صنعت هوشمندتر.انسان‌های توانمندتر.سازمان‌های کارآمدتر.

یکی از چالش‌های شرکت‌های مهندسی، پراکنده بودن دانش پروژه‌هاست. منظور مدارک طراحی پروژه‌ها نیست، بلکه چرایی انتخاب‌ها، فرضیات، ملاحظات فنی و منطق پشت تصمیمات مهندسی است. فرآیند ثبت درس‌آموخته‌ها نیز در بسیاری از پروژه‌ها صوری و عمدتاً پایان‌پروژه‌ای است؛ بنابراین عمده تصمیمات و تجربیات حین اجرا مستند نمی‌شود و با خروج مهندسان ارشد، بخشی از حافظه مهندسی و تجربه انباشته سازمان از دست می‌رود.

بررسی صدها مدرک برای شناسایی مغایرت با استانداردها و سایر اسناد پروژه، فرایندی زمان‌بر و پرجزئیات است که می‌تواند هفته‌ها به طول انجامد. دقت این بازبینی به تمرکز و تجربه کارشناسان وابسته است. با افزایش حجم اسناد، احتمال از قلم افتادن مغایرت‌های مهم نیز بیشتر می‌شود.

مقایسه‌ی چند پیشنهاد فنی، در عمل به تجربه، حافظه و سلیقه‌ی کارشناسِ ارزیاب وابسته است. در نتیجه بارها تجربه شده موضوعاتی در حین مناقصه از قلم افتاده که هم قرارداد را تحت تأثیر قرار داده و هم بار مالی مضاعف برای سازمان داشته است.

در بسیاری از سازمان‌ها دیده شده که تجربه‌ی تلخ یک پروژه با یک تأمین‌کننده، در پروژه‌ی بعدی همان سازمان دوباره تکرار می‌شود، چون هیچ‌کجای سیستم به‌شکل قابل استناد و با ذکر جزئیات ثبت نشده است.

داده‌های پیمانکاران اغلب با تأخیر و در قالب‌های ناهمگون دریافت می‌شوند. تجمیع، تطبیق و اصلاح این داده‌ها زمان‌بر است و تهیه گزارش نهایی را به تعویق می‌اندازد. در نتیجه، گزارش‌ها هنگام آماده‌شدن لزوماً تصویر دقیقی از وضعیت جاری پروژه ارائه نمی‌کنند.

بخش قابل‌توجهی از مغایرت‌ها زمانی آشکار می‌شوند که پروژه وارد مراحل نصب، اجرا یا راه‌اندازی شده است. در این مرحله، اصلاح هر مغایرت می‌تواند مستلزم دوباره‌کاری، تغییر تجهیزات یا تأخیر در برنامه پروژه باشد. در نتیجه، هزینه و زمان اصلاح معمولاً به‌مراتب بیشتر از شناسایی همان مغایرت در مرحله طراحی خواهد بود.

سیستم‌های کنترل سال‌هاست حجم قابل‌توجهی از داده‌های عملیاتی را ثبت می‌کنند. این داده‌ها اغلب در گزارش‌های دوره‌ای خلاصه می‌شوند، اما بخش زیادی از ظرفیت تحلیلی آن‌ها بلااستفاده باقی می‌ماند. در نتیجه، داده موجود به‌ندرت به بینش عملی و تصمیم‌های بهتر در بهره‌برداری تبدیل می‌شود.

تعمیرات اغلب پس از وقوع خرابی آغاز می‌شوند، در حالی که نشانه‌های اولیه آن ممکن است هفته‌ها یا ماه‌ها قبل در داده‌های تجهیز قابل مشاهده بوده باشند. نبود تحلیل مستمر این داده‌ها، فرصت شناسایی زودهنگام را از بین می‌برد. در نتیجه، سازمان با توقف ناگهانی، هزینه تعمیر بالاتر و اختلال در بهره‌برداری مواجه می‌شود.

یکی از چالش‌های اصلی ورود هوش مصنوعی به شرکت‌های صنعتی، مقاومت سازمانی در برابر تغییر است؛ مقاومتی که ناشی از تردید نسبت به ارزش و قابلیت اتکای AI، و از طرفی نگرانی از جایگزینی نیروی انسانی است. این نگاه، مشارکت درون‌سازمانی را کاهش می‌دهد و سبب می‌شود بخشی از زمان، انرژی و منابع سازمان به‌جای بهبود بهره‌وری و ایجاد ارزش، صرف غلبه بر مقاومت‌های داخلی شود. از این رو، فرهنگ‌سازی و ایجاد درک مشترک در سازمان، یکی از پیش‌شرط‌های اصلی تحول دیجیتال است.

فاصله میان دانش تخصصی صنعت و دانش داده و هوش مصنوعی، یکی از موانع مهم در تعریف راهکارهای اثربخش است. متخصص داده ممکن است شناخت کافی از فرآیند و محدودیت‌های عملیاتی نداشته باشد و متخصص فرآیند نیز با قابلیت‌ها و محدودیت‌های مدل‌های هوش مصنوعی آشنا نباشد. نتیجه این شکاف، در بسیاری از موارد طراحی راهکاری است که به‌جای حل مسئله واقعی سازمان، بر مسئله‌ای کم‌اهمیت یا نادرست متمرکز می‌شود.