۹۶٪ شرکت‌ها AI خریده‌اند؛ شکاف مهارت ۶۹٪ پروژه‌ها را متوقف کرد

Pluralsight در اطلاعیه انتشار گزارش مهارت‌ها در ۳۰ سپتامبر ۲۰۲۶ اعلام کرد که در پیمایش ۱۵۰۰ مدیر فناوری، متخصص فناوری و مسئول آموزش سازمانی در آمریکا، بریتانیا و استرالیا، ۹۶٪ سازمان‌ها برای دست‌کم بخشی از کارکنان ابزار AI تهیه کرده‌اند، اما ۶۹٪ سازمان‌ها در سال گذشته به‌دلیل کمبود مهارت فناوری دست‌کم یک پروژه را کنار گذاشته‌اند. رقم دوم سهم سازمان‌هایی است که چنین تجربه‌ای داشته‌اند، نه سهم کل پروژه‌ها. کمبود مهارت مورد پرسش نیز به فناوری به‌طور کلی مربوط است و نمی‌توان همه پروژه‌های کنارگذاشته‌شده را پروژه AI دانست.

در متن Tech Skills Report 2026، تنها ۵۲٪ سازمان‌ها گفته‌اند بیشتر یا همه کارکنانشان سواد AI دارند و ۷۷٪ مدیران فناوری گفته‌اند کارکنانی را دیده‌اند که پس از آموزش یا دریافت گواهی، باز هم نتوانسته‌اند مهارت آموخته‌شده را در کار به کار ببرند؛ متیو لوید دیویس، نویسنده ارشد حوزه امنیت در Pluralsight، این وضعیت را «It is an execution risk» توصیف می‌کند. این یافته‌ها فاصله میان دسترسی به ابزار، آشنایی با آن و توان انجام کار واقعی را در مرکز خبر قرار می‌دهند.

فاصله میان خرید ابزار و توان انجام کار

خرید ابزار، امکان استفاده را فراهم می‌کند، اما چیزی درباره کیفیت استفاده کارکنان نمی‌گوید. سازمان ممکن است مجوز استفاده را در اختیار تیم بگذارد و هم‌زمان نداند چه کسی می‌تواند خروجی AI را برای وظیفه‌ای مشخص ارزیابی، اصلاح و با معیارهای همان کار تطبیق دهد. این تفاوت هنگام خرید کمتر دیده می‌شود، زیرا تعداد حساب‌های فعال یا دوره‌های گذرانده‌شده را آسان‌تر از توان انجام یک وظیفه واقعی می‌توان شمرد.

سواد AI نیز با مهارت اجرای پروژه یکسان نیست. کارمند می‌تواند کاربردها و محدودیت‌های کلی ابزار را بشناسد، اما برای استفاده از آن در یک فرایند کاری به شناخت داده‌های مجاز، معیار کیفیت خروجی و زمان بازبینی انسانی نیاز داشته باشد. در سوی دیگر، تیم فنی ممکن است استفاده از ابزار را بلد باشد، ولی مهارت لازم برای اتصال آن به سامانه‌های موجود یا اداره پیامدهای امنیتی و زیرساختی را نداشته باشد. بنابراین یک پاسخ مثبت به پرسش «آیا ابزار خریده‌ایم؟» وضعیت آمادگی کل تیم را روشن نمی‌کند.

پیمایش بر ارزیابی پاسخ‌دهندگان از سازمان خود تکیه دارد؛ این ارقام نتیجه آزمون یکسانِ مهارت همه کارکنان نیستند. با وجود این محدودیت، گزارش هم‌زمان سه موضوع متفاوت را ثبت می‌کند: سرمایه‌گذاری در ابزار، برداشت سازمان از سواد کارکنان و تجربه کنار گذاشتن پروژه. کنار هم قرار گرفتن آن‌ها دلیل توجه به توان اثبات‌شده در کار را نشان می‌دهد، بی‌آنکه ثابت کند خرید AI به‌تنهایی باعث توقف پروژه‌ها شده است.

کمبود مهارت چه زمانی پروژه را متوقف می‌کند

مانع اجرا معمولاً زمانی آشکار می‌شود که برنامه از مرحله دسترسی به ابزار عبور می‌کند و باید به تحویل نتیجه برسد. در این مرحله، تیم به افرادی نیاز دارد که مسئله را به وظایف قابل‌انجام تقسیم کنند، خروجی را با نیاز اولیه بسنجند و خطا را پیش از استفاده عملی تشخیص دهند. اگر این توان در تیم موجود نباشد، داشتن ابزار و حتی پایان یافتن دوره آموزشی، خودبه‌خود ظرفیت تحویل ایجاد نمی‌کند.

پروژه‌های ابری، امنیت سایبری و AI یا یادگیری ماشین در گزارش در میان حوزه‌هایی قرار دارند که از شکاف مهارت آسیب بیشتری می‌بینند. این حوزه‌ها می‌توانند در یک طرح به هم وابسته باشند: کاربرد AI ممکن است به زیرساخت مناسب و کنترل‌های امنیتی نیاز داشته باشد، در حالی که کارکنان برای نگهداری یا ارزیابی آن‌ها آموزش کافی ندیده‌اند. این توضیح یک سازوکار محتمل برای دشواری اجراست؛ پیمایش سهم دقیق هر مهارت را در پروژه‌های متوقف‌شده جداگانه تعیین نمی‌کند.

کنار گذاشتن پروژه با دیر تحویل دادن آن یا واگذاری بخشی از کار به بیرون تفاوت دارد. در حالت نخست سازمان تصمیم می‌گیرد طرح را ادامه ندهد؛ در حالت دوم شاید پروژه همچنان پیش برود، اما زمان، بودجه یا شیوه اجرای آن تغییر کند. جدا نگه داشتن این پیامدها برای فهم خبر ضروری است: یک سازمان می‌تواند به کمبود مهارت برخورد کند و راه ادامه کار را پیدا کند، در حالی که سازمانی دیگر ناچار شود طرح را متوقف کند.

وقتی ظرفیت داخلی کم است، هزینه به کجا می‌رود

در بریتانیا، پوشش TechRadar از نتایج بریتانیا می‌گوید ۴۰٪ پاسخ‌دهندگان به‌دلیل نبود مهارت لازم ناچار به برون‌سپاری پیش‌بینی‌نشده شده‌اند، ۳۹٪ در تحویل پروژه‌های مهم ناکام مانده‌اند و ۳۵٪ مدیران فناوری برآورد کرده‌اند که شکاف مهارت سالانه دست‌کم ۳۸۰ هزار پوند برای سازمانشان هزینه دارد. این ارقام مربوط به نمونه بریتانیاست و نباید به کل سازمان‌های پیمایش‌شده در سه کشور تعمیم داده شود. برآورد هزینه نیز پاسخ مدیران به نظرسنجی است، نه حسابرسی مالی مستقل.

برون‌سپاری ناخواسته نشان می‌دهد هزینه کمبود مهارت فقط بهای دوره آموزشی یا اشتراک ابزار نیست. وقتی کاری برای اجرای داخلی برنامه‌ریزی شده اما تیم توان انجام آن را ندارد، سازمان باید دامنه کار را دوباره تعیین کند، تأمین‌کننده بیرونی بیابد و نتیجه را با نیاز پروژه هماهنگ کند. این کار ممکن است راهی برای ادامه پروژه باشد، اما تصمیمی که در آغاز پیش‌بینی نشده بود به بودجه و زمان‌بندی اضافه می‌کند. ناتوانی در تحویل پروژه مهم پیامد دیگری است که حتی با تهیه ابزار بیشتر برطرف نمی‌شود، مگر مهارت لازم برای انجام کار نیز فراهم شود.

سنجش آمادگی پیش از خرید بعدی

یافته‌های گزارش برای تصمیم خرید بعدی یک پرسش مشخص ایجاد می‌کنند: چه شواهدی نشان می‌دهد کارکنان می‌توانند کار مورد انتظار را با ابزار تازه انجام دهند؟ پاسخ را می‌توان پیش از تعهد به بودجه و موعد تحویل، با معیارهایی نزدیک به خود پروژه سنجید. فهرست زیر چارچوبی پیشنهادی برای این تصمیم است، نه نتیجه‌ای که نظرسنجی درباره سازمانی معین اثبات کرده باشد.

• وظیفه و خروجی: کاری را که قرار است با AI انجام شود مشخص کنید و تعریف کنید نتیجه قابل‌قبول چه ویژگی‌هایی دارد. دسترسی به ابزار بدون تعریف کار، معیار آمادگی نیست.
• توان نشان‌داده‌شده: از کارکنان بخواهید وظیفه‌ای نزدیک به کار واقعی را انجام دهند و نشان دهند چگونه خروجی را ارزیابی و اصلاح می‌کنند. تکمیل دوره یا داشتن گواهی به‌تنهایی جای این مشاهده را نمی‌گیرد.
• ظرفیت تحویل: روشن کنید کدام مهارت‌ها در تیم وجود دارد، کدام‌ها به آموزش نیاز دارد و چه بخشی از کار از ابتدا به تخصص بیرونی وابسته خواهد بود. این تفکیک می‌تواند پیش از آغاز پروژه در برآورد زمان و هزینه منعکس شود.

برای کارکنان، چنین سنجشی انتظار سازمان را نیز روشن‌تر می‌کند: دانستن نام یک ابزار یا گذراندن دوره کافی نیست؛ باید بتوان خروجی آن را در شرایط کار خود به نتیجه‌ای قابل‌استفاده تبدیل کرد. برای مدیران، پیامد مستقیم این است که بودجه خرید و برنامه آموزش را با ظرفیت تحویل یک پروژه بسنجند. اگر مهارت ضروری تنها هنگام تحویل آشکار شود، انتخاب میان تأخیر، برون‌سپاری و کنار گذاشتن طرح با اختیار و زمان کمتری انجام خواهد شد.

بیشتر بخوانید:

• ۴۸٪ کارکنان دربارهٔ مهارت AI اغراق کرده‌اند؛ فشار سازمانی متهم است
• خلاصهٔ غلط هوش مصنوعی حافظه را هم عوض کرد؛ دقت از ۸۳٫۶٪ به ۴۴٫۸٪ رسید
• NASA برای غذای مریخ برنده انتخاب کرد؛ وعدهٔ جایزه از پرداخت نهایی بزرگ‌تر بود