أبلغ المهندسون عن زيادة في شحن المنتجات المدعمة بالذكاء الاصطناعي (56% مقابل 42% العام الماضي)، وهي زيادة سنوية تشير إلى أن السوق ينتقل من الإصدارات التجريبية إلى التضمين الافتراضي.
لكن أهم التحديات التي يواجهها الاستطلاع تشير إلى أن عملية الطرح يمكن أن تتجاوز الاستعداد، خاصة مع انتقال أنظمة الذكاء الاصطناعي إلى بيئات الإنتاج حيث يجب على الفرق مراقبة الأداء وإدارة الانحراف والحفاظ على النماذج بمرور الوقت.
في قطاع المستهلكين، لا يعد اعتماد الذكاء الاصطناعي أمرًا متجانسًا. وجدت شركة Menlo Ventures في دراسة استقصائية أجريت على 5031 شخصًا بالغًا أمريكيًا أنه في حين أن 61% استخدموا الذكاء الاصطناعي في الأشهر الستة الماضية، و3% فقط يدفعون مقابل الخدمات المميزة.
وفي الوقت نفسه، وجدت شركة Capgemini (12000 مستهلك) في يناير 2025 أن 71% يريدون دمج GenAI في التسوق وأن 58% استبدلوا البحث التقليدي بـ GenAI للحصول على توصيات المنتج/الخدمة.
في استطلاع Avnet، أشار 46% من المهندسين إلى جودة البيانات باعتبارها التحدي الأعلى على مستوى التصميم – وهو العائق الأعلى تصنيفًا أمام نشر الذكاء الاصطناعي. وتعزز هذه النتيجة مبدأ قديما: القمامة في الداخل والقمامة في الخارج. وقد يقع رقم أفنيت في الجانب المحافظ.
توقعات كي بي إم جي للربع الثالث من عام 2025 وجدت دراسة استقصائية للمؤسسات أن المخاوف المتعلقة بجودة البيانات قفزت من 56% إلى 82% في ربع واحد حيث حاولت الشركات توسيع نطاق مبادرات الذكاء الاصطناعي.
. أفاد Qlik أن 81% من محترفي الذكاء الاصطناعي ما زالوا يواجهون مشكلات كبيرة في جودة البياناتحيث قال 85% أن القيادة لا تعالج المشكلة.
يعد التعلم المستمر والصيانة أكبر التحديات التشغيلية (54%)، حيث يحتل مرتبة أعلى من التكلفة. هذا هو المكان الذي يمكن أن تتعثر فيه خرائط طريق الذكاء الاصطناعي: مراقبة الانجراف، وتحفيز إعادة التدريب، ورصد التراجعات، والتعامل مع متطلبات الحوكمة.
تمت مكافأة النماذج الأولية في الفترة من 2023 إلى 2024؛ تتعلق الفترة من 2025 إلى 2026 بالحفاظ على استقرار الأنظمة بعد الإطلاق.
عمليات النشر المضمنة الأكثر شيوعًا هي أتمتة العمليات (42%)، والصيانة التنبؤية (28%)، واكتشاف الأخطاء أو الحالات الشاذة (28%). هذه هي حالات الاستخدام حيث يمكن قياس القيمة واحتواء أوضاع الفشل، مثل أرضيات المصنع، وشبكات الاستشعار، وأنظمة مراقبة الجودة.
يتوافق هذا النمط مع بيانات الصناعة الأوسع. في عام 2024، برزت الصيانة التنبؤية كتطبيق رائد للذكاء الاصطناعي في التصنيع، وفقًا لـ أبحاث السوق.
ويميل الاعتماد إلى التركيز على إنتاج السيارات والآلات الثقيلة وأشباه الموصلات، وهي القطاعات التي تنطوي على فترات توقف غير مخطط لها تكلفة كبيرة.
تقوم Avnet بتأطير الوسائط المتعددة مثل استخدام أكثر من نوع واحد من الذكاء الاصطناعي في المنتج، أو الذكاء الاصطناعي الذي يمكنه التعامل مع أكثر من نوع استدلال واحد، مثل دمج النص بالإضافة إلى الصورة بالإضافة إلى المستشعر. التأثير العملي هو تصميم النظام: دمج الرؤية والكلام ونماذج السلاسل الزمنية والواجهات القائمة على LLM في منتج واحد.
