در چند سال گذشته چند کشور منطقه، هوش مصنوعی را از سطح پروژه‌های پژوهشی به سطح راهبرد ملی برده‌اند: ساخت مرکز داده و ظرفیت محاسباتی، تأسیس نهاد متولی، سرمایه‌گذاری صندوق‌های حاکمیتی و آموزش نیروی متخصص. برای مدیر ایرانی، این تغییر نه یک خبر بین‌المللی است و نه موضوعی برای تحلیل سیاسی؛ بازچینی نقشهٔ رقابتی بازاری است که مشتریان و رقبای خودش را همین حالا در همسایگی دارد.

پرسش کاربردی این است که این جهت‌گیری منطقه‌ای چه فضایی برای شرکت ایرانی باقی می‌گذارد و در آن فضا با کدام دارایی می‌توان ایستاد.

جهت‌گیری مشترک کشورهای منطقه

• زیرساخت محاسباتی: تمرکز بر ساخت ظرفیت پردازش داخلی و مرکز داده به‌عنوان دارایی راهبردی.
• مدل و دادهٔ بومی زبان: کار روی مدل‌های عربی و چندزبانه، با همان منطقی که کار روی فارسی معنا دارد.
• خدمات دولتی و انرژی: نخستین کاربردهای بزرگ معمولاً در خدمات عمومی، انرژی و لجستیک آغاز می‌شود.

شکافی که با سرمایه پر نمی‌شود

سرمایه، ظرفیت محاسباتی می‌خرد و متخصص را جابه‌جا می‌کند، اما دانش عملیاتی یک صنعت را نمی‌سازد. به همین دلیل، لایهٔ راهکارهای عمودی همچنان نازک است:

• راهکار سبک و مقرون‌به‌صرفه برای بنگاه متوسط، در برابر پروژه‌های بزرگ سازمانی.
• سامانه‌هایی که فرآیند خاص یک صنعت را می‌فهمند، نه ابزار عمومی که باید از صفر پیکربندی شود.
• پشتیبانی واقعی از زبان‌های منطقه در جریان‌های کاری مشخص، نه فقط در گفت‌وگوی عمومی.

جایی که شرکت ایرانی می‌تواند بایستد

مزیت شرکت ایرانی، رقابت در ساخت مدل پایه نیست؛ ساخت راهکاری است که مسئلهٔ صنعت را حل می‌کند و در بستری با محدودیت منابع آزموده شده است. تیمی که ناچار بوده با زیرساخت محدود و بودجهٔ کم به نتیجه برسد، در ساخت راهکار کم‌هزینه توانمند شده است؛ و همین توانایی، برای بنگاه متوسط در بازار منطقه جذاب‌تر از یک راهکار پرهزینهٔ پرچم‌دار است.

چه چیزی صدور راهکار را ممکن می‌کند

• استقلال از یک سرویس خاص: راهکاری که فقط روی یک ابر مشخص کار کند، در بازار دیگری قابل نصب نیست.
• گزینهٔ اجرای درون‌سازمانی: مشتری منطقه‌ای هم دربارهٔ محل نگه‌داری داده حساس است.
• مستندسازی و پشتیبانی: فروش فرامرزی بدون مستندات انگلیسی و مسیر پشتیبانی روشن پیش نمی‌رود.
• معماری چندزبانه: جدا نگه‌داشتن منطق برنامه از زبان رابط، هزینهٔ ورود به بازار بعدی را چند برابر کم می‌کند.

یک نمونهٔ عملی

شرکتی را در نظر بگیرید که سامانهٔ پایش کیفیت خود را برای یک صنعت داخلی ساخته بود. برای عرضه در بازار منطقه، مدل و منطق کار تغییری نکرد؛ کار اصلی صرف جداکردن متن‌های رابط کاربری، افزودن مستندات انگلیسی و فراهم‌کردن نسخهٔ نصب روی زیرساخت مشتری شد. دشواری، فنی نبود؛ آماده‌سازی محصول برای فروش بیرون از بازار مادر بود.

