در دو سال گذشته تقریباً همه درباره مدل‌های هوش مصنوعی صحبت کرده‌اند. از GPT و Claude گرفته تا Gemini و Llama، رقابت بر سر ساخت مدل‌های قدرتمندتر به تیتر ثابت رسانه‌های فناوری تبدیل شده است. هر هفته یک مدل جدید معرفی می‌شود، رکوردهای تازه‌ای شکسته می‌شود و میلیاردها دلار سرمایه به سمت شرکت‌هایی می‌رود که در خط مقدم این رقابت قرار دارند.

اما پشت رقابتی که هر روز تیتر اخبار فناوری را می‌سازد، نبرد پنهان‌تری در جریان است؛ نبردی که می‌تواند اثر عمیق‌تری بر آینده کسب‌وکارها داشته باشد.

برای درک اهمیت این نبرد، کافی است فقط به تیتر رسانه‌ها نگاه نکنیم و مسیر سرمایه را هم دنبال کنیم. در حالی که توجه عمومی بیشتر به سازندگان مدل‌های هوش مصنوعی معطوف شده، برخی از بزرگ‌ترین ارزش‌گذاری‌های سال‌های اخیر به شرکت‌هایی تعلق داشته که نه مدل زبانی مشهور توسعه می‌دهند و نه محصولی مشابه ChatGPT در اختیار کاربران عمومی قرار می‌دهند.

رشد شرکت‌هایی مانند Databricks و Snowflake این پرسش را پیش می‌کشد که ارزش واقعی در عصر هوش مصنوعی دقیقاً در کجای این زنجیره خلق می‌شود؟ این سؤال ما را به ارزشی می‌رساند که کمتر در مرکز توجه رسانه‌ای قرار دارد، اما بخش بزرگی از موفقیت یا شکست پروژه‌های هوش مصنوعی سازمانی به آن وابسته است؛ ارزشی به نام داده.

وقتی همه درباره مدل‌ها صحبت می‌کنند

نقطه عطف موج جدید هوش مصنوعی را می‌توان در انتشار ChatGPT در نوامبر ۲۰۲۲ دید. محصولی که در مدت کوتاهی به بیش از ۱۰۰ میلیون کاربر رسید و توجه کاربران، مدیران و سرمایه‌گذاران را به خود جلب کرد.

پس از آن، رقابت میان شرکت‌های فناوری برای توسعه مدل‌های قدرتمندتر شدت گرفت. اوپن‌ ای‌آی، گوگل، آنتروپیک، متا و xAI نسل‌های جدیدی از مدل‌های خود را معرفی کردند و عملکرد آن‌ها با معیارهایی مانند دقت، توانایی استدلال، کیفیت پاسخ و قابلیت‌های چندوجهی سنجیده شد.

این رقابت فقط در سطح نرم‌افزار باقی نماند. تقاضا برای پردازنده‌های گرافیکی، مراکز داده و ظرفیت محاسباتی نیز رشد کرد و شرکت‌های فناوری میلیاردها دلار برای توسعه زیرساخت‌های پردازشی خود سرمایه‌گذاری کردند.

طبیعی است که رسانه‌ها نیز بیشتر همین بخش از داستان را دنبال کنند. مدل‌ها ملموس‌ترین بخش هوش مصنوعی برای کاربران هستند. آنچه مردم می‌بینند، یک دستیار گفتگو، یک ابزار تولید تصویر یا یک سامانه پاسخ‌گویی هوشمند است. از سوی دیگر، معرفی هر مدل جدید می‌تواند بر انتظارات سرمایه‌گذاران و ارزش بازار شرکت‌های فناوری اثر بگذارد. بنابراین تمرکز رسانه‌ای بر مدل‌ها بی‌دلیل نیست.

اما همین تمرکز گسترده، بخش دیگری از ماجرا را پنهان می‌کند. پرسش اصلی بسیاری از سازمان‌ها این نیست که کدام مدل در آزمون‌های عمومی عملکرد بهتری دارد؛ پرسش مهم‌تر این است که چگونه می‌توان این مدل‌ها را به داده‌ها، فرایندها و تصمیم‌های واقعی کسب‌وکار متصل کرد.

