هوش مصنوعی در ایران | آزمون عبور از سیاست به عمل

طوفان عزیزی - کارشناس دادگستری؛ هوش مصنوعی در سال‌های اخیر از یک موضوع تخصصی در محافل دانشگاهی و فناوری به یکی از عوامل مؤثر بر رقابت اقتصادی، قدرت ملی، امنیت و کیفیت حکمرانی تبدیل شده است. کشورها دیگر تنها درباره توانایی مدل‌های هوش مصنوعی یا جذابیت ابزارهای مولد صحبت نمی‌کنند؛ مسئله اصلی این است که چگونه می‌توان این فناوری را به افزایش بهره‌وری، خلق ارزش اقتصادی، ارتقای کیفیت خدمات عمومی و تقویت مزیت رقابتی تبدیل کرد.

ایران نیز در این مسیر با یک دوگانگی مهم روبه‌روست. از یک سو، ظرفیت دانشگاهی، نیروی انسانی متخصص، بازار بزرگ داخلی و نیاز گسترده به بهبود بهره‌وری، زمینه مناسبی برای توسعه کاربردهای هوش مصنوعی فراهم می‌کنند. از سوی دیگر، محدودیت دسترسی به زیرساخت‌های محاسباتی، ناپایداری اقتصادی، دشواری همکاری‌های بین‌المللی، پراکندگی داده‌ها، ضعف ارتباط صنعت و دانشگاه و ابهام در سازوکارهای حکمرانی، مسیر تبدیل این ظرفیت‌ها به دستاوردهای پایدار را دشوار کرده‌اند.

تصویب «قانون ملی توسعه هوش مصنوعی» در مجلس شورای اسلامی، نشانه‌ای از ورود سیاست‌گذاری این حوزه به مرحله‌ای ساختاری‌تر است. این قانون، با پیش‌بینی سازمان ملی هوش مصنوعی و مجموعه‌ای از سازوکارهای توسعه زیرساخت، پژوهش، داده و کاربردهای هوش مصنوعی، چارچوبی برای سامان‌دهی زیست‌بوم ملی فراهم می‌کند. با این حال، تصویب قانون را نباید با تحقق اهداف آن یکسان گرفت؛ نتیجه نهایی به کیفیت اجرا، تخصیص منابع، هماهنگی نهادی و میزان اثرگذاری واقعی بر اقتصاد و جامعه وابسته است.

چالش اصلی اکنون این نیست که آیا ایران باید هوش مصنوعی را توسعه دهد یا خیر. این است که "ایران با چه اولویت‌هایی، چه سازوکارهایی و با چه معیارهایی می‌تواند از مصرف پراکنده فناوری به توسعه توانمندی ملی و بهره‌وری قابل‌اندازه‌گیری برسد؟"

پرسش اول. چرا هوش مصنوعی برای ایران یک اولویت راهبردی است؟

اهمیت هوش مصنوعی برای ایران را نمی‌توان صرفاً با موج جهانی فناوری توضیح داد. این فناوری می‌تواند پاسخی به برخی از مسائل ساختاری اقتصاد و اداره کشور باشد؛ از جمله رشد پایین بهره‌وری در بخش‌هایی از اقتصاد، هزینه بالای فرایندهای اداری، عدم تقارن اطلاعات، محدودیت منابع و دشواری ارائه خدمات متناسب با نیاز شهروندان.

در بخش عمومی، هوش مصنوعی می‌تواند به پردازش سریع‌تر درخواست‌ها، شناسایی الگوهای تخلف، تحلیل داده‌های سیاستی، کاهش دوباره‌کاری و هدفمندتر شدن تخصیص منابع کمک کند. در صنعت، قابلیت‌هایی مانند پیش‌بینی خرابی تجهیزات، بهینه‌سازی مصرف انرژی، کنترل کیفیت و مدیریت زنجیره تأمین اهمیت دارند. در خدمات مالی نیز تشخیص تقلب، ارزیابی ریسک، شخصی‌سازی خدمات و خودکارسازی فعالیت‌های تکراری از کاربردهای قابل‌بررسی‌اند.

