أبرز حالات استخدام الذكاء الاصطناعي في المؤسسات

في عام 2026، وقع حادثٌ مثيرٌ للاهتمام في شركة ميتا . لمدة ساعتين تقريبًا، أُتيحت كمياتٌ هائلةٌ من بيانات الشركة الداخلية وبيانات المستخدمين لجميع المهندسين العاملين هناك. وقد تلاشت ضوابط الوصول المعتادة تقريبًا. وكان قد تم استخدام برنامج ذكاء اصطناعي في وقتٍ سابقٍ للمساعدة في مهمةٍ روتينية، حيث قام بنشر الإجابات في منتدى داخلي دون طلب أذونات المستخدمين. وصفت ميتا الحادث بأنه "Sev-1"، وهو ثاني أعلى مستوى خطورة لديها.

يُسلّط هذا الضوء على مشكلة تواجهها معظم المؤسسات. فقد كشف تقريرٌ صادرٌ عن شركة ديلويت عام 2026 أن 74% من أكثر من 3000 من قادة الأعمال الذين شملهم الاستطلاع توقعوا أن تكون مؤسساتهم بارعةً في استخدام أنظمة الذكاء الاصطناعي . ومع ذلك، لم يمتلك سوى 21% منهم نموذج حوكمةٍ ناضجًا لهذه الأنظمة.

وهذا يشكل إحصائية مثيرة للقلق عند قراءتها جنبًا إلى جنب مع توقعات غارتنر بأنه بحلول نهاية عام 2026، من المرجح أن تتخلى المؤسسات عن 60٪ من مشاريع الذكاء الاصطناعي الخاصة بها التي لا يمكن للبيانات الجاهزة للذكاء الاصطناعي دعمها.

يشير مصطلح "حالة استخدام الذكاء الاصطناعي المؤسسي" إلى مهمة تجارية محددة يتم فيها تشغيل الذكاء الاصطناعي في بيئة الإنتاج. ويعتمد هذا النوع من الذكاء الاصطناعي على بيانات الشركة لإنجاز مهامه على مستوى المؤسسة، وتعتمد المخاطر على مدى حساسية البيانات المعنية ومدى استقلالية الذكاء الاصطناعي.

تُناقش أدناه بعض حالات الاستخدام الأكثر شيوعًا وأهمية، مع معلومات إضافية حول البيانات التي تتعامل معها، والأنظمة التي تحكمها، وكيفية تأمينها. تابع القراءة لمعرفة المزيد.

ما الذي يجعل حالة استخدام الذكاء الاصطناعي "مؤسسية"؟

لكي يُعتبر أي استخدام "مؤسسيًا" بطبيعته، يجب أن يستوفي ثلاثة معايير أساسية. أولًا، يجب أن يعمل في بيئة إنتاجية، ضمن سير عمل حقيقي وليس في بيئة تجريبية. ثانيًا، يجب أن يعمل على نطاق تنظيمي، عبر مستخدمين وفرق وأنظمة متعددة. ثالثًا، يجب أن يعتمد على بيانات الشركة الخاصة، مع ضوابط وصول صارمة، وسجلات تدقيق مناسبة، ومسؤولية واضحة.

بينما يخدم الذكاء الاصطناعي الخاص بالمستهلك شخصًا واحدًا، حيث يتم توفير البيانات من قبل ذلك الشخص فقط، فإن الذكاء الاصطناعي الخاص بالمؤسسات يخدم مؤسسة بأكملها ببيانات يمكن محاسبتها عليها.

لنفترض أن مسوّقًا يقوم بصياغة محتوى تسويقي في روبوت محادثة عام مزود بنظام إدارة مطالبات قادر على قراءة بيانات العملاء. يقوم الروبوت بصياغة قرار ثم يُحيل الاستثناءات. يُعدّ هذا الأخير مثالًا على حالة استخدام مؤسسية، حيث تكمن مخاطر البيانات وتكون في ذروتها.

علاوة على ذلك، هذا هو السبب تحديدًا الذي يجعل القدرة وحدها نادرًا ما تحدد ما يمكن إطلاقه. فجاهزية البيانات وتقييمات المخاطر التراكمية هما العاملان الحاسمان. وقد وجد تقرير صادر عن مؤسسة ستاندرد آند بورز العالمية أن 46% من المؤسسات العاملة على مشاريع الذكاء الاصطناعي تضطر في نهاية المطاف إلى إلغاء هذه المشاريع بين مرحلتي إثبات المفهوم والتبني الواسع.

