Blog Body
أنفقت جهتك على الذكاء الاصطناعي على مدار عامين، خوادم وتراخيص ونماذج وتدريب وعقودًا مع موردين. والآن يسألك مجلس القيادة السؤال الذي يصعب تجاهله: أين الأثر القابل للقياس؟ وإذا جاء المُقيِّم غدًا، هل تستطيع الإجابة عن هذا السؤال بأرقام موثقة لا بسرديات عامة؟
هذا بالضبط ما تقيسه ركيزة المخرجات في مؤشر NAII: ليس نوايا ولا خططًا مستقبلية ولا حتى جودة التطبيقات التقنية فحسب، بل الأثر المؤسسي الفعلي الذي تركته تطبيقات الذكاء الاصطناعي في الجهة. والوثيقة الرسمية لسدايا تتضمن ثلاثة مؤشرات كمية تحدد ما الذي يُعدّ أثرًا حقيقيًا وما الذي لا يُعدّ كذلك.
في هذا المقال ستفهم منطق قياس أثر الذكاء الاصطناعي في القطاع الحكومي كما يراه المؤشر، وكيف تبني منظومة إثبات القيمة التي تُقنع المُقيِّم ومجلس القيادة في آنٍ واحد.
ما الذي تقيسه ركيزة المخرجات في مؤشر NAII؟
ركيزة المخرجات تنقسم إلى محورين: التطبيقات، ما بُني ونُشر ويُدار، والأثر، ما تحقق فعلًا ويمكن قياسه. كلا المحورين لازمان، ولا يُغني أحدهما عن الآخر.
محور التطبيقات: ليس عدد الحلول بل نضجها
عائد الاستثمار في الذكاء الاصطناعي لا يبدأ بالتطبيق الناجح تقنيًا، بل بالتطبيق الذي يُدار بمنهجية وله دورة حياة منظمة. هذا ما يُقيِّمه المؤشر في ثلاث مجالات.
التطوير والنشر يقيس عدد تطبيقات الذكاء الاصطناعي المطورة فعلًا ومدى استخدامها، لا مجرد المخطط لها. المطلوب وجود بيئة تطوير داخلية تدعم إدارة دورة حياة النماذج وفق أطر منهجية كـ MLOps. الفارق الجوهري هنا: التطبيق الذي يُستخدم يوميًا ويُقاس أداؤه ≠ التطبيق الذي طُوِّر ثم أُهمل بعد شهرين من الإطلاق.
الخصوصية والأمان بالتصميم يعني أن اعتبارات الأمن والخصوصية مدمجة منذ مراحل تصميم التطبيق الأولى، لا مضافة لاحقًا كطبقة فوق بنية قائمة. يشمل الامتثال لنظام حماية البيانات الشخصية، وتفعيل خطط استرداد فورية مع اختبارات دورية للمخاطر. هذا المعيار يرتبط مباشرة بمتطلبات الحوكمة التي تحكم تطبيقات الذكاء الاصطناعي في الحكومة.
التشغيل والإدارة يتطلب تتبع استخدام النماذج وربط أدائها بالمؤشرات المؤسسية، جودة الخدمة، وخفض التكاليف، ورضا المستفيدين. آليات رصد ذكية، وتقارير تحليلية ترفع للإدارة العليا لدعم القرار. التطبيق الذي لا يُقاس أداؤه ولا يُربط بمؤشرات مؤسسية لا يُحتسب كاستثمار ناجح في قياس أثر الذكاء الاصطناعي في القطاع الحكومي.
محور الأثر: ثلاثة أرقام واردة في الوثيقة الرسمية
الوثيقة الرسمية لـ مؤشر NAII تتضمن ثلاثة مؤشرات كمية تُعبّر عن الأثر المطلوب في المستويات المتقدمة. هذه ليست أرقامًا تقريبية، بل معايير قياس:
| المؤشر | المستهدف الكمي |
| الوظائف المدعومة بالذكاء الاصطناعي | لا يقل عن 25% من مجموع الوظائف |
| مكاسب الإنتاجية | تفوق 15% |
| تحسينات جودة الخدمة والتخصيص | تتجاوز 20% |
هذه الأرقام تُستخدم في التمييز بين مستويات النضج في الذكاء الاصطناعي وفق المؤشر. الجهة التي لا تمتلك بيانات تُثبت هذا الأثر لا تحصل على الدرجة حتى لو حققت نتائج فعلية.
كيف تبني منظومة قياس الأثر من الصفر؟
المشكلة الأكثر شيوعًا ليست غياب الأثر، بل غياب منهجية قياس أثر الذكاء الاصطناعي وتوثيقه. وهذا قابل للحل بمنهجية في أربع خطوات.
