ماهنامه کارخانه نوشت: در عصر دیجیتال، ارزیابی ریسک دیگر نمی‌تواند متکی به مدل‌های خطی و سنتی باشد که بر مبنای داده‌های گذشته و شاخص‌های ایستا عمل می‌کردند. پروژه‌های بزرگ صنعتی – به‌ویژه در بخش‌های سرمایه‌بر مانند فولاد، معدن، پتروشیمی و انرژی‌های تجدیدپذیر با عدم‌قطعیت‌های متعددی مواجه هستند که به دلیل پویایی بازار، بحران‌های اقلیمی، تحریم‌های بین‌المللی، و نوسانات سیاسی-اقتصادی قابل پیش‌بینی نیستند. در چنین محیطی، فناوری‌های نوین مانند هوش مصنوعی (AI) و یادگیری ماشین (ML) با بهره‌گیری از کلان‌داده‌ها (Big Data)، توانسته‌اند الگوریتم‌هایی ایجاد کنند که به صورت لحظه‌ای داده‌های گسترده را پردازش کرده و ریسک‌های احتمالی را با دقت و سرعت بالا پیش‌بینی می‌کنند. نمونه موفق این تحول را می‌توان در پلتفرم Watson Decision Platform شرکت IBM مشاهده کرد. این پلتفرم با استفاده از الگوریتم‌های یادگیری عمیق، داده‌های ساختاریافته و غیرساختاریافته را از منابع مختلف – از قراردادهای تأمین مالی گرفته تا داده‌های ماهواره‌ای و پیش‌بینی‌های اقلیمی – تحلیل می‌کند و خروجی‌هایی به مدیران پروژه ارائه می‌دهد که شامل سناریوهای مختلف، سطح عدم قطعیت، و توصیه‌های تصمیم‌محور است. این ابزار به مدیران مالی و عملیاتی این امکان را می‌دهد تا تصمیماتی مبتنی بر تحلیل لحظه‌ای بگیرند، نه صرفاً تحلیل‌های سنتی مبتنی بر بازبینی گذشته. از منظر کاربردی، مدل‌های یادگیری ماشین می‌توانند به صورت مستمر خود را با تغییرات محیطی و داده‌های جدید وفق دهند. برای مثال، در یک پروژه استخراج معادن، مدل می‌تواند با تحلیل ترکیبی قیمت جهانی فلزات، شرایط جوی، ظرفیت تولید نیروگاه منطقه و سیاست‌های محلی، احتمال تأخیر یا افزایش هزینه‌ها را پیش‌بینی کرده و هشدارهایی برای بازطراحی برنامه زمان‌بندی یا تأمین مالی پروژه صادر کند. این قابلیت انطباق‌پذیری و یادگیری مستمر، مهم‌ترین تفاوت مدل‌های هوش مصنوعی با الگوهای سنتی است که اغلب در برابر تغییرات ناگهانی ناتوان بودند.

به طور کلی، ورود فناوری‌های هوش مصنوعی به فرآیند ارزیابی ریسک، نه‌تنها به افزایش دقت تحلیل کمک کرده، بلکه سبب کاهش هزینه‌های تصمیم‌گیری و سرعت‌بخشی به فرآیندهای اجرایی شده است. این فناوری‌ها با توان پردازش بالا، داده‌کاوی در لحظه، و تشخیص الگوهای پنهان، در حال تبدیل شدن به بازوی مشورتی حیاتی برای شرکت‌های بزرگ صنعتی در جهان هستند. با این حال، برای بهره‌برداری مؤثر از این فناوری در ایران و سایر کشورهای در حال توسعه، باید زیرساخت‌های داده، سیاستگذاری هوشمند، و تعامل فعال میان بخش خصوصی و دولت به‌درستی شکل گیرد.

ابزار پیش‌بینی شکست پروژه‌ها

یکی از مهم‌ترین کاربردهای نوین هوش مصنوعی در حوزه مدیریت پروژه‌های صنعتی، پیش‌بینی احتمال شکست یا انحراف پروژه‌ها از اهداف اولیه است. بر اساس گزارش تحلیلی سال ۲۰۲۲ مؤسسه مک‌کینزی با عنوان Artificial Intelligence in Capital Projects، بیش از ۴۵ درصد از پروژه‌های زیرساختی در سطح جهانی با چالش‌هایی همچون افزایش غیرقابل پیش‌بینی هزینه‌ها، تأخیرهای زمانی یا حتی توقف کامل روبه‌رو می‌شوند. علت اصلی این وضعیت، ضعف در ارزیابی دقیق ریسک‌ها در مراحل ابتدایی تصمیم‌گیری و سرمایه‌گذاری عنوان شده است. مک‌کینزی تاکید می‌کند که الگوریتم‌های پیشرفته یادگیری ماشین می‌توانند دقت پیش‌بینی شکست پروژه‌ها را تا ۷۰ درصد افزایش دهند و در نتیجه از هدر رفت منابع مالی در پروژه‌هایی با احتمال شکست بالا جلوگیری کنند.

هوش مصنوعی با قابلیت تجزیه‌وتحلیل داده‌های حجیم و ناهمگون، توانایی درک الگوهایی را دارد که اغلب از نگاه انسان یا مدل‌های سنتی پنهان می‌ماند. در پروژه‌های بزرگ صنعتی که ده‌ها متغیر هم‌زمان (از شرایط اقلیمی تا وضعیت زنجیره تأمین) بر موفقیت اثر می‌گذارند،AI می‌تواند سناریوهای پیچیده‌ای را شبیه‌سازی کند و هشدارهای پیش‌گیرانه صادر کند. این ابزارها با ترکیب داده‌های عملکرد تاریخی، استانداردهای مهندسی، وضعیت مالی، رفتار تامین‌کنندگان و سایر شاخص‌های کلیدی، نقشه‌ای پویا از آینده پروژه ترسیم می‌کنند. نتیجه این تحلیل‌ها، کاهش وابستگی به تصمیمات شهودی و افزایش دقت در تخصیص منابع و زمان است.

شرکت‌های بزرگی مانند Siemens و General Electric در سال‌های اخیر، سیستم‌های مبتنی بر هوش مصنوعی را برای پایش بلادرنگ ریسک در پروژه‌های صنعتی خود توسعه داده‌اند. این سیستم‌ها نه‌تنها به بررسی داده‌های عملکرد ماشین‌آلات و انرژی می‌پردازند، بلکه پارامترهایی همچون تأخیر در تحویل قطعات، نوسانات قیمت جهانی، داده‌های ژئوتکنیکی و حتی شرایط آب‌وهوایی منطقه پروژه را در مدل‌های پیش‌بینی خود وارد می‌کنند. به‌این‌ترتیب، تصویر شفاف‌تری از «ریسک بلادرنگ »(real-time risk) برای مدیران پروژه فراهم می‌شود؛ مفهومی که در روش‌های سنتی تحلیل پروژه کمتر وجود داشت یا به‌صورت پسینی شناسایی می‌شد.

از این رو، بهره‌گیری از هوش مصنوعی در پیش‌بینی شکست پروژه‌ها، نه‌تنها به افزایش دقت در تصمیم‌گیری کمک می‌کند، بلکه در سطح کلان موجب کاهش اتلاف منابع ملی، بهبود بهره‌وری در پروژه‌های توسعه‌ای و افزایش شفافیت در سرمایه‌گذاری صنعتی می‌شود. در کشوری مانند ایران که بخش قابل‌توجهی از پروژه‌های صنعتی با ریسک‌های اجرایی و تأمین مالی مواجهند، استقرار سیستم‌های هوشمند پیش‌بینی شکست پروژه می‌تواند به‌عنوان یک ضرورت راهبردی برای نهادهای دولتی، بانک‌های توسعه‌ای و شرکت‌های صنعتی قلمداد شود.

کاربرد هوش مصنوعی در اکوسیستم صنعتی ایران

در اکوسیستم صنعتی ایران که تحت‌تأثیر مجموعه‌ای از ریسک‌های ساختاری قرار دارد، استفاده از ابزارهای هوش مصنوعی دیگر یک انتخاب اختیاری نیست، بلکه به ضرورتی راهبردی برای بقای رقابت‌پذیری و بهره‌وری تبدیل شده است. پروژه‌های بزرگ صنعتی، به‌ویژه در حوزه‌هایی نظیر فولاد، مس و انرژی، با مخاطراتی چون نوسانات ارزی، تحریم‌های مالی، عدم قطعیت مقررات صادرات و واردات، و ضعف در شفافیت مالی دست‌وپنجه نرم می‌کنند. در چنین فضایی، شرکت‌ها نیاز دارند تصمیمات سرمایه‌گذاری و اجرای پروژه را نه بر اساس شهود مدیریتی، بلکه با تکیه بر مدل‌های پیش‌بینی دقیق و مبتنی بر داده اتخاذ کنند. هوش مصنوعی با امکان تحلیل سریع، هم‌زمان و چندلایه داده‌ها، راهکاری مناسب برای مدیریت این سطح از پیچیدگی و ابهام ارائه می‌دهد.

برای نمونه، شرکت‌های فولادی ایران می‌توانند با طراحی مدل‌های هوش مصنوعی بومی‌سازی‌شده، الگوهای تغییر قیمت جهانی فولاد، هزینه‌های حمل‌ونقل دریایی، ریسک‌های زنجیره تأمین و تحولات سیاسی-اقتصادی منطقه‌ای را در زمان واقعی پایش کنند. این ابزارها، در کنار مدل‌های اقتصادی و داده‌های عملیاتی داخلی، می‌توانند نقشه راهی دقیق برای تحلیل ریسک پروژه‌های توسعه‌ای، تأسیس واحدهای جدید، یا حتی صادرات هوشمند محصولات ارائه دهند. از آن مهم‌تر، این سیستم‌ها می‌توانند در شرایط بحرانی (مانند تحریم یا جنگ)، سناریوهای جایگزین برای تأمین کالا، تطبیق قراردادها یا مدیریت نقدینگی پیشنهاد دهند و از بروز زیان‌های شدید جلوگیری کنند.

همچنین بهره‌گیری از AI در تحلیل اسناد مناقصه، قراردادهای EPC یا BOT، و ارزیابی ریسک همکاری با پیمانکاران خارجی یا تامین‌کنندگان تجهیزات، می‌تواند نقش چشم‌گیری در کاهش خطاهای انسانی، پیشگیری از سوءتفاهم‌های حقوقی و افزایش شفافیت فرآیند تصمیم‌گیری داشته باشد. شرکت‌های فعال در صنایع زیرساختی می‌توانند از این فناوری برای شناسایی زودهنگام انحرافات پروژه، تحلیل تناقض‌های متنی، یا ردیابی سوابق فنی و مالی پیمانکاران بهره بگیرند. به‌ویژه در پروژه‌هایی با تأمین مالی خارجی، استفاده از سیستم‌های هوشمند می‌تواند موجب اعتمادسازی بیشتر در میان سرمایه‌گذاران بین‌المللی شود.

در نهایت، توسعه اکوسیستم هوش مصنوعی در صنعت ایران نیازمند هم‌افزایی میان بخش خصوصی، نهادهای دولتی، مراکز تحقیقاتی و استارت‌آپ‌های فناوری است. وجود موانعی مانند نبود استانداردهای باز داده‌ای، ضعف اتصال ERP شرکت‌ها، و کمبود زیرساخت پردازشی، نباید مانع از آغاز مسیر هوشمندسازی باشد. آنچه اهمیت دارد، طراحی گام‌به‌گام برای انتقال از مدل‌های سنتی به تصمیم‌گیری داده‌محور است. شرکت‌هایی که زودتر در این مسیر سرمایه‌گذاری کنند، نه‌تنها ریسک‌های خود را بهتر مدیریت می‌کنند، بلکه در رقابت منطقه‌ای و جهانی نیز پیش‌رو خواهند بود.

چالش‌ها و الزامات توسعه کاربرد هوش مصنوعی

با وجود پتانسیل قابل‌توجه هوش مصنوعی در بهبود فرآیند ارزیابی ریسک در پروژه‌های بزرگ صنعتی، تحقق این ظرفیت با موانع متعددی روبه‌روست. مهم‌ترین چالش، فقدان داده‌های ساختاریافته و طبقه‌بندی‌شده در شرکت‌های پروژه‌محور است. بسیاری از بنگاه‌های صنعتی، به‌ویژه در کشورهای در حال توسعه مانند ایران، فاقد زیرساخت‌های اطلاعاتی مدرن نظیر سیستم‌های ERP یا پلتفرم‌های هوش تجاری (BI) هستند. داده‌های حیاتی پروژه‌ها همچنان به‌شکل پراکنده، غیراستاندارد و در برخی موارد غیرقابل بازیابی ذخیره می‌شوند. در چنین شرایطی، حتی پیشرفته‌ترین مدل‌های هوش مصنوعی نیز توان تحلیل مؤثر و ارائه بینش راهبردی را از دست می‌دهند.

دومین مانع کلیدی، کمبود نیروی انسانی متخصص در حوزه AI با درک صنعتی عمیق است. توسعه و بهره‌برداری از مدل‌های هوش مصنوعی نیازمند تیم‌هایی با ترکیب دانش بین‌رشته‌ای است؛ تیم‌هایی متشکل از مهندسان پروژه، متخصصان علوم داده، تحلیلگران مالی و مدیران عملیاتی. این هماهنگی میان تخصص‌ها برای طراحی مدل‌هایی کاربردی که بتوانند از دل واقعیت پیچیده پروژه‌های صنعتی، ریسک‌های پنهان را استخراج کنند، حیاتی است. نبود این سرمایه انسانی، یکی از دلایل کندی پیاده‌سازی فناوری‌های پیشرفته در بدنه صنعت محسوب می‌شود. هم‌زمان، توسعه کاربردهای هوش مصنوعی نیازمند زیرساخت‌های فناورانه قدرتمند و قابل اطمینان است. پردازش داده‌های حجیم، شبیه‌سازی سناریوهای ریسک و اجرای مدل‌های یادگیری ماشین، همگی نیاز به منابع محاسباتی بالا، امنیت سایبری مناسب و دسترسی به سرویس‌های ابری دارند. این زیرساخت‌ها، در بسیاری از صنایع سنتی، یا وجود ندارند یا از استانداردهای روز جهانی فاصله زیادی دارند. بدون فراهم کردن بسترهای فنی مناسب، دسترسی به مزایای هوش مصنوعی تنها در حد شعار باقی خواهد ماند.

تجربه‌های جهانی موفق در صنایع معدنی و انرژی‌های تجدیدپذیر

در دهه اخیر، کشورهایی که به‌طور جدی در مسیر گذار انرژی، توسعه زیرساخت‌های معدنی و تأمین مالی پروژه‌های سبز گام برداشته‌اند، مدل‌های نوینی از تأمین مالی مبتنی بر فناوری را به کار بسته‌اند. این کشورها از ترکیب نوآوری‌های دیجیتال، مشارکت بخش خصوصی، صندوق‌های دولتی و مکانیسم‌های شفاف گزارش‌دهی استفاده کرده‌اند تا سرمایه‌گذاری‌های زیرساختی را به سطحی پایدار و قابل‌اتکا برسانند. بررسی تجربه کشورهای پیشرو در زمینه تأمین مالی پروژه‌های معدنی و انرژی‌های تجدیدپذیر، درس‌های مهمی برای ایران و سایر کشورهای در حال توسعه دارد.

یکی از نمونه‌های موفق در این زمینه، کشور شیلی است. این کشور با تکیه بر ذخایر گسترده لیتیوم، پروژه‌های استخراج معادن لیتیوم را از طریق ابزارهای مشارکتی تأمین مالی کرده و با راه‌اندازی پلتفرم‌های دیجیتال گزارش‌دهی زیست‌محیطی، توانسته اعتماد سرمایه‌گذاران بین‌المللی را جلب کند. طبق گزارش World Bank (2023)، پروژه Salar de Atacama توانسته با ترکیب سرمایه خصوصی، ضمانت‌های بانکی و قراردادهای هوشمند، ظرف دو سال بیش از ۲ میلیارد دلار سرمایه جذب کند. دولت شیلی، در این مسیر از سیاست‌های تشویقی مالیاتی، الزامات گزارشگری ESG و توکن‌سازی درآمدهای آتی در پلتفرم‌های بومی بهره برده است.

در اروپا، کشور آلمان با راه‌اندازی برنامه‌ای تحت عنوان «پروژه‌های سبز برای آینده»، اقدام به ایجاد صندوق‌های سرمایه‌گذاری خرد کرده است که شهروندان از طریق اپلیکیشن‌های دیجیتال می‌توانند در تأمین مالی پروژه‌های بادی، خورشیدی و حتی بازیافت زباله‌های صنعتی سهیم شوند. این طرح‌ها که با همکاری شرکت‌های بزرگ انرژی مانند Siemens Energy و EnBW توسعه یافته‌اند، نه‌تنها تأمین مالی را تسهیل کرده‌اند، بلکه با افزایش مشارکت عمومی، مشروعیت اجتماعی پروژه‌ها را نیز ارتقا داده‌اند. طبق گزارش European Investment Bank (2022)، بیش از ۳۵ درصد پروژه‌های انرژی تجدیدپذیر محلی در آلمان در ۵ سال گذشته از طریق سازوکارهای جمع‌سپاری و ابزارهای دیجیتال تأمین مالی شده‌اند.

در کشور هند نیز برنامه‌ای با عنوان Green Infrastructure Finance Platform اجرا شده است. این برنامه توسط بانک توسعه‌ای SIDBI و با همکاری بخش خصوصی و نهادهای جهانی مانند IFC شکل گرفته و هدف آن تأمین مالی پروژه‌های انرژی خورشیدی در مناطق روستایی و صنعتی است. وجه تمایز مدل هند در آن است که از فناوری‌های داده‌محور و سیستم‌های ارزیابی مبتنی بر هوش مصنوعی برای اعتبارسنجی پروژه‌ها و رتبه‌بندی ریسک استفاده می‌کند. طبق گزارش McKinsey India (2023)، این مدل موجب کاهش هزینه‌های جذب سرمایه تا ۴۰ درصد و افزایش نرخ تحقق پروژه‌ها تا ۸۵ درصد شده است. هند همچنین در حوزه استخراج فلزات نادر، از قراردادهای سه‌جانبه میان دولت، پلتفرم‌های دیجیتال و سرمایه‌گذاران خرد برای تسریع در جذب منابع استفاده کرده است.

در سطح جهانی نیز صندوق‌های سرمایه‌گذاری سبز مانند Climate Investment Funds (CIF) و Global Infrastructure Facility (GIF) تجربه‌های موفقی در توسعه پروژه‌های معدنی با ملاحظات زیست‌محیطی و اجتماعی ارائه داده‌اند. این صندوق‌ها با ایجاد بسترهای شفاف برای گزارش‌دهی، نظارت و مشارکت، ریسک سرمایه‌گذاری را کاهش داده و زمینه ورود سرمایه‌گذاران نهادی به پروژه‌های بلندمدت را فراهم کرده‌اند. مطابق گزارش Economist Intelligence Unit (2022)، کشورهایی مانند مراکش، برزیل و آفریقای جنوبی از حمایت این نهادها در پروژه‌های خورشیدی، آبی و معدنی بهره‌مند شده‌اند و توانسته‌اند الگویی موفق از «مالی‌سازی پایدار» ارائه دهند.

در مجموع، آنچه در تجربه‌های موفق جهانی مشترک است، ترکیب زیرساخت‌های دیجیتال، نهادهای مالی هوشمند، سیاست‌های شفاف و مشارکت فعال مردم و شرکت‌ها در تأمین مالی پروژه‌ها است. این مدل‌ها نه‌تنها ریسک سرمایه‌گذاری را کاهش داده، بلکه موجب تسریع در اجرا، بهبود عملکرد و افزایش عدالت جغرافیایی در توسعه شده‌اند. برای ایران نیز، بهره‌گیری از این الگوها با توجه به اقتضائات محلی می‌تواند راهگشای تأمین مالی هوشمندانه، مردمی و پایدار پروژه‌های صنعتی و معدنی باشد.