هوش مصنوعی ایرانی؛ راهنمای انتخاب میان ابزار بومی و خارجی برای سازمان

این مطلب برای تصمیم‌گیرنده سازمانی نوشته شده که میان ابزار هوش مصنوعی خارجی و راهکار ایرانی مردد است و به جای شعار، معیار مقایسه می‌خواهد. جستجوی «هوش مصنوعی ایرانی» در گوگل پر از عبارت‌هایی مانند «بدون فیلتر» و «با نت ملی» است؛ این عبارت‌ها نشان می‌دهند مسئله کاربر ایرانی فقط کیفیت مدل نیست، بلکه دسترسی پایدار و حاکمیت داده هم هست. تصمیم درست از تفکیک همین سه محور شروع می‌شود.

چرا این پرسش برای سازمان‌ها جدی شده است

ابزارهای جهانی در فارسی روان‌تر از همیشه شده‌اند و گزارش‌های سالانه‌ای مانند شاخص هوش مصنوعی استنفورد رشد توانایی و فراگیری این فناوری را سال به سال مستند می‌کنند. اما سازمان ایرانی با سه واقعیت اضافه روبه‌روست: پرداخت و احراز هویت برای سرویس خارجی ممکن است قطع شود، دسترسی شبکه ممکن است در دو سوی مسیر محدود شود، و داده حساس مشتری نباید بدون تحلیل حقوقی از مرز سازمان خارج شود. هر سه ریسک مدیریت‌پذیرند، به شرط آنکه پیش از وابستگی عملیاتی دیده شوند.

چهار معنای متفاوت «بومی بودن»

برچسب «ایرانی» روی یک سرویس هوش مصنوعی می‌تواند چهار معنای کاملاً متفاوت داشته باشد: رابط فارسی روی مدل خارجی، میزبانی داخلی برای مدل خارجی متن‌باز، مدل آموزش‌دیده یا تنظیم‌شده اختصاصی برای فارسی، و راهکار کامل سازمانی که مدل فقط یکی از اجزای آن است. این چهار لایه از نظر ریسک، هزینه و کیفیت هم‌ارز نیستند. اولین پرسش شما از هر تأمین‌کننده باید همین باشد: دقیقاً کدام لایه را ارائه می‌دهید و کدام اجزا به سرویس ثالث وابسته‌اند؟

پاسخ صادقانه معمولاً ترکیبی است و ترکیبی بودن عیب نیست؛ پنهان‌کردن وابستگی عیب است، چون برنامه تداوم شما را بی‌اعتبار می‌کند.

راه عملی برای شفاف‌سازی این است که پاسخ را به شکل جدول بخواهید: برای هر قابلیت مهم شما، کدام جزء آن را ارائه می‌دهد، آن جزء کجا اجرا می‌شود و چه کسی بهره‌بردار آن است. تأمین‌کننده‌ای که این جدول را سریع پر می‌کند معماری خودش را می‌شناسد؛ تأمین‌کننده‌ای که با صفت پاسخ می‌دهد، تبلیغ را توصیف می‌کند نه زیرساخت را. همین جدول بعداً اسکلت برنامه تداوم و خروج شما می‌شود.

اقامت داده و حاکمیت: پرسش‌های دقیق بپرسید

«داده شما پیش ما امن است» ادعا است، نه کنترل. پرسش‌های قابل پاسخ این‌هاست: داده ورودی کجا پردازش و کجا ذخیره می‌شود؟ چه چیزی در لاگ می‌ماند و چند روز؟ آیا داده شما برای آموزش یا بهبود مدل استفاده می‌شود؟ حذف قطعی با چه شاهدی اثبات می‌شود؟ چه کسانی و تحت چه فرایندی به داده دسترسی دارند؟ اسناد بین‌المللی مانند توصیه‌نامه اخلاق هوش مصنوعی یونسکو و اصول هوش مصنوعی OECD همین محورهای شفافیت و پاسخ‌گویی را مبنای حکمرانی مسئولانه می‌دانند؛ سازمان شما هم باید همین را از تأمین‌کننده داخلی و خارجی مطالبه کند.

برای داده طبقه‌بندی‌شده، گزینه استقرار داخلی یا محیط جدا را جدی بگیرید و به یاد داشته باشید که استقرار داخلی به‌تنهایی امنیت نمی‌آورد؛ هویت، دسترسی و لاگ همچنان باید درست طراحی شوند.

پایداری دسترسی: تحریم، اختلال و نت ملی

عبارت جستجوی «هوش مصنوعی ایرانی با نت ملی» یک نیاز عملیاتی واقعی را نشان می‌دهد: سامانه‌ای که در روز اختلال اینترنت بین‌الملل هم کار کند. برای فرایند حیاتی، این پرسش‌ها را مکتوب کنید: اگر ارائه‌دهنده مدل خارجی دسترسی را قطع کند چه می‌شود؟ اگر مسیر بین‌الملل مختل شود کدام قابلیت‌ها می‌مانند؟ آیا نسخه جایگزین داخلی یا مدل متن‌باز میزبانی‌شده برای حالت اضطراری وجود دارد؟ زمان و هزینه سوئیچ چقدر است؟

پاسخ خوب لزوماً «همه‌چیز داخلی» نیست؛ پاسخ خوب معماری‌ای است که مسیر جایگزین آزموده‌شده دارد و سوئیچ آن یک تصمیم عملیاتی است، نه یک پروژه شش‌ماهه.

سطح‌بندی کارها پیش از انتخاب ابزار هم کمک بزرگی است. سطح یک، کار مشتری‌محور و زمان‌حساس است که باید روز اختلال هم زنده بماند و از ابتدا مسیر داخلی می‌خواهد. سطح دو، بهره‌وری داخلی است که چند ساعت توقف را تحمل می‌کند. سطح سه، آزمایش و یادگیری است که در آن بهترین کیفیت موجود باید برنده شود. بیشتر سازمان‌ها می‌بینند فقط بخش کوچکی از کاربردهایشان واقعاً سطح یک است و بخش گران مسئله کوچک‌تر از تصور اولیه است.

کیفیت فارسی را با آزمون بسنجید، نه با ادعا

در فارسی، تفاوت کیفیت میان ابزارها به نوع کار بستگی دارد: خلاصه‌سازی متن رسمی، فهم گفت‌وگوی محاوره‌ای، استخراج فیلد از سند اسکن‌شده و پاسخ مستند به پرسش تخصصی چهار مهارت متفاوت‌اند. مجموعه آزمون کوچک اما واقعی از داده خودتان بسازید و گزینه‌ها را روی همان بسنجید. روش ساخت این مجموعه و سنجه‌های آن را در راهنمای چت بات فارسی برای کسب‌وکار به تفصیل نوشته‌ایم و همان روش برای مقایسه ابزار بومی و خارجی هم کار می‌کند.

تجربه تکرارشونده ما این است که رتبه ابزارها با تغییر نوع کار جابه‌جا می‌شود؛ به همین دلیل «بهترین هوش مصنوعی» بدون ذکر کار مشخص، پرسش دقیقی نیست.

هزینه واقعی: ریال، ارز و ریسک تداوم

مقایسه قیمت اشتراک کافی نیست. هزینه کل شامل نرخ ارز و ریسک تغییر آن، هزینه پرداخت واسطه برای سرویس خارجی، هزینه یکپارچه‌سازی با سامانه‌های داخلی، آموزش کاربران و هزینه سوئیچ در سناریوی قطع سرویس است. برای سرویس داخلی هم پرسش قرینه وجود دارد: پایداری مالی و فنی تأمین‌کننده، عمق پشتیبانی و نقشه راه محصول. چارچوب‌هایی مانند چارچوب مدیریت ریسک هوش مصنوعی NIST دقیقاً برای همین ساخته شده‌اند که ریسک‌های غیرفنی هم صاحب و سنجه پیدا کنند.

چک‌لیست ارزیابی منصفانه

برای مقایسه منصفانه، هر گزینه را روی این هشت محور از یک تا پنج امتیاز دهید: کیفیت فارسی در کار مشخص شما، اقامت و حاکمیت داده، پایداری دسترسی و مسیر جایگزین، امکان استقرار مطابق الزام امنیتی، عمق یکپارچه‌سازی با سامانه‌های موجود، شفافیت قیمت و قرارداد، کیفیت پشتیبانی فارسی، و شواهد اجرا در سازمان‌های مشابه. وزن محورها را پیش از دیدن پیشنهادها تعیین کنید تا دموی جذاب، معیارها را جابه‌جا نکند.

راهنمای مفصل‌تر فرایند انتخاب تأمین‌کننده، با شرط‌های قطعی و طراحی پایلوت، در راهنمای انتخاب شرکت هوش مصنوعی ایران آمده است.

ترکیب عملی: معماری چندلایه به جای انتخاب صفر و یک

برای بیشتر سازمان‌ها پاسخ درست، ترکیب است: ابزار جهانی برای کارهای عمومی کم‌ریسک، مدل میزبانی‌شده داخلی برای داده حساس، و لایه راهکار سازمانی که گردش‌کار، کنترل و ارزیابی را یکپارچه می‌کند. این معماری اجازه می‌دهد از کیفیت روز دنیا استفاده کنید بدون آنکه تداوم عملیات یا حاکمیت داده را گرو بگذارید. نقطه شروع پیشنهادی ما یک گردش‌کار محدود با پایلوت قابل‌اندازه‌گیری است تا انتخاب معماری با شواهد سازمان خودتان انجام شود، نه با تبلیغ بازار.

یادداشت منابع (بازبینی‌شده در ۲۰۲۶-۰۸-۱۰)

• روند جهانی توانایی و فراگیری: گزارش شاخص هوش مصنوعی استنفورد. مرجع سالانه داده‌محور درباره پیشرفت و پذیرش هوش مصنوعی.
• حکمرانی و شفافیت: توصیه‌نامه اخلاق هوش مصنوعی یونسکو. سند بین‌دولتی درباره حاکمیت داده، شفافیت و پاسخ‌گویی.
• اصول سیاستی: اصول هوش مصنوعی OECD. چارچوب مرجع برای هوش مصنوعی قابل اعتماد.
• مدیریت ریسک سازمانی: چارچوب مدیریت ریسک هوش مصنوعی NIST. چارچوب داوطلبانه برای سنجه‌دار کردن ریسک‌های فنی و غیرفنی.