پذیرش هوش مصنوعی همان تحول با هوش مصنوعی نیست

پذیرش هوش مصنوعی یعنی استقرار ابزارهای AI برای افراد: صدور مجوز، برگزاری آموزش، ردیابی استفاده. تحول با هوش مصنوعی یعنی بازطراحی جریان‌های کار، اختیارات تصمیم‌گیری و سنجه‌های عملکرد حول کارهایی که AI به‌طور اتکاپذیر خوب انجام می‌دهد، تا بهره‌وری فردی به نتایج سازمانی تبدیل و انباشته شود. پذیرش تغییر می‌دهد کارکنان از چه چیزی استفاده می‌کنند؛ تحول تغییر می‌دهد سازمان چه چیزی تولید می‌کند، چگونه تصمیم می‌گیرد و چه درآمدی کسب می‌کند.

شواهد پیمایشی سال ۲۰۲۶ این شکاف را کمّی کرده است. حدود ۸۰٪ کارکنان از بهبود بهره‌وری با ابزارهای هوش مصنوعی می‌گویند، اما فقط حدود ۶٪ شرکت‌ها به دستاورد مالی «قابل‌توجه» رسیده‌اند و حدود ۳۷٪ بهبود درآمد گزارش کرده‌اند.[۲] فناوری به‌روشنی توانمند است؛ مدل عملیاتی اطراف آن عمدتاً دست‌نخورده مانده است. این ترکیب — بهره‌وری خردِ واقعی، ارزش کلانِ غایب — الگوی شکست تعیین‌کنندهٔ این چرخهٔ سرمایه‌گذاری است، و پیش از آنکه مسئله‌ای فناورانه باشد، مسئله‌ای در طراحی است.

خلاصهٔ مدیریتی

• سنجه‌های پذیرش (مجوزها، ورودها، آموزش) «فعالیت» را می‌سنجند؛ سنجه‌های تحول «تغییر نتیجه» را — و بیشتر برنامه‌های هوش مصنوعی فقط دستهٔ نخست را گزارش می‌کنند.
• پوشش اکتبر ۲۰۲۶ نظرسنجی State of AI مکنزی: حدود ۸۰٪ کارکنان بهبود بهره‌وری گزارش می‌کنند، اما فقط حدود ۶٪ شرکت‌ها دستاورد مالی قابل‌توجه دارند — بهره‌وری بدون بازطراحی جریان کار به‌ندرت به صورت سود و زیان می‌رسد.[۲]
• دستاوردهای سطح ابزار در فرایندهای دست‌نخورده نشت می‌کنند: صف‌ها، تحویل‌های بین‌مرحله‌ای و تأییدها، زمان آزادشده را پیش از آنکه هزینه، سرعت یا درآمد را تغییر دهد، جذب می‌کنند.
• یک آزمایش میدانی با ۷۵۸ مشاور نشان می‌دهد دستاوردهای بزرگ فقط درون «مرز دندانه‌دار» قابلیت AI حاصل می‌شود — پس جریان‌های کار باید حول قابلیت‌های اثبات‌شده بازطراحی شوند، نه آرزوها.[۴]
• سه آزمون تحول را از پذیرش جدا می‌کند: آیا اختیارات تصمیم تغییر کرد؟ آیا جریان کار بازطراحی شد یا فقط تزئین؟ آیا سنجه‌های نتیجه — نه استفاده — جابه‌جا می‌شوند؟
• گارتنر پیش‌بینی می‌کند بیش از ۴۰٪ پروژه‌های هوش مصنوعی عامل‌محور تا پایان ۲۰۲۷ به دلیل شکست در هزینه، ارزش و کنترل لغو شوند؛ دروازه‌های تأمین مالی مقید به نتیجه، پادزهر این خطر است.[۵]

مسئلهٔ ۸۰/۶

از اعداد شروع کنیم، همراه با احتیاط‌هایشان. در اکتبر ۲۰۲۶، پوشش مستقل مطبوعات تجاری (ET CIO، ANI و Jornal Económico) از نظرسنجی State of AI مکنزی گزارش داد که حدود ۸۰٪ کارکنان بهبود بهره‌وری با هوش مصنوعی می‌بینند، در حالی که فقط حدود ۶٪ شرکت‌های پاسخ‌دهنده دستاورد مالی قابل‌توجه و حدود ۳۷٪ بهبود درآمد گزارش کرده‌اند.[۲] نمونهٔ کامل نظرسنجی در آن پوشش ثانویه قابل‌مشاهده نیست؛ پس این بزرگی‌ها را جهت‌دار بدانید. اما شکل یافته هم‌خوان است: فعالیت بالا رفته؛ ارزش نه.

