تعتبر الشخصية الذكية للأجهزة لا تزال تعاني من الفشل، والنموذج نادرًا ما يكون السبب

يبدو كل ميزة ذكية رائعة في العرض التوضيحي. الهتاف الشخصي يصل، والتوصية تشعر بالغموض، والغرفة تؤيد. تبدأ المشكلة بعد أسابيع، عندما يقول نفس الميزة لمستخدم حقيقي شيئًا خاطئًا بثقة، ويتوقف عن الثقة فيها مرة أخرى.

في عام 2026، تعد الشخصية الذكية للأجهزة هي البند الرئيسي الذي يخطط له كل فريق منتج. ومع ذلك، 42% من الشركات تخلت عن معظم مبادرات الذكاء الاصطناعي قبل الإنتاج، مقارنة بـ 17% في العام السابق. معظم ما يتم شحنه يتم تثبيته في وقت متأخر ويتعطل بطرق يمكنك التنبؤ بها منذ اليوم الأول. هنا أربعة أخطاء نراها دائمًا، مستفادة من بناء مجموعة من أجهزة الاستشعار، ولكن لا واحدة منها تتعلق بأجهزة الاستشعار أو الأجهزة المادية نفسها. إذا كنت تضع طبقة شخصنة على أي شيء، فهي تنتظرك.

ناقش حول استشعار جودة الهواء، مثال سريع لجعل هذا ملموسًا. جهاز يتم وضعه في منزل جديد يبدأ بدون معرفة أي شيء عن قاعدة المنزل، ونماذج الطهي، و特فات التهوية، ودورات حبوب اللقاح الموسمية. كل نمط يظهر على السطح في الأسابيع الأولى هو预测، وليس صورة. الفجوة بين التوقع والصورة هي حيث تعيش الأخطاء الأربعة.

الخطأ 1: السعي إلى نموذج أكبر عندما يكون المشكلة هي البيانات

عندما تؤدي الشخصية الذكية أداءً سيئًا، يكون الفور هو ترقية النموذج، وهو نادرًا ما يساعد. تعمل الشخصية الذكية على بيانات لكل مستخدم، ومع ذلك تكون هذه البيانات رقيقة ومليئة بالثغرات. مستخدم جديد لا يملك تاريخًا، وكل فريق يكتشف مشكلة البداية الباردة بالطريقة الصعبة. مستخدم نشط يعطيك بعض أيام القراءات التي لا تشبه نمطًا مستقرًا. أطعم ذلك إلى نموذج قوي، و… لا تحصل على رؤية. غالبًا ما تحصل على هراء متأكد لأن النموذج يملأ الفجوات بهدوء بمتوسط الجميع ويقدمها مرة أخرى على أنها ملكك.

سلسلة توريد البيانات هي العائق الحقيقي. وفقًا لمسح أجري في عام 2025 على 200 مدير تسويق عبر الولايات المتحدة وبريطانيا وألمانيا والنمسا وسويسرا، فقط 45% من البيانات التي تجمعها المنظمات هي في الواقع قابلة للاستخدام لاتخاذ القرارات التي تدفعها الذكاء الاصطناعي. وجد تحليل RAND أن العديد من مشاريع الذكاء الاصطناعي تفشل لأن المنظمات تفتقر إلى البيانات اللازمة لتدريب نماذج الذكاء الاصطناعي الفعالة، إلى جانب الفجوات التنظيمية والعملية، وليس جودة النموذج. وتقرير “GenAI Divide” من معهد ماساتشوستس للتكنولوجيا يضع معدل فشل الإنتاج أعلى. حوالي 95% من مشاريع الذكاء الاصطناعي التوليدية في الشركات تفشل في تقديم تأثير قابل للقياس على رأس المال، مع الإشارة إلى أن العملات البريطانية والتعلم السياقي غير الكافي كأعظم المخالفين.