در سطحی گسترده‌تر، هوش مصنوعی می‌تواند بخشی از هزینه‌های ناشی از محدودیت نیروی متخصص، فرایندهای طولانی و تصمیم‌گیری مبتنی بر اطلاعات ناقص را کاهش دهد. البته این اثر خودکار و تضمین‌شده نیست. استقرار سامانه‌ای هوشمند روی یک فرایند معیوب، لزوماً آن فرایند را اصلاح نمی‌کند؛ گاهی فقط همان خطا را با سرعت و مقیاسی بیشتر تکثیر می‌کند.

برای ایران، بنابراین، هوش مصنوعی باید هم‌زمان از سه منظر دیده شود:
•    ابزار افزایش بهره‌وری: کاهش هزینه، زمان و خطا در فعالیت‌های اقتصادی و عمومی.
•    توانمندی راهبردی: ایجاد ظرفیت داخلی در داده، زیرساخت، مدل، امنیت و نیروی انسانی.
•    عامل تحول ساختاری: بازطراحی فرایندها، مشاغل، الگوهای کسب‌وکار و شیوه حکمرانی.

اولویت‌بندی درست مستلزم آن است که کشور میان این سه سطح تعادل برقرار کند. تمرکز صرف بر تولید مدل‌های بزرگ، بدون توجه به کاربرد و ارزش اقتصادی، پرهزینه است؛ همان‌طور که اتکای کامل به ابزارهای خارجی، بدون توسعه ظرفیت‌های داخلی، می‌تواند وابستگی بلندمدت ایجاد کند.

پرسش دوم. ایران در مقایسه با کشورهای درحال‌توسعه منطقه چه جایگاهی دارد؟

مقایسه ایران با کشورهای منطقه باید با توجه به تفاوت در اندازه اقتصاد، ساختار جمعیتی، دسترسی به سرمایه، زیرساخت انرژی، ارتباطات بین‌المللی و ظرفیت بازار انجام شود. یک رتبه‌بندی ساده از کشورها، بدون توجه به این تفاوت‌ها، ممکن است بیشتر گمراه‌کننده باشد تا روشنگر.

برخی کشورهای حاشیه خلیج فارس، از جمله امارات و عربستان سعودی، از منابع مالی قابل‌توجه، زیرساخت‌های دیجیتال و توان جذب سرمایه‌گذاری بین‌المللی برخوردارند. این مزیت‌ها به آن‌ها امکان می‌دهد در حوزه‌هایی مانند مراکز داده، خدمات ابری، جذب شرکت‌های فناوری و توسعه کاربردهای هوش مصنوعی سرمایه‌گذاری کنند. در مقابل، ایران از بازار داخلی بزرگ، نیروی انسانی تحصیل‌کرده و ظرفیت‌های دانشگاهی و مهندسی برخوردار است، اما محدودیت دسترسی به سرمایه و فناوری جهانی، ناپایداری برق و دشواری همکاری‌های بین‌المللی هزینه توسعه را افزایش داده است.

در چنین شرایطی، نسخه مناسب ایران لزوماً تقلید از سرمایه‌گذاری‌های عظیم کشورهای ثروتمند منطقه نیست. راهبرد مؤثرتر می‌تواند ترکیبی از توسعه ظرفیت‌های پایه، استفاده هوشمندانه از زیرساخت‌های موجود، سرمایه‌گذاری هدفمند در حوزه‌های دارای مزیت و گسترش کاربردهای کم‌هزینه و پربازده باشد.

برای مثال، ایران می‌تواند در حوزه‌هایی که زبان فارسی، داده‌های تخصصی داخلی، شناخت مقررات ملی یا فرایندهای پیچیده‌ی بومی اهمیت دارند، مزیت ایجاد کند. خدمات مالی، سلامت، کشاورزی، انرژی، حمل‌ونقل، آموزش و خدمات عمومی، از جمله حوزه‌هایی هستند که امکان تعریف پروژه‌های مسئله‌محور در آن‌ها وجود دارد.

البته وجود بازار بزرگ یا نیروی متخصص، به‌تنهایی مزیت رقابتی نمی‌سازد. مزیت زمانی شکل می‌گیرد که این ظرفیت‌ها به محصول قابل‌اتکا، کیفیت بهتر، هزینه کمتر یا خدمتی تبدیل شوند که مشتری یا نهاد بهره‌بردار قادر به استفاده مستمر و نسبتاً ارزان از آن باشد.

در نتیجه، مقایسه منطقه‌ای بهتر است بر چند معیار مشخص استوار باشد: هزینه و دسترسی به توان محاسباتی، کیفیت و دسترس‌پذیری داده، توان جذب و حفظ متخصصان، میزان سرمایه‌گذاری خصوصی، تعداد کاربردهای عملیاتی موفق و اثر اقتصادی آن‌ها. برای رتبه‌بندی دقیق کشورها نیز باید از داده‌های هم‌سنخ و به‌روز استفاده کرد، نه از تعداد اعلامیه‌ها و طرح‌های ملی.

پرسش سوم. مهم‌ترین موانع توسعه هوش مصنوعی در ایران چیست؟

با وجود ظرفیت‌ها و چارچوب قانونی موجود، چند مانع ساختاری می‌توانند سرعت و کیفیت توسعه هوش مصنوعی در ایران را محدود کنند:
•    محدودیت زیرساخت و هزینه محاسبات. توسعه و اجرای مدل‌های پیشرفته به پردازنده‌های تخصصی، برق پایدار، مراکز داده مناسب و خدمات محاسباتی قابل‌اتکا نیاز دارد. محدودیت در دسترسی به تجهیزات و خدمات بین‌المللی، در کنار هزینه بالای ایجاد و نگهداری زیرساخت، می‌تواند فاصله میان پژوهش و محصول را افزایش دهد. ازاین‌رو، تجمیع ظرفیت‌ها و ایجاد دسترسی منصفانه به زیرساخت موجود، در کنار سرمایه‌گذاری جدید، اهمیت دارد.

•    پراکندگی و کیفیت نامناسب داده‌ها. بسیاری از سازمان‌ها داده‌های خود را در سامانه‌های جداگانه و با استانداردهای متفاوت نگهداری می‌کنند. داده‌های ناقص، تکراری، قدیمی یا ناسازگار می‌توانند عملکرد سامانه‌های هوشمند را کاهش دهند. در این وضعیت، پیش از خرید ابزارهای پیچیده، باید به حکمرانی داده، استانداردسازی، کیفیت اطلاعات و امکان تبادل امن داده توجه کرد.

•    فاصله میان پژوهش و نیاز واقعی. تولید مقاله علمی یا توسعه نمونه آزمایشگاهی، با ساخت محصولی که در مقیاس عملیاتی قابل‌اعتماد باشد تفاوت دارد. بسیاری از پروژه‌ها برای عبور از مرحله آزمایش به مهندسی نرم‌افزار، ارزیابی امنیت، نگهداری مستمر، پشتیبانی، دسترسی به داده واقعی و همکاری با کاربران نهایی نیاز دارند. ضعف در این حلقه میانی، یکی از دلایل فاصله میان ظرفیت علمی و ارزش اقتصادی است.

•    مهاجرت و دشواری حفظ سرمایه انسانی. توسعه هوش مصنوعی به متخصصان میان‌رشته‌ای در علوم داده، مهندسی، امنیت، محصول و شناخت کسب‌وکار نیاز دارد. اگر فرصت حرفه‌ای، دسترسی به ابزارها و چشم‌انداز اقتصادی مناسب فراهم نباشد، حفظ این نیروها دشوار خواهد بود. سیاست آموزش باید با سیاست اشتغال تخصصی، حمایت از نوآوری و پیوند دانشگاه و صنعت همراه شود.

•    ابهام‌های حقوقی، امنیتی و سازمانی. استفاده از هوش مصنوعی پرسش‌هایی درباره حریم خصوصی، مالکیت داده، مسئولیت خطا، تبعیض الگوریتمی، امنیت مدل‌ها و حقوق کاربران ایجاد می‌کند. نبود قواعد روشن می‌تواند موجب احتیاط بیش‌ازحد سازمان‌ها شود؛ در مقابل، استفاده بدون کنترل نیز ریسک‌های عملیاتی و اجتماعی را افزایش می‌دهد. چارچوب‌های اجرایی باید متناسب با سطح ریسک هر کاربرد طراحی شوند.

•    فرهنگ پروژه‌محور و ضعف سنجش نتیجه. گاهی موفقیت یک طرح با خرید فناوری، عقد قرارداد، برگزاری دوره یا راه‌اندازی نسخه آزمایشی سنجیده می‌شود. درحالی‌که ارزش واقعی زمانی مشخص می‌شود که هزینه، زمان، کیفیت، درآمد یا رضایت کاربر بهبود یابد. بدون خط مبنای روشن و سنجش پس از اجرا، تشخیص پروژه‌های موفق از پروژه‌های پرهزینه اما کم‌اثر دشوار خواهد بود.

پرسش چهارم. تولید کنیم یا مصرف کنیم؟ دوگانه‌ای که باید اصلاح شود.

یکی از بحث‌های رایج در سیاست‌گذاری هوش مصنوعی این است که آیا ایران باید بر تولید فناوری بومی متمرکز شود یا استفاده از ابزارها و مدل‌های موجود را در اولویت قرار دهد. این دوگانه، اگر مطلق در نظر گرفته شود، انتخاب درستی پیش روی سیاست‌گذار نمی‌گذارد.

توسعه یک مدل پایه در مقیاس جهانی به منابع محاسباتی، داده، متخصصان و سرمایه‌گذاری مستمر نیاز دارد. تلاش برای رقابت در تمام سطوح و همه انواع مدل‌ها، بدون توجه به محدودیت منابع، ممکن است هزینه‌های زیادی ایجاد کند و دستاورد متناسبی نداشته باشد. در مقابل، اتکای کامل به ابزارهای خارجی نیز می‌تواند وابستگی به ارائه‌دهندگان، تغییرات قیمت، محدودیت دسترسی و مخاطرات مربوط به داده و امنیت را افزایش دهد.

راه‌حل، تعریف سطوح مختلف توسعه است:

1-    استفاده هوشمندانه از فناوری موجود: به‌کارگیری ابزارها و مدل‌های آماده برای حل مسائل مشخص، در مواردی که هزینه، امنیت و الزامات داده اجازه می‌دهند.

2-    بومی‌سازی و تخصصی‌سازی: تطبیق مدل‌ها با زبان فارسی، اصطلاحات تخصصی، مقررات داخلی و نیازهای بخش‌های اقتصادی. در بسیاری از موارد، این مسیر از آموزش یک مدل عمومی بزرگ از ابتدا عملی‌تر است.

3-    توسعه توانمندی‌های راهبردی داخلی: سرمایه‌گذاری هدفمند در حوزه‌هایی که امنیت، حاکمیت داده، پایداری دسترسی یا مزیت علمی و اقتصادی، توسعه‌ی ظرفیت داخلی را توجیه می‌کند.

4-    پژوهش در فناوری‌های پیشرفته: حمایت از تحقیقات بنیادی و توسعه مدل‌ها و ابزارهای جدید، همراه با ارزیابی روشن از ارزش علمی، امکان کاربرد و هزینه موردنیاز.

این رویکرد امکان می‌دهد منابع محدود به جای توزیع یکنواخت میان همه حوزه‌ها، بر اساس اهمیت راهبردی و بازده موردانتظار تخصیص یابند. هدف نهایی نیز نباید صرفاً «بومی بودن» یک فناوری باشد؛ بلکه باید توانایی کنترل ریسک، تداوم خدمت، یادگیری فناورانه و ایجاد ارزش پایدار در داخل کشور را افزایش دهد.

پرسش پنجم. چگونه از نمایش فناوری به بهره‌وری قابل‌اندازه‌گیری برسیم؟

یکی از مهم‌ترین تغییراتی که در سیاست‌گذاری هوش مصنوعی ایران لازم است، تغییر معیار موفقیت از تعداد پروژه‌ها به میزان اثرگذاری آن‌هاست.

فرض کنیم یک بانک، شرکت بیمه یا دستگاه اجرایی سامانه‌ای مبتنی بر هوش مصنوعی راه‌اندازی می‌کند. تعداد کاربران ثبت‌نام‌شده، تعداد پرسش‌های پاسخ‌داده‌شده یا حجم پردازش اطلاعات، به‌تنهایی نشان نمی‌دهد که سامانه ارزش‌آفرین بوده است. برای ارزیابی دقیق‌تر باید مشخص شود آیا زمان انجام خدمت کاهش یافته، نرخ خطا پایین آمده، هزینه هر تراکنش کمتر شده، تقلب بیشتری شناسایی شده یا رضایت کاربران افزایش یافته است.

در بخش بانکی و خدمات مالی، می‌توان مجموعه‌ای از کاربردها را در اولویت قرار داد:
- شناسایی الگوهای غیرعادی تراکنش و کمک به کشف تقلب؛
- تحلیل و پایش ریسک اعتباری، در کنار سازوکارهای توضیح‌پذیری و نظارت انسانی؛
- خودکارسازی پردازش اسناد، مکاتبات و فعالیت‌های تکراری؛
- دستیارهای هوشمند برای پشتیبانی از کارکنان و پاسخ‌گویی به مشتریان؛
- تحلیل رفتار مشتری برای بهبود طراحی خدمات، با رعایت ضوابط حفاظت از داده؛
- پیش‌بینی تقاضا و بهینه‌سازی تخصیص منابع عملیاتی.

در صنعت نیز نگهداری پیش‌بینانه تجهیزات، تشخیص عیوب تولید، پیش‌بینی تقاضا و بهینه‌سازی انرژی می‌توانند از کاربردهای اولویت‌دار باشند. در بخش عمومی، پردازش درخواست‌ها، پاسخ‌گویی هوشمند، شناسایی تناقض در اطلاعات و کمک به تحلیل سیاست‌ها قابل‌بررسی‌اند.

اما هیچ‌یک از این موارد نباید صرفاً به دلیل جذابیت فناوری انتخاب شوند. هر پروژه باید از یک مسئله واقعی شروع شود و پیش از اجرا، خط مبنا و معیار موفقیت داشته باشد. همچنین لازم است هزینه کل مالکیت، هزینه نگهداری، کیفیت داده، ریسک خطا و پیامدهای احتمالی برای کارکنان و کاربران در ارزیابی لحاظ شوند. برای نمونه، اگر سامانه‌ای زمان پاسخ‌گویی را کاهش دهد اما خطاهای مهم بیشتری ایجاد کند، نمی‌توان آن را موفق دانست. اگر دستیار هوشمند حجم تماس‌های انسانی را کاهش دهد اما تعداد مراجعات مجدد یا نارضایتی مشتریان را بالا ببرد، کاهش هزینه اولیه تصویر کاملی از نتیجه ارائه نمی‌کند. سنجش اثر باید چندبعدی و مبتنی بر نتیجه نهایی باشد.

پرسش ششم. نقشه راه پیشنهادی برای ایران چیست؟

قانون ملی توسعه هوش مصنوعی زمینه‌ای برای هماهنگی نهادی و زیرساختی فراهم می‌کند؛ اما تبدیل آن به نتیجه اقتصادی به برنامه اجرایی روشن، اولویت‌بندی و ارزیابی مستمر نیاز دارد. می‌توان یک نقشه راه مرحله‌ای را در چهار محور پیشنهاد کرد.

مرحله اول: تعیین اولویت‌ها و خط مبنا. در گام نخست، لازم است ظرفیت‌های موجود در زیرساخت محاسباتی، داده، نیروی انسانی، پژوهش و کاربردهای عملیاتی شناسایی شوند. سپس مسائل مهم کشور بر اساس اندازه مسئله، امکان حل فناورانه، هزینه اجرا، ریسک و اثر بالقوه اولویت‌بندی شوند.
خروجی این مرحله نباید فقط فهرستی از پروژه‌های پیشنهادی باشد. هر پروژه باید مسئله مشخص، مالک پاسخ‌گو، بودجه، برنامه زمانی، خط مبنا و معیار سنجش نتیجه داشته باشد.

مرحله دوم: توسعه زیرساخت مشترک و حکمرانی داده. به‌جای ایجاد ظرفیت‌های موازی و کم‌استفاده، باید امکان بهره‌برداری مؤثر از زیرساخت‌های موجود افزایش یابد. دسترسی دانشگاه‌ها، شرکت‌های نوآور و دستگاه‌های اجرایی به منابع محاسباتی مناسب، با توجه به سطح نیاز و الزامات امنیتی، می‌تواند هزینه توسعه را کاهش دهد.

هم‌زمان، تدوین استانداردهای داده، تعیین قواعد دسترسی و اشتراک‌گذاری، ایجاد سازوکارهای حفاظت از اطلاعات و ارتقای کیفیت داده باید دنبال شوند. بدون این پایه‌ها، حتی بهترین مدل‌ها نیز در کاربردهای واقعی با محدودیت مواجه خواهند شد.

مرحله سوم: اجرای پروژه‌های مسئله‌محور. در این مرحله، تعداد محدودی پروژه در بخش‌هایی با نیاز روشن و امکان ارزیابی انتخاب می‌شوند. پروژه‌ها ابتدا در مقیاس کنترل‌شده آزمایش و پس از ارزیابی مستقل، در صورت اثبات ارزش و مدیریت ریسک، توسعه می‌یابند. مشارکت کاربران نهایی، کارکنان متخصص، واحدهای فناوری اطلاعات و مسئولان فرایند باید از ابتدای طراحی برقرار باشد. همچنین، قراردادها و تأمین مالی باید تا حد امکان به نقاط عطف و نتایج قابل‌سنجش مرتبط شوند، نه صرفاً تحویل نرم‌افزار یا تجهیزات.

مرحله چهارم: توسعه مقیاس و اصلاح سیاست‌ها. پروژه‌هایی که نتیجه قابل‌دفاع دارند، باید امکان گسترش به سازمان‌ها یا بخش‌های دیگر را پیدا کنند. پروژه‌هایی که به اهداف نمی‌رسند نیز باید اصلاح یا متوقف شوند. توقف یک پروژه کم‌اثر، در این چارچوب شکست سیاست‌گذاری نیست؛ بلکه بخشی از مدیریت منابع و یادگیری سازمانی است. در این مرحله، داده‌های حاصل از اجرای پروژه‌ها باید برای بازنگری در اولویت‌ها، قواعد اجرایی، حمایت‌های مالی و استانداردهای فنی به کار گرفته شوند. گزارش‌دهی دوره‌ای نیز باید بر نتایج و میزان تحقق اهداف متمرکز باشد، نه فقط بر تعداد فعالیت‌ها. در این مسیر می‌توان از کمک‌های نظارتی مشاوران خارجی بهره‌مند شد.

حکمرانی مسئولانه؛ شرط اعتماد و پایداری

توسعه هوش مصنوعی تنها یک پروژه فنی یا اقتصادی نیست. این فناوری می‌تواند بر دسترسی افراد به خدمات، تصمیم‌های مالی، فرصت‌های شغلی و شیوه پردازش اطلاعات شخصی اثر بگذارد. ازاین‌رو، توسعه آن باید با سازوکارهای متناسب برای مدیریت ریسک همراه باشد.

در کاربردهای کم‌خطر، ممکن است کنترل‌های سبک‌تر و نظارت دوره‌ای کافی باشد؛ اما در تصمیم‌هایی که بر حقوق افراد، اعتبار مالی، سلامت، امنیت یا دسترسی به خدمات اساسی اثر می‌گذارند، ارزیابی دقیق‌تر، امکان اعتراض، ثبت دلایل تصمیم و نظارت انسانی اهمیت بیشتری پیدا می‌کند.

شفافیت نیز نباید به افشای اطلاعات حساس یا جزئیات امنیتی منجر شود. مقصود، روشن بودن مسئولیت‌ها، اعلام حدود توانایی سامانه، امکان پیگیری خطا و پاسخ‌گویی به کاربران است. در کنار این موارد، سازمان‌ها باید برای آموزش کارکنان، بازطراحی مشاغل و مدیریت تغییرات ناشی از خودکارسازی برنامه داشته باشند.

در سطح ملی نیز لازم است میان تسهیل نوآوری و مدیریت مخاطرات تعادل برقرار شود. مقررات بیش‌ازحد مبهم می‌توانند مانع سرمایه‌گذاری و آزمایش شوند؛ در مقابل، نبود کنترل‌های مؤثر می‌تواند اعتماد عمومی را تضعیف کند و هزینه‌های جبران خسارت را افزایش دهد.

ایران برای بهره‌گیری از هوش مصنوعی به راهبردی نیاز دارد که هم‌زمان سه هدف را دنبال کند: استفاده سریع و مسئولانه از فناوری‌های موجود، توسعه ظرفیت‌های داخلی در حوزه‌های دارای ارزش راهبردی و تبدیل کاربردهای موفق به بهره‌وری پایدار در اقتصاد و بخش عمومی.

چنین راهبردی مستلزم پرهیز از دو افراط است: از یک سو، تصور اینکه با خرید فناوری یا اعلام برنامه‌های بزرگ می‌توان به تحول دست یافت؛ و از سوی دیگر، این فرض که محدودیت‌های موجود امکان ایجاد مزیت‌های معنادار را از کشور سلب کرده‌اند. میان این دو، مسیر واقع‌بینانه‌ای وجود دارد که بر اولویت‌بندی، یادگیری مستمر، همکاری میان دولت و بخش خصوصی، حکمرانی داده و سنجش نتیجه استوار است.

در نهایت، موفقیت آتی ایران در هوش مصنوعی نه با تعداد همایش‌ها، نه با شمار سامانه‌های رونمایی‌شده و نه حتی با تعداد مدل‌های تولیدشده به‌تنهایی سنجیده می‌شود. معیار اصلی این است که آیا این فناوری توانسته است مسائل واقعی را بهتر حل کند، هزینه‌ها را کاهش دهد، کیفیت خدمات را بالا ببرد، فرصت‌های اقتصادی جدید ایجاد کند و توان تصمیم‌گیری کشور را تقویت کند یا خیر.

هوش مصنوعی زمانی به مزیت ملی تبدیل می‌شود که از یک موضوع پرهیاهو به قابلیتی قابل‌اتکا برای حل مسئله، افزایش بهره‌وری و خلق ارزش تبدیل شود.