ردپای پول را دنبال کنید

اگر بخواهیم بفهمیم آینده هوش مصنوعی در کدام بخش از این صنعت رقم می‌خورد، شاید بهتر باشد فقط تیتر رسانه‌ها را دنبال نکنیم؛ باید دید مسیر سرمایه به کدام سمت رفته است.

یکی از مهم‌ترین نمونه‌ها Databricks است؛ شرکتی که در سال ۲۰۲۶ با ارزش‌گذاری ۱۳۴ میلیارد دلاری به یکی از ارزشمندترین شرکت‌های خصوصی جهان تبدیل شد. رقیب اصلی آن، Snowflake نیز با بیش از ۱۳ هزار مشتری سازمانی، یکی از مهم‌ترین بازیگران بازار داده در جهان به شمار می‌رود.

شتاب رشد این شرکت‌ها فقط در ارزش‌گذاری آن‌ها دیده نمی‌شود. Databricks در سال ۲۰۲۶ اعلام کرد نرخ درآمد سالانه آن از ۵.۴ میلیارد دلار عبور کرده است. این ارزش‌گذاری‌ها فقط بر پایه وعده‌های آینده شکل نگرفته‌اند. پشت آن‌ها بازاری قرار دارد که امروز هم مشتری سازمانی دارد، هم درآمد قابل توجه.

در نگاه اول، این موضوع ممکن است عجیب به نظر برسد. چرا شرکت‌هایی که مستقیماً در رقابت ساخت مدل‌های هوش مصنوعی حضور ندارند، چنین ارزشی پیدا کرده‌اند؟

پاسخ را باید در مسئله‌ای جست‌وجو کرد که تقریباً همه سازمان‌ها پس از موج فراگیر هوش مصنوعی با آن روبه‌رو شده‌اند. بسیاری از شرکت‌ها امروز می‌توانند به مدل‌های پیشرفته دسترسی داشته باشند. اما دسترسی به مدل، به تنهایی، به معنای توانایی استفاده مؤثر از هوش مصنوعی نیست.

برای خلق ارزش، مدل باید به داده‌های درست، قابل اعتماد و مرتبط با کسب‌وکار متصل شود. همین نقطه، محل ظهور اهمیت شرکت‌هایی مانند Databricks و Snowflake است.

درد واقعی سازمان‌ها انتخاب مدل نیست

در سال‌های نخست موج هوش مصنوعی مولد، بسیاری از سازمان‌ها تصور می‌کردند مهم‌ترین تصمیم آن‌ها انتخاب مدل مناسب است. آیا باید از GPT استفاده کرد؟ Gemini انتخاب بهتری است؟ Claude عملکرد دقیق‌تری دارد؟ یا مدل‌های متن‌باز برای سازمان مناسب‌ترند؟

این پرسش‌ها مهم‌اند، اما خیلی وقت‌ها سازمان‌ها پیش از آنکه به تفاوت مدل‌ها برسند، در مرحله آماده‌سازی داده متوقف می‌شوند.

در بسیاری از کاربردهای سازمانی، تفاوت میان چند مدل برتر بازار به اندازه کیفیت داده‌ای که در اختیار آن‌ها قرار می‌گیرد تعیین‌کننده نیست. حتی بهترین مدل‌ها هم وقتی به داده ناقص یا پراکنده وصل شوند، خروجی قابل اعتمادی نمی‌دهند.

سال‌هاست که تیم‌های داده با مسئله‌ای آشنا روبه‌رو هستند: بخش بزرگی از زمان پروژه‌ها صرف جمع‌آوری، پاک‌سازی، استانداردسازی و یکپارچه‌سازی داده‌ها می‌شود. در چنین شرایطی، انتخاب مدل هوش مصنوعی آخرین حلقه زنجیره‌ای است که مدت‌ها پیش از آن آغاز شده است.