وجدت دراسة نُشرت في مجلة Nature Medicine نفس النمط في الذكاء الاصطناعي الطبي. أدت الأنظمة بشكل جيد عندما تم تقديمها إلى حالات كاملة ومنظمة، وتراجعت عندما وصف الأشخاص العاديون أوضاعهم بطرق غير كاملة وغامضة قليلا، بالطريقة التي يتحدث بها الناس الحقيقيون في الواقع. الحقيقة هي أن مستخدميك في حالة غير كاملة وغامضة افتراضيًا. الحل ليس نموذجًا أكثر حدة – إنه حساب صادق لكمية ما تعرفه حقًا عن هذا الشخص حتى الآن، والانضباط للعمل وفقًا لذلك. حتى تتعلم (وتكسب) قاعدة شخصية، فإن الخطوة الصحيحة غالبًا ما تكون شخصنة أقل، وليس أكثر، والاعتماد على ما يثبت عبر الأشخاص بدلاً من اختراع ملف تعريف من بعض النقاط.

في استشعار جودة الهواء، مشكلة القاعدة هيكلية. يتطلب إنشاء ملف تعريف جودة هواء شخصي ذو معنى أسابيع من القراءات المستمرة عبر أنشطة ووضع تهوية وظروف خارجية مختلفة. جهاز داخلي يتم تثبيته في الشتاء لا يلتقط أي شيء من ملف تعريف الملوثات الصيفية. واحد يتم تثبيته في المطبخ لا يلتقط أي شيء حول غرفة النوم. يمكن أن يغير انجراف موسمي وتغييرات الاحتلال وتغييرات في ترتيب الأثاث قاعدة منزلية بمزيد من ما يتم إشعاره به من قبل الذكاء الاصطناعي أنه يكتشفه. ومع ذلك، يبدأ الفريق بشكل روتيني في تقديم رؤى “مُشخصة” بعد 48 ساعة من البيانات – في الوقت الذي تكون فيه متوسطات السكان هي الإشارة الصادقة الوحيدة المتاحة.

الخطأ 2: شحن الثقة التي لم تكسبها البيانات

النموذج لن يُحذر عندما يكون متخيلًا إلا إذا أجبرته على ذلك. متروكًا لذاته، غالبًا ما يُرجع نفس الإجابة الحادة لمستخدم لديه ثلاث سنوات من التاريخ ومستخدم لديه ثلاث ساعات. للمرء الذي يقرأها، تبدو تلك الإجابات متطابقة – حتى تكون واحدة منها خاطئة.

هذا هو كيف يموت الثقة.告ر شخصًا أنه نام سيئًا بسبب X بثقة كاذبة، اخطئ مرة واحدة بطريقة واضحة، وسيضع كل منتجك تحت تصنيف خدعة. هم مستعدون للقيام بذلك. عجز الثقة هو بالفعل هيكلي: في مسح معيار Quantum Metric لعام 2026، قال 81% من المستهلكين إنهم لن يعودوا إلى علامة تجارية بعد تجربة سيئة واحدة مدفوعة بالذكاء الاصطناعي. وجد مسح Rithum لمتسوقين في الولايات المتحدة وبريطانيا أن 58% يلومون العلامة التجارية – وليس أداة الذكاء الاصطناعي – عندما تكون التوصية الخاطئة، و 16% سيتمتنعون عن شراء المنتج كليًا. يقول فقط 13% من المستهلكين إنهم يثقون تمامًا بالذكاء الاصطناعي.

جودة الهواء هي حالة واضحة. تراكيز PM2.5 تختلف بعامل عشرة عبر يوم واحد اعتمادًا على الطهي والتنظيف وحركة المرور والطقس والعديد من العوامل الأخرى. إخبار مستخدم rằng تعرضه “مرتفع بالنسبة لك” بعد ثلاثة أيام من القراءات يخلط بين صباح الثلاثاء ونمط شخصي دائم. النموذج لا يكذب. إنه ببساطة لا يملك أي طريقة ليعرف ما لا يعرف – إلا إذا بنى الفريق هذا الوعي. عرض نطاق الثقة (“نطاقك النموذجي يتم إنشاؤه هنوز”) ليس إشارة ضعف. في منتجات الاستشعار المتعلقة بالصحة، إنه الشيء الصادق الوحيد الذي يجب عرضه.