إن المؤسسات التي تنجح في الاستفادة من هذه الإمكانيات هي تلك التي لديها امتثال مناسب، وإدارة فعّالة للمخاطر، وتوافر كافٍ للبيانات، وتطبق تدابير ملائمة عند اختيار مثل هذه المشاريع. باختصار، يُعدّ النموذج نفسه الجزء الأسهل؛ أما ممارسات إدارة البيانات فهي التي تُشكّل التحدي الأكبر لمعظم المؤسسات الراغبة في الاستفادة من الذكاء الاصطناعي المؤسسي.

حالات استخدام الذكاء الاصطناعي في المؤسسات حسب القطاع

تغطي كل حالة من حالات الاستخدام التالية الاستخدام الأكثر تأثيرًا للذكاء الاصطناعي في تلك الصناعة، وما هي البيانات التي يتعامل معها، وما الذي يحكمها، وما الذي يجب تأمينه أولاً.

الخدمات المالية

يُعدّ الكشف عن الاحتيال ومراقبة غسل الأموال الاستخدامَ الأكثر أهمية لأنظمة الذكاء الاصطناعي المؤسسية في القطاع المالي. فباستخدام هذه القدرات، يُمكن مراقبة المعاملات من خلال نماذج الاحتيال التي تُقيّم كل دفعة وحساب وعميل وفقًا لأنماط إساءة الاستخدام المعروفة. Google Cloud في إعلان إطلاق نظام الذكاء الاصطناعي الخاص بمكافحة غسل الأموال، تم الإعلان عن أن أكثر من 95% من التنبيهات من الأنظمة القائمة على القواعد يتم تعريفها على أنها إيجابية خاطئة في مراجعة المرحلة الأولى، مع 98% أخرى لا تؤدي أبدًا إلى تقرير عن نشاط مشبوه.

تُعدّ التزامات قانون السرية المصرفية/مكافحة غسل الأموال، وقواعد ضمانات قانون غرام-ليتش-بليلي، ومعيار أمان بيانات صناعة بطاقات الدفع ، من بين الالتزامات والأطر التي يجب أن تتوافق معها حالات الاستخدام هذه. ويتطلب ذلك تصنيفًا دقيقًا وتقييدًا صارمًا لمجموعات البيانات التي تُغذّى بها النماذج، لا سيما تفاصيل اعرف عميلك (KYC) ومعلومات التعريف الشخصية (PII)، مع توثيق مسار البيانات وصولًا إلى درجة التنبيه، مما يُمكّن الفاحص من فهم السياق المناسب.

الرعاية الصحية

بدأت العديد من الخدمات الطبية بتقديم خدمات تدوين الملاحظات الطبية عن بُعد، حيث تستمع هذه الخدمات إلى زيارة المريض، وتدوّن الملاحظات السريرية، وتُجهّزها للطبيب للمراجعة والتوقيع. وقد ساهم ذلك في تحقيق قيمة هائلة، إذ أشارت مراجعة أجرتها مجموعة بيرماننت الطبية بعد عام واحد ونُشرت في مجلة NEJM Catalyst إلى أن التوثيق وفّر أكثر من 15700 ساعة، أي ما يعادل 1794 يوم عمل، مقارنةً بمن لم يستخدموا هذه الخدمة. علاوة على ذلك، ووفقًا لدراسة تحسين الجودة التي أجرتها شبكة JAMA Network Open، انخفض معدل الإرهاق الوظيفي لدى الأطباء من حوالي 52% إلى 38.8% فقط.

تُعدّ قواعد الخصوصية والأمان الخاصة بقانون HIPAA من أهم القواعد التي تؤثر بشكل مباشر على حالات الاستخدام هذه. بالإضافة إلى ذلك، توجد في العديد من الدول قواعدها الخاصة. data privacy قد تختلف الالتزامات القانونية المفروضة على الجهات التي تتعامل مع البيانات الطبية للمستخدمين. ونتيجةً لذلك، يتعين على المؤسسات التي تستخدم هذه الإمكانيات تحديد جميع المعلومات الصحية الشخصية وتصنيفها، ووضع حدود للاحتفاظ بها وإنفاذها، وتطبيق ضوابط صارمة للوصول إليها. ويجب عليها توسيع نطاق هذه الالتزامات لتشمل جميع الموردين.