در بسیاری از سازمان‌ها، داده‌ها در چندین نقطه پخش شده‌اند؛ از سامانه‌های عملیاتی و پایگاه‌های داده قدیمی گرفته تا فایل‌های اکسل، گزارش‌ها، ایمیل‌ها و اسناد متنی. حتی ممکن است یک مفهوم ساده، مانند «مشتری فعال» یا «ریسک اعتباری»، در واحدهای مختلف سازمان تعاریف متفاوتی داشته باشد.

در چنین وضعیتی، مسئله اصلی سازمان فقط انتخاب مدل نیست؛ مسئله این است که آیا داده‌های سازمان برای استفاده هوشمند، تحلیلی و قابل اعتماد آماده‌اند یا نه.

این موضوع با ظهور عامل‌های هوش مصنوعی اهمیت بیشتری پیدا می‌کند. عاملی که قرار است وضعیت مشتریان را تحلیل کند، تقلب را تشخیص دهد، فرایندی را خودکار کند یا پیشنهاد تجاری ارائه دهد، باید بر پایه داده‌هایی عمل کند که دقیق، به‌روز، یکپارچه و قابل اعتماد باشند. اگر این پایه درست نباشد، هوش مصنوعی به جای حل مسئله، همان خطاهای قدیمی را سریع‌تر و گسترده‌تر تکرار می‌کند.

چرا موج ChatGPT به نفع شرکت‌های داده تمام شد؟

در نگاه اول، ظهور ChatGPT باید بیش از هر شرکت دیگری به نفع سازندگان مدل‌های هوش مصنوعی تمام می‌شد. اما یکی از پیامدهای کمتر دیده‌شده این تحول، رشد شرکت‌هایی بود که در لایه‌ای پایین‌تر از مدل‌ها فعالیت می‌کردند؛ شرکت‌هایی که زیرساخت لازم برای آماده‌سازی، مدیریت و بهره‌برداری از داده‌های سازمانی را فراهم می‌کنند.

دلیل این موضوع روشن است. مدل‌های عمومی می‌توانند متن تولید کنند، محتوا را خلاصه کنند یا به پرسش‌های عمومی پاسخ دهند. اما برای حل مسائل واقعی کسب‌وکار، به دانش اختصاصی هر سازمان نیاز دارند. یک بانک نمی‌تواند صرفاً با تکیه بر دانش عمومی اینترنت، اعتبار مشتریان را ارزیابی کند. یک شرکت بیمه بدون دسترسی به داده‌های خسارت و سوابق مشتریان تصمیم قابل اتکا نمی‌گیرد. یک خرده‌فروش نیز بدون داده‌های فروش، موجودی، زنجیره تأمین و رفتار مشتریان نمی‌تواند از هوش مصنوعی ارزش عملیاتی بگیرد.

در واقع، ChatGPT مسئله داده را از صفر ایجاد نکرد؛ فقط آن را جلوی چشم مدیران آورد. سال‌ها بود که سازمان‌ها با پراکندگی داده، کیفیت پایین اطلاعات و نبود یکپارچگی میان سامانه‌ها روبه‌رو بودند. پیش از موج هوش مصنوعی، این مشکلات معمولاً در قالب دشواری گزارش‌گیری یا کاهش بهره‌وری دیده می‌شدند. اما با ورود هوش مصنوعی، همان مسائل به مانعی مستقیم برای خلق ارزش تبدیل شدند.

Databricks نمونه روشنی از شرکتی است که در این نقطه از بازار قرار گرفت. رشد این شرکت صرفاً نتیجه موج هوش مصنوعی نبود. Databricks طی سال‌های گذشته با توسعه معماری Lakehouse و همکاری نزدیک با Microsoft Azure توانست جایگاه خود را در میان سازمان‌های بزرگ تثبیت کند. وقتی موج هوش مصنوعی مولد آغاز شد، بسیاری از زیرساخت‌های مورد نیاز مشتریان از قبل روی این بستر شکل گرفته بود.

