به گزارش خبرگزاری ایپنا، مرزهای رقابت در بازار پتروشیمی و صنایع شیمیایی جهان دیگر تنها در کوره شرکت‌های تولیدکننده یا بنادر بارگیری جابجا نمی‌شود. امروز، نبرد اصلی در راهروهای تاریک جریان‌های داده‌ای و بر روی صفحات نمایشگر مدیرانی جریان دارد که تلاش می‌کنند غول‌های سنتی صنعت را به عصر دیجیتال پیوند بزنند. در این میان، هوش مصنوعی به عنوان منجی جدید معرفی شده است؛ ابزاری که وعده می‌دهد فرآیندهای سنتی را دگرگون کند و سودآوری را به اوج برساند.

رسانه بین‌المللی Chemical Week در یکی از جدیدترین پادکست‌های تخصصی خود، میزبان گفتگوی وینسنت ولک (Vincent Valk) با جی بتیا (Jay Bhatia)، مدیرعامل شرکت فناوری Agilis و از مدیران ارشد پیشین کمپانی بزرگ BASF بوده است؛ گفتگویی که با محوریت نقش کلیدی هوش مصنوعی در انضباط داده‌های صنعتی، به تازگی منتشر شده و تحلیل تفصیلی آن ابعاد تازه‌ای از این تحول دیجیتال را پیش‌روی فعالان این حوزه قرار می‌دهد.

مرزهای رقابت در بازار پتروشیمی و صنایع شیمیایی جهان دیگر تنها در کوره شرکت‌های تولیدکننده یا بنادر بارگیری جابجا نمی‌شود. امروز، نبرد اصلی در راهروهای تاریک جریان‌های داده‌ای و بر روی صفحات نمایشگر مدیرانی جریان دارد که تلاش می‌کنند غول‌های سنتی صنعت را به عصر دیجیتال پیوند بزنند. در این میان، هوش مصنوعی به عنوان منجی جدید معرفی شده است؛ ابزاری که وعده می‌دهد فرآیندهای سنتی را دگرگون کند و سودآوری را به اوج برساند. با این حال، واقعیتِ جاری در بازار بسیار پیچیده‌تر و گاه ناامیدکننده‌تر از بیانیه‌های مطبوعاتی هیجان‌انگیز است.

بررسی‌های عمیق نشان می‌دهد که بزرگ‌ترین مانع در مسیر پیاده‌سازی این فناوری مدرن، نه ضعف الگوریتم‌ها، بلکه آشفتگی عمیق در ساختار داده‌های پایه‌ای صنایع شیمیایی است. بدون ساماندهی این داده‌های مرجع، هوش مصنوعی چیزی بیش از یک ماشین تولید پاسخ‌های غلط با ظاهری فریبنده نخواهد بود.

صنعت پتروشیمی همواره در پذیرش فناوری‌های سخت‌افزاری و مهندسی فرآیند پیش‌گام بوده، اما تحول در حوزه داده و تعامل تجاری با مشتریان با تاخیر چشمگیری همراه بوده است. در گفتگوهای مدیریتی امروز، توجه از مباحث فنی صرف به سمت خروجی‌های ملموس مالی و تجاری معطوف شده است. مدیران ارشد پتروشیمی و صنایع شیمیایی، دیگر مجذوب کدهای برنامه‌نویسی یا توان پردازشی سرورها نمی‌شوند؛ دغدغه اصلی آن‌ها چگونگی تبدیل این سرمایه‌گذاری‌ها به رشد فروش، کشف بازارهای جدید، افزایش بهره‌وری تیم‌های بازرگانی و ایجاد وفاداری پایدار در مشتریان است. این تحول نگاه، نشان‌دهنده یک بلوغ استراتژیک است که ابزار دیجیتال را نه به عنوان یک هدف، بلکه به عنوان یک محرک تجاری می‌نگرد. برای تحقق این امر، نقطه آغاز فرآیند باید تعریف دقیق نیازهای بازار و درک کامل رفتار خرید مشتریان باشد.

جریان مدرن دیجیتالی‌سازی، کل مسیر تعامل با خریدار را از اولین نقطه تماس تا آخرین مرحله تسویه مالی پوشش می‌دهد. در این مسیر، سیستم‌های مدیریت اطلاعات محصول و مدیریت داده‌های مرجع به عنوان ستون فقرات عمل می‌کنند. فرآیند استاندارد در شرکت‌های پیشرو معمولاً با پاک‌سازی و یکپارچه‌سازی اسناد فنی آغاز می‌شود. سپس یک کاتالوگ دیجیتال تعاملی ایجاد می‌گردد که با دستیارهای هوشمند گفتگو پشتیبانی می‌شود.

این ساختار به خریدار اجازه می‌دهد تا به راحتی درخواست نمونه کند، استعلام قیمت بگیرد و در نهایت فرآیند سفارش‌دهی را به سرانجام برساند. اما نکته کلیدی اینجاست که این ویترین زیبا تنها در صورتی کار می‌کند که انبار اطلاعات پشت آن عاری از آشفتگی باشد. داده‌های تجاری کثیف و نامنظم، کل این تجربه دیجیتال را به یک کابوس عملیاتی تبدیل خواهند کرد.

بسیاری از سازمان‌ها ترجیح می‌دهند مسیر تحول دیجیتال را با ساخت ابزارهای داخلی برای بخش‌های تحقیق و توسعه یا تیم‌های فروش فنی آغاز کنند. منطق پشت این تصمیم ساده است؛ کارکنان داخلی به دلیل داشتن تخصص و تجربه بالا، قادرند اشتباهات یا نواقص هوش مصنوعی را شناسایی و اصلاح کنند. در واقع، حضور کارشناس انسانی به عنوان یک فیلتر ایمنی عمل می‌کند. اما زمانی که تصمیم گرفته می‌شود ابزارها رو به بیرون و در مواجهه مستقیم با مشتریان قرار گیرند، قوانین بازی به کلی تغییر می‌کند.

استانداردهای ابزارهای مشتری‌محور به مراتب سخت‌گیرانه‌تر است. خریدار بیرونی فاقد فیلتر اصلاحی است و هرگونه اطلاعات نادرست درباره ویژگی‌های فنی یک پلیمر یا حلال شیمیایی می‌تواند به فاجعه در خط تولید او منجر شود. این خطاها نه‌تنها اعتماد تجاری را در لحظه نابود می‌کنند، بلکه مسئولیت‌های حقوقی و خسارت‌های مالی سنگینی را متوجه شرکت عرضه‌کننده می‌سازند. به همین دلیل است که غول‌های شیمیایی دنیا نظیر هوانیک، ابزارهای مشتری‌محور خود را پیش از عرضه عمومی، برای ماه‌ها در محیط‌های کنترل‌شده داخلی توسط کارشناسان خود مورد آزمون‌های سخت‌گیرانه قرار می‌دهند.

یکی از نگران‌کننده‌ترین ویژگی‌های مدل‌های هوش مصنوعی، پدیده توهم اطلاعاتی است. این سیستم‌ها به شکلی شگفت‌آور شبیه به کودکانی هوشمند اما بی‌پروا رفتار می‌کنند؛ آن‌ها با نهایت قاطعیت و اعتمادبه‌نفس به شما پاسخ می‌دهند، حتی اگر آن پاسخ کاملاً ساختگی و عاری از حقیقت باشد. در صنعتی که با مواد خطرناک، استانداردهای زیست‌محیطی پیچیده و گریدهای دقیق فنی سر و کار دارد، چنین رفتاری غیرقابل تحمل است. راهکار غلبه بر این چالش، فرآیند مستمر اعتبارسنجی و ردیابی اصالت داده‌هاست. هر پاسخ یا توصیه‌ای که توسط سیستم به خریدار یا کارشناس ارائه می‌شود، باید به یک سند مبدأ تایید شده مانند برگه اطلاعات ایمنی رسمی یا کاتالوگ مصوب شرکت متصل باشد. علاوه بر این، سیستم باید درک کند که ویژگی‌های یک ماده شیمیایی بسته به جغرافیا، نوع کاربرد نهایی و قوانین رگولاتوری مقصد تغییر می‌کند؛ تفاوتی که نادیده گرفتن آن می‌تواند کل فرآیند انطباق قانونی محصول را با مشکل مواجه کند.

در مسیر پیاده‌سازی این فناوری‌ها، موانع بزرگی وجود دارند که مانند یک کوه یخ پنهان، مسیر حرکت شرکت‌ها را تهدید می‌کنند. اولین مانع، پیچیدگی و زمینه‌محوری ذاتی اطلاعات در این صنعت است. مشخصات فنی یک محصول پتروشیمی لایه‌های متعددی دارد که با سیستم‌های سنتی پاک‌سازی داده قابل مدیریت نیستند. ابزارهای نرم‌افزاری معمولی گرایش دارند رکوردهای اطلاعاتی مشابه را به عنوان کدهای تکراری حذف کنند، در حالی که در دنیای شیمی، تفاوت‌های بسیار اندک در روش تولید یا بسته‌بندی می‌تواند کاربرد محصول را کاملاً تغییر دهد. اطلاعات حیاتی در سیستم‌های مختلف نرم‌افزاری، فایل‌های شخصی کارشناسان و مهم‌تر از همه، در قالب دانش تجربی کارکنان پراکنده شده است. مانع دوم، نبود مالکیت مشخص بر روی داده‌های محصول است.

از لحظه طراحی یک گرید در آزمایشگاه تا تولید، بازاریابی و فروش آن، بخش‌های مختلفی روی داده‌ها اثر می‌گذارند اما هیچ تیمی مسئولیت سرتاسری صحت این زنجیره اطلاعاتی را بر عهده ندارد. برای حل این معضل، قوانین و فرآیندهای کاری باید به گونه‌ای بازتعریف شوند که ثبت و نگهداری اطلاعات به یک وظیفه جاری سیستمی تبدیل گردد. مانع سوم نیز دست‌کم گرفتن مدل‌سازی داده‌هاست؛ یک ماده شیمیایی پایه می‌تواند به ده‌ها صنعت مختلف ارسال شود و طراحی ساختاری که این روابط چندبعدی را به درستی منعکس کند، نیاز به بازنگری در کل مدل عملیاتی سازمان دارد.

افزون بر چالش‌های ساختاری، تغییرات جمعیتی نیز فشار مضاعفی بر پتروشیمی‌ها وارد می‌کند. نسل طلایی از کارشناسان باسابقه که حامل دانش تجربی عمیق و تکرارناپذیری درباره قلق‌های فرآیندی و نیازهای پنهان مشتریان هستند، در آستانه بازنشستگی قرار دارند. از سوی دیگر، نسل جدید نیروهای کار که با ابزارهای دیجیتال بزرگ شده‌اند، فاقد این تجربه عمیق شهودی هستند. در این میان، سیستم‌های هوشمند مدیریت داده‌های محصول به عنوان یک پل ارتباطی عمل می‌کنند تا دانش ضمنی نسل در حال خروج را فرموله و ضبط کرده و در اختیار نسل جدید قرار دهند. بدون این کار، هوش مصنوعی ابزاری توخالی خواهد بود که توانایی ارائه مشاوره‌های دقیق فنی به خریداران را نخواهد داشت.

پیش از این، عواقب ناشی از داده‌های ضعیف سازمانی صرفاً به کندی کارها، اتلاف وقت در تهیه گزارش‌ها یا خطاهای جزئی محاسباتی محدود می‌شد که کارشناسان به سرعت آن‌ها را برطرف می‌کردند. اما با ورود به عصر هوش مصنوعی، خطرات داده‌های نامعتبر به طور تصاعدی افزایش یافته است. یک سیستم هوش مصنوعی تغذیه شده با داده‌های کثیف، پاسخ‌های غلط را با ظاهری بسیار علمی، آراسته و متقاعدکننده تحویل می‌دهد که منجر به ایجاد یک رضایت کاذب خطرناک در میان تصمیم‌گیران می‌شود. به همین جهت، استانداردهای مدیریت اطلاعات دچار تحولی بنیادین شده‌اند؛ مفهوم داده تمیز جای خود را به داده قابل اعتماد، زمینه‌محور و آماده برای هوش مصنوعی داده است.

این لایه اطلاعاتی جدید فراتر از سیستم‌های سنتی ثبت تراکنش عمل کرده و تمام ارکان سازمان از بخش فروش تا مدیریت زنجیره تأمین و انطباق قوانین را تحت تأثیر قرار می‌دهد. پیاده‌سازی این لایه یکپارچه به شرکت‌هایی که از طریق ادغام‌ها رشد کرده‌اند اجازه می‌دهد تا بدون نیاز به پروژه‌های فرساینده و پرهزینه تعویض نرم‌افزارهای یکپارچه سازمانی، داده‌های خود را همگام‌سازی کنند.

در سال‌های اخیر، نوسان های شدید بازار جهانی، بحران‌های ژئوپلیتیک و اختلال در مسیرهای کلیدی لجستیک دریایی، توجه مدیران را بیش از هر چیز به سمت تاب‌آوری زنجیره تأمین معطوف کرده است. در این فضای ناپایدار، هوش مصنوعی دیگر یک ابزار لوکس تجاری نیست، بلکه به یک زره دفاعی برای بقای شرکت‌ها تبدیل شده است. سیستم‌های هوشمندی که بر روی داده‌های ساختاریافته بنا شده‌اند، می‌توانند در صورت بروز اختلال در تأمین یک ماده اولیه کلیدی، فوراً منابع جایگزین را در بازار جهانی شناسایی کنند.

این ابزارها قادرند گریدهای مشابه با خواص فنی نزدیک را به مشتریان پیشنهاد دهند تا خطوط تولید آن‌ها متوقف نشود، اسناد گمرکی و برگه‌های آنالیز فنی را به صورت خودکار برای بازارهای جدید آماده کنند و حتی به تیم‌های تحقیق و توسعه در بازنویسی سریع فرمولاسیون بر اساس مواد در دسترس کمک نمایند. با این حال، تمام این قابلیت‌های شگفت‌انگیز تنها زمانی فعال می‌شوند که زیرساخت داده‌های مرجع سازمان از قبل پیاده‌سازی شده باشد؛ در غیر این صورت، هوش مصنوعی تنها به حجم آشفتگی‌ها و تحلیل‌های گمراه‌کننده خواهد افزود.

در نهایت، موفقیت هوش مصنوعی در صنعت پتروشیمی و شیمیایی، بیش از آنکه یک چالش تکنولوژیک باشد، یک چالش مدیریتی و سازمانی است. تکیه بر ابزارهای نوین بدون اصلاح زیرساخت‌های اطلاعاتی، تکرار خطاهای گذشته با سرعتی بالاتر است. برای بهره‌برداری واقعی از پتانسیل‌های بی‌نظیر دیجیتالی‌سازی، شرکت‌ها باید مسیر خود را با ساخت یک منبع معتبر و یکپارچه اطلاعاتی آغاز کنند، حاکمیتی قوی بر جریان داده‌ها اعمال نمایند و از دانش تجربی کارشناسان خود صیانت کنند. تنها با عبور از این پیش‌نیازهاست که هوش مصنوعی از یک ویترین جذاب تبلیغاتی به یک اهرم رشد واقعی، سودآور و پایدار در بازارهای پرنوسان امروز تبدیل خواهد شد.