دخل الذكاء الصناعي إلى سوق العمل بطريقة مختلفة عن أغلب التقنيات التي سبقته. لم يدخل كبرنامج متخصص يحتاج إلى مهندس أو قسم تقني حتى يُستخدم، ولم يبقَ محصوراً داخل الشركات الكبرى أو مختبرات الأبحاث، بل وصل مباشرة إلى شاشة الموظف العادي: المحاسب، المسوّق، المبرمج، المدير، موظف خدمة العملاء، المصمم، محلل البيانات، موظف الموارد البشرية، الكاتب، الباحث، وحتى صاحب المشروع الصغير. وبسبب هذه السرعة ظهر خطاب مبالغ فيه من جهتين؛ جهة تقول إن الذكاء الصناعي سيقضي على ملايين الوظائف ولن يبقى للإنسان مكان، وجهة مقابلة تتعامل معه كأنه مجرد موضة تقنية جديدة لن تغير شيئاً أساسياً في سوق العمل.
الواقع المهني أكثر تعقيداً من الطرفين.
الذكاء الصناعي لن يستبدل جميع الموظفين، لكنه سيغير معيار المقارنة بينهم. وهنا تحديداً تكمن النقطة الأخطر: عندما يستطيع موظف يستخدم أدوات الذكاء الصناعي بذكاء أن ينجز خلال ساعتين عملاً كان يحتاج من موظف آخر إلى يوم كامل، فإن المشكلة لم تعد منافسة بين «إنسان وآلة»، بل أصبحت منافسة بين إنسان يعرف كيف يستخدم الآلة وإنسان ما زال يعمل وكأنها غير موجودة.
ولهذا قد يكون السؤال الشائع: «هل سيأخذ الذكاء الصناعي وظيفتي؟» سؤالاً ناقصاً من الأساس. السؤال الأكثر واقعية هو: هل يستطيع شخص آخر، لديه خبرتي نفسها تقريباً ولكنه يجيد استخدام الذكاء الصناعي، أن ينجز عملي أسرع وأفضل وبتكلفة أقل؟
إذا كانت الإجابة نعم، فهنا يبدأ الخطر الحقيقي.
أما إذا أصبحت أنت الشخص الذي يعرف المهنة ويعرف الأنظمة ويفهم العملاء ويستطيع اتخاذ القرار، وفوق ذلك يعرف كيف يستعمل أدوات الذكاء الصناعي لزيادة سرعته وتحليل المعلومات وأتمتة الأعمال المتكررة وتحسين جودة مخرجاته، فإن فكرة استبدالك بمجرد نموذج ذكاء صناعي تصبح في كثير من الوظائف فكرة غير منطقية اقتصادياً وإدارياً.
وهذا ليس تفاؤلاً عاطفياً. الأدلة الحديثة في اقتصاد العمل بدأت ترسم صورة قريبة جداً من هذا السيناريو.
الذكاء الصناعي لا يستبدل الوظيفة دائماً… بل يفككها إلى مهام
واحدة من أكبر الأخطاء عند الحديث عن مستقبل الوظائف هي التعامل مع الوظيفة وكأنها مهمة واحدة.
خذ وظيفة مدير تسويق مثلاً. المدير لا «يقوم بالتسويق» فقط. يومه قد يحتوي على قراءة تقارير، تحليل أرقام، مراجعة حملات إعلانية، كتابة بريد إلكتروني، مناقشة وكالة إعلانات، دراسة عرض سعر، التفاوض مع مورد، مراجعة محتوى، حضور اجتماع، التعامل مع مشكلة داخل الفريق، اتخاذ قرار بشأن الميزانية، فهم سلوك العملاء، ومتابعة النتائج.
الذكاء الصناعي قد يكون ممتازاً جداً في بعض هذه المهام، جيداً في بعضها، وضعيفاً أو غير مناسب لبعضها الآخر.
ولهذا تركز الدراسات الحديثة على مفهوم التعرض للذكاء الصناعي على مستوى المهام بدلاً من افتراض اختفاء المهنة بالكامل.
منظمة العمل الدولية ILO، في تحديثها العالمي المنشور عام 2025 حول تعرض الوظائف للذكاء الصناعي التوليدي، وجدت أن التأثير المتوقع لا يعني بالضرورة أتمتة الوظيفة كاملة، وأن السيناريو الأكثر انتشاراً هو تحول محتوى الوظائف وإعادة توزيع المهام داخلها. كما وجدت أن الأعمال المكتبية والإدارية ما زالت من أكثر الفئات تعرضاً، مع ارتفاع التعرض أيضاً في عدد من الوظائف المهنية والتقنية نتيجة تطور قدرات النماذج في التعامل مع النصوص والصور والصوت وغيرها.
هذا التفريق مهم جداً.
لأن الشركة عندما تكتشف أن الذكاء الصناعي يستطيع تنفيذ 30% أو 40% من المهام التي يؤديها أحد الموظفين، فليس ضرورياً أن تقول فوراً: «دعونا نطرد الموظف».
قد تقول بدلاً من ذلك:
لدينا موظف كان يقضي ساعتين يومياً في كتابة التقارير، وساعة في تلخيص الرسائل، وساعة في تجهيز بيانات أولية، وساعتين في البحث والتحضير. إذا أصبحت هذه الأعمال تحتاج إلى جزء من الوقت، ماذا يمكن أن يفعل الموظف بالساعات التي تحررت؟
هنا توجد نتيجتان محتملتان بالكامل.
الأولى: أن يبقى الموظف كما هو، فلا يعرف كيف يستفيد من الأدوات الجديدة، ولا يطور مسؤولياته، ولا يقدم قيمة إضافية. في هذه الحالة قد تكتشف الإدارة فعلاً أنها لم تعد تحتاج العدد نفسه من الموظفين.
أما الثانية: أن يستخدم الموظف الساعات التي تحررت للقيام بأعمال أكثر قيمة: تحليل أعمق، متابعة أفضل، خدمة عملاء أحسن، تطوير عمليات، مراقبة جودة، حل مشكلات، بناء أنظمة، تعلم مهارات إضافية أو تحمل مسؤوليات كان لا يملك الوقت لتنفيذها.
في الحالة الثانية لم يقلل الذكاء الصناعي قيمة الموظف؛ ربما ضاعفها.
الخطر ليس في أن يعرف الذكاء الصناعي عملك… بل أن يبقى عملك كما هو
تخيل موظفاً يعمل منذ عشر سنوات بالطريقة نفسها.
نفس ملفات Excel.
نفس النسخ واللصق.
نفس التقارير الأسبوعية.
نفس طريقة البحث.
نفس الرسائل.
نفس عشرين خطوة التي ينفذها كل صباح.
لا توجد محاولة لأتمتة شيء، ولا لفهم أدوات جديدة، ولا حتى سؤال بسيط من نوع: هل يوجد اليوم أسلوب أسرع لتنفيذ هذه المهمة؟
هذا الموظف قد يكون صاحب خبرة محترمة جداً، لكنه مع الوقت يضع نفسه في موقع حساس.
لأن القيمة الاقتصادية للخبرة ليست في عدد السنوات وحده.
هناك فرق هائل بين شخص لديه عشر سنوات من الخبرة، وشخص لديه سنة واحدة من الخبرة كررها عشر مرات.
الأول تتطور طريقته في التفكير والعمل، بينما الثاني يحافظ على الروتين نفسه ويزداد تعلقاً به.
وهذا الفرق أصبح أكثر وضوحاً في عصر الذكاء الصناعي.
قبل سنوات كان الموظف البطيء يستطيع أن يبقى مقبولاً لأن معظم زملائه يستخدمون الأدوات نفسها تقريباً. قد يكون الفرق بين موظف ممتاز وآخر متوسط 20% أو 30% في الإنتاجية.
أما اليوم فقد تظهر في بعض المهام فروقات أكبر بكثير عندما يتقن أحد الموظفين استخدام الذكاء الصناعي والأتمتة والأدوات الرقمية بينما يصر الآخر على تنفيذ كل شيء يدوياً.
مراجعة منظمة التعاون الاقتصادي والتنمية OECD للدراسات التجريبية المنشورة حول الذكاء الصناعي التوليدي وجدت تحسناً ملموساً في الإنتاجية في عدد من الأعمال، خصوصاً الكتابة والتلخيص والتحرير والترجمة والبرمجة وخدمة العملاء والاستشارات، مع اختلاف حجم المكاسب بشكل واضح حسب المهمة وطريقة الاستخدام ومستوى الموظف.
وفي واحدة من أشهر الدراسات الميدانية في هذا المجال، التي تابعت 5,172 موظفاً في خدمة العملاء، أدى استخدام مساعد يعتمد على الذكاء الصناعي التوليدي إلى زيادة متوسط الإنتاجية، المقاسة بعدد المشكلات المحلولة في الساعة، بنحو 15%. والأهم أن المكاسب لم تكن متساوية بين الجميع؛ استفاد العاملون الأقل خبرة والأقل أداء بدرجة أكبر في جوانب مهمة، لأن النظام ساعدهم على الاستفادة من أنماط المعرفة المتراكمة لدى الموظفين الأفضل.
هنا تبدأ المعادلة بالتغير.
إذا كان موظف يستخدم الذكاء الصناعي يستطيع معالجة كمية أكبر من العمل بجودة جيدة، فالشركة لن تنظر إلى المسألة فلسفياً. الإدارة في النهاية تتعامل مع إنتاجية وتكاليف ووقت وجودة ومخاطر.
وهذا يعني أن الموظف الذي يرفض التطور لا ينافس الذكاء الصناعي فقط.
هو ينافس زميله الذي تعلم استخدامه.
العبارة الأدق: الذكاء الصناعي قد لا يأخذ وظيفتك، لكن مستخدم الذكاء الصناعي قد يفعل
هذه الجملة تختصر جانباً كبيراً من مستقبل العمل.
ولنفترض وجود محاسبين يمتلكان المستوى المهني نفسه تقريباً.
المحاسب الأول يعمل بالطريقة التقليدية بالكامل. عندما يحصل على ملف كبير يقضي ساعات في مراجعته، ويبحث عن الصيغ بنفسه، ويقرأ العقود والتقارير يدوياً، ويكتب المراسلات من الصفر، ويستخرج الملاحظات واحدة واحدة.
المحاسب الثاني يعرف المحاسبة بنفس الجودة، لكنه أضاف إلى مهاراته مجموعة جديدة من الأدوات. يعرف كيف يستخدم الذكاء الصناعي لفهم بنية البيانات، واقتراح صيغ Excel، وتحليل الأخطاء المحتملة، وتلخيص مستندات طويلة، وتجهيز مسودة تقرير، ومقارنة بيانات، وكتابة استعلامات، وإنشاء خطوات تدقيق أولية، ثم يراجع كل ذلك بنفسه مستخدماً خبرته المهنية.