حكومة

أثبت مساعدو خدمة المواطنين فائدتهم الكبيرة في الإجابة على أسئلة السكان حول استحقاقات الدولة، والتصاريح، والتراخيص، والضرائب، وغيرها من المعاملات المختلفة. ومع ذلك، قد يفشلون أيضًا، ويفشلون بشكل علني، كما هو الحال مع برنامج الدردشة الآلي MyCity لمدينة نيويورك، المبني على منصة مايكروسوفت. Azure كان الهدف من هذه الخدمة مساعدة الشركات الصغيرة والمتوسطة في فهم قوانين المدينة. بدأت الخدمة في عام 2024، لكنها قدمت نصائح غير دقيقة وربما غير قانونية، مما أدى إلى إغلاقها في فبراير 2026.

تُلزم جميع اللوائح تقريبًا التي تُعنى بالبيانات الفيدرالية في الولايات المتحدة، مثل قانون إدارة أمن المعلومات الفيدرالية (FISMA) وبرنامج إدارة الوصول إلى البيانات الفيدرالية (FedRAMP) وقرار مكتب الإدارة والميزانية (OMB M-25-21)، المؤسساتَ بتبني ممارسات دنيا، كإجراء اختبارات ما قبل النشر، وتقييم الأثر، والمراقبة المستمرة لأنظمة الذكاء الاصطناعي عالية التأثير التي تؤثر على إمكانية الوصول إلى الخدمات الحكومية. وفي الاتحاد الأوروبي، تشمل هذه المتطلبات إعلام الجمهور بأنهم يتفاعلون مع نظام ذكاء اصطناعي. لذا، يجب تطبيق نظام استرجاع البيانات القائم على الصلاحيات منذ البداية، بحيث لا يتمكن مساعدو الذكاء الاصطناعي من عرض سوى السجلات التي يُصرَّح للشخص الطالب بالاطلاع عليها. إضافةً إلى ذلك، يجب تصنيف جميع المعلومات الشخصية الحساسة في قاعدة بياناتها، مع توفير سجلات استعلام مفصلة لتسهيل عمليات التدقيق والاستفسارات المستقبلية.

تصنيع

يمكن للمصانع الكبيرة وغيرها من مرافق التطوير استخدام نماذج الصيانة التنبؤية لقراءة الاهتزازات ودرجة الحرارة وغيرها من أجهزة الاستشعار، وذلك لتحديد أي عطل في المعدات قبل أن يُعيق سير العمل. وبحسب شركة سيمنز ، فقد وفرت شركة بلوسكوب، وهي شركة أسترالية لصناعة الصلب، ما يقرب من 2000 ساعة من التوقف غير المخطط له على مدى ثلاث سنوات، كما تجنبت 53 انقطاعًا كاملًا في العمليات بعد أن بدأت باستخدام نظام سينس آي من سيمنز.

تُحدد معايير الصناعة، مثل معيار IEC 62443 وإطار عمل الأمن السيبراني الصادر عن المعهد الوطني للمعايير والتكنولوجيا (NIST)، كيفية إدارة الأمن الصناعي، بالإضافة إلى عقود العملاء والموردين. لذا، يجب رسم خريطة لكل تدفق بيانات من أرضية المصنع إلى الذكاء الاصطناعي السحابي وتصنيفه قبل مغادرته الموقع، مع الحفاظ على فصل تام بين مسارات الذكاء الاصطناعي وأنظمة التحكم.

لماذا تتعثر حالات استخدام الذكاء الاصطناعي في المؤسسات بسبب البيانات؟

نادراً ما يُذكر ضعف أداء النموذج، إن ذُكر أصلاً، كسبب لتوقف حالات الاستخدام. وتتوقف المشاريع في نهاية المطاف لأربعة أسباب رئيسية.