الخطوة الأولى: رصد مؤشرات الخط الأساسي (Baseline) قبل التطبيق. قبل إطلاق أي حل ذكاء اصطناعي، وثّق الوضع الراهن بدقة: ما الوقت المستغرق لمعالجة الطلبات؟ ما نسبة الأخطاء في العمليات؟ ما حجم الطاقة الاستيعابية الحالية؟ هذا الخط الأساسي هو ما يُمكّنك لاحقًا من إثبات التحسن بأرقام لا بتقديرات.
الخطوة الثانية: تصميم مؤشرات الأثر المباشر لكل حل. لكل تطبيق ذكاء اصطناعي تُطلقه، حدد ثلاثة إلى خمسة مؤشرات تقيس أثره المباشر. هل يُقلّص الوقت؟ بكم؟ هل يُقلّل الأخطاء؟ بنسبة كم؟ هل يرفع رضا المستفيدين؟ كيف تقيسه؟
الخطوة الثالثة: ربط المؤشرات الداخلية بمعايير مؤشر NAII. المؤشرات الداخلية التي تصممها يجب أن تكون قابلة للترجمة إلى المعايير الكمية الثلاثة للمؤشر، دعم الوظائف (25%+)، والإنتاجية (15%+)، وجودة الخدمات (20%+). هذا الربط هو ما يجعل بياناتك الداخلية ذات معنى للمُقيِّم.
الخطوة الرابعة: بناء لوحة متابعة دورية تخدم الإدارة والتقييم. لوحة متابعة واحدة تعرض مؤشرات الأثر لكل تطبيق ذكاء اصطناعي منشور، مع تقارير دورية ترفع للإدارة العليا. هذه اللوحة هي الأداة التي تُجيب بها على مجلس القيادة والمُقيِّم بنفس المنطق.
المعنى العملي لكل مؤشر من الثلاثة
25% من الوظائف مدعومة بالذكاء الاصطناعي لا يعني أن ربع الموظفين يستخدمون الذكاء الاصطناعي مباشرة. يعني أن ربع الأدوار الوظيفية تحتوي على مكوّن ذكاء اصطناعي، سواء كان أتمتة جزئية أو دعم قرار أو تحليل بيانات يُسرّع العمل. محلل مالي يستخدم نموذجًا تنبؤيًا لإعداد تقاريره هو وظيفة مدعومة بالذكاء الاصطناعي.
مكاسب إنتاجية تفوق 15% تُقاس بمقارنة الوقت والجهد المطلوبين لإنجاز العمليات ذاتها قبل وبعد تطبيق الحلول الذكية. أدوات تحليل الأداء تدعم هذا القياس وتُثبته أمام المُقيِّم، لكن فقط إذا وُجدت بيانات Baseline مُوثَّقة مسبقًا.
تحسينات جودة الخدمة والتخصيص فوق 20% تُقاس بمؤشرات رضا المستفيدين وزمن معالجة الطلبات ونسبة الحالات المُحوَّلة آليًا. مثلًا: عائد الاستثمار في الذكاء الاصطناعي الملموس يظهر حين ينتقل متوسط زمن الرد من ثلاثة أيام إلى ساعات قليلة، تحسن يتجاوز 20% بكثير ويُقاس بدقة.
لماذا تعجز جهات ناجحة عن إثبات أثرها في المؤشر؟
قياس أثر الذكاء الاصطناعي ليس تحديًا تقنيًا بقدر ما هو تحدٍّ منهجي. ثلاث فجوات تتكرر في الجهات التي تمتلك تطبيقات ذكاء اصطناعي حقيقية لكنها لا تحصل على التصنيف الذي تستحقه.
الفجوة الأولى: النجاح دون توثيق الأثر. جهة تُشغّل تطبيقًا ذكيًا يعالج آلاف الطلبات يوميًا، لكن لا تمتلك مقارنة موثقة مع الوضع قبل التطبيق. التوثيق المسبق (Baseline) غائب، فيعجز المُقيِّم عن إثبات التحسن حتى لو كان واضحًا لكل من يعمل في الجهة.
الفجوة الثانية: تطبيقات أُطلقت ثم أُهملت. مؤشر NAII يقيس حالة تطبيقات الذكاء الاصطناعي وقت التقييم، تطبيق غير مُصان أو غير مستخدم فعليًا يُعطي درجة سلبية. دورة حياة التطبيق كاملة، من التطوير حتى الصيانة المستمرة، يجب أن تكون منظمة وموثقة.
الفجوة الثالثة: الربط غير المباشر بالأثر المؤسسي. مشروع ذكاء اصطناعي “ناجح تقنيًا” لكنه لا يُربط بمؤشرات مؤسسية كجودة الخدمة أو عائد الاستثمار في الذكاء الاصطناعي أو خفض التكاليف. الربط ليس اختياريًا في منطق مؤشر NAII، بل هو شرط صريح في الوثيقة الرسمية.
نتيجة هذه الفجوات واحدة: الجهة تبقى محاصرة دون المستوى الثالث بغض النظر عن حجم استثماراتها في الذكاء الاصطناعي.
