قادة الفكر
حوكمة الذكاء الاصطناعي في المؤسسات تبدأ من بنية قواعد البيانات

النقاط الرئيسيةتفشل نسبة % من تجارب الذكاء الاصطناعي في المؤسسات لأن الحوكمة غير مدمجة في طبقة…
عرض المزيد
- تفشل نسبة % من تجارب الذكاء الاصطناعي في المؤسسات لأن الحوكمة غير مدمجة في طبقة البيانات.
- تتطلب الوكلاء المستقلة ضوابط على مستوى طبقة البيانات، لأن عمليات الكتابة غير الخاضعة للحوكمة قد تنتشر عبر الأنظمة.
- تسدّ الحوكمة القائمة على البنية التحتية أولاً على مستوى قاعدة البيانات الفجوة بين التجربة والإنتاج.
لم يسبق أن بلغت وتيرة تجارب الذكاء الاصطناعي داخل الشركات هذه السرعة، لكن الانتقال إلى التشغيل الفعلي لا يزال بطيئًا على نحو يصعب تجاوزه. تطلق الفرق مشاريع تجريبية، وتختبر النماذج، وتعرض نتائج واعدة خلال أسابيع، وأحيانًا أيام. لكن حين يحين وقت نشر هذه الأنظمة على نطاق واسع، يتعثر التقدم غالبًا. تظهر المخاوف الأمنية، وتشتد متطلبات الامتثال، وتتزايد أسئلة الحوكمة.
خلص تقرير معهد MIT بعنوان The GenAI Divide: State of AI in Business 2025 إلى أن 95% من المشاريع التجريبية للذكاء الاصطناعي في الشركات لا تحقق أثرًا تجاريًا قابلًا للقياس. ولا يصل إلى التشغيل الفعلي ويحقق عوائد مالية حقيقية سوى 5% منها. شمل البحث أكثر من 300 حالة نشر للذكاء الاصطناعي و150 مقابلة مع قيادات تنفيذية. وخلص إلى أن العائق الأساسي ليس قدرات النماذج، بل قصور دمجها في أنظمة المؤسسة. وتتعامل معظم المؤسسات مع ذلك باعتباره مشكلة في السياسات ينبغي حلها على مستوى الإدارة العليا. وأرى أن حوكمة الذكاء الاصطناعي تحدٍّ يتعلق بالأنظمة، ويبدأ من طبقة البيانات.
لماذا تتعثر مشاريع الذكاء الاصطناعي عند المرحلة التجريبية؟
تتعثر مبادرات كثيرة للذكاء الاصطناعي لأن البيئات المستخدمة لتطوير نماذجها الأولية لا تتوافق أساسًا مع متطلبات النشر داخل المؤسسات. يُحفَّز المطورون على التحرك بسرعة، مستعينين بأدوات مرنة، ومجموعات بيانات تخضع لحوكمة محدودة، وبنية تحتية ذاتية الخدمة لإثبات القيمة بأسرع وقت. وهذا مثالي للتجارب، لكنه لا يصلح كما هو لبيئات التشغيل الفعلي التي تتطلب قابلية التدقيق، وضوابط وصول صارمة، وامتثالًا تنظيميًا، وقدرة تشغيلية على الصمود.
لذلك، لا تُضاف الحوكمة غالبًا إلا بعد نجاح إثبات المفهوم. وعندئذ تتحول الطبقة التي كان ينبغي أن تدعم التنفيذ إلى قيد عليه، فتضطر الفرق إلى مواءمة نماذج الأمن بأثر رجعي، وإعادة تصميم تدفقات البيانات، ومراجعة افتراضات الامتثال التي كان ينبغي أن تشكل أساس العمل منذ البداية.
وهكذا تتسع الفجوة بين ما تستطيع أنظمة الذكاء الاصطناعي إثباته في بيئات مضبوطة، وما تستطيع المؤسسات نشره بأمان وموثوقية في التشغيل الفعلي.
وفي الوقت نفسه، تطورت منظومة تقنيات الذكاء الاصطناعي الحديثة لتعطي الأولوية للسرعة وسهولة الاستخدام، غالبًا على حساب التحكم. فالمنصات الملائمة للمطورين تسهّل إطلاق المشاريع التجريبية، لكنها قد تحجب مكان وجود البيانات، وكيفية استخدامها، ومن يملك صلاحية الوصول إليها.
وينشأ عن ذلك مخاطر تشغيلية وتنظيمية فعلية، منها انكشاف البيانات دون قصد، وغموض الحدود الفاصلة للبيانات بين البيئات، وضعف القدرة على تدقيق سلوك النظام. وتظهر هذه المشكلات مباشرة في مراجعات الجاهزية للتشغيل الفعلي وتقييمات الامتثال. وتبين استطلاعات المؤسسات باستمرار أن مشكلات جودة البيانات والحوكمة من بين أبرز أسباب فشل مشاريع الذكاء الاصطناعي، إذ تُذكر في 60–70% من الحالات. ويزيد المشكلة تعقيدًا الاعتماد المتنامي على البنية التحتية الخارجية وخدمات قواعد البيانات المُدارة، بما قد يفاقم تجزؤ ملكية البيانات ويصعّب التوافق مع المتطلبات التنظيمية. وفي حالات كثيرة، تفترض المؤسسات أن المنصات تتكفل بالحوكمة ضمنيًا، بينما تتوزع المسؤولية في الواقع على طبقات متعددة من المنظومة التقنية.