Snowflake نیز از سوی دیگر، سال‌ها در حوزه داده‌های ساختاریافته و مدیریت داده‌های سازمانی جایگاه قدرتمندی ساخته بود و با رشد تقاضا برای هوش مصنوعی، تلاش کرد قابلیت‌های خود را به حوزه داده‌های بدون ساختار و کاربردهای هوش مصنوعی گسترش دهد.

فهرست مشتریان این دو شرکت نشان می‌دهد این بحث فقط به شرکت‌های فناوری محدود نیست. بسیاری از بزرگ‌ترین سازمان‌های جهان در صنایع مالی، انرژی، خرده‌فروشی، تولید، داروسازی و مخابرات برای مدیریت و بهره‌برداری از داده‌های خود به چنین زیرساخت‌هایی متکی هستند.

صنعت	Databricks	Snowflake
مالی	Mastercard	Capital One، London Stock Exchange
کالاهای مصرفی	Adidas، Unilever، P&G	Kraft Heinz
انرژی	Shell	Exxon Mobil
فناوری و صنعت	Adobe، HP، Salesforce	Honeywell
مخابرات	AT&T	Virgin Media، Spark New Zealand
داروسازی و سلامت	Bayer	Novartis
خرده‌فروشی	۷-Eleven، Nike، Albertsons	Walgreens

وجه مشترک این سازمان‌ها فقط اندازه یا شهرت آن‌ها نیست. همه آن‌ها هر روز حجم عظیمی از داده تولید می‌کنند؛ از تراکنش‌های مالی و رفتار مشتریان گرفته تا زنجیره تأمین، مدیریت موجودی، عملیات فروش و کنترل ریسک. این داده‌ها اگر پراکنده، خام یا غیرقابل اعتماد بمانند، فقط هزینه نگهداری ایجاد می‌کنند. اما اگر قابل استفاده شوند، می‌توانند پایه تحلیل، تصمیم‌گیری و هوش مصنوعی سازمانی باشند.

به همین دلیل، Databricks و Snowflake را نمی‌توان صرفاً ارائه‌دهنده خدمات ذخیره‌سازی داده دانست. این شرکت‌ها در عمل به بخشی از ستون فقرات داده‌ای سازمان‌های بزرگ تبدیل شده‌اند.

آیا این رشد واقعی است یا حباب هوش مصنوعی؟

وقتی ارزش‌گذاری شرکت‌های هوش مصنوعی و داده را مرور می‌کنیم، پرسش حباب اجتناب‌ناپذیر است. چگونه شرکتی مانند Databricks که هنوز وارد بورس نشده، به ارزش بیش از ۱۳۴ میلیارد دلار می‌رسد؟ آیا این ارقام یادآور حباب دات‌کام نیستند؟

این تردیدها بی‌دلیل نیستند. بازار فناوری بارها چنین صحنه‌ای را دیده است: یک موج بزرگ شکل می‌گیرد، سرمایه با سرعت وارد می‌شود و مرز میان فرصت واقعی و هیجان بازار مبهم می‌شود. بسیاری از شرکت‌های اینترنتی در دهه ۱۹۹۰ با وعده تغییر جهان سرمایه جذب کردند، اما نتوانستند مدل کسب‌وکار پایداری بسازند.

در بازار هوش مصنوعی نیز بخشی از ارزش‌گذاری‌ها بر پایه انتظارات آینده شکل گرفته است. هنوز مشخص نیست همه پروژه‌های امروز به بازده اقتصادی پایدار برسند. همچنین روشن نیست کدام بازیگران فعلی، برندگان نهایی این موج خواهند بود.

اما تفاوت مهمی نیز وجود دارد. شرکت‌هایی مانند Databricks و Snowflake فقط بر پایه وعده آینده رشد نکرده‌اند. آن‌ها مشتریان سازمانی بزرگ، درآمدهای چند میلیارد دلاری و کاربردهای عملیاتی دارند. ممکن است بخشی از تب امروز بازار فروکش کند، اما مسئله‌ای که پشت رشد این شرکت‌هاست از بین نمی‌رود.

بانک‌ها همچنان باید داده‌های خود را یکپارچه کنند. شرکت‌های بیمه همچنان باید کیفیت داده‌های خود را ارتقا دهند. خرده‌فروشان همچنان باید داده‌های فروش، مشتریان و زنجیره تأمین را به هم متصل کنند. ممکن است بعضی ارزش‌گذاری‌ها تعدیل شود، اما نیاز سازمان‌ها به زیرساخت داده از بین نخواهد رفت.

مزیت رقابتی آینده در کجا ساخته می‌شود؟

اگر بسیاری از سازمان‌ها به مدل‌های مشابه دسترسی داشته باشند، مزیت رقابتی پایدار در کجا شکل خواهد گرفت؟ پاسخ را باید در چیزی جست‌وجو کرد که به سادگی قابل خریدن، کپی کردن یا جایگزین شدن نیست: داده سازمانی.

یک مدل عمومی می‌تواند برای همه در دسترس باشد. اما داده‌های یک بانک، تاریخچه تراکنش‌های یک مؤسسه مالی، تجربه مشتریان یک شرکت بیمه یا اطلاعات عملیاتی یک خرده‌فروش، دارایی‌هایی هستند که به همان سازمان تعلق دارند و توسط رقبا قابل تکرار نیستند.

به همین دلیل، بسیاری از مدیران فناوری، داده سازمانی را نوعی مزیت دفاعی می‌دانند؛ دارایی‌ای که کپی کردن آن برای رقبا ساده نیست.

البته داشتن داده به تنهایی کافی نیست. بسیاری از سازمان‌ها سال‌هاست حجم عظیمی از داده را در اختیار دارند، اما هنوز در بهره‌برداری از آن با چالش مواجه‌اند. آنچه تفاوت ایجاد می‌کند، توانایی تبدیل داده به دارایی قابل استفاده است؛ داده‌ای که کیفیت مناسب داشته باشد، میان سامانه‌های مختلف یکپارچه شده باشد، مالکیت و دسترسی آن روشن باشد و بتوان بر اساس آن تصمیم گرفت.

به همین دلیل، موضوعاتی مثل کیفیت داده، حاکمیت داده و یکپارچه‌سازی اطلاعات دیگر فقط دغدغه تیم‌های فنی نیستند؛ به بخشی از تصمیم‌های راهبردی سازمان تبدیل شده‌اند. هرچه هوش مصنوعی در سازمان‌ها جدی‌تر شود، این مفاهیم نیز اهمیت بیشتری پیدا می‌کنند.

عامل‌های هوش مصنوعی این واقعیت را پررنگ‌تر خواهند کرد. اگر چت‌بات‌های امروزی عمدتاً پاسخ می‌دهند، عامل‌های هوش مصنوعی قرار است وظایف پیچیده‌تری انجام دهند؛ تحلیل کنند، پیشنهاد بدهند و در برخی موارد، بخشی از فرایندهای کسب‌وکار را اجرا کنند. چنین سامانه‌هایی بدون داده دقیق و قابل اعتماد، نه تنها ارزش خلق نمی‌کنند، بلکه می‌توانند خطاهای سازمان را در مقیاس بزرگ‌تر تکرار کنند.

بنابراین برندگان واقعی عصر هوش مصنوعی الزاماً سازمان‌هایی نیستند که زودتر به جدیدترین مدل دسترسی پیدا می‌کنند. برندگان کسانی خواهند بود که بتوانند داده‌های خود را بهتر از دیگران مدیریت کنند و از آن برای تصمیم‌گیری، نوآوری و خلق ارزش استفاده کنند.

پیام این روند برای بانک‌ها و سازمان‌های ایرانی

بخش مهمی از بحث درباره هوش مصنوعی در ایران همچنان حول مدل‌ها، ابزارها و دسترسی به فناوری‌های جدید شکل می‌گیرد. این موضوع قابل درک است؛ زیرا مدل‌ها ملموس‌ترین بخش هوش مصنوعی هستند و بیشترین توجه را به خود جلب می‌کنند.