مسیر ۹۰ روزهٔ ارزیابی

• ماه نخست: مشخص کنید مسئله‌ای که حل کرده‌اید در کدام کشورهای منطقه نیز وجود دارد و چه کسی امروز پاسخ آن را می‌دهد.
• ماه دوم: وابستگی‌های محصول به زبان، مقررات و زیرساخت داخلی را فهرست و جدا کنید.
• ماه سوم: با یک مشتری آزمایشی بیرونی کار کنید و پیش از سرمایه‌گذاری بازاریابی، فرض‌های قیمت و پشتیبانی را بسنجید.

خطاهای رایج

• رقابت مستقیم در حوزه‌ای که مزیت آن سرمایه و ظرفیت محاسباتی است.
• فرض یکسان بودن نیازها در سراسر منطقه؛ مقررات داده و بلوغ بازار در کشورهای همسایه متفاوت است.
• ترجمهٔ رابط کاربری به‌عنوان تنها اقدام بومی‌سازی، بدون بازبینی فرآیند و مستندات.
• واگذاری فروش فرامرزی به تیمی که مسیر پشتیبانی پس از فروش را در اختیار ندارد.

پرسش‌های پرتکرار

• آیا رقابت با شرکت‌های منطقه‌ای واقع‌بینانه است؟
  در ساخت مدل پایه معمولاً نه؛ در راهکار عمودی برای یک صنعت مشخص، بله.
• از کجا شروع کنیم؟
  از صنعتی که مسئله‌اش را در بازار داخلی حل کرده‌اید و مشتری‌اش در کشور همسایه هم همان مسئله را دارد.
• اگر امکان صدور نداشته باشیم، این نگاه چه فایده‌ای دارد؟
  حتی در بازار داخلی، انتظار مشتری با استاندارد منطقه تنظیم می‌شود؛ رصد این استاندارد به سنجش موقعیت خودتان کمک می‌کند.

جمع‌بندی

رقابت منطقه‌ای در هوش مصنوعی، مسابقه‌ای در یک مسیر واحد نیست. کشورهای همسایه در لایهٔ زیرساخت و سرمایه پیش می‌روند و همین، لایهٔ راهکارهای عمودی را برای شرکت‌هایی باز می‌گذارد که صنعت را از نزدیک می‌شناسند. انتخاب درست، ورود به مسابقه‌ای است که در آن دارایی شما اهمیت دارد.

واژه‌نامه

• راهکار عمودی: راهکاری که برای مسئلهٔ یک صنعت مشخص ساخته شده است، نه برای همه.
• ظرفیت محاسباتی: توان پردازشی لازم برای آموزش و اجرای مدل‌ها.
• مدل پایه: مدل بزرگ و عمومی که راهکارهای دیگر روی آن ساخته می‌شود.
• بومی‌سازی: تطبیق محصول با زبان، مقررات و عادت‌های یک بازار.
• اجرای درون‌سازمانی: اجرای نرم‌افزار روی زیرساخت خودِ مشتری.

اقدام این هفته

این هفته، یک فهرست از سه مشتری بالقوهٔ منطقه‌ای برای محصول خود تهیه کنید که مسئله‌شان با آنچه شما در بازار ایران حل کرده‌اید، همپوشانی دارد. برای هرکدام، مشخص کنید که امروز چه کسی پاسخ آن نیاز را می‌دهد و شکاف موجود در راهکار رقیب چیست. سپس، یک نسخهٔ آزمایشی از محصول خود را با تمرکز بر جداسازی زبان رابط از منطق برنامه و افزودن مستندات انگلیسی، برای ارائه به یک مشتری آزمایشی بیرونی آماده کنید. هدف این هفته، صرفاً شروع گفتگو با یک نهاد خارجی و سنجش واکنش اولیه به محصول شماست، نه سرمایه‌گذاری سنگین بازاریابی.

منابع

• گزارش «آینده هوش مصنوعی در خاورمیانه» از مؤسسه مشاوره‌ای استراتژی‌اند (Strategy&) - لینک
• نقشه راه هوش مصنوعی امارات متحده عربی (UAE National AI Strategy) - لینک
• گزارش «هوش مصنوعی در خاورمیانه و شمال آفریقا» از اکونومیست اینتلیجنس یونیت (Economist Intelligence Unit) - لینک
• سند چشم‌انداز ملی هوش مصنوعی عربستان سعودی (Saudi Data & AI Authority) - لینک
• پایگاه اطلاع‌رسانی «هوش مصنوعی ایران» برای پایش روندهای داخلی و منطقه‌ای - لینک