والنتيجة مفارقة: فالأدوات التي تسرّع تجارب الذكاء الاصطناعي هي غالبًا نفسها التي تخلق صعوبات عند الانتقال إلى التشغيل الفعلي.
قاعدة البيانات هي طبقة الحوكمة الفعلية
لمعالجة هذا الانفصال، لا بد من إعادة النظر في الموضع الذي تتحقق فيه الحوكمة فعليًا.
تُقدَّم الحوكمة غالبًا بوصفها مهمة لوضع السياسات، تحددها الفرق القانونية أو فرق الامتثال أو الإدارة التنفيذية، ويُعمل بها من خلال التوثيق وإجراءات المراجعة. ورغم أهمية هذه الآليات، فإنها لا تكفي وحدها. ولا تكتسب الحوكمة معناها العملي إلا حين تُطبَّق على مستوى النظام.
ويحدث هذا التطبيق عمليًا حيث تُخزَّن البيانات ويُوصَل إليها وتُحوَّل. ولذلك تشكل قاعدة البيانات والبنية التحتية المحيطة بها أهم طبقة للحوكمة ضمن منظومة الذكاء الاصطناعي.
قواعد البيانات الحديثة ليست مستودعات سلبية. فهي تحدد أذونات الوصول، وتفرض متطلبات الموقع الجغرافي لتخزين البيانات، وتدير التشفير وضوابط مفاتيحه، وتولد سجلات التدقيق اللازمة للامتثال والرقابة الأمنية. ويتزايد أيضًا دورها كنقطة تحكم تتفاعل من خلالها أنظمة الذكاء الاصطناعي مع بيانات المؤسسة.
وتكمن أهمية ذلك في أن أنظمة الذكاء الاصطناعي ترث حالة الحوكمة في بنية البيانات التي تعتمد عليها. فإذا افتقرت طبقة قاعدة البيانات الأساسية إلى التنظيم أو الضوابط أو الرؤية الواضحة، انتقلت هذه الثغرات مباشرة إلى الأنظمة المبنية عليها. ولا تستطيع أي سياسة لاحقة على مستوى التطبيق تعويض غياب الحوكمة عن أساس البيانات تعويضًا كاملًا.
وهذا يستدعي تحولًا معماريًا أوسع: يجب تضمين الحوكمة في البنية التحتية منذ البداية، لا إضافتها بعد النشر. فالانطلاق من البنية التحتية في تطوير الذكاء الاصطناعي يعني تصميم أنظمة تكون الحوكمة خاصية أصيلة فيها بدلًا من قيد خارجي. ويمر الوصول إلى البيانات عبر واجهات مضبوطة، وتُسجَّل الاستعلامات وتفاعلات الأنظمة افتراضيًا. كما تُفرَض قواعد الامتثال، مثل قيود الوصول وسياسات الاحتفاظ ومتطلبات موقع تخزين البيانات، على مستوى النظام، بدل الاعتماد على الرقابة اليدوية أو التحقق اللاحق.
ويتطلب ذلك أنماطًا معمارية مثل طبقات آمنة لوساطة الاستعلامات، وضوابط وصول تستند إلى السياسات، وقدرة مركزية على رصد الحالة الداخلية للأنظمة عبر بيئات البيانات الموزعة. وتضمن هذه الآليات تطبيق الحوكمة باستمرار، بدل الاكتفاء بفحصها دوريًا.
الفرق بين الحوكمة الاستباقية والحوكمة القائمة على رد الفعل جوهري. فالنهج القائم على رد الفعل يحاول إصلاح المشكلات بعد بناء الأنظمة ونشرها. أما النهج الاستباقي فيمنع حدوثها أصلًا، بتضمين الضوابط مباشرة في معمارية النظام.
وفي بيئات الذكاء الاصطناعي، يحدد هذا الفرق ما إذا كانت الأنظمة قادرة على التوسع أم ستتعثر.
عندما يدخل الوكلاء إلى المشهد
يغيّر الوكلاء المستقلون معادلة الحوكمة بطرق ليست معظم المؤسسات مستعدة لها. فالوكيل لا يقرأ البيانات فقط، بل يكتبها ويطلق إجراءات عبر الأنظمة، ويفعل الأمرين دون تدخل بشري ضمن مسار التنفيذ.
وهذا يغير طبيعة الإخفاق تمامًا. فالاستعلام الذي يفتقر إلى الحوكمة يعيد إجابة خاطئة. أما الوكيل الذي يفتقر إليها فيتصرف بناءً على تلك الإجابة، فيحدث السجلات ويطلق مسارات العمل اللاحقة وينقل القرارات بين الأنظمة قبل أن يدرك أحد وقوع خطأ.