بعد سنة أو سنتين من هذا الفرق، هل سيبقى الموظفان بالقيمة السوقية نفسها؟
غالباً لا.
ليس لأن الثاني أصبح «خبير ذكاء صناعي» بالضرورة، وإنما لأن إنتاجيته أصبحت مبنية على مزيج من المعرفة المهنية + الأدوات الحديثة.
الأمر نفسه ينطبق على المبرمج.
المبرمج الذي كان يحتاج ساعتين للبحث عن تركيب دالة معينة قد يحصل الآن على اقتراح خلال ثوانٍ. يستطيع إنشاء اختبارات أولية، شرح كود قديم، تجهيز documentation، توليد SQL، اقتراح refactoring، تحليل logs أو بناء prototype بسرعة أكبر.
لكن هذا لا يعني أن الشركة تستطيع وضع نموذج ذكاء صناعي مكانه وتنتهي القصة.
من سيفهم architecture النظام؟
من يعرف لماذا تم اتخاذ قرار تقني قبل ثلاث سنوات؟
من يعرف أن هذا الـAPI يتعامل مع نظام قديم بطريقة غريبة؟
من يعرف ماذا سيحدث للعمل الحقيقي إذا تعطل النظام الساعة الثانية ظهراً؟
من يقرر إن كان الكود المقترح آمناً؟
من يكتشف أن الحل الذي أنتجه النموذج يبدو منطقياً لكنه سيكسر عملية أخرى؟
من يتحمل المسؤولية عن النتيجة؟
هذه هي المساحة التي تتضخم فيها قيمة الخبرة عندما تُضاف إليها أدوات الذكاء الصناعي بدلاً من أن تتصارع معها.
عندما تجمع الخبرة مع الذكاء الصناعي تصبح المعادلة مختلفة تماماً
هناك تصور شائع بأن الموظف والذكاء الصناعي بديلان لبعضهما:
موظف مقابل AI.
لكن في الأعمال الحقيقية توجد معادلة ثالثة أهم بكثير:
موظف خبير + AI.
وهذه التركيبة قد تكون أقوى من الطرفين منفصلين.
النموذج يستطيع معالجة معلومات بسرعة هائلة، لكنه لا يعيش داخل مؤسستك.
لا يعرف تاريخ المشكلات الذي لم تتم كتابته في أي قاعدة بيانات.
لا يعرف أن المدير الفلاني عندما يقول «خلينا نشوف» فهو عملياً لم يوافق بعد.
لا يعرف أن التقرير الرسمي يقول شيئاً، بينما طريقة العمل الفعلية في الفرع مختلفة قليلاً.
لا يعرف أن نظاماً معيناً يبدو مستقراً في الوثائق لكنه يتعطل إذا حدث ترتيب محدد من العمليات.
لا يعرف أن أحد الموردين ممتاز في المشاريع الجديدة لكنه سيئ جداً في الدعم بعد البيع.
هذه الأشياء نسميها في الإدارة والاقتصاد المعرفة الضمنية Tacit Knowledge؛ وهي المعرفة التي تتكون من التجربة والسياق والمواقف والتراكم، ويصعب اختزالها بالكامل في تعليمات مكتوبة.
موظف خبير يمتلك هذه المعرفة ثم يتعلم استخدام AI لا يخسر خبرته القديمة.
بل يضع فوقها طبقة جديدة من القوة.
وهنا يظهر تأثير مضاعف وليس مجرد إضافة بسيطة.
لنفترض أن شخصاً لا يفهم التسويق أعطي أقوى نموذج ذكاء صناعي في العالم وطلب منه تصميم استراتيجية تسويق لشركة.
سيحصل غالباً على كلام يبدو جيداً.
لكن هل يستطيع تقييمه؟
هل يعرف إن كانت الميزانية منطقية؟
هل يفهم CAC وLTV وconversion attribution فعلياً؟
هل يستطيع معرفة أن الاقتراح يناسب متجر إلكتروني لكنه لا يناسب مطعماً محلياً؟
هل يعرف الفرق بين vanity metrics والمؤشرات التي تؤثر فعلاً على الربحية؟
الخبير يعرف هذه الأمور.
وعندما يستخدم الخبير النموذج يصبح قادراً على طرح أسئلة أدق، واكتشاف الإجابات الرديئة، وتعديل المخرجات، وإعطاء سياق أفضل، ثم تحويل الناتج إلى قرار عملي.
ولهذا قد تكون العبارة:
«الذكاء الصناعي سيجعل الجميع خبراء»
مبالغة كبيرة.
الأدق أن نقول:
الذكاء الصناعي سيجعل الخبير القادر على استخدامه أسرع وأوسع قدرة، وسيعطي غير الخبير أدوات لم تكن متاحة له سابقاً، لكنه لن يلغي الفارق بين الفهم الحقيقي والمظهر الخارجي للفهم.
المعرفة المهنية أصبحت أهم، وليست أقل أهمية
من المفارقات أن بعض الناس بدأوا يقللون من أهمية التعلم لأن «ChatGPT يعرف كل شيء».
وهذا بالضبط الاتجاه المعاكس لما يحتاجه الموظف.
كلما أصبحت الإجابة سهلة الحصول، أصبحت القدرة على تقييم الإجابة أكثر قيمة.
إذا أعطاك نموذج الذكاء الصناعي تحليلاً مالياً خاطئاً وأنت لا تفهم المالية، فمن سيكتشف الخطأ؟
إذا كتب لك كوداً يحتوي على ثغرة أمنية وأنت لا تفهم البرمجة، كيف ستعرف؟
إذا أنشأ عقداً يحتوي على بند سيئ، وأنت لا تفهم السياق القانوني، فما قيمة سرعة إنشاء العقد؟
إذا أعطاك تقريراً مليئاً بالأرقام، وأنت لا تعرف أي الأرقام مهم وأيها misleading، فما الذي كسبته فعلياً؟
الذكاء الصناعي يقلل تكلفة إنتاج الإجابة، لكنه لا يلغي تكلفة التحقق من صحتها.
وهذا يجعل الخبرة البشرية مهمة بطريقة جديدة.
كان الموظف في السابق يُقاس جزئياً بقدرته على إنتاج المحتوى أو التحليل الأولي.
أما مستقبلاً فسيزداد وزن مهارات أخرى:
تحديد المشكلة الصحيحة.
توفير السياق الصحيح.
اختيار البيانات المناسبة.
مراجعة النتائج.
اكتشاف الأخطاء.
ربط المعلومات بالواقع.
تحديد المخاطر.
اتخاذ القرار.
وتحمل المسؤولية عنه.
هذه أمور لا تحلها مهارة كتابة Prompt لطيف وحدها.
المشكلة فيمن يتعلم «استخدام ChatGPT» ولا يتعلم إعادة تصميم عمله
هناك أيضاً خطأ مقابل يقع فيه بعض المتحمسين للذكاء الصناعي.
يفتح ChatGPT، يطلب منه كتابة بريد إلكتروني أو تلخيص فقرة، وبعد أسبوع يضيف في سيرته الذاتية:
AI Expert.
هذا ليس التطور الذي سيصنع فارقاً كبيراً في سوق العمل.
استخدام واجهة محادثة أصبح مهارة أساسية وسهلة نسبياً. القيمة الحقيقية تبدأ عندما تفكر في سير العمل كله.
مثلاً موظف يتلقى يومياً ثلاثة تقارير Excel.
الطريقة السطحية لاستخدام AI هي أن يرفع ملفاً كل يوم ويسأل: «حلل هذا الملف».
أما الشخص الذي يفكر بصورة أعمق فقد يسأل:
لماذا يصل التقرير بهذه الطريقة أصلاً؟
هل أستطيع بناء عملية آلية تستقبل الملف؟
هل يمكن تنظيف البيانات تلقائياً؟
هل يمكن تطبيق قواعد العمل؟
هل يمكن كشف الحالات الشاذة؟
هل يمكن إنشاء التقرير النهائي؟
هل يمكن إرسال تنبيه فقط عندما يوجد استثناء يحتاج إلى إنسان؟
هل يمكن حفظ النتائج تاريخياً حتى أستطيع تحليل الاتجاهات؟
هنا لم يعد الذكاء الصناعي مجرد chatbot.
أصبح جزءاً من نظام عمل.
وهذا هو الفرق الذي سيقسم الموظفين خلال السنوات القادمة.
فئة ستستخدم AI لكتابة رسالة أسرع.
وفئة ستعيد تصميم العملية التي كانت تحتاج إلى عشر رسائل من الأساس.
الشركات نفسها تبحث عن المهارة المركبة لا عن الاستبدال الأعمى
بيانات تقرير Future of Jobs 2025 الصادر عن المنتدى الاقتصادي العالمي تعكس هذه المفارقة بوضوح. الشركات تتوقع بالفعل أن تؤدي الأتمتة والذكاء الصناعي إلى تقليل الحاجة إلى بعض الأدوار والمهام، لكن في الوقت نفسه تضع مهارات الذكاء الصناعي والبيانات الضخمة والثقافة التقنية بين أسرع المهارات نمواً في الطلب، إلى جانب مهارات بشرية مثل التفكير التحليلي والإبداع والمرونة والقيادة والتعاون. كما يتوقع أصحاب العمل تغير نحو 39% من المهارات الأساسية المطلوبة في سوق العمل بحلول 2030.
هذه الأرقام لا تقول إن «الإنسان سينتهي».
هي تقول شيئاً أكثر إزعاجاً للموظف الذي يرفض التعلم:
تعريف الموظف الجيد نفسه يتغير.
خبرة 2020 قد لا تكون كافية لوظيفة 2030 إذا لم تدخل عليها مهارات جديدة.
وهذا ليس أمراً غريباً تاريخياً.
المحاسب الذي لا يعرف Excel اليوم لديه مشكلة، رغم أن المحاسبين كانوا يعملون قبل Excel بعقود.
المهندس الذي يرفض برامج التصميم لأنه يستطيع الرسم يدوياً لن يُعتبر أكثر أصالة.
المصور الذي يقول إنه لا يحتاج أدوات التحرير الرقمية لا يحافظ على مهنته؛ هو يقلل خياراته.
المسوّق الذي يرفض analytics لأنه «يفهم السوق بخبرته» لا يصبح مسوقاً كلاسيكياً، بل يفقد جزءاً من الأدوات التي أصبحت ضرورية لمهنته.
والأمر نفسه يحدث الآن مع الذكاء الصناعي.
بعد فترة لن يكون السؤال في كثير من الوظائف:
«هل تستخدم AI؟»
كما لا نسأل موظفاً مكتبياً اليوم بفخر:
«هل تعرف استخدام محرك بحث؟»
ستصبح بعض الاستخدامات جزءاً طبيعياً من العمل، وسيصبح عدم معرفتها هو الشيء الملفت للنظر.