همین الگو یک سال پیشتر، در مرحلهٔ پایلوت، آشکار شده بود. گزارش اوت ۲۰۲۵ آزمایشگاه رسانهٔ MIT / پروژهٔ NANDA (که در اینجا از طریق پوشش Fortune نقل می‌شود) حدود ۹۵٪ پایلوت‌های هوش مصنوعی مولدِ سازمان‌ها را در زمان مطالعه فاقد بازگشت قابل‌اندازه‌گیری در سود و زیان دانست.[۳] آن رقم از نظر دامنه محل بحث است — پایلوت‌ها، نه همهٔ استقرارها — اما علل شکستش بخش مفید ماجراست: خرید ابزار بدون یکپارچه‌سازی با جریان کار، ناسازگاری وظیفه با مدل، حمایت ناکافی از پذیرش، و شکاف‌های سنجش. هیچ‌کدام مسئلهٔ کیفیت مدل نیست؛ هر چهار، مسئلهٔ مدل عملیاتی‌اند.

دلیل اینکه بهره‌وری فردی به ارزش سازمانی تبدیل نمی‌شود، مکانیکی است. یک جریان کار، زنجیره‌ای از گام‌هاست که با صف‌ها، تحویل‌های بین‌مرحله‌ای، تأییدها و حلقه‌های دوباره‌کاری از هم جدا شده‌اند. وقتی AI یک گام را فشرده می‌کند و هیچ چیز دیگری تغییر نمی‌کند، ساعت‌های آزادشده توسط محدودیت‌های اطرافش بازجذب می‌شوند — کار صرفاً در ایستگاه بازبینی انسانیِ بعدی، بیشتر منتظر می‌ماند. به این‌ها «نشت‌های بهره‌وری» بگویید: دستاوردهایی که به‌صورت محلی جمع می‌شوند و پیش از برخورد با هزینه، سرعت یا درآمد تبخیر می‌شوند. یک تأمین‌کنندهٔ صنعتی متوسط را در نظر بگیرید (نمونهٔ ترکیبی و نمایشی، نه شرکت مشخصی) که به مهندسان فروش خود یک دستیار هوشمند می‌دهد: پیش‌نویس پیش‌فاکتورها ظرف چند هفته محسوس سریع‌تر می‌شود، اما زمان چرخهٔ پیش‌فاکتور ثابت می‌ماند، چون اختیار قیمت‌گذاری همچنان نزد کمیته‌ای هفتگی است که صفش هر ساعتِ ذخیره‌شده را جذب می‌کند.

نشتی عمیق‌تر، اختیارات تصمیم‌گیری است. گروه «مردم و عملکرد سازمانی» مکنزی در اکتبر ۲۰۲۶ استدلال کرد که کار سریع‌تر از ساختارهای اطرافش در حال تغییر است — برنامه‌ریزی، بودجه‌بندی، مدیریت عملکرد، اختیارات تصمیم — و جفت‌کردن استقرار AI با بازطراحی مدل عملیاتی، آن است که ارزش‌آفرینی را از استقرار ابزار جدا می‌کند.[۱] جایی که AI می‌تواند پیش‌نویس بزند اما نمی‌تواند تصمیم بگیرد، هر خروجی همچنان برای همان امضاها در صف می‌ماند؛ مسیر بحرانی تغییر نکرده، پس اقتصاد ماجرا هم تغییر نکرده است.

یک تلهٔ سنجشی هم وجود دارد. بهره‌وریِ خوداظهاری، شاخص پیشروِ فعالیت است، نه ارزش — دقیقاً همان خطایی که مقالهٔ همراه ما دربارهٔ سنجش ارزش AI فراتر از بهره‌وری برای جلوگیری از آن نوشته شده است. ادعای ارزش به خط پایهٔ نتیجه و انتساب نیاز دارد، نه به شمارش استفاده.