اما تجربه سازمان‌های بزرگ جهان نشان می‌دهد که با عبور از هیجان اولیه، چالش‌های عمیق‌تری آشکار می‌شوند؛ چالش‌هایی که برای بسیاری از بانک‌ها، شرکت‌های بیمه، هلدینگ‌ها و سازمان‌های بزرگ ایرانی نیز آشنا هستند.

در بسیاری از سازمان‌ها، داده‌ها در سامانه‌های مختلف پراکنده‌اند. بخشی از اطلاعات در سامانه‌های عملیاتی قرار دارد، بخشی در انبارهای داده، بخشی در فایل‌های اکسل و بخشی دیگر در قالب اسناد، گزارش‌ها و مکاتبات نگهداری می‌شود. در چنین شرایطی، حتی اگر پیشرفته‌ترین مدل‌های هوش مصنوعی نیز در اختیار سازمان قرار گیرد، دستیابی به نتایج پایدار و قابل اعتماد ساده نخواهد بود.

مسئله فقط حجم داده نیست. کیفیت داده، یکپارچگی داده، مالکیت داده، دسترسی به داده و قابلیت اعتماد به داده نیز اهمیت دارند. هرچه سازمان‌ها به سمت استفاده گسترده‌تر از هوش مصنوعی حرکت کنند، این موضوعات از مسئله‌ای فنی به مسئله‌ای مدیریتی و راهبردی تبدیل می‌شوند.

در صنعت مالی، نمونه‌هایی مانند Capital One نشان می‌دهند این مسیر معمولاً از مدل شروع نمی‌شود. این بانک سال‌ها پیش از موج هوش مصنوعی مولد، سرمایه‌گذاری جدی روی رایانش ابری، زیرساخت داده، تحلیل داده و مدرن‌سازی فناوری انجام داد. به همین دلیل، بسیاری از کاربردهای جدید هوش مصنوعی در چنین سازمانی بر بستری شکل می‌گیرند که پیش‌تر برای مدیریت و استفاده از داده آماده شده است. به بیان دیگر، هوش مصنوعی روی زیرساخت داده سوار می‌شود؛ نه برعکس.

برای بانک‌ها و سازمان‌های ایرانی نیز پرسش اصلی به تدریج تغییر خواهد کرد. سؤال فقط این نیست که از کدام مدل استفاده کنیم. سؤال مهم‌تر این است که آیا داده‌های سازمان برای استفاده مؤثر از هوش مصنوعی آماده‌اند؟

پاسخ به این پرسش، می‌تواند تفاوت میان یک پروژه آزمایشی کوتاه‌مدت و یک تحول پایدار در مقیاس سازمانی را رقم بزند.

جمع‌بندی

رقابت مدل‌های هوش مصنوعی ادامه خواهد داشت. مدل‌ها قدرتمندتر می‌شوند، هزینه استفاده از آن‌ها تغییر می‌کند و بازیگران جدیدی وارد بازار خواهند شد. اما برای سازمان‌ها، مسئله اصلی در نقطه دیگری تعیین می‌شود.

مدل عمومی، بدون اتصال به داده‌های واقعی سازمان، فقط می‌تواند پاسخ‌های عمومی تولید کند. نقطه‌ای که هوش مصنوعی برای کسب‌وکار ارزش می‌سازد، جایی است که به داده‌های دقیق و قابل استفاده همان سازمان متصل می‌شود. رشد شرکت‌هایی مانند Databricks و Snowflake نشانه همین جابه‌جایی است. آن‌ها در مرکز توجه عمومی نیستند، اما در لایه‌ای فعالیت می‌کنند که بسیاری از کاربردهای واقعی هوش مصنوعی بر آن بنا می‌شود.

در عصر هوش مصنوعی، پرسش راهبردی سازمان‌ها دیگر فقط این نیست که «به کدام مدل دسترسی داریم؟» پرسش مهم‌تر این است: آیا زیرساخت داده سازمان برای وعده‌هایی که از هوش مصنوعی انتظار داریم آماده است؟