تتضاعف المخاطر في السياقات الصحية. وجد دراسة JMIR mHealth النوعية أن استعداد المستخدمين لمشاركة بيانات صحية شخصية واعتماد توصيات الذكاء الاصطناعي يعتمد بشكل كبير على ما إذا كانوا يفهمون كيف تستخدم النظام بياناتهم وما إذا كان التفسير واضحًا. وجد دراسة بصرية للشك أن عرض عدم اليقين بالذكاء الاصطناعي يمكن أن يزيد من الثقة المناسبة بدلاً من مجرد إعلام المستخدمين.

ميزة الموثوقية الأرخص التي يمكن بناؤها هي السطر “لا توجد بيانات كافية بعد” أو “التعلم في التقدم”. لا يبنيها أحد تقريبًا، لأنها تشعر بالضعف. ومع ذلك، إنه العكس. هذا السطر يحافظ على مستخدم في اليوم الذي كان من الممكن أن يفقده فيه تخمين متأكد.

الخطأ 3: تحسين الواو بدلاً من الفائدة

يتم بناء الكثير من الشخصنة ليكون ممتعًا في الجلسة الأولى، وليس لمساعدة في المائة. لحظة الواو تعرض بشكل جميل وتتقدم بشكل سيئ. أسوأ من ذلك، نفس الحيلة التي تشعر بالسحر تتحول إلى مخيف في اللحظة التي تسيئ فهم شخص ما – وادي غير مريح يدمر علامة تجارية بهدوء.

يمكن للأشخاص أن يشعروا بالفرق بين الذكاء الاصطناعي الذي يخدمهم والذكاء الاصطناعي الذي يخدم لوحة تحكم. وجد تقرير Qualtrics 2026 حول اتجاهات تجربة العملاء أن ما يقرب من خمسين من المستهلكين الذين استخدموا الذكاء الاصطناعي للخدمة العملاء لم يروا أي فائدة على الإطلاق.

أرقام التخلي 告و القصة بوضوح. 71% من المستهلكين يقولون إنه سيتم التخلي عن عملية الشراء إذا كانت التجربة التي تدفعها الذكاء الاصطناعي غير ذات صلة بهم. في التجارة الإلكترونية على وجه الخصوص، 69% من المتسوقين يغادرون بحثًا بسبب توصيات الذكاء الاصطناعي غير ذات الصلة. في الوقت نفسه، 80% من قادة الأعمال يقيّمون شخصنة شركتهم على أنها ممتازة – ولكن فقط 8% من العملاء ي同意ون. هذا الفجوة هو مشكلة منتج لأن الفرق يُحسّن لتقدير المetrics التي تشعر جيدًا داخليًا بدلاً من النتائج التي تشعر جيدة وذات صلة بالمستخدمين.

أظهر بحث Gartner أن العملاء المُشخصين هم 3.2 مرة أكثر احتمالاً للندم على الشراء و 44% أقل احتمالاً للشراء مرة أخرى من نفس العلامة التجارية – إدانة للشخصنة التي تُحسّن التحويل على اللياقة.

الجديد يعتاد على ارتداء أكثر كل عام. الميزات التي تنجو من عام المنتج الثانية هي تلك التي تم بناؤها للجلسة المائة، وليس الأولى.

الخطأ 4: الشخصنة داخل صندوق أسود

غالبًا ما تحتاج الشخصنة إلى بيانات شبه حميمة، وأكثر الشخصية التي يتم بناؤها، وأكثر البيانات الحساسة التي أنت مسؤول عنها. توقفت عن كونها مجردة في عام 2026. في الأشهر الأولى من العام، أطلقت خمس شركات تكنولوجية أدوات صحية استهلاكية مدفوعة بالذكاء الاصطناعي، بما في ذلك المنتجات التي تسمح للمستخدمين بتحويل السجلات الطبية ونتائج المختبر وبيانات الأجهزة القابلة للارتداء إلى ملف تعريف واحد. مهما كنت تُشخص على ذلك، فإنها تنجرف نحو أنظمة مثل تلك.

يتبعه فشلان. الأول هو الغموض. التوصية التي لا يستطيع المستخدم فتحها أو سؤالها أو تصحيحها ليست شخصنة، إنها حكم، ويشعر الناس بالاستياء من الأحكام حول أجسادهم وعاداتهم. يعيش مدربو الصحة بالذكاء الاصطناعي الشائعون في تطبيقات اللياقة البدنية أو يموتون على ما إذا كان المستخدم يمكنه رؤية السبب وراء النصيحة. أكدت دراسة JMIR mHealth ذلك بشكل مباشر: استعداد المستخدمين لمشاركة بيانات صحية شخصية واعتماد توصيات الذكاء الاصطناعي يعتمد بشكل كبير على إمكانية الوصول إلى تفسيرات واضحة ومتقدمة لبياناتهم.

الفشل الثاني هو الإهمال. الفرق يخزّن كل إشارة “في حالة احتياج النموذج لها”، مما يخلق مسؤولية لم يقموا بتسعيرها. وجد تقرير Transcend 2026 حول حالة بيانات العملاء أن 93% من المنظمات تواجه مشاكل في إذن البيانات أو الحوكمة خلال دورة حياة الذكاء الاصطناعي، وأن 85% من الشركات تفتقر إلى واحدة على الأقل من قدرات الحوكمة الأساسية للبيانات. 30% من مبادرات الشخصنة / تجربة العملاء التي تدفعها الذكاء الاصطناعي قد تعثرت بشكل خاص بسبب هذه الفجوات. 61% من المستهلكين يشككون في كيفية استخدام العلامات التجارية لبياناتهم، في حين يريد 54% معرفة متى يتفاعلون مع الذكاء الاصطناعي.

من الأفضل جمع بيانات أقل وجعل الاستدلالات قابلة للقراءة. دع الناس يجادلون معهم.

ما يجمعه الفشل

لاحظ الخط المستمر. لا واحدة من هذه أخطاء في الذكاء. النموذج هو عادة أقوى جزء في المكدس. هم أخطاء في الصدق: حول كمية البيانات التي لديك، ومدى تأكيدك، ما بنيت الميزة عليه، وما تجمعه ولماذا. هذا غير مريح، لأن الصدق لا يعرض جيدًا، للأسف. الحدود هي أقل إثارة من إجابة متأكدة، وميزة صغيرة ومتقنة تبدو متواضعة مقارنة بميزة شاملة.

ما يعمل حقًا

لا شيء من هذا هو حجة ضد الشخصنة الذكية. إنه حجة لضبط النفس. ضيق النطاق حتى تكون صحيحًا داخله. قيم قبل تفسير، وافصل ما قست عن ما استدلت. أظهر عدم اليقين بدلاً من إخفائه. اجعل كل استدلال شيئًا يمكن للمستخدم فحصه و质اره أو دفعها. اكسب الثقة التالية قبل أن تنفقها. غير ملهم، كل ذلك – و هو الخط بين ميزة يستمر فيها الناس وميزة يغلقونها في أسبوع.

عد إلى العرض التوضيحي. الإصدار الذي ي驚 الغرفة في اليوم الأول والإصدار الذي يستمر المستخدم في الثقة به بعد عام ليسا نفس المنتج، و الفجوة بينهما هي نادرًا ما تكون النموذج. إنه ما إذا كان الفريق قال الحقيقة حول البيانات الرقيقة، وأصبح مريحًا بالقول “لا أعرف”، وأظهر عمله. الجزء الصعب من الشخصنة الذكية للأجهزة لم يكن أبدًا حول الذكاء. كان عن التواضع. معظم الفرق لا تزال تتخطى هذا الجزء، ومستخدموهم يمكنهم رؤيته.