پذیرش هوش مصنوعی چه شکلی است

برنامهٔ پذیرش AI امضای قابل‌تشخیصی دارد. مجوزها برای همهٔ کاربران واجد شرایط خریده می‌شود؛ تیم پلتفرم فعال‌سازی، استفادهٔ فعال هفتگی و حجم درخواست‌ها را رصد می‌کند. جلسات آموزش برگزار می‌شود؛ قهرمانان تعیین می‌شوند؛ داشبورد پذیرش سبز به کمیتهٔ راهبری می‌رسد. این‌ها دستاوردهای واقعی‌اند — بدون آن‌ها هیچ چیز دیگری کار نمی‌کند.

اما ببینید داشبورد چه چیزی نمی‌تواند بگوید. یک ورود یعنی کسی ابزار را باز کرده است؛ هیچ چیز دربارهٔ اینکه کارِ تحت‌تأثیر آن ابزار سریع‌تر به مشتری رسید، ارزان‌تر تمام شد یا عیب کمتری تولید کرد، نمی‌گوید. سنجه‌های پذیرش سنجه‌های فعالیت‌اند: ظرف چند هفته جابه‌جا می‌شوند، تمیز در بسته‌های حکمرانی جمع می‌شوند و متعلق به IT‌اند — کارکردی که مشوق گزارش‌دادنشان را دارد. حد صادقانهٔ پذیرش این است که بلیت ورود است، نه جایزه.

	برنامهٔ پذیرش AI	برنامهٔ تحول با AI
واحد تغییر	ابزار و مهارت فرد	جریان کار، تحویل‌های بین‌مرحله‌ای و اختیارات تصمیم آن
چه چیزی سنجیده می‌شود	فعالیت استقرار و استفاده	دلتای نتیجه نسبت به خط پایهٔ پیش از AI
شاخص‌های معمول	مجوزهای استقرار، درصد فعال‌سازی، کاربران فعال هفتگی، تکمیل آموزش	زمان چرخه، هزینه به ازای هر نتیجه، کیفیت و نرخ دوباره‌کاری، درآمد به ازای هر نتیجه
مالک آن	IT / محیط کار دیجیتال	مالک سود و زیان به‌همراه مدیر تحول؛ CFO خط پایه را تأیید می‌کند
ارزش کجا ظاهر می‌شود	صرفه‌جویی زمانی شخصی، محدود به کاربر	سنجه‌های عملیاتی و صورت سود و زیان، در سطح سازمان

هیچ چیز در ستون سمت چپ غلط نیست؛ لازم است. حالت شکست، همان‌جا متوقف‌شدن است — تأمین مالی یک برنامهٔ استقرار و نامیدنش استراتژی تحول.

تحول چه شکلی است

تحول از پرسش متفاوتی شروع می‌شود: نه «کجا می‌توانیم AI اضافه کنیم؟» بلکه «AI درون جریان‌های کاری ما اثبات کرده چه کاری از پسش برمی‌آید، و اگر این درست باشد، فرایند باید چه شکلی داشته باشد؟» بهترین شواهد موجود دربارهٔ اندازه و شکل این جایزه، یک آزمایش میدانی پیش‌ثبت‌شدهٔ ۲۰۲۳ با ۷۵۸ مشاور BCG روی ۱۸ وظیفهٔ واقع‌گرایانه است (Dell'Acqua و همکاران، بعدها در سال ۲۰۲۵ در Organization Science منتشر شد).[۴] مشاورانی که به AI دسترسی داشتند ۱۲٫۲٪ وظیفهٔ بیشتری را ۲۵٫۱٪ سریع‌تر و با کیفیتی بیش از ۴۰٪ بالاتر از گروه گواه انجام دادند — در وظایفی درون مرز قابلیت AI. یافتهٔ دومِ مطالعه، از نظر راهبردی تعیین‌کننده است: این مرز دندانه‌دار است. قابلیت یکنواخت نیست — در برخی وظایف خیره‌کننده است، در وظایف مجاورِ همان‌ها می‌شکند — و مرزش برای کاربران نامرئی است. این مطالعه تک‌شرکتی و تک‌مدلی است، پس بزرگی اعداد به همهٔ کار دانشی تعمیم نمی‌یابد؛ اما مفهوم «مرز» تعمیم‌پذیر است.

مرز نامرئی یک پیامد عملیاتی دارد: نه کارکنان و نه مدیران را نمی‌توان به حدس زدن جای آن سپرد. پس تحول با ترسیم قابلیتِ اثبات‌شده درون جریان‌های کاری خودِ شرکت آغاز می‌شود — کجا خروجی AI به‌اندازهٔ اتکاپذیر خوب است که تغییر کند چه کسی کار را انجام می‌دهد — و فرایند حول آن نقشه بازطراحی می‌شود، نه حول وعده‌های فروشنده.