سَنَد: من التطبيقات المتفرقة إلى لوحة قيادية تُقنع المُقيِّم والقيادة
ما يحتاجه المدير التنفيذي والمالي في هذه المرحلة ليس تقريرًا تقنيًا، بل لوحة قيادية تربط الاستثمار في الذكاء الاصطناعي بالأثر المؤسسي المباشر.
يُساعد فريق سَنَد من RMG الجهات الحكومية على تصميم منظومة قياس أثر الذكاء الاصطناعي المرتبطة مباشرة بمتطلبات مؤشر NAII. تبدأ العملية بتوثيق مؤشرات الخط الأساسي للتطبيقات القائمة حتى حين لم تُوثَّق مسبقًا، بأثر رجعي يُعيد بناء صورة الوضع قبل التطبيق من البيانات المتاحة.
ثم يُصمّم الفريق لوحة متابعة KPIs مخصصة تتضمن: مؤشرات الأثر الثلاثة الرئيسية (25% وظائف، 15% إنتاجية، 20% جودة الخدمات) وربطها بكل تطبيق ذكاء اصطناعي منشور، مع تقارير دورية تُقدَّم للمُقيِّم ولمجلس القيادة بنفس المنطق والأرقام. الهدف أن تُجيب جهتك على سؤال الأثر بثقة وأرقام في أي وقت.
نتائجك الجيدة تستحق أن تُرى
قياس أثر الذكاء الاصطناعي في القطاع الحكومي وفق مؤشر NAII لا يقيس حجم الاستثمار، بل عمق الأثر وموثوقية التوثيق. جهة تُشغّل تطبيقات ذكاء اصطناعي حقيقية ولا تمتلك منظومة لإثبات أثرها تخسر درجات تستحقها. وجهة تبني لوحة متابعة مرتبطة بمعايير المؤشر تُحوّل استثماراتها إلى تصنيف مرئي.
لا تدع نتائجك الجيدة تبقى غير موثقة. تواصل مع فريق سَنَد لتصميم لوحة متابعة KPIs مخصصة تربط تطبيقات الذكاء الاصطناعي في جهتك بمعايير المؤشر الوطني للذكاء الاصطناعي وتُقدم الأثر بأرقام تُقنع في أي جلسة.
الأسئلة الشائعة حول ركيزة المخرجات وقياس أثر الذكاء الاصطناعي الحكومي
ما المؤشرات الكمية التي يستخدمها مؤشر NAII لقياس أثر الذكاء الاصطناعي؟
تتضمن الوثيقة الرسمية ثلاثة مؤشرات: دعم الذكاء الاصطناعي لما لا يقل عن 25% من الوظائف، وتحقيق مكاسب إنتاجية تفوق 15%، وتحسينات في جودة الخدمات وزمن الاستجابة والتخصيص تتجاوز 20%. هذه معايير قياس لا أهداف تطلعية.
ماذا يعني أن يدعم الذكاء الاصطناعي 25% من الوظائف؟
يعني أن 25% من الأدوار الوظيفية داخل الجهة تتضمن مكوّنًا من الذكاء الاصطناعي، سواء كان أتمتة جزئية للمهام أو نماذج دعم القرار أو تحليلات البيانات. لا يشترط أن يستخدم الموظف الذكاء الاصطناعي مباشرة، بل أن يكون دوره مدعومًا بأدواته.
لماذا لا تحصل جهات على تصنيف مرتفع في ركيزة المخرجات رغم تشغيلها لتطبيقات ذكاء اصطناعي؟
السبب الأكثر شيوعًا غياب التوثيق الكمي للأثر. المُقيِّم يحتاج بيانات Baseline قبل التطبيق وبيانات مقارنة بعده، بدون هذه المقارنة لا يمكن إثبات أي تحسن حتى لو كان حقيقيًا وملموسًا.
ما عائد الاستثمار في الذكاء الاصطناعي الحكومي وفق منطق المؤشر؟
عائد الاستثمار في السياق الحكومي لا يقتصر على التوفير المالي بل يشمل: تقليص الزمن، ورفع جودة الخدمات، وزيادة رضا المستفيدين، وتوسيع الطاقة الاستيعابية. مؤشر NAII يعترف بهذه الأبعاد المتعددة ويقيسها عبر المؤشرات الثلاثة.
كيف تُجهّز جهتي لتقييم ركيزة المخرجات في دورة NAII القادمة؟
الخطوة الأولى توثيق الوضع الراهن (Baseline) لأبرز العمليات المدعومة بالذكاء الاصطناعي إذا لم يكن موجودًا. ثم بناء لوحة متابعة تربط أداء التطبيقات بالمؤشرات الكمية الثلاثة. فريق سَنَد يُساعد في هذا التحضير بمنهجية مرتبطة مباشرة بمتطلبات المؤشر.
