أصبح قياس عائد الاستثمار في الذكاء الاصطناعي (ROI) السؤال المحرج في كثير من مجالس الإدارة: رُصدت الميزانيات وتكاثرت المشاريع التجريبية، لكن قلّة من الفرق تستطيع إظهار أثر رقمي على قائمة الدخل. والمشكلة في الغالب ليست في التقنية نفسها بل في ما نقيسه. فلكي نتحكم في عائد الاستثمار في الذكاء الاصطناعي يجب ربط الإشارات التقنية بمؤشرات الأعمال.
تعرض لوحات معلومات (dashboards) مشاريع الذكاء الاصطناعي دقة النموذج وزمن الاستجابة واستهلاك الرموز (tokens) ومعدل الأخطاء. تخبرنا هذه المؤشرات هل يعمل النظام جيدًا، لا هل تحسّن حال المؤسسة. وبين الأمرين حلقة مفقودة: عملية الأعمال التي يندمج فيها الذكاء الاصطناعي.
يقترح هذا المقال طريقة للانتقال من المقاييس التقنية إلى نتائج الأعمال، بالاعتماد على business observability، أي القدرة على تتبع عملية أعمال معاملةً بمعاملة، بالصرامة نفسها التي نطبقها على الخدمات المعلوماتية.
لماذا لا تكفي المقاييس التقنية لقياس عائد الاستثمار في الذكاء الاصطناعي؟
تتقاطع دراسات حديثة عدة: يقدّر تقرير MIT المسمى «GenAI Divide» أن أقلية صغيرة من المشاريع التجريبية المدمجة تنتج قيمة قابلة للقياس، ويشير مسح McKinsey السنوي عن الذكاء الاصطناعي إلى أنه رغم استخدام أغلبية كبيرة من المؤسسات له، لا ترى سوى أقلية أثرًا على نتائجها التشغيلية. الأرباح موجودة على مستوى حالات الاستخدام، لكن إثباتها على مستوى المؤسسة أصعب بكثير.
لنأخذ مثالًا. شركة توزيع تنشر وكيلًا يقرأ فواتير الموردين ويستخرج المبالغ ويقترح قيدًا محاسبيًا. يحقق النموذج 97% من الاستخراجات الصحيحة في أقل من ثانيتين. هل هذا خبر سار؟ لا يمكن الجزم. فإذا انتظرت الفواتير بعد ذلك ثلاثة أيام في طابور اعتماد المراقب المالي، فإن مهلة السداد لم تتحرك. وإذا أخطأ الوكيل في 3% من الفواتير الأكبر حجمًا، فقد تتجاوز كلفة التصحيحات المكسب.
لوحة النموذج متطابقة في السيناريوهين. وحدها رؤية العملية تصنع الفرق.
عملية الأعمال كوحدة قياس
تلتحم كل مشاريع الذكاء الاصطناعي تقريبًا بعملية قائمة: معالجة الفواتير، فتح الحسابات، حل التذاكر، تجهيز الطلبات. يؤتمت الذكاء الاصطناعي خطوة أو يساعد شخصًا أو يوجّه قرارًا، لكن القيمة تُقرأ على العملية كاملة. فالسؤال الصحيح ليس «هل النموذج جيد؟» بل «هل أصبحت العملية أسرع أو أرخص أو أوثق أو أريح للعميل؟»
بالنسبة إلى وكيل الفواتير، قد تكون المؤشرات المناسبة مثلًا:
- المدة بين استلام الفاتورة وسدادها؛
- كلفة معالجة الفاتورة الواحدة بما فيها الذكاء الاصطناعي؛
- نسبة الفواتير التي تتطلب تصحيحًا يدويًا؛
- غرامات التأخير التي تم تفاديها والخصومات التي تم الحصول عليها.
عدم إغفال التكلفة الفعلية للذكاء الاصطناعي
الحساب الصادق لـ ROI يشمل المقام أيضًا. فكلفة حل الذكاء الاصطناعي لا تقتصر على الترخيص أو الاشتراك في النموذج:
- استهلاك الرموز أو زمن GPU، وهو يتغير بحجم المستندات وطولها؛
- البنية المحيطة: قاعدة المتجهات والتخزين والشبكة؛
- الوقت البشري المخصص للإشراف والتصحيح؛
- أدوات التقييم وقابلية الملاحظة.
يسهل تتبع استهلاك الرموز كلما سُجّل لكل طلب وربط بالخدمة المعنية، كما شرحنا في دليلنا لقابلية ملاحظة الذكاء الاصطناعي.
عمليًا: أربع خطوات لقياس عائد الذكاء الاصطناعي باستمرار
الخطوة 1: قياس العملية كلها لا الذكاء الاصطناعي وحده
أصدر حدثًا تجاريًا عند كل خطوة من العملية، بمعرّف مشترك يتيح تتبع كل فاتورة من البداية إلى النهاية. في Dynatrace تؤدي هذا الدور أحداث الأعمال (business events)، ويمكن بعد ذلك تجميعها في عرض للعملية. قد يبدو الحدث هكذا:
{
"event.type": "facture.etape",
"facture.id": "F-2026-018342",
"etape": "imputation_proposee",
"traitement": "agent_ia",
"montant_eur": 12480.00,
"fournisseur.categorie": "transport",
"duree_etape_s": 1.8
}
الخطوة 2: إنشاء خط أساس قبل التشغيل
قس العملية على مدى أسابيع قبل وصول الذكاء الاصطناعي: المدة الوسيطة وكلفة الفاتورة ونسبة التصحيح. دون هذا الخط تبقى أي مكاسب معلنة مجرد ادعاء. وإذا كان الذكاء الاصطناعي مطبقًا فعلًا، فاحتفظ بعيّنة تُعالج بالمسار القديم.
الخطوة 3: إسناد الأثر إلى الذكاء الاصطناعي
قد يحرك الأرقام أيضًا الحجم الموسمي أو تعيين موظف في فريق المحاسبة أو إصلاح خلل في المنبع. قارن بين الفئات (cohorts): فواتير عالجها الوكيل مقابل فواتير عولجت يدويًا في الفترة نفسها. يتيح استعلام DQL من هذا النوع مقارنة أولى (أسماء الحقول تُكيَّف):
fetch bizevents
| filter event.type == "facture.payee"
| summarize factures = count(),
delai_median_h = median(delai_total_h),
corrections = countIf(correction_manuelle == true),
by: {traitement}
الخطوة 4: تحويل الفرق المتحقَّق منه إلى يورو
ساعات الإدخال الموفَّرة مضروبة في الكلفة بالساعة، والغرامات المتفادية، وخصومات السداد المبكر، مطروحًا منها الكلفة الكاملة للذكاء الاصطناعي. اعرض النتيجة مع هامش عدم اليقين بدل رقم وحيد.
ليست هذه الخطوات الأربع تمرينًا فصليًا. فبعد قياس العملية يجري القياس باستمرار ويكشف أيضًا التراجعات الصامتة: إذا ارتفعت نسبة التصحيح بعد تغيير النموذج فستراها في اليوم نفسه، لا عند الحصيلة القادمة.
ربط تدهور الذكاء الاصطناعي بمؤشرات الأعمال
فائدة تتبع العملية في المكان نفسه الذي تُتبع فيه المعلوماتية أننا نستطيع صعود السلسلة عندما يتدهور مؤشر تجاري: مشكلة في البنية التحتية أو انجراف في النموذج أو تغيّر في بيانات الإدخال أو مجرد تطور في النشاط. كما تقدم رحلة المستخدم إضاءة ثمينة، مثلًا مع Session Replay على Grail حين يظهر الذكاء الاصطناعي في واجهة. أما في جانب التشغيل، فتستفيد فرق SRE من دمج هذه المؤشرات التجارية في أهدافها، كما يصف مقالنا عن الذكاء الاصطناعي والموثوقية.
أفضل الممارسات
- اختيار ثلاثة إلى خمسة مؤشرات تجارية لكل مشروع ذكاء اصطناعي، يصادق عليها مسؤول العملية.
- القياس قبل النشر: خط الأساس أنفع من أي لوحة معلومات متطورة.
- إدراج الوقت البشري للإشراف ضمن كلفة الذكاء الاصطناعي.
- مقارنة الفئات بدل الفترات لعزل أثر الذكاء الاصطناعي.
- جعل القياس مستمرًا ومشتركًا بين الفرق التقنية وفرق الأعمال.
تستطيع فرق المنصات تسهيل هذا النهج بإتاحة إصدار الأحداث التجارية في قوالب مشاريعها، وهو موضوع تحديات هندسة المنصات في 2026.
الأسئلة الشائعة
كيف نحسب عائد الاستثمار في مشروع ذكاء اصطناعي؟
بقياس تحسّن عملية أعمال قياسًا إلى خط أساس، وعزل الجزء العائد إلى الذكاء الاصطناعي، وتحويله إلى قيمة مالية، ثم طرح الكلفة الكاملة للحل.
ما الفرق بين business observability وذكاء الأعمال التقليدي؟
يحلل ذكاء الأعمال (BI) تجميعات بعد وقوع الأحداث. أما business observability فتتتبع المعاملات لحظيًا خطوة بخطوة إلى جانب الإشارات التقنية، مما يتيح ربط تدهور تجاري بسببه فورًا.
هل يمكن قياس عائد مساعد إنتاجية داخلي؟
الأمر أصعب لغياب عملية واحدة. يمكن تتبع مؤشرات غير مباشرة: مدة حل التذاكر ووقت مراجعة الشيفرة ورضا المستخدمين الداخليين.
الخلاصة
لا يُحسب عائد الاستثمار في الذكاء الاصطناعي مرة واحدة في جدول بيانات، بل يُرصد باستمرار على مستوى عملية الأعمال ومقابله الكلفة الفعلية. وبنقل السؤال من «هل يعمل النموذج؟» إلى «هل تحسنت العملية؟» تقدم الفرق للإدارة أخيرًا جوابًا يمكن التحقق منه.
للتوسع: From AI experiments to business outcomes: How to measure what matters (مدونة Dynatrace، بالإنجليزية).
span.observer مدوّنة مجتمعية مستقلة وغير تابعة لشركة Dynatrace LLC. Dynatrace علامة تجارية لشركة Dynatrace LLC. تحقق دائمًا من القيم (المنافذ والإصدارات والأحجام) في الوثائق الرسمية الخاصة بإصدارك.