. تتوقع IDC ذلك بحلول عام 2028، 80% من النماذج الأساسية المستخدمة لحالات الاستخدام على مستوى الإنتاج ستتضمن إمكانات متعددة الوسائط. ومن المتوقع أن ينمو سوق الذكاء الاصطناعي العالمي متعدد الوسائط، الذي تبلغ قيمته 1.34 مليار دولار في عام 2023، بمعدل نمو سنوي مركب قدره 35.8% حتى عام 2030.
في دراسة Avnet، أفاد المهندسون باستخدام الأدوات السائدة (ChatGPT 69%، Gemini 57%، Copilot 50%). يمثل رقم الجوزاء تحولا. أمضت شركة Google معظم عام 2023 وأوائل عام 2024 كوافد متأخر في سباق LLM، حيث يُنظر إلى Bard على نطاق واسع على أنه متأخر عن ChatGPT. تغير ذلك في عام 2025: أظهر Gemini 2.5 Pro أن الشركة قادرة على المنافسة، ويحتل Gemini 3.0 الآن المرتبة الأولى في العديد من لوحات المتصدرين العامة أو بالقرب منها. قامت Google أيضًا بدمج Gemini في Android وChrome وWorkspace، للوصول إلى المستخدمين من خلال المنتجات التي يستخدمونها بالفعل.
لقد جذبت ميزة التوزيع هذه الاهتمام التنظيمي: قاضٍ فيدرالي مؤخرًا منعت Google من إجبار الشركاء على تجميع Gemini مع الخدمات الأخرى، والاتحاد الأوروبي فتحت التحقيق حول ما إذا كانت Google منحت نفسها وصولاً تفضيليًا إلى المحتوى المخصص للتدريب على الذكاء الاصطناعي.
يفضل ما يقرب من نصف المهندسين (47٪) الحصول على ماجستير في القانون تم تدريبه على يد مهندسين من خارج مؤسساتهم: نماذج مصممة خصيصًا للهندسة مع تقييم ومصدر وتوثيق أقوى.
قال 16% فقط أنهم يفضلون الحصول على شهادة LLM متاحة للعامة للأسئلة الفنية. وتشير هذه الفجوة إلى وجود سوق للأدوات التي تتوافق مع القيود الحقيقية: مجموعات محددة، وأنماط الفشل المعروفة، ومتطلبات الامتثال.
قم بإقران أنماط اعتماد Avnet مع بيانات الثقة الخاصة بـ Stack Overflow وسيظهر نموذج تشغيل متسق: يعمل الذكاء الاصطناعي على تسريع المسودات، لكن البشر ما زالوا يتحققون من صحتها.
يثق 29% فقط من المطورين في دقة مخرجات الذكاء الاصطناعي، ويستشهد 66% منهم بـ “صحيح تقريبا ولكن ليس تماما“كأكبر إحباط لديهم. غالبًا ما يكون عنق الزجاجة هو التحقق من الصحة، وليس التوليد.
وتنتقل الميزة نحو الفرق التي يمكنها التحقق بشكل أسرع — من خلال تغطية اختبار أفضل، وخطوط التقييم الآلية، والمراجعات المنظمة، والطرح المرحلي. عندما تصبح مخرجات النموذج بمثابة حصص على الطاولة، يصبح الفرق هو مدى سرعة ودقة الفريق في تأكيد صحة المخرجات.
عندما تهيمن جودة البيانات (46%) والصيانة (54%) على قائمة التحديات، فإن التمايز يتراكم في الطبقات غير الجذابة: خطوط أنابيب البيانات، وأطر التقييم، والرصد، والحوكمة، وأنماط النشر التي تقلل من العوائق التشغيلية. لا يزال سباق النماذج الحدودية يحتل العناوين الرئيسية، لكن معظم الفرق الهندسية لا تعمل على توسيع نطاق مشاريع الذكاء الاصطناعي دون رياح معاكسة.
لا يزال جمع البيانات عالية الجودة أحد أكبر العوائق التي تحول دون نشر الذكاء الاصطناعي على نطاق واسع، حسبما خلص استطلاع Avnet.