• لا أحد يعلم أين توجد البيانات : فقد كشف تقرير تاليس لعام 2026 حول تهديدات البيانات أن 34% فقط من المؤسسات لديها رؤية كاملة لبنية بياناتها التحتية. علاوة على ذلك، من بين تلك التي تمتلكها، 39% فقط قادرة على تصنيفها بشكل صحيح. لا يمكن تحديد نطاق أي حالة استخدام للذكاء الاصطناعي أو الموافقة عليها أو مراجعتها بفعالية عندما لا تخضع البيانات المطلوبة للمراجعة بشكل سليم.
• يرث المساعدون صلاحيات وصول مفرطة وغير خاضعة للمراجعة : تنص وثائق مايكروسوفت الخاصة على أن Copilot يعمل حاليًا ضمن الأذونات الحالية، وأن المحتوى الذي تتم مشاركته بشكل مفرط أو الذي تتم إدارته بشكل سيئ يمكن أن يؤدي إلى زيادة خطر تحول الأذونات المتساهلة إلى انكشاف هائل.
• تُستخدم البيانات الحساسة في مسار المعالجة : فكل ما يتم تحميله في فهرس الاسترجاع أو مجموعة التدريب سيحمل معه حساسيته. ولذلك، تُعدّ عمليات عكس النموذج التي تؤدي إلى استخراج بيانات حساسة من أكثر أنواع الاختراقات المتعلقة بالذكاء الاصطناعي تكلفةً، وفقًا لدراسة أجرتها شركة IBM.
• الذكاء الاصطناعي يعمل دون رقابة : تضاعفت حوادث الذكاء الاصطناعي الخفي تقريبًا لتصل إلى 43% في عام 2025 مقارنةً بـ 20% في عام 2024. ما يقرب من 68% من الشركات التي وقعت ضحية لهذه الحوادث لم تكن لديها AI governance السياسات المطبقة لإدارة أو اكتشاف الذكاء الاصطناعي.

كل حالة استخدام تم توضيحها سابقاً تواجه واحدة على الأقل من هذه المشكلات.

كيف Securiti يساعد

إن معرفة المشكلة شيء، ومعالجتها شيء آخر.

تقع كل مشكلة من المشكلات الأربع المذكورة آنفاً في أعلى طبقة البيانات. وهذا هو المكان الذي... data security posture management ( DSPM ) يمكن أن يكون مفيدًا.

Securiti ، وهي الآن شركة تابعة لشركة Veeam، لديها DSPM حلٌّ يحدد باستمرار مكان وجود البيانات الحساسة، ومن يملك حق الوصول إليها، وما مدى انكشافها. علاوة على ذلك، يمتد هذا المنظور ليشمل الذكاء الاصطناعي.

باستخدام هذا الحل، تستطيع المؤسسات اكتشاف البيانات السحابية الأصلية، والبيانات غير المُعلنة، والبيانات المظلمة تلقائيًا عبر مختلف بيئات الحوسبة السحابية ، وتصنيف البيانات الحساسة والمنظمة باستخدام الذكاء الاصطناعي والسياق، ووضع علامات على الملفات وفقًا للسياسات. إضافةً إلى ذلك، يُمكنه تحديد المستخدمين والأدوار وأنظمة الذكاء الاصطناعي المُخوّلة بالوصول إلى الملفات والجداول والبيانات الحساسة، وتطبيق مبدأ أقل الامتيازات القائم على السياسات، وإخفاء البيانات الحساسة ديناميكيًا. في الوقت نفسه، يُفهرس أيضًا نماذج الذكاء الاصطناعي المُعتمدة وغير المُعتمدة، ويُقيّم وضعها الأمني ​​ومدى تعرضها لأكبر عشرة مخاطر أمنية (OWASP Top 10) لأنظمة إدارة دورة حياة البيانات (LLM)، مع تطبيق context-aware LLM firewalls على المطالبات والاسترجاع والاستجابات.

اطلب عرضًا تجريبيًا اليوم وتعرف على المزيد حول كيفية DSPM يمكن أن يساعد ذلك في حالات استخدام الذكاء الاصطناعي الخاصة بمؤسستك.

الأسئلة الشائعة

فيما يلي بعض الأسئلة الأكثر شيوعًا المتعلقة بحالات استخدام الذكاء الاصطناعي في المؤسسات: