هم في معظمهم أشخاص واصلوا تمويل النصف الخطأ من المشكلة.
ثقة بنسبة 91% لا تشتري شيئاً. و10% وصلت إلى التوسّع هي الرقم الوحيد على اللوحة.
