پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشت‌ماه ۱۳۹۰ شروع کرده و اکنون پرمخاطب‌ترین رسانه ایران در زمینه فناوری‌های مالی، بانکداری و پرداخت و استارت‌آپ‌های فین‌تک است.
محمدمهدی امیرفروغی / در دهه اخیر، واژه «هوش مصنوعی» از آزمایشگاه‌های دانشگاهی فراتر رفته و به مرکز گفت‌وگوهای سیاستی و اقتصادی جهان تبدیل شده است. اما در ایران، علی‌رغم وجود استعدادهای درخشان و ظرفیت علمی بالا، هوش مصنوعی هنوز در سطح نماد و شعار باقی مانده است.
چالش اصلی نه دانش، بلکه نبود اکوسیستم مؤثر ملی است؛ اکوسیستمی که بتواند داده را سرمایه، مدیر را تصمیم‌ساز، و انسان را محور اخلاق و توسعه قرار دهد.
این مقاله با مدل تحلیلی WHY–WHO–HOW بررسی می‌کند چرا هوش مصنوعی در ایران شکوفا نشده، چه کسانی درگیر یا مانع آن هستند، و چگونه می‌توان مسیر فنی و مدیریتی موفق را بازطراحی کرد.
۱. لایه راهبردی — چرا هوش مصنوعی در ایران شکوفا نمی‌شود؟ (WHY)
ایران از نظر استعداد انسانی یکی از غنی‌ترین زیست‌بوم‌های منطقه است؛ اما هوش مصنوعی نه از فقدان علم، بلکه از فقدان راهبرد داده‌محور آسیب دیده است.
الف) نبود هدف ملی برای داده:
در سیاست‌گذاری ملی، «داده» هنوز به‌عنوان سرمایه تلقی نمی‌شود. نبود قانون مالکیت و اشتراک داده موجب شده اطلاعات بین سازمان‌ها پراکنده و ناسازگار باشد، در حالی‌که بخش خصوصی نیز از ترس نبود اعتماد قانونی، داده‌های خود را در انحصار نگه می‌دارد. به همین دلیل AI در ایران الگوریتم دارد، ولی Fuel ندارد — داده‌ی تربیت‌یافته.
ب) مدل اقتصادی ناپایدار:
سرمایه‌گذاری‌ها در حوزه‌ی AI عمدتاً پروژه‌محورند نه محصول‌محور. پروژه‌ها برای گرفتن بودجه طراحی می‌شوند، نه برای سوددهی؛ و پس از تغییر مدیر یا دولت، متوقف می‌شوند. این روند فناوری را به نمایش آزمایشگاهی کاهش داده است.
۲. لایه مدیریتی — چه کسی مانع تحول است؟ (WHO)
الف) مقاومت بروکراسی:
در ساختار دولتی، تصمیم‌گیری داده‌محور تهدیدی برای اختیارات انسانی تصور می‌شود. مدیران میانی پروژه‌های هوش مصنوعی را عمداً کند می‌کنند تا کنترل خود را حفظ کنند.
ب) فقدان تیم‌های میان‌رشته‌ای:
پروژه‌ها معمولاً توسط متخصصان IT و نه مهندسان یادگیری‌ماشین و هوش‌مصنوعی هدایت می‌شوند. نبود گفت‌وگوی مشترک بین مدیر کسب‌وکار، تحلیل‌گر داده و مهندس مدل باعث می‌شود هدف مدیریتی به زبان فنی ترجمه نشود؛ یعنی هوش مصنوعی بدون «معماری انسانی» پدید نمی‌آید.
۳. لایه فنی–زیرساختی — چگونه ناکامی رخ می‌دهد؟ (HOW)
الف) کمبود زیرساخت محاسباتی:
تحریم‌ها مانع دسترسی به GPUهای قدرتمند و سرویس‌های Cloud شده‌اند. راهکارهای بومی گران یا ناپایدارند. مدل‌های بزرگ (LLM، Transformer) نمی‌توانند در مقیاس ملی اجرا شوند.
ب) نبود استاندارد داده و API ملی:
حتی سازمان‌های دارای Big Data فاقد API یا استاندارد تبادل داده‌اند. بدون اتصال لحظه‌ای، پروژه‌های AI در حد گزارش Excel باقی می‌مانند.
ج) مهاجرت استعداد:
۷۰٪ متخصصان واقعی یادگیری‌ماشین خارج از کشور فعالیت می‌کنند. در داخل، هوش مصنوعی با SEO یا Web اشتباه گرفته می‌شود؛ یعنی تقاضای اشتباه، عرضه را خفه کرده است.
جمع‌بندی راهبردی
| سطح | چالش اصلی | اثر مستقیم | راه‌حل راهبردی |
| دولتی | داده‌های جزیره‌ای و تصمیم‌گیری سنتی | شکست هوشمندسازی خدمات عمومی | تأسیس مرکز ملی «حاکمیت داده و هوش مصنوعی» با بودجه مستقل |
| خصوصی | نبود مدل سوددهی و نیروی ماهر | شکست تجاری پروژه‌ها | تشکیل AI Lab در شرکت‌ها با ساختار درآمدزا |
| فنی | کمبود GPU / Cloud / API | عدم اجرای مدل‌های بزرگ | توسعه GPU Cluster ملی و همکاری با سازندگان داخلی |
| فرهنگی | ترس از جایگزینی انسان با ماشین | مقاومت مدیران | آموزش مدیران دربارهٔ تصمیم‌گیری داده‌محور و کرامت انسانی دیجیتال |
نتیجه کلان: از علم تا اراده‌ی ملی
شکست هوش مصنوعی در ایران، شکست دانش نیست؛ شکست ارادهٔ سازمانی و فرهنگ داده‌محور است. تا زمانی‌که دولت‌ها مالک داده، بخش خصوصی مالک مدل، و دانشگاه‌ها مالک ایده نشوند، هیچ هم‌افزایی ملی شکل نمی‌گیرد.
هوش مصنوعی زمانی پایدار خواهد شد که بر محور کرامت انسانی و تصمیم‌سازی اخلاقی بنا شود؛ جایی که فناوری ابزار توانمندسازی انسان است، نه جانشین او. در چنین منظومه‌ای، ایران می‌تواند از مصرف‌کنندهٔ الگوریتم به تولیدکنندهٔ هوش بومی تبدیل شود.