بازطراحی یعنی تغییر توالی و اختیار، نه تزئین فرایند قدیمی. به‌طور مشخص: وظایف درون مرز به اجرای AI با بازبینی انسانیِ موردی منتقل می‌شوند؛ تحویل‌های بین‌مرحله‌ای حذف یا خودکار می‌شوند؛ صف تأییدی که صرفه‌جویی همه را می‌بلعید، به تصمیم‌هایی محدود می‌شود که واقعاً به قضاوت انسانی نیاز دارند. اینجاست که پرسش‌های سازمانی دیگر اختیاری نیستند: اگر توصیه‌ای به‌اندازهٔ کافی اتکاپذیر است که بر پایه‌اش عمل شود، آیا همچنان برای امضا منتظر می‌ماند، و وقتی خطا کند چه کسی پاسخگوست؟ طراحی «واحد کار واگذارشده» — وظیفه، عامل، انسان، تیم — مسئلهٔ محوری‌ای است که مدل کارخانهٔ مأموریت به آن می‌پردازد؛ پرسشی از مدل عملیاتی، پیش از آنکه پرسشی از عامل‌ها باشد.

تحول همچنین راستی‌آزمایی‌پذیر است. سه آزمون آن را از نمایش پذیرش جدا می‌کند:

1. آیا اختیارات تصمیم تغییر کرد؟ چیزی که پیش از AI نیاز به تأیید کمیته داشت، حالا به اختیار انسانی کمتری — یا متفاوتی — نیاز دارد؛ کتباً، نه فقط در عمل.
2. آیا جریان کار بازطراحی شد یا تزئین؟ گام‌ها حذف، ادغام یا بازتوالی شدند و AI در طراحی جدید تعبیه شده است — نه اینکه چت‌باتی به صفحهٔ قدیمی چسبانده شود.
3. آیا سنجه‌های نتیجه جابه‌جا می‌شوند؟ زمان چرخه، هزینه به ازای هر نتیجه، کیفیت و درآمد به ازای هر نتیجه نسبت به خط پایهٔ پیش از AI تغییر می‌کنند — نه فقط استفاده و رضایت.

برنامه‌ای که هیچ‌یک از این سه را پاس نکند، برنامهٔ پذیرش است، هرچه اسلایدهایش ادعا کند. این سه آزمون، بافت همبندی میان قابلیت ابزار و نتیجهٔ مالی‌اند — همان حلقهٔ طراحی که سیستم عامل کوانتی‌ویک برای نهادینه‌کردنش ساخته شده است.

چرا برنامه‌های ابزاری همچنان تأمین مالی می‌شوند

برنامه‌های پذیرش بودجه می‌برند، چون این دو رویکرد در ابعادی که حاکم‌بر توجه شرکت‌هاست — خوانایی و سرعت — متفاوت امتیاز می‌گیرند. سنجه‌های پذیرش هر هفته در دسترس‌اند، تمیز جمع می‌شوند و متعلق به کارکردی‌اند که مشوق گزارش‌دادنشان را دارد. سنجه‌های تحول کُندند — زمان چرخه و هزینه به ازای هر نتیجه در بازهٔ فصل‌ها حرکت می‌کنند — به خط پایه‌ای نیاز دارند که کسی هنگام استقرار ثبت نکرده، و مالک مشخصی ندارند. در مرور پرتفوی، عددِ خوانا بر عددِ مهم پیروز می‌شود.

چرخهٔ بعدی در حال آماده‌شدن برای تکرار همین الگو با شرط‌های سنگین‌تر است. پیش‌بینی ژوئن ۲۰۲۵ گارتنر — صریحاً یک پیش‌بینی، نه نتیجهٔ مشاهده‌شده، از خانهٔ تحلیلی با روش‌شناسی اختصاصی — این است که بیش از ۴۰٪ پروژه‌های هوش مصنوعی عامل‌محور تا پایان ۲۰۲۷ لغو خواهند شد، با اشاره به هزینه‌های فزاینده، ارزش مبهم کسب‌وکاری و کنترل‌های ناکافی ریسک.[۵] گارتنر همچنین در همان زمان مشاهده کرد که فقط حدود یک‌سوم فروشندگانی که «AI عامل‌محور» می‌فروشند تعریف پایهٔ یک عامل را برآورده می‌کنند — پدیدهٔ «شست‌وشوی عاملی» (agent washing). خودمختاری این شکاف را تشدید می‌کند: عاملی که به فرایندی دست‌نخورده چسبانده شود، فقط زمانی را هدر نمی‌دهد که نشت کند؛ می‌تواند هزینه و ریسک را سریع‌تر از ارزش اضافه کند.

اصلاح، رویه‌ای است: حرکتِ نتیجه را شرط ادامهٔ تأمین مالی کنید. برنامه‌ای فقط وقتی مقیاس می‌یابد که خط سود و زیانی را که جابه‌جا می‌کند، خط پایه‌ای را که از آن شروع می‌کند و اختیارات تصمیمی را که تغییر می‌دهد نام ببرد؛ برنامه‌هایی که نمی‌توانند، بازطراحی یا زودهنگام متوقف می‌شوند — به‌مراتب ارزان‌تر از یک لغوِ سال ۲۰۲۷. شکل ۱ دو مسیر و سرانجام منحنی ارزششان را خلاصه می‌کند.

پیام‌های کلیدی

• پذیرش و تحول دو شیء متفاوت‌اند: ابزار تغییر می‌دهد مردم از چه استفاده می‌کنند؛ تحول جریان‌های کار، اختیارات تصمیم و سنجه‌ها را تغییر می‌دهد — فقط دومی به صورت سود و زیان می‌رسد.
• شکاف ۸۰/۶ — حدود ۸۰٪ کارکنان با بهبود بهره‌وری در برابر حدود ۶٪ شرکت‌ها با دستاورد مالی قابل‌توجه — پیامد طراحی جریان کار است، نه پیامد فناوری.[۲]
• نشت‌های بهره‌وری مکانیکی‌اند: زمانِ آزادشده در یک گام، توسط صف‌ها، تحویل‌ها و تأییدهای دست‌نخورده جذب می‌شود؛ اختیارات تصمیمِ دست‌نخورده یعنی مسیر بحرانیِ دست‌نخورده.
• حول مرزِ اثبات‌شده طراحی کنید: شواهد آزمایشگاه میدانی نشان می‌دهد بزرگ‌ترین دستاوردها فقط درون مرز دندانه‌دار قابلیت AI حاصل می‌شود — پیش از بازطراحی، آن را در جریان‌های کاری خودتان ترسیم کنید.[۴]
• سه آزمون را اعمال کنید: اختیارات تصمیم تغییر کرده، جریان کار بازطراحی شده نه تزئین، سنجه‌های نتیجه نسبت به خط پایه در حرکت‌اند. صفر آزمونِ موفق یعنی نمایش پذیرش.
• سوگیری خوانایی، برنامه‌های اشتباه را تأمین مالی می‌کند؛ پیش‌بینی گارتنر از لغو بیش از ۴۰٪ پروژه‌های عاملی تا پایان ۲۰۲۷، بهای این ریسک را نشان می‌دهد.[۵]

رهبران در گام بعدی چه باید بکنند

1. (CFO و مدیر تحول، ۳۰ روز نخست) داشبوردهای استفاده را با خطوط پایهٔ نتیجه جایگزین کنید: برای سه تا پنج جریان کاری که تمرکز هزینهٔ AI در آن‌هاست، زمان چرخه، هزینه به ازای هر نتیجه، کیفیت و دوباره‌کاری، و درآمد به ازای هر نتیجه را پیش از هر استقرارِ بعدی بسنجید.
2. (COO و مالکان جریان کار، روز ۳۰ تا ۹۰) مرز قابلیت را در همان جریان‌ها به‌صورت تجربی ترسیم کنید — کجا خروجی AI به‌اندازهٔ کافی اتکاپذیر است — و سپس اسپرینت‌های بازطراحی اجرا کنید که گام‌ها را بازتوالی، تحویل‌ها را حذف و دامنهٔ تأییدها را حول آن مرز بازتعریف کند.
3. (CEO و کمیتهٔ اجرایی، فصل بعد) اختیارات تصمیم را در سیاست بازنویسی کنید: فهرست کنید کدام تصمیم‌ها را یک توصیهٔ AI می‌تواند خودمختار اجرا کند، کدام‌ها بازبینی موردی می‌خواهند، و چه کسی هنگام خطا پاسخگوست.
4. (مدیر منابع انسانی و مدیر تحول، ۹۰ روز نخست) نقش‌ها، مشوق‌ها و آموزش را با جریان‌های بازطراحی‌شده هم‌راستا کنید: افراد را بر نتیجهٔ جریان کار بسنجید نه استفاده از ابزار، و نقشهٔ مرز را منتشر کنید تا کارکنان از حدس‌زدن دست بردارند.
5. (CFO و مالکان سود و زیان، چرخهٔ بودجهٔ بعد) دروازهٔ پرتفوی AI را بر حرکتِ نتیجه ببندید: هر برنامهٔ در حال مقیاس، خط سود و زیان، خط پایه و تغییر اختیارات تصمیمش را نام می‌برد؛ برنامه‌هایی که نمی‌توانند بازطراحی یا از تأمین مالی خارج می‌شوند — پیش از آنکه سناریوی لغو گارتنر این کار را به‌جای شما انجام دهد.[۵]
6. (کمیتهٔ ریسک / ممیزی هیئت‌مدیره، امسال) حکمرانی را با خودمختاری هم‌اندازه کنید: ارزیابی، ردپای ممیزی و کنترل‌های ریسکِ هم‌سنگ با قضاوتِ واگذارشده، و بازبینی هر بار که خودمختاری گسترش می‌یابد.

منابع

1. McKinsey & Company (People & Organizational Performance) — AI is changing work. Now it has to change the organization، ۵ اکتبر ۲۰۲۶. mckinsey.com — استدلال بازطراحی سازمانی: کار سریع‌تر از ساختارهای اطرافش تغییر می‌کند و ارزش در مقیاس نیازمند تغییر مدل عملیاتی است، نه استقرار ابزار. بزرگی نمودارها پشت صفحه است.
2. McKinsey & Company (نظرسنجی)؛ پوشش Economic Times CIO، ANI و Jornal Económico — The State of AI, 2026 survey (به‌روایت ET CIO / ANI / Jornal Económico)، ۱۶ اکتبر ۲۰۲۶. cio.economictimes.indiatimes.com — ارقام حدود ۸۰٪ بهره‌وری کارکنان، حدود ۶٪ دستاورد مالی قابل‌توجه و حدود ۳۷٪ بهبود درآمد؛ پوشش ثانویه با دیدِ محدود به نمونه، پس بزرگی‌ها جهت‌دارند.
3. MIT Media Lab / Project NANDA — The GenAI Divide: State of AI in Business 2025، ۱۸ اوت ۲۰۲۵. fortune.com — حدود ۹۵٪ پایلوت‌های هوش مصنوعی مولد بدون بازگشت قابل‌اندازه‌گیری در سود و زیان در زمان مطالعه، به‌همراه علل منتسب (نبود یکپارچه‌سازی با جریان کار، ناسازگاری وظیفه و مدل، حمایت ضعیف از پذیرش، شکاف سنجش)؛ نقل از پوشش Fortune، و دامنهٔ رقم ۹۵٪ (پایلوت‌ها در برابر همهٔ استقرارها) محل مناقشه است.
4. Dell'Acqua و همکاران (کارپژوهشی Harvard Business School شمارهٔ 24-013؛ سپس Organization Science) — Navigating the Jagged Technological Frontier، سپتامبر ۲۰۲۳ (کارپژوهشی)؛ نسخهٔ ژورنالی ۲۰۲۵. pubsonline.informs.org — آزمایش میدانی پیش‌ثبت‌شدهٔ ۷۵۸ مشاور (+۱۲٫۲٪ وظایف، ۲۵٫۱٪ سریع‌تر، >۴۰٪ کیفیت درون مرز) و مفهوم مرز دندانه‌دار؛ تک‌شرکتی و یک نسل مدل، پس بزرگی‌ها بدون قید تعمیم نمی‌یابند.
5. Gartner — Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027، ۲۵ ژوئن ۲۰۲۵. gartner.com — پیش‌بینی لغو (یک پیش‌بینی، نه نتیجهٔ مشاهده‌شده) با علل ذکرشده: هزینه‌های فزاینده، ارزش مبهم کسب‌وکاری، کنترل‌های ناکافی ریسک؛ و مشاهدهٔ «شست‌وشوی عاملی». روش‌شناسی اختصاصی است.