الموظف الذي يخاف من الذكاء الصناعي قد يصنع بنفسه الظروف التي تسمح باستبداله
هناك سلوك دفاعي مفهوم نفسياً لكنه خطير مهنياً.
عندما يشعر الإنسان أن تقنية جديدة تهدد مكانته، قد يبدأ بالبحث عن أسباب تثبت أنها سيئة.
«بتغلط».
«ما بتفهم».
«كل كلامها عام».
«ما بتقدر تعمل شغلي».
«جربتها مرة وما نفعت».
بعض هذه الانتقادات صحيح فعلاً.
نماذج الذكاء الصناعي تخطئ، وقد تهلوس، وتحتاج إلى مراجعة، وبعض المهام لا تزال خارج قدراتها أو غير مناسبة لها.
لكن اكتشاف حدود الأداة لا يعني أن تجاهلها قرار ذكي.
السيارة قد تتعطل، وهذا لا يجعل الحصان وسيلة النقل الأكثر كفاءة.
Excel يمكن أن ينتج نتائج كارثية إذا كُتبت المعادلات بصورة خاطئة، ولم يقل أحد إن الحل هو العودة إلى الدفاتر الورقية.
النقطة ليست أن AI مثالي.
النقطة هي أن الموظف المحترف يتعلم متى يستخدمه ومتى لا يستخدمه وكيف يراجع ما ينتجه.
وتقرير Stanford AI Index لعام 2026 يرسم صورة لسوق أصبحت فيه أدوات الذكاء الصناعي أكثر انتشاراً واستخداماً اقتصادياً، بينما تشير الأدلة المجمعة إلى أن مكاسب الإنتاجية تظهر بصورة أوضح في المهام المنظمة والقابلة للقياس، مع استمرار تفاوت النتائج بين المجالات وأساليب التطبيق.
بمعنى آخر: لسنا أمام أداة سحرية تنجح في كل شيء، لكننا أيضاً تجاوزنا مرحلة اعتبارها لعبة جانبية يمكن تجاهلها.
وهنا يصبح الرفض المطلق نفسه مخاطرة مهنية.
الفئة الأخطر ليست أصحاب الوظائف البسيطة فقط
في الموجات القديمة من الأتمتة كان الاعتقاد الشائع أن الخطر يقع بصورة أساسية على الأعمال اليدوية والروتينية.
لكن الذكاء الصناعي التوليدي قلب جزءاً من هذه الصورة.
لأول مرة أصبحت مجموعة كبيرة من المهام المعرفية قابلة للمساعدة أو الأتمتة الجزئية:
كتابة النصوص.
تحليل المستندات.
البحث الأولي.
الترجمة.
إعداد العروض.
كتابة أجزاء من الكود.
معالجة البيانات.
خدمة العملاء.
إنشاء الصور.
التلخيص.
تصنيف المعلومات.
وهذا يعني أن الموظف الذي يرتدي بدلة ويجلس أمام لابتوب ليس محمياً تلقائياً أكثر من عامل المصنع.
بل ربما تكون بعض الوظائف المكتبية عالية التعرض تحديداً لأن جزءاً كبيراً منها يتكون من معالجة معلومات رقمية، وهو النوع الذي أصبحت النماذج الحديثة جيدة فيه. وهذا يتوافق مع تقديرات منظمة العمل الدولية التي ما تزال تضع الأعمال clerical والإدارية ضمن أعلى الفئات تعرضاً لقدرات الذكاء الصناعي التوليدي.
لكن «التعرض» لا يساوي «الاختفاء».
وهذه نقطة يجب عدم ضياعها.
قد تكون مهنة ما شديدة التعرض للذكاء الصناعي لأن 60% من مهامها يمكن تسريعها، لكن ذلك قد يجعل الموظف في هذه المهنة أقوى إذا تعلم إدارة النسبة المتبقية التي تتطلب معرفة وسياقاً وحكماً بشرياً، واستعمل التقنية لتنفيذ بقية العمل.
المفارقة أن أكثر شخص معرض للخطر قد لا يكون صاحب المهنة التي يستطيع AI مساعدتها كثيراً، بل صاحب المهنة الذي يرفض أن يسمح له بمساعدته بينما المنافسون يفعلون ذلك.
متى يصبح الموظف فعلاً قابلاً للاستبدال بالذكاء الصناعي؟
ليس كل شخص يستخدم جهاز كمبيوتر معرضاً بالمقدار نفسه، وليس كل عمل يستطيع الذكاء الصناعي تنفيذ جزء منه يعني أن صاحبه أصبح على وشك فقدان وظيفته. المسألة مرتبطة بشيء أدق بكثير: ما القيمة التي يضيفها الموظف فوق تنفيذ المهمة نفسها؟
إذا كان كل ما يفعله الموظف معروفاً ومحدداً ومتكرراً، ومدخلاته رقمية، ومخرجاته يمكن قياسها بسهولة، ولا يحتاج أثناء التنفيذ إلى معرفة عميقة بالسياق أو تفاوض أو تقدير بشري أو تحمل مسؤولية، فإن احتمالات الأتمتة ترتفع.
وهذا يتوافق مع ما تعرضه مراجعات OECD والأبحاث الحديثة: مكاسب الذكاء الصناعي تميل إلى الظهور بصورة قوية في الأعمال المنظمة والقابلة للقياس، خصوصاً عندما تكون النتيجة سهلة المراجعة والتقييم. وفي المقابل، تبقى عملية تحويل هذه المكاسب إلى استغناء كامل عن العامل أكثر تعقيداً من مجرد إثبات أن النموذج يستطيع تنفيذ إحدى مهامه.
تخيل موظفاً مهمته اليومية الوحيدة تقريباً أن يستقبل بيانات بتنسيق معروف، وينقل بعضها إلى نموذج آخر، ويكتب وصفاً مختصراً، ثم يرسل التقرير.
إذا أصبح برنامج يستطيع القيام بهذه العملية من البداية إلى النهاية، فما الذي سيبقى في الوظيفة؟
هنا يوجد خطر حقيقي.
لكن تخيل شخصاً آخر يستقبل البيانات نفسها، إلا أن وظيفته ليست نسخها فقط. هو يعرف متى تكون الأرقام غير منطقية، ويعرف أن أحد الفروع يتبع أسلوباً مختلفاً، ويلاحظ أن الانخفاض الظاهر في المبيعات سببه تغير في طريقة تسجيل العمليات وليس انخفاضاً حقيقياً، ويتواصل مع المسؤول عندما توجد مشكلة، ويقرر متى يحتاج الأمر إلى تصعيد، ويعرف التاريخ السابق للعملية، ويعيد تصميم التقرير عندما تتغير حاجة الإدارة.
هذا الموظف لا يبيع للشركة «إدخال البيانات».
هو يبيعها الفهم والحكم واتخاذ القرار والملكية Ownership.
وهذا أصعب بكثير في الاستبدال.
أخطر وضع مهني: أن تكون أنت مجرد واجهة بشرية لعملية يمكن تحويلها إلى Workflow
اسأل نفسك عن يوم عملك.
كم خطوة تقوم بها لأن النظام لم تتم أتمتته بعد فقط؟
تفتح رسالة.
تحمل ملفاً.
تنسخ قيمة.
تفتح برنامجاً آخر.
تلصقها.
تغير اسم الملف.
تكتب ثلاث جمل متشابهة.
ترسلها لشخص آخر.
تكرر العملية عشر مرات.
إذا كان هذا يشكل معظم عملك، فالمشكلة ليست أن الذكاء الصناعي «ذكي جداً».
المشكلة أن العمل نفسه لم يكن يحتاج بالضرورة إلى كل هذا التدخل البشري من البداية.
سنوات طويلة سمحت المؤسسات ببقاء عمليات يدوية غير فعالة لأن تكلفة تطوير أنظمة بديلة كانت مرتفعة. فإذا كانت أتمتة مهمة معينة تحتاج إلى مبرمج، ومشروع مدته ستة أشهر، وربط أربعة أنظمة، وميزانية كبيرة، ربما كان توظيف شخص يقوم بها يدوياً أرخص.
الذكاء الصناعي والأدوات منخفضة الكود Low-code وNo-code وواجهات API غيّرت جزءاً من هذه الحسبة.
أصبحت تكلفة أتمتة بعض العمليات أقل.
وهذا يعني أن كثيراً من الأعمال التي كانت آمنة اقتصادياً لأنها «أرخص من بناء برنامج» قد لا تبقى كذلك إلى الأبد.
وهنا يجب أن ينتبه الموظف.
لا تقل:
«أنا أعمل بهذه الطريقة منذ ثماني سنوات ولا أحد اشتكى».
السؤال ليس هل اشتكى أحد.
السؤال:
هل ما أفعله اليوم ما زال يحتاج إنساناً بالطريقة نفسها التي كان يحتاجه بها قبل خمس سنوات؟
الموظف الذي ينفذ التعليمات فقط معرض أكثر من الموظف الذي يفهم لماذا توجد التعليمات
هناك فرق كبير بين موظفين ينفذان العملية نفسها.
الأول يعرف الخطوات.
والثاني يعرف سبب الخطوات.
الأول إذا تغيرت الشاشة يتوقف.
الثاني يستطيع إعادة بناء العملية.
الأول يقول:
«هيك متعودين نعمل».
الثاني يستطيع أن يشرح لماذا نفعل ذلك، وما الذي سيحدث إذا لم نفعله، وما الخطوة التي يمكن حذفها، وأين توجد المخاطرة.
هذه النقطة ستصبح شديدة الأهمية مع الذكاء الصناعي.
لأن النماذج أصبحت ممتازة في اتباع الكثير من التعليمات.
أعطها قالباً.
أعطها مثالاً.
حدد المدخلات.
حدد شكل النتيجة.
ويمكن في كثير من الحالات أن تنتج شيئاً قريباً جداً من المطلوب.
لكن عندما تكون المشكلة نفسها غير واضحة، فإن قيمة الإنسان تظهر.
الشركات لا تعاني دائماً من نقص في الأشخاص الذين يستطيعون تنفيذ أمر معروف.
الكثير من مشاكل الأعمال أصلاً تبدأ من عدم معرفة ما الأمر الصحيح الذي يجب تنفيذه.
لماذا انخفضت المبيعات؟
لماذا يشتكي العملاء؟
لماذا تأخرت المشاريع؟
لماذا تضاعفت التكلفة؟
هل المشكلة في الموظفين أم النظام أم الإجراءات؟
هل نحتاج موظفاً جديداً أم تعديل العملية؟
هل هذا الرقم حقيقي أصلاً؟
هل العرض الأرخص فعلاً هو الأفضل؟
هنا لا يوجد Prompt سحري.
أنت تحتاج شخصاً يفهم العمل بما يكفي ليعرّف المشكلة قبل أن يطلب من الذكاء الصناعي المساعدة في حلها.
وهذا واحد من أهم التحولات القادمة:
كلما أصبحت الإجابات أرخص، ارتفعت قيمة السؤال الصحيح.
سنوات الخبرة وحدها لن تحميك
هناك فكرة موجودة عند أصحاب الخبرة الطويلة تحديداً:
«أنا عندي عشرين سنة خبرة، الشركة ما بتقدر تستغني عني».
قد يكون ذلك صحيحاً.
وقد يكون خطيراً جداً.
لأن السوق لا يدفع المال مقابل السنوات بحد ذاتها.
السوق يدفع مقابل القيمة التي صنعتها هذه السنوات.
إذا أعطتك عشرون سنة قدرة استثنائية على اكتشاف المشكلات واتخاذ القرار وفهم الناس والعمليات والمخاطر، فأنت تمتلك أصلاً قوياً جداً.
لكن إذا كانت عشرون سنة تعني أنك تعرف نظاماً قديماً فقط، وتنفذ الإجراءات نفسها، وترفض تعلم أي أداة جديدة لأنك «مش ناقص»، فعدد السنوات نفسه لن يتحول إلى درع.
بل في بعض الحالات قد يصبح مشكلة.
لأن الشركة قد تقارن بين موظف يتقاضى راتباً مرتفعاً بسبب أقدميته، وينجز العمل بأسلوب قديم، وبين موظف أصغر خبرة لكنه يستطيع باستخدام الأدوات الحديثة إنجاز نسبة كبيرة من العمل.
وهنا تبدأ الحسبة المالية.
الخبرة يجب أن تتراكم عمودياً لا زمنياً فقط.
أي أنك كل سنة يفترض أن تصبح أعمق في مجال ما، وأسرع، وأفضل في اتخاذ القرار، وأوسع في فهم العلاقات بين الأنظمة، لا أن يصبح الفرق الوحيد بينك وبين نفسك قبل عشر سنوات أنك أكملت عشر سنوات إضافية في الشركة.
لكن صاحب الخبرة الذي يتعلم الذكاء الصناعي قد يصبح أقوى شخص في المعادلة
في الجهة المقابلة يوجد سيناريو مختلف تماماً.
خذ شخصاً لديه عشرون سنة خبرة فعلية.
يعرف القطاع.
يعرف الزبائن.
يعرف الأنظمة.
يعرف كيف تحدث الأخطاء.
يعرف الموردين.
يعرف الإجراءات.
يعرف المشاكل التي لا تظهر في التقارير.
ويعرف الفرق بين الحالة الطبيعية والحالة التي تستحق القلق.
ثم أعطه أدوات تساعده على تحليل آلاف الصفوف من البيانات، قراءة مئات الصفحات بسرعة، توليد استعلامات، بناء نماذج أولية، كتابة سكربتات، تلخيص العقود، تجهيز المقارنات، اختبار الأفكار وتحويل الإجراءات اليدوية إلى عمليات مؤتمتة.
هنا أنت لم تستبدل الخبرة.
أنت ركبت لها محركاً إضافياً.
وهذا سبب أن فكرة:
«الشباب سيتفوقون تلقائياً لأنهم أفضل بالتكنولوجيا»
ليست صحيحة أيضاً.
الشخص الشاب قد يكون أسرع في تعلم الأدوات.
لكن صاحب الخبرة يمتلك شيئاً يحتاج سنوات لبنائه: سياق مهني غني.
فإذا تعلم صاحب الخبرة استخدام التكنولوجيا بدرجة جيدة، يصبح الجمع بين الاثنين قوياً جداً.
المشكلة تظهر فقط عندما يقول صاحب الخبرة:
«هالأشياء للصغار».
وقتها هو بنفسه يتنازل عن ميزته.
السؤال لن يصبح: من يعرف أكثر؟ بل من يستطيع تحويل المعرفة إلى نتيجة أسرع
هناك تحول هادئ يحدث في معنى «الموظف القوي».
في الماضي كان امتلاك المعلومة جزءاً كبيراً من القوة المهنية.
الشخص الذي يعرف صيغة Excel معقدة كان مميزاً.
الشخص الذي يحفظ أوامر النظام كان مميزاً.
الشخص الذي يستطيع كتابة خطاب رسمي ممتاز من الصفر كان مميزاً.
الشخص الذي يعرف أين يبحث عن معلومة تقنية كان مميزاً.
اليوم تقل قيمة بعض أشكال الحفظ، لأن الوصول إلى المعلومة أصبح أسهل.
لكن هذا لا يعني أن المعرفة فقدت قيمتها.
الذي انخفض هو سعر استرجاع المعلومات الأساسية.
أما الفهم، فبقي مختلفاً.
أنا أستطيع أن أسأل نموذجاً:
«اكتب لي عشر طرق لتحسين أرباح مطعم».
وسيعطيني قائمة محترمة خلال ثوانٍ.
لكن اختيار أي فكرة منها مناسبة لمطعم فعلي في عمّان، ومعرفة هل مشكلة المطعم Food Cost أم Labour Cost أم Average Check أم Table Turnover أم Delivery Commission أم ضعف الإقبال في فترة معينة، مسألة مختلفة.
يمكن للذكاء الصناعي المساعدة في كل ذلك.
لكن يجب أولاً أن يكون هناك شخص يعرف ماذا يسأل، وما البيانات التي يجب إدخالها، وما الأرقام التي يثق بها، وكيف يفسر النتيجة.
وهذا هو الانتقال من:
Knowledge Worker
إلى شيء أقرب إلى:
AI-Augmented Knowledge Worker.
موظف معرفي موسع القدرات بالذكاء الصناعي.
الموظف الذكي لن يستخدم AI لينجز العمل نفسه فقط… بل ليعمل في مستوى أعلى
هذه ربما أهم نصيحة في المقال كله.
لا تجعل هدفك من الذكاء الصناعي أن تنجز مهامك الحالية أسرع ثم تظل قيمتك كما هي.
إذا كنت تحتاج ثماني ساعات لإنجاز عملك، وأصبح بإمكانك باستخدام الأدوات الحديثة إنجازه في أربع، فالفكرة ليست أن تجلس أربع ساعات إضافية.
استعمل الوقت المحرر للصعود إلى طبقة أعلى من العمل.
كنت تجمع البيانات؟
ابدأ بتحليلها.
كنت تحللها؟
ابدأ بتقديم توصيات.
كنت تقدم توصيات؟
ابدأ ببناء نظام يتابع تنفيذها.
كنت تحل المشاكل؟
ابدأ بمنعها قبل حدوثها.
كنت تنفذ طلبات مديرك؟
ابدأ بإحضار أشياء لم يطلبها بعد ولكنك اكتشفت أنها ستحتاج إلى معالجة.
هذه هي الطريقة التي تتحول بها زيادة الإنتاجية إلى قوة وظيفية.
لو استعملت AI فقط ليجعل مهمتك القديمة أسرع، فقد تكتشف الإدارة في النهاية أنها تحتاج عدداً أقل من الأشخاص لتنفيذ المهمة القديمة.
أما إذا استعملته لكي توسع نطاق مسؤوليتك، فأنت تغير تعريف وظيفتك نفسها.
وهذا بالضبط ما يجعل الاستغناء عنك أصعب.
لا تكن الموظف الذي توفر الشركة عليه 30% من الوقت ولا تحصل منه على شيء مقابل ذلك
افترض أن لديك فريقاً من عشرة موظفين.
بعد إدخال أدوات ذكاء صناعي جيدة، أصبحت كل مهمة تستغرق 70% من الوقت السابق.
نظرياً، الإدارة أمام احتمالين.
يمكن أن تقول:
نستطيع تخفيض الفريق من عشرة إلى سبعة تقريباً والحفاظ على الإنتاج نفسه.
أو تقول:
نستطيع إبقاء الفريق وتحقيق حجم عمل أكبر، وخدمة عملاء أكثر، وتحليلات أفضل، ومشاريع كانت مؤجلة.
ما الذي سيدفعها إلى اختيار السيناريو الثاني؟
أن يكون هناك طلب حقيقي على القيمة الإضافية.
وهنا يأتي دور الموظفين.
إذا تحسنت إنتاجيتك 30% ولم تتغير مخرجاتك إطلاقاً، فمع الوقت سيظهر السؤال المنطقي:
ماذا نفعل بهذه الطاقة الزائدة؟
أما إذا بدأت تستغلها في إنتاج قيمة إضافية، فأنت تجعل وجودك مبرراً اقتصادياً.
لهذا يجب ألا يخاف الموظف من الإنتاجية.
لكن يجب أن يفهم كيف تعمل الشركات.
الشركة لا تقول:
«يا سلام، أيوب صار ينجز التقرير في ساعتين بدلاً من أربع، خلينا نعطيه ساعتين يتفرج فيهم على يوتيوب».
الإدارة الجيدة ستعيد توزيع الساعتين.
إذن الموظف الذكي يسبق هذه المرحلة ويقرر بنفسه أين يستثمرهما بطريقة تظهر قيمة أكبر.
من ينظر للذكاء الصناعي كعدو قد يصبح أغلى من اللازم بالنسبة للقيمة التي يقدمها
هذه جملة قاسية لكنها مهمة.
لنفترض وجود موظفين يتقاضيان الراتب نفسه.
الأول يرفض أدوات الذكاء الصناعي.
والثاني يستعملها بمسؤولية.
الأول ينجز عشرة تقارير.
الثاني ينجز عشرة تقارير ثم يبني Dashboard، ويكشف استثناءين، ويقترح أتمتة عملية، ويختصر على القسم خمس ساعات أسبوعياً.
بعد فترة سيصبح من الصعب التعامل معهما بوصفهما متساويين.
الأول قد يقول:
«بس أنا شغلي صح».
وهذا جيد، لكنه لم يعد كافياً.
السوق لا يقارن الموظف بمعايير عام 2019.
يقارنه بما يستطيع موظف آخر إنتاجه اليوم.
وفي دراسة OECD على سوق العمل في كوريا، ورد أن 83% من الشركات الصغيرة والمتوسطة المشمولة بالبيانات أفادت بأن استخدام الذكاء الصناعي التوليدي لم يغير إجمالي عدد العاملين الذين تحتاجهم. هذه الملاحظة مهمة لأنها تذكرنا بأن تبني التقنية لا يؤدي تلقائياً إلى خفض الموظفين؛ الشركات تستطيع استخدام التقنية لرفع الإنتاج والجودة أيضاً.
لكن الوجه الآخر للمعلومة مهم كذلك:
إذا لم يُستخدم الوقت المحرر لإنتاج قيمة إضافية، فليس هناك قانون اقتصادي يجبر الشركة على الإبقاء إلى الأبد على الهيكل نفسه.
عبارة «الذكاء الصناعي ما بفهم شغلي» قد تكون صحيحة… لكنها ليست حجة كافية
كثير من الناس يجربون النموذج بطريقة سطحية جداً.
يكتب:
«اعمل لي تقرير مبيعات».
فيعطيه النموذج تقريراً عاماً.
فيقول:
«شايف؟ ما بفهم».
طبعاً لا يفهم.
أنت لم تعطِه البيانات ولا قواعد العمل ولا الهدف ولا الجمهور ولا المؤشرات ولا السياق.
هذه ليست مقارنة عادلة بين الإنسان والآلة.
المستخدم المتقدم يبدأ بشكل مختلف.
يعطي النموذج تعريفاً للمشكلة.
البيانات.
الشروط.
الاستثناءات.
الأمثلة.
طريقة الحساب.
شكل المخرج المطلوب.
ثم يراجع الناتج ويصححه.
وبعد عدة محاولات قد يحول العملية إلى Template ثابت أو Workflow أو Agent أو برنامج صغير.
وهنا تظهر حقيقة مهمة:
كفاءة الذكاء الصناعي لا تعتمد فقط على قوة النموذج، بل تعتمد أيضاً على جودة النظام الذي بني حوله.
لهذا السبب قد يستخدم شخصان النموذج نفسه ويحصلان على نتائج مختلفة جذرياً.
واحد يستعمله كـGoogle أكثر ثرثرة.
والثاني يستعمله كمحرك داخل عملية عمل كاملة.
الـPrompt Engineering وحده ليس المستقبل
قبل عدة سنوات ظهرت موجة كاملة حول وظيفة Prompt Engineer وكأن الشخص الذي يعرف كيف يصيغ جملة طويلة سيصبح من أغلى موظفي المستقبل.
الموضوع أعمق من ذلك.
كتابة تعليمات جيدة مفيدة بلا شك.
لكن النماذج نفسها أصبحت أفضل في فهم اللغة الطبيعية، وأصبح بالإمكان جعلها تساعدك حتى في تحسين التعليمات.
لذلك القيمة المستدامة ليست في حفظ عشرين حيلة للـPrompt.
القيمة في:
فهم المشكلة.
بناء Workflow.
اختيار النموذج المناسب.
ربطه بالبيانات الصحيحة.
استخدام APIs عندما تحتاج.
فهم الخصوصية.
وضع آلية Verification.
تحديد متى يحتاج الإنسان إلى التدخل.
قياس النتيجة.
ثم تحسين العملية.
قد لا تكتب أي كود وتفعل هذا.
وقد تكون مبرمجاً.
ليست القضية تقنية فقط.
الفكرة أن تنتقل من «مستخدم ChatGPT» إلى شخص يفهم كيف يوظف AI داخل العمل.
لا تسلم عقلك للذكاء الصناعي وأنت تحاول أن تتطور معه
هناك اتجاه آخر خطير جداً.
بعض الناس عندما بدأوا استعمال النماذج أصبحوا يطلبون منها كل شيء.
اكتب.
قرر.
حلل.
اختر.
فكر.
رد.
لخص.
اقترح.
ثم يأخذون الناتج Copy/Paste.
هذا ليس تطويراً.
هذه طريقة ممتازة لكي تضعف مهاراتك على المدى الطويل.
استخدام الذكاء الصناعي الصحيح لا يعني إلغاء عقلك.
بل يعني توزيع العمل بينك وبين الأداة.
الأداة ممتازة في سرعة المعالجة.
أنت مسؤول عن الفهم والهدف والحكم.
الأداة تستطيع إعطاء عشر فرضيات.
أنت تختبرها.
الأداة تستطيع كتابة الكود.
أنت تتحقق منه.
الأداة تستطيع تلخيص العقد.
أنت تقرأ البنود الحساسة.
الأداة تستطيع تحليل الأرقام.
أنت تسأل إن كانت البيانات نفسها موثوقة.
وهذه النقطة تصبح أكثر أهمية مع قوة النماذج، لا أقل.
لأن الخطأ الرديء الواضح يسهل اكتشافه.
أما الخطأ المكتوب بطريقة شديدة الإقناع فهو أخطر.
لا تستخدم AI لتنفيذ شيء لا تستطيع تقييمه إطلاقاً
هذه قاعدة مهنية ذهبية.
يمكنك استخدامه لتوسيع قدراتك خارج اختصاصك، وهذا أحد أجمل فوائده.
لكن هناك فرقاً بين:
«لا أعرف تنفيذ هذا بالتفصيل»
وبين:
«ليس لدي أي قدرة على تقييم ما إذا كانت النتيجة صحيحة».
قد تكون مدير IT ولا تحفظ Syntax معيناً في PowerShell.
تستطيع جعل AI يكتب السكربت.
لأنك تستطيع قراءة المنطق، وتشغيله في بيئة اختبار، وفهم ما يحاول القيام به، ومراجعة النتيجة.
لكن شخصاً لم يتعامل مع السيرفرات في حياته قد يحصل على السكربت نفسه وينفذه مباشرة على Production Server لأنه «ChatGPT قال».
الأداة واحدة.
النتيجة قد تكون كارثية.
وهذا يفسر لماذا لن تختفي الخبرة بمجرد أن تصبح النماذج قادرة على إنشاء العمل.
القدرة على التوليد Generation شيء.
والقدرة على التحقق Validation شيء آخر.
عندما يصبح الجميع أسرع ستتغير توقعات الشركات أيضاً
هذه نقطة غالباً لا ينتبه إليها المتحمسون.
لو أصبحت كتابة تقرير جيد تستغرق نصف ساعة بدلاً من ثلاث ساعات، فلن تبقى المؤسسة تعتبر التقرير نفسه إنجازاً ضخماً إلى الأبد.
سترتفع التوقعات.
كما حدث مع البريد الإلكتروني.
قبل الإنترنت كان إرسال مراسلات إلى عشرين جهة عملاً يحتاج وقتاً وتنظيماً.
اليوم إذا قال موظف:
«أرسلت عشرين Email اليوم».
لن يعتبر أحد ذلك إنجازاً استثنائياً.
التكنولوجيا ترفع الإنتاجية، ثم يعتاد السوق على الإنتاجية الجديدة، ثم تصبح هي الحد الطبيعي المتوقع.
وهذا ما سيحدث مع AI.
اليوم قد ينبهر مديرك لأنك أعددت تحليلاً شاملاً بسرعة.
بعد سنوات قد يصبح هذا المستوى هو المتوقع من كل شخص في الوظيفة.
إذن الميزة ليست في استخدام AI مرة.
الميزة في بناء عقلية مستمرة:
كيف أستفيد من الأدوات الجديدة قبل أن تصبح ميزتها مجرد الحد الأدنى المطلوب؟
لهذا السبب التوقف عن التعلم أخطر من الذكاء الصناعي نفسه
الأداة التي تستعملها اليوم ليست هي التي ستستعملها بعد ثلاث سنوات.
السرعة الحالية لتطور النماذج والأدوات تعني أن بعض القدرات التي تبدو مذهلة اليوم ستصبح عادية، وبعض القيود الحالية ستختفي، وستظهر أنواع جديدة من الأنظمة والوكلاء Agents والأتمتة.
تقرير Stanford AI Index لعام 2026 يشير إلى استمرار التوسع الكبير في تبني الذكاء الصناعي ونشاطه الاقتصادي، مع تراكم أدلة على مكاسب الإنتاجية بالتزامن مع نقاش متزايد حول آثار ذلك في التوظيف، وخصوصاً في بعض الأعمال المعرفية والمستويات الوظيفية المبتدئة.
ولذلك فإن المهارة الأهم ليست معرفة أداة بعينها.
ليست ChatGPT.
ولا Claude.
ولا Copilot.
ولا Gemini.
هذه أسماء قد تتغير وتتطور.
المهارة الحقيقية هي القدرة على التكيف التقني المستمر.
أن ترى أداة جديدة وتسأل:
ما الذي تستطيع فعله؟
أين يمكن أن تفيدني؟
ما حدودها؟
هل توجد عملية في عملي يمكن تحسينها بها؟
هل هي آمنة لهذه البيانات؟
كيف أختبرها دون أن أخاطر بالعمل؟
هذه العقلية تبقى حتى لو تغير اسم المنتج عشر مرات.
الموظف الذي يطور نفسه قد يجعل AI سبباً في زيادة قيمته وليس تخفيضها
لنرجع إلى الجملة التي بدأنا منها:
«الذكاء الصناعي سيأخذ مكانك».
قد تصبح صحيحة فعلاً إذا بقيت أنت ثابتاً بينما تغير تعريف الوظيفة.
لكنها ليست قانوناً.
يمكن أن يحدث العكس تماماً.
قد يجعل الذكاء الصناعي الموظف الجيد أكثر قيمة لأنه يستطيع الآن تنفيذ أشياء كان يحتاج سابقاً إلى عدة أشخاص لتنفيذها.
مدير تقني يستطيع كتابة سكربتات أسرع.
محلل أعمال يستطيع بناء Prototype.
مسوّق يستطيع تحليل البيانات.
صاحب مشروع يستطيع إنشاء حملات أولية.
مصمم يستطيع اختبار عشرات الأفكار.
باحث يستطيع معالجة كمية أكبر من المصادر.
موظف عمليات يستطيع أتمتة التقارير.
وهذا يخلق نوعاً مثيراً من الموظفين:
شخص لديه وظيفة أساسية واضحة، لكنه يمتلك حولها قدرات جانبية كانت تحتاج سابقاً إلى عدة تخصصات.
وهذا الشخص صعب جداً أن تنظر إليه باعتباره مجرد تكلفة يمكن استبدالها بزر.
الشركة لن تستغني بسهولة عن الشخص الذي أصبح هو من يستخدم الذكاء الصناعي لتطوير الشركة
هناك مستوى أعلى من مجرد تحسين إنتاجيتك الشخصية.
وهو أن تصبح الشخص الذي يساعد المؤسسة نفسها على الاستفادة من AI.
مثلاً لا تكتفي بأن تجعل تقريرك أسرع.
تبني طريقة تجعل تقارير القسم كلها أسرع.
لا تكتفي بتلخيص رسائلك.
تصمم Workflow يصنف الطلبات القادمة للفريق.
لا تكتفي بكتابة SQL أسرع.
تبني أداة داخلية تسمح للمديرين بالوصول إلى المعلومات التي يحتاجونها بطريقة آمنة.
لا تكتفي باستخدام AI في حل مشاكلك.
تكتشف أين يمكن استعماله لتقليل تكلفة أو خطأ أو وقت على مستوى المؤسسة.
هنا تتحول من:
موظف يستخدم الذكاء الصناعي
إلى:
موظف يقود تحول العمل باستخدام الذكاء الصناعي.
والفرق بين الاثنين كبير جداً.
في الحالة الأولى الأداة تزيد إنتاجيتك.
في الحالة الثانية أنت تزيد إنتاجية المنظمة.
وهنا تحديداً يصبح السؤال:
«ليش ما نستبدله بالـAI؟»
غريباً بعض الشيء.
لأنك أنت الشخص الذي يعرف كيف يضع الـAI في مكانه الصحيح.
أقوى موظفي المستقبل ليسوا الذين ينافسون الآلة فيما تتفوق فيه
لا فائدة من منافسة الكمبيوتر في السرعة الحسابية.
ولا من منافسة النموذج في قدرته على توليد خمسين مسودة خلال ثوانٍ.
كما لم يكن منطقياً أن يحاول الإنسان التغلب على Excel في جمع مليون رقم يدوياً.
القوة تأتي من تقسيم الأدوار.
دع الآلة تفعل ما تجيده.
الحجم.
السرعة.
التكرار.
المقارنة.
التصنيف.
الصياغة الأولية.
البحث داخل كمية كبيرة من المعلومات.
واحتفظ أنت بما يجب أن تطوره أكثر:
الحكم.
السياق.
العلاقات.
الثقة.
المسؤولية.
التفاوض.
الأولويات.
التفكير النقدي.
معرفة المؤسسة.
معرفة السوق.
فهم البشر.
واتخاذ القرار عندما لا تكون الإجابة واضحة.
هذه ليست محاولة رومانسية للبحث عن أشياء «لا يستطيع الروبوت فعلها».
حتى بعض هذه القدرات ستتحسن فيها الأنظمة.
الفكرة الاقتصادية أبسط:
كلما جعلت التكنولوجيا الجزء الآلي من عملك أرخص، يجب أن تنقل نفسك إلى الجزء الذي يخلق قيمة أعلى.
وهذه قاعدة ليست خاصة بالذكاء الصناعي.
هذه هي قصة التكنولوجيا والعمل منذ زمن طويل.
الشخص المهدد فعلياً ليس الذي يتعامل مع AI… بل الذي يقف مكانه
منظمة العمل الدولية نفسها تؤكد في تحليلاتها أن عدداً قليلاً نسبياً من الوظائف يتكون بالكامل من مهام قابلة للأتمتة الحالية بواسطة الذكاء الصناعي التوليدي، وأن معظم المهن تتضمن خليطاً من المهام، بعضها قابل للتغيير وبعضها ما زال يحتاج إلى تدخل بشري.
وهذه ربما أفضل طريقة لفهم المرحلة المقبلة.
لا تبحث عن قائمة بعنوان:
«الوظائف التي سيقضي عليها الذكاء الصناعي».
فالقوائم من هذا النوع تبسط الواقع أكثر مما ينبغي.
انظر داخل وظيفتك أنت.
ما المهام التي يمكن أتمتتها؟
ما المهام التي يمكن تسريعها؟
ما المهام التي تحتاج إلى خبرتك؟
ما الذي تستطيع تعلمه الآن؟
وما القيمة الجديدة التي تستطيع إضافتها عندما يتحرر وقتك من الأعمال الروتينية؟
لأن الخطر الأكبر ليس وجود آلة تستطيع أن تقوم بجزء من عملك.
الخطر أن تستطيع الآلة القيام بهذا الجزء، بينما أنت لا تعرف ماذا تفعل بعد أن لم يعد هذا الجزء يحتاج إلى معظم وقتك.
الشخص الذي يعرف الإجابة عن السؤال الأخير غالباً لن يخرج من المعادلة.
بل قد يصبح أقوى مما كان قبل دخول الذكاء الصناعي إليها.
ما الذي يجب أن تتعلمه فعلياً حتى تصبح أقوى مع الذكاء الصناعي؟
إذا اقتنعنا بأن المشكلة ليست في وجود الذكاء الصناعي نفسه، بل في الفجوة التي ستنشأ بين الموظف الذي يعرف كيف يوظفه والموظف الذي يستمر بالطريقة القديمة، فالسؤال المنطقي التالي يصبح: ماذا يعني أصلاً أن تتقن الذكاء الصناعي في العمل؟
هل المطلوب أن تحفظ أسماء النماذج؟
هل تأخذ دورة في Prompt Engineering؟
هل تتعلم البرمجة؟
هل يجب أن تصبح Data Scientist؟
هل يكفي أن تعرف كيف تطلب من ChatGPT كتابة إيميل محترم؟
لا.
ولو اختصرنا المهارة المطلوبة في «معرفة استخدام ChatGPT» فنحن نقلل كثيراً من حجم التحول الذي يحدث.
تقرير OECD الصادر في يونيو/حزيران 2026 حول AI and Skills يشير إلى أن نقص المهارات أصبح من العوائق المهمة أمام تبني الذكاء الصناعي داخل المؤسسات، وأن المشكلة لا تتعلق فقط بوجود التقنية، بل بقدرة العمال والمديرين والمؤسسات على استخدامها ودمجها في العمليات والاستفادة منها بطريقة منتجة. كما يشير إلى أن عدداً كبيراً من المؤسسات يستثمر بالفعل في رفع مهارات العاملين وإعادة تدريبهم.
وتقرير Future of Jobs 2025 يضع مهارات AI والبيانات الكبيرة، والتفكير التحليلي، والثقافة التقنية، والتفكير الإبداعي، والمرونة والتعلم المستمر ضمن المهارات المتوقع أن تزداد أهميتها. اللافت هنا أن القائمة لا تقول إن المستقبل للتقنيين فقط؛ بل تجمع المهارات التقنية والقدرات البشرية في الوقت نفسه.
وهذه بالضبط هي النقطة.
الموظف الأقوى لن يكون غالباً الشخص الذي يعرف الذكاء الصناعي فقط.
بل:
موظف يفهم مهنته + يفهم العمل + يستطيع التفكير + يعرف كيف يوظف AI داخل كل ذلك.
المستوى الأول: تعلم كيف تتحدث مع الذكاء الصناعي… لكن لا تتوقف هنا
نعم، البداية الطبيعية هي أن تتعلم كيف تطلب ما تريد.
وهذه مهارة مهمة فعلاً.
المستخدم السيئ يقول:
«اكتب تقرير».
المستخدم الأفضل يقول:
«هذه بيانات المبيعات للأشهر الستة الماضية. أريد مقارنة شهرية، مع فصل تغير حجم المبيعات عن تغير متوسط قيمة الفاتورة، وتحديد أي فرع لديه تراجع مستمر لثلاثة أشهر، وعدم اعتبار الفروع الجديدة ضمن المقارنة السنوية. قدم النتائج في جدول، ثم اذكر خمس ملاحظات تحتاج مراجعة بشرية ولا تفترض سبب التراجع دون دليل».
الفرق بين الطلبين ليس تجميلاً لغوياً.
الثاني يحتوي على:
السياق.
الهدف.
قواعد العمل.
الاستثناءات.
شكل النتيجة.
وحدود الاستنتاج.
وهذه أساسيات التعامل الجيد مع النماذج.
لكن لو بقيت طوال حياتك المهنية في هذه المرحلة فأنت أصبحت مستخدماً جيداً لـChatGPT، لا أكثر.
وهذه المهارة وحدها ستصبح عادية جداً.
المستوى الثاني: تعلم تفكيك العمل إلى مهام
هذه واحدة من أقوى المهارات التي تستطيع تطويرها.
لا تنظر إلى وظيفتك ككتلة واحدة.
فككها.
ماذا تفعل كل يوم؟
ما الذي تفعله كل أسبوع؟
ما الذي يتكرر؟
ما الذي يحتاج حكماً؟
ما الذي يحتاج بيانات؟
ما الذي يحتاج كتابة؟
ما الذي يحتاج بحثاً؟
ما الذي يحتاج موافقة؟
ما الذي يحتاج قراراً؟
لنأخذ مثالاً بسيطاً لموظف موارد بشرية.
قد يقول:
«أنا مسؤول HR».
هذه ليست مهمة.
عندما نفكك الوظيفة قد نجد:
استقبال طلبات التوظيف.
فرز السير الذاتية.
تجهيز أسئلة المقابلة.
تنسيق المواعيد.
كتابة عروض العمل.
تحديث ملفات الموظفين.
إعداد تقارير الغياب.
الرد على أسئلة الموظفين.
إعداد السياسات.
التحقيق في المشكلات.
التواصل مع الإدارة.
تقييم الأداء.
كل واحدة من هذه تحتاج مستوى مختلفاً من التدخل البشري.
الذكاء الصناعي قد يساعد جداً في إنشاء مسودة وصف وظيفي أو مقارنة سير ذاتية وفق معايير محددة أو تلخيص استبيان.
لكن التعامل مع شكوى حساسة بين موظفين يحتاج شيئاً مختلفاً.
لهذا الموظف الذي يتعلم Task Decomposition يستطيع تحديد أين يضع الأداة بدقة بدلاً من أن يسأل السؤال الساذج:
«هل AI يستطيع يعمل HR؟»
السؤال الصحيح:
«أي أجزاء من عملية HR يمكن تحسينها بالـAI، وأيها يجب أن يبقى القرار النهائي فيها بشرياً؟»
وهذا التفكير بحد ذاته مهارة مستقبلية.
تعلم الـWorkflow قبل أن تتعلم أسماء مئة أداة
السوشال ميديا امتلأت بفيديوهات من نوع:
«25 أداة AI ستغير حياتك».
بعد أسبوع تصبح خمس منها مغلقة، وثلاث تغير اسمها، وعشر منها تستخدم نموذجاً مشابهاً لما تستخدمه بقية الأدوات.
حفظ أسماء الأدوات ليس ميزة مهنية كبيرة.
فهم الـWorkflow أهم بكثير.
خذ عملية بسيطة:
موظف يستقبل يومياً Email يحتوي على Excel.
يفتح الرسالة.
يحفظ الملف.
ينظف البيانات.
يحذف بعض الصفوف.
يطبق معادلات.
ينشئ Pivot Table.
ينسخ النتائج إلى تقرير.
يكتب Summary.
ثم يرسلها إلى المدير.
المستخدم العادي للذكاء الصناعي قد يطلب منه كتابة الـSummary.
جميل.
وفر عشر دقائق.
المستخدم الأقوى ينظر إلى العملية كاملة.
هل يمكن الوصول إلى البريد تلقائياً؟
هل يمكن معالجة الملف تلقائياً؟
هل يمكن تطبيق قواعد التنظيف تلقائياً؟
هل يمكن حساب المؤشرات تلقائياً؟
هل يمكن أن يحلل AI الحالات غير المعتادة فقط؟
هل يمكن إنشاء الرسالة تلقائياً؟
هل يمكن إرسالها في موعد محدد؟
هل يمكن ألا يرسل شيئاً أصلاً إذا لم توجد مشكلة؟
هنا انتقلت من:
AI يساعدني في مهمة.
إلى:
AI جزء من Workflow متكامل.
وهذه القفزة هي التي تصنع فرقاً حقيقياً في الإنتاجية.
تعلم الأتمتة حتى لو لم تكن مبرمجاً
ليس مطلوباً من كل محاسب أو مدير موارد بشرية أو مسوّق أن يصبح Software Developer.
لكن الموظف المعرفي القادم سيستفيد كثيراً إذا فهم منطق الأتمتة.
Trigger.
Input.
Rules.
Processing.
Exception.
Output.
Notification.
هذه ليست مفاهيم حصرية للمبرمجين.
مثلاً:
عندما تصل فاتورة إلى بريد محدد ← Trigger.
استخرج المورد والمبلغ والتاريخ ← Processing.
إذا تجاوز المبلغ قيمة معينة ← Rule.
أرسلها للمدير للموافقة ← Human Approval.
إذا كانت البيانات ناقصة ← Exception.
بعد الاعتماد، احفظها ← Output.
هذا Workflow.
يمكن تنفيذه بأدوات كثيرة.
قد يكون Power Automate.
Make.
Zapier.
n8n.
سكريبت Python.
PowerShell.
نظام داخلي.
أو منصة مؤسسية أخرى.
الأداة الثانوية قد تتغير.
لكن طريقة التفكير تبقى.
والشخص الذي يستطيع النظر إلى عملية مملة والقول:
«هاي ما لازم يضل موظف يعملها يدوياً كل يوم»
يمتلك قيمة مختلفة.
تعلم التعامل مع البيانات لأن الذكاء الصناعي بدون بيانات عملك يبقى عاماً
أحد أكبر الفروق بين استخدام AI للاستهلاك الشخصي واستخدامه داخل مؤسسة هو البيانات.
عندما تسأل نموذجاً:
«كيف أحسن مبيعات الشركة؟»
سيعطيك نصائح.
حملات.
Upselling.
Loyalty.
Pricing.
Customer segmentation.
مفيد كبداية، لكنه Generic.
لكن لو لديك:
المبيعات اليومية.
الأصناف.
المناطق.
المواسم.
التكاليف.
سلوك العملاء.
أداء الفروع.
ساعات الذروة.
نسب الخصم.
مصادر الطلبات.
المرتجعات.
ومؤشرات السنوات السابقة.
ثم بنيت تحليلك فوق هذه البيانات، أصبح السؤال مختلفاً.
لهذا لن تختفي أهمية Excel أو SQL أو Databases أو BI لمجرد ظهور AI.
بالعكس.
قيمة البيانات النظيفة والمنظمة قد ترتفع.
لأن الذكاء الصناعي القوي مع بيانات سيئة يمكن أن ينتج لك تحليلاً متقناً لواقع غير صحيح.
Garbage In, Garbage Out ما زالت صحيحة.
إذا كانت قاعدة البيانات فيها duplication، فلن يحل النموذج المشكلة بالسحر.
إذا كانت الفروع تسجل العمليات بطرق مختلفة، سيحتاج أحد إلى اكتشاف ذلك.
إذا تغير تعريف KPI منتصف السنة، يجب أن يعرف أحد كيف يتعامل معه.
لذلك من المهارات الممتازة لأي موظف معرفي اليوم أن يرفع مستواه في:
Excel.
تنظيف البيانات.
أساسيات SQL.
قراءة Dashboards.
فهم KPIs.
اكتشاف Outliers.
وفهم الفرق بين Correlation وCausation.
لا تحتاج أن تصبح عالم بيانات.
لكن يجب ألا تكون البيانات بالنسبة لك شيئاً غامضاً يرسله قسم آخر وينتهي الموضوع.
تعلم كيف تتحقق من مخرجات الذكاء الصناعي
هذه المهارة قد تصبح أهم من الـPrompt نفسه.
في تجربة شهيرة أجريت على استشاريين يعملون على مهام مشابهة لأعمال Boston Consulting Group، وجد الباحثون أن استخدام GPT-4 رفع الأداء بصورة قوية في بعض المهام الواقعة ضمن نطاق قدراته؛ المشاركون الذين استخدموا AI أنجزوا مهاماً أكثر وبسرعة أعلى، وحصلت مخرجاتهم على تقييم جودة أفضل. لكن عندما دخل المشاركون في مهمة تقع خارج منطقة قوة النظام، انقلبت الصورة وأصبح الاعتماد على AI قادراً على دفع البعض نحو إجابات خاطئة. الباحثون وصفوا هذه الظاهرة باسم Jagged Technological Frontier؛ أي أن حدود قدرة الذكاء الصناعي ليست خطاً واضحاً تستطيع رؤيته بسهولة.
وهذا مفهوم خطير جداً مهنياً.
قد يكون AI ممتازاً في المهمة A.
ومتوسطاً في B.
ورهيباً ظاهرياً لكنه مخطئ في C.
والمشكلة أنك لا تحصل دائماً على Warning يقول:
«انتباه، الآن دخلنا منطقة أنا ضعيف فيها».
قد يعطيك الإجابة بالثقة اللغوية نفسها.
لذلك الموظف القوي يجب أن يمتلك آليات Verification.
إذا كانت النتيجة رقمية، أعد حساب عينة.
إذا كانت معلومة حساسة، افحص المصدر.
إذا كان Code، اختبره.
إذا كان Contract، لا تعتمد عليه كمستشار قانوني نهائي.
إذا كان تحليل بيانات، افحص الافتراضات.
إذا كانت توصية استراتيجية، ابحث عن سيناريو معاكس.
إذا لخص مستنداً مهماً، ارجع إلى النقاط الحرجة في الأصل.
الاستخدام الذكي ليس:
«AI قال».
بل:
«AI ساعدني في الوصول إلى هذه النتيجة، وهذه الطريقة التي تحققت بها منها».
تعلم أن تستخدم AI كناقد وليس ككاتب فقط
معظم الناس يستخدمون الذكاء الصناعي لإنتاج شيء.
اكتب لي.
اعمل لي.
جهز لي.
اقترح لي.
لكن واحداً من أقوى استخداماته أن تجعله ينتقد ما لديك أنت.
مثلاً:
هذه خطتي، ما الافتراضات الضعيفة فيها؟
هذا التقرير، أين توجد تناقضات؟
هذا العرض الذي سأقدمه للإدارة، ما الأسئلة الصعبة التي يمكن أن تواجهني؟
هذا الـSQL Query، أين المخاطر؟
هذه استراتيجية التسعير، أعطني سيناريوهات تجعلها تفشل.
هذه ميزانية المشروع، ما البنود التي ربما نسيتها؟
هذه السياسة، كيف يمكن للموظفين إساءة استخدامها؟
هذا الـWorkflow، ما نقطة الفشل الأحادية Single Point of Failure؟
هذا النظام، تصرف كمهاجم وحاول إيجاد سيناريوهات سوء استخدام.
هنا يصبح AI أداة لاختبار تفكيرك.
والنتيجة ليست فقط أنك أنجزت أسرع.
قد تفكر أفضل.
تعلم أن تطلب منه الاحتمال المعاكس
البشر لديهم Confirmation Bias.
عندما نقتنع بفكرة نميل إلى البحث عن أشياء تؤكدها.
والذكاء الصناعي يمكن أن يزيد المشكلة إذا استخدمناه خطأ.
إذا قلت:
«اشرح لماذا قرار الإدارة خاطئ».
سيعطيك أسباباً قوية.
ثم قد تخرج مقتنعاً أنك عبقري.
لكن لو قلت بعد ذلك:
«الآن افترض أن الإدارة على حق وأنني أنا مخطئ. ابنِ أقوى حجة ممكنة ضد تحليلي».
ستحصل على زاوية أخرى.
ثم:
«ما المعلومات التي لو عرفناها ستحدد أي الرأيين أصح؟»
هنا أنت تستخدم AI لتقليل الانحياز وليس لتأكيده.
وهذا النوع من الاستخدام مهم جداً للإدارة والقرارات.
تعلم Systems Thinking لأن AI قد يصلح المهمة ويكسر النظام
من المهارات التي يضعها تقرير Future of Jobs ضمن المهارات المهمة أيضاً التفكير النظمي Systems Thinking.
وهو مهم جداً مع الذكاء الصناعي.
لأنك تستطيع تحسين قسم وتضر قسماً آخر.
مثلاً:
جعلت عملية الطلب أسرع.
جميل.
لكن هل أصبح المطبخ غير قادر على التعامل مع حجم الطلبات؟
أتمتّ الرد على العملاء.
جميل.
لكن هل بدأت الردود الآلية تعطي وعوداً لا يستطيع فريق العمليات تنفيذها؟
خفضت عدد موظفي إدخال البيانات.
جميل.
لكن من أصبح مسؤولاً عن اكتشاف الأخطاء التي كانوا يلاحظونها أثناء العمل؟
أصبح تقرير المدير أوتوماتيكياً.
جميل.
لكن ماذا يحدث إذا توقف مصدر بيانات ولم يلاحظ أحد؟
كل عملية داخل المؤسسة لها علاقات مع عمليات أخرى.
ولذلك الشخص القادر على التفكير على مستوى System يصبح مهماً جداً.
الذكاء الصناعي قد يحسن Component.
لكن الإنسان الخبير يجب أن يسأل:
ماذا سيحدث لبقية النظام؟
تعلم أن تبني Human-in-the-Loop بدلاً من حلم الأتمتة الكاملة
أحد الأخطاء المنتشرة عند اكتشاف AI هو الحماس لفكرة:
«خلينا نخليه يعمل كل شيء».
وهذا ليس دائماً أفضل تصميم.
أحياناً أفضل Workflow ليس 100% AI.
بل:
90% Automation + 10% Human Review.
مثلاً لديك ألف فاتورة.
بدلاً من أن يراجع الإنسان الألف، يمكن للنظام معالجة 950 حالة واضحة، ثم يرسل 50 حالة غير واضحة للإنسان.
في خدمة العملاء يمكن للذكاء الصناعي التعامل مع الأسئلة الروتينية، ثم يصعّد حالات الغضب أو الاسترجاع أو المشكلة القانونية.
في الأمن السيبراني يمكن للنظام تصنيف آلاف الأحداث، لكن بعض الحالات تحتاج Analyst.
في الموارد البشرية يستطيع تجهيز Shortlist وفق معايير واضحة، لكن قرار التوظيف لا يجب أن يتحول إلى Black Box آلي بلا مراجعة وحوكمة.
هذه العقلية مهمة:
لا تسأل دائماً:
«كيف أحذف الإنسان من العملية؟»
اسأل:
«أين وجود الإنسان يعطي أعلى قيمة؟»
ثم اجعله يعمل هناك.
المحاسب الذي يتطور مع AI
لن يصبح المحاسب القوي مجرد شخص يسأل النموذج كيف يسجل قيداً.
يمكنه أن يستخدم الأدوات الحديثة في:
تحليل Variances.
مطابقة بيانات.
اكتشاف معاملات غير اعتيادية.
كتابة صيغ Excel.
تفسير Financial Statements.
تجهيز Narrative Reports.
قراءة عقود ومستندات.
تلخيص سياسات.
تحليل Aging.
بناء Forecast أولي.
مقارنة Actual vs Budget.
لكن إذا أصبح هذا كله أسرع، يجب أن تتحول قيمة المحاسب من «إعداد الرقم» فقط إلى:
فهم ماذا يعني الرقم.
لماذا ارتفعت التكلفة؟
هل الانحراف موسمي؟
هل المشكلة Price Variance أم Quantity Variance؟
هل الـMargin الحقيقي تراجع؟
هل لدينا Cash Flow Problem رغم وجود Profit؟
هذا هو المستوى الأعلى.
المسوّق الذي يتطور مع AI
المسوّق الكسول سيستخدم AI ليكتب 30 Caption.
المسوّق القوي سيستخدمه بطريقة أوسع.
تحليل Reviews.
استخراج اعتراضات العملاء.
تصنيف Feedback.
تحليل منافسين.
إنشاء فرضيات حملات.
تحضير Variations.
اقتراح Segments.
تحليل نتائج.
تلخيص Research.
تطوير Customer Personas مبنية على بيانات حقيقية.
إنشاء أسئلة لاختبارات A/B.
ثم يستخدم خبرته لفهم:
هل الحملة أثرت في Revenue أم فقط Engagement؟
هل اكتسبنا عميل جديد فعلياً؟
هل CAC منطقي؟
هل زادت Repeat Purchases؟
هل الـDiscount جلب مبيعات إضافية أم أعطيناه لعملاء كانوا سيشترون على كل حال؟
هنا انتقل من Content Producer إلى Business Marketer.
موظف الموارد البشرية الذي يتطور مع AI
موظف HR يستطيع توفير وقت كبير في الأعمال الكتابية والإدارية.
لكن الخطأ أن يستخدم الوقت الذي وفره لكتابة المزيد من المستندات.
القيمة الأعلى تكون في:
تحليل أسباب Turnover.
فهم مشاكل الأقسام.
تحديد Skill Gaps.
تحسين Onboarding.
دراسة نتائج Surveys.
كشف الأنماط في Exit Interviews.
بناء برامج تدريبية.
مساعدة المديرين في إدارة الأداء.
وتحسين تخطيط القوى العاملة.
كلما أتمت الوظيفة الجزء الإداري، يفترض أن يرتفع الإنسان نحو الجزء الإنساني والاستراتيجي منها.
موظف الـIT الذي يتطور مع AI
هذا المجال ربما من أوضح الأمثلة.
اليوم يستطيع موظف IT استخدام الذكاء الصناعي في:
PowerShell.
Python.
Bash.
SQL.
Log Analysis.
Troubleshooting.
كتابة Documentation.
Regex.
Firewall Rules.
تحليل Events.
إنشاء Monitoring Scripts.
مراجعة Configurations.
شرح Error Messages.
كتابة APIs.
بناء أدوات داخلية.
ولكن هنا يوجد أيضاً فخ كبير.
أن يتحول الموظف إلى Copy/Paste Operator من ChatGPT إلى Production.
هذا ليس تقدماً.
الموظف الأقوى هو الذي أصبح يستطيع تنفيذ أشياء كان سابقاً لا يملك الوقت لكتابتها، ولكنه ما زال يفهم:
Architecture.
Security.
Permissions.
Backups.
Dependencies.
Rollback.
Testing.
Change Management.
Business Impact.
لأن AI قد يكتب لك خلال ثلاثين ثانية أمر PowerShell يستطيع أيضاً أن يدمر خلال ثلاثين ثانية ما احتاجت المؤسسة سنوات لبنائه إذا نفذته بلا فهم.
القوة ليست في سرعة توليد الأمر.
القوة في معرفة إن كان يجب تنفيذه أصلاً.
المبرمج الذي يستخدم AI ليس مجرد مبرمج يكتب أسرع
المبرمج الذي يقيس استفادته بعدد أسطر الكود التي أصبح يستطيع توليدها يفكر بطريقة ضيقة.
البرمجة الاحترافية ليست مسابقة Lines of Code.
AI يستطيع مساعدته في:
Boilerplate.
Tests.
Documentation.
Refactoring.
SQL.
Regex.
Debugging.
Explaining unfamiliar code.
Prototype.
API integration.
لكن القيمة الأعلى تبقى في:
Architecture.
Requirements.
Trade-offs.
Security.
Scalability.
Maintainability.
Understanding legacy systems.
Business logic.
وإدارة التعقيد.
إذا أصبح كتابة الكود أرخص، سترتفع أهمية معرفة ما الكود الذي يستحق أن يُكتب.
المدير الذي يتطور مع AI قد يصبح أخطر منافس مهنياً
المدير الذي يتعلم AI لا يحتاج أن يصبح تقنياً.
لكن تخيل مديراً يستطيع قبل اجتماع مهم أن يضع:
أرقام الأداء.
ملخصات الشكاوى.
ميزانية المشروع.
التقارير السابقة.
ومحاضر الاجتماعات.
ثم يطلب:
ما القرارات المعلقة؟
ما المشاكل المتكررة؟
أين يوجد تعارض بين الأقسام؟
ما المؤشرات التي انخفضت؟
ما الأسئلة التي يجب أن أوجهها لكل مدير؟
ما الالتزامات التي تم الاتفاق عليها ولم تغلق؟
ثم يراجع النتيجة.
هذا المدير يدخل الاجتماع بصورة مختلفة تماماً عن مدير يعتمد على ذاكرته وما يخبره به الفريق قبل عشر دقائق.
الذكاء الصناعي هنا لا «يدير بدلاً منه».
بل يزيد قدرته على استيعاب المؤسسة.
المهارات البشرية لم تصبح قديمة بسبب AI
الغريب أن صعود الذكاء الصناعي قد يجعل بعض المهارات البشرية أكثر أهمية، لا أقل.
التفكير التحليلي.
الإبداع.
القيادة.
المرونة.
التعاون.
الفضول.
والتعلم المستمر كلها ما تزال تظهر ضمن المهارات التي يعطيها أصحاب العمل أهمية كبيرة في تقارير مستقبل العمل.
لماذا؟
لأن الأدوات أصبحت متاحة للكثيرين.
إذا استطاع الجميع إنشاء عرض جميل، لن يعود جمال العرض وحده ميزة.
المهم ماذا تقول فيه.
إذا استطاع الجميع إنشاء تقرير، ستصبح جودة التحليل أهم.
إذا استطاع الجميع كتابة بريد، ستصبح جودة القرار الموجود خلف البريد أهم.
إذا استطاع الجميع إنشاء كود أولي، ستصبح جودة التصميم الهندسي أهم.
التكنولوجيا لا تلغي التميّز.
هي تنقل مكانه.
لا تحاول تعلم كل شيء… ابنِ مجموعة مهارات حول تخصصك
أكبر خطأ يمكن أن تقع فيه هو أن تشاهد التطور السريع فتدخل في حالة Panic Learning.
اليوم Python.
غداً Machine Learning.
بعده Prompt Engineering.
ثم Data Science.
ثم Cybersecurity.
ثم Automation.
ثم Agents.
ثم Blockchain لأنه ظهر فيديو يقول إنه عاد.
النتيجة أنك تعرف قليلاً عن خمسين موضوعاً ولا تمتلك قيمة حقيقية في أي شيء.
الأفضل هو مفهوم يمكن وصفه بـ Skill Stack.
لديك مهارة أساسية قوية.
فوقها طبقات مساندة.
مثلاً محاسب:
Accounting
Excel
Financial Analysis
Power BI
AI
Basic Automation.
مسوّق:
Marketing
Analytics
Copywriting
Consumer Psychology
AI
Automation.
مدير IT:
Infrastructure
Networking
Security
Scripting
Business Understanding
AI.
مدير عمليات:
Operations
Process Design
KPIs
Data
Automation
AI.
هذه المجموعة تصنع موظفاً يصعب إيجاد نسخة مطابقة منه.
أما «AI فقط» فمع الوقت سيصبح سلعة منتشرة.
ابحث عن المهارات التي تجعل مهاراتك الأخرى أقوى
هناك مهارات يمكن وصفها بأنها Multiplier Skills.
لا تعطيك قيمة في مجال واحد فقط، بل تزيد قوة مجموعة كبيرة من المهارات الموجودة لديك.
الذكاء الصناعي واحد منها.
البرمجة البسيطة قد تكون واحدة.
اللغة الإنجليزية قد تكون واحدة.
تحليل البيانات.
التواصل.
التفكير النقدي.
فمثلاً مدير مالي يعرف Excel أفضل يصبح أقوى.
إذا أضفت SQL أصبح يستطيع الوصول إلى البيانات بنفسه.
إذا أضفت BI أصبح يستطيع عرضها.
إذا أضفت AI أصبح يستطيع تحليلها واختبار فرضيات أسرع.
هو لا يحتاج أن يصبح Software Engineer.
لكن كل طبقة جديدة تقلل اعتماده على الآخرين في بعض أجزاء العمل وتزيد سرعته.
وهذه نقطة مهمة جداً في القيمة الوظيفية.
من يمتلك مزيج المهارات يصبح أصعب في الاستبدال من المتخصص الضيق جداً في بعض البيئات
لا يعني ذلك نهاية التخصص العميق.
بالعكس، المؤسسات ستظل بحاجة إلى خبراء عميقين جداً.
لكن في عدد كبير من الوظائف الإدارية والتقنية والمعرفية ستصبح قيمة الشخص الذي يستطيع الربط بين المجالات مرتفعة.
شخص يفهم التقنية ويستطيع الحديث مع الإدارة.
شخص يفهم المالية ويستطيع تحليل البيانات.
شخص يفهم التسويق ويعرف الأتمتة.
شخص يفهم العمليات ويستطيع بناء أدوات.
شخص يفهم الموارد البشرية ويستطيع قراءة البيانات.
هذا الموظف يستطيع رؤية روابط لا يراها المتخصص المحصور في صندوق واحد.
والذكاء الصناعي يعطيه وسيلة أسرع لسد بعض الفجوات بين هذه المجالات.
لا تجعل الشركة هي المسؤولة الوحيدة عن تطويرك
الشركات الجيدة يجب أن تدرب موظفيها، والبيانات الحديثة تشير إلى أن مؤسسات كثيرة بدأت بالفعل الاستثمار في Upskilling وReskilling بسبب AