نرخ شکست پروژه‌های هوش مصنوعی به طور قابل‌توجهی بالاتر از حد انتظار است. بر اساس مطالعات، حدود 80 درصد از این پروژه‌ها با شکست مواجه شده و سرمایه‌های هنگفتی را به هدر داده‌اند.
شرکت OpenAI، پیشرو در حوزه هوش مصنوعی مولد و خالق مدل زبان قدرتمند ChatGPT، باوجود موفقیت‌های چشمگیر، با چالش جدی تامین مالی مواجه شده است. براساس پیش‌بینی‌ها، این شرکت در سال 2024 متحمل ضرر هنگفتی معادل 5 میلیارد دلار خواهد شد. بااین‌حال، به‌نظرمی‌رسد که سرمایه‌گذاران همچنان به آینده این فناوری امیدوارند، چرا که ارزشگذاری اخیر شرکت OpenAI به رقم نجومی 100 میلیارد دلار رسیده است.
لازم‌به‌ذکر است که OpenAI تنها شرکتی نیست که در این حوزه با چالش‌های مالی روبرو است. بسیاری از شرکت‌های فعال در زمینه هوش مصنوعی با مشکلات مشابهی دست و پنجه نرم می‌کنند. علی‌رغم جذابیت و پتانسیل بالای هوش مصنوعی، این صنعت با ناپایداری و ریسک‌های قابل‌توجهی همراه است. تحقیقات نشان می‌دهد که حدود 80 درصد از پروژه‌های هوش مصنوعی با شکست مواجه می‌شوند. این آمار هشداردهنده، ضرورت توجه به چالش‌های فنی، اقتصادی و مدیریتی در این حوزه را بیش از پیش نمایان می‌سازد.
یکی از دلایل شکست پروژه‌های هوش مصنوعی این است که بنیانگذاران شرکت‌ها نمی‌توانند درک کنند که کدام مشکل نیاز به حل دارد و فقط بر نمایش فناوری به دیگران تمرکز می‌کنند. یک موسسه تحقیقاتی و مشاوره بخش عمومی ایالات متحده به نام RAND Corporation پنج دلیل را برای شکست 80 درصد پروژه‌های هوش مصنوعی ذکر کرده است. اولین و مهمترین دلیل این است که ذینفعان صنعت سوءتفاهم دارند که کدام مشکلی باید در هوش مصنوعی حل شود. دلیل دیگر برای شکست پروژه‌ها این است که شرکت‌ها فاقد داده‌های کافی برای آموزش موثر یک مدل هوش مصنوعی هستند، که منجربه نتایج مغرضانه‌ای می‌شود که کاربران را از استفاده مجدد از این پلتفرم دلسرد می‌کند.
علاوه‌بر چالش‌های پیشین، ناکافی بودن زیرساخت‌های فناوری اطلاعات نیز به عنوان یکی از عوامل اصلی شکست پروژه‌های هوش مصنوعی شناخته می‌شود. در بسیاری از موارد، بنیانگذاران شرکت‌ها به جای تمرکز بر نیازهای واقعی کاربران، بر نمایش توانایی‌های فنی و رقابت با سایر شرکت‌ها متمرکز می‌شوند.
موسسه تحقیقاتی RAND Corporation، با بررسی دقیق دلایل شکست پروژه‌های هوش مصنوعی، به راهکارهایی برای کاهش این نرخ شکست اشاره کرده است. یکی از مهمترین این راهکارها، سرمایه‌گذاری در توسعه زیرساخت‌های قوی و پایدار است. با تقویت زیرساخت‌ها، می‌توان سرعت آموزش مدل‌های هوش مصنوعی را افزایش داده و به حجم عظیمی از داده‌های باکیفیت دست یافت که برای آموزش مدل‌های پیچیده‌تر و دقیق‌تر ضروری است.
بنیانگذاران شرکت‌های فعال در حوزه هوش مصنوعی باید به این نکته توجه داشته باشند که هوش مصنوعی به عنوان یک ابزار قدرتمند، محدودیت‌های خاص خود را دارد و نمی‌تواند همه مشکلات را به تنهایی حل کند. بنابراین، درک دقیق از این فناوری و کاربردهای آن، برای موفقیت در این حوزه ضروری است.
با وجود اینکه آموزش مدل‌های هوش مصنوعی بر روی حجم عظیمی از داده‌ها می‌تواند به بهبود عملکرد آن‌ها کمک شایانی کند، همچنان امکان تولید نتایج نادرست توسط این مدل‌ها وجود دارد. به‌عنوان نمونه، می‌توان به مدل زبان بزرگی مانند ChatGPT اشاره کرد که علی‌رغم آموزش بر روی ترابایت‌ها داده، گاهی اوقات پاسخ‌های نادرستی ارائه می‌دهد.