ولهذا لا يمكن أن تقتصر ضوابط الحماية على طبقة التطبيق. فالوكيل الذي يعمل عبر أنظمة متعددة سيجد دائمًا المسار الأقل مقاومة. ويجب فرض الضوابط في طبقة البيانات، حيث تمر كل عملية قراءة أو كتابة عبر آلية وساطة وتُسجَّل، أيًا كان ما أطلقها.
وتتوقع غارتنر أن أكثر من 40% من مشاريع الذكاء الاصطناعي القائم على الوكلاء ستتأخر أو تُلغى بسبب مشكلات الحوكمة والموثوقية. ويبدو لي هذا الرقم منخفضًا، لأنه يفترض أن المؤسسات ستحدد الحوكمة سببًا للمشكلة على نحو صحيح، بدل إرجاع الإخفاق إلى النموذج أو الأدوات. وعادة يظل السبب الجذري خفيًا إلى أن يصبح مكلفًا.
من التجربة إلى ذكاء اصطناعي جاهز للتشغيل الفعلي
تشترك المؤسسات التي تنجح في نقل الذكاء الاصطناعي من التجربة إلى التشغيل الفعلي غالبًا في سمة واحدة: مواءمة بيئتي التطوير والتشغيل مبكرًا.
فبدل السماح لأنظمة التجارب بالابتعاد عن قيود التشغيل الفعلي، تصمم المؤسسات البيئتين وفق مبادئ متسقة للحوكمة والأمن والوصول إلى البيانات. وهذا يقلل الصعوبات لاحقًا في دورة الحياة، عند انتقال النماذج من نماذج أولية إلى أحمال عمل فعلية.
وتزداد أهمية هذه المواءمة لأن معظم المؤسسات لا تزال تفتقر إلى بنية تحتية ناضجة للذكاء الاصطناعي ترقى إلى متطلبات التشغيل الفعلي. فما زالت هناك ثغرات في الوصول الآمن إلى البيانات، والمراقبة، والقدرة على رصد الحالة الداخلية للأنظمة، وفرض الامتثال. وليست هذه مشكلات منفصلة، بل تحديات بنيوية تظهر عند توسيع استخدام الذكاء الاصطناعي من البيئات التجريبية إلى مسارات عمل بالغة الأهمية.
وتظهر فجوة كبيرة أخرى بين تطوير النماذج الأولية والتشغيل الفعلي عندما يلزم استضافة التطبيقات وقواعد البيانات الفعلية داخل المؤسسة أو في حسابات سحابية شديدة الضبط، بينما تكون النماذج الأولية قد طُوِّرت على منصات قواعد بيانات سحابية.
في المؤسسات الناضجة، تُعامل أحمال عمل الذكاء الاصطناعي بالصرامة نفسها التي تُعامل بها الأنظمة الأخرى الخاضعة للتنظيم. ويعني ذلك تسجيلًا متسقًا، وضوابط وصول صارمة، ومراقبة مستمرة، وهياكل واضحة للمساءلة بين الفرق. كما يتطلب تنسيقًا أوثق بين هندسة البيانات وهندسة المنصات والأمن والامتثال منذ البداية، لا بوصفه إضافة لاحقة.
وتتجاوز فوائد هذا النهج خفض المخاطر. فالمؤسسات تحقق أيضًا دورات نشر أسرع، وإخفاقات أقل في التشغيل الفعلي، وثقة داخلية أكبر في أنظمة الذكاء الاصطناعي. وفي هذا السياق، يعتمد توسيع استخدام الذكاء الاصطناعي على نضج البنية التحتية أكثر مما يعتمد على ابتكار النماذج.
الحوكمة ضرورة معمارية
في النهاية، ينبغي أن يتجاوز نقاش حوكمة الذكاء الاصطناعي السياسات ليصل إلى معمارية الأنظمة.
غالبًا ما تُعامل الحوكمة بوصفها وظيفة إشرافية، لكنها تُطبَّق عمليًا من خلال الأنظمة التي تحدد كيفية الوصول إلى البيانات واستخدامها. وقاعدة البيانات ليست مجرد طبقة تخزين، بل نقطة التحكم في الأمن والامتثال والسلامة التشغيلية عبر منظومة الذكاء الاصطناعي كلها.
ومع اندماج الذكاء الاصطناعي بصورة أعمق في مسارات عمل المؤسسات، تزداد أهمية نقطة التحكم هذه بدرجة كبيرة. فكل تفاعل بين نموذج وبيانات المؤسسة يصبح حدثًا خاضعًا للحوكمة، سواء صممت المؤسسات ذلك صراحة أم لم تفعل.
وبإعطاء الأولوية لحوكمة تنطلق من البنية التحتية، بدءًا من طبقة قاعدة البيانات، تستطيع المؤسسات سد الفجوة بين التجربة والتشغيل الفعلي. وبذلك تحول الذكاء الاصطناعي من تجارب معزولة إلى قدرة مستدامة وقابلة للتوسع ومندمجة في المؤسسة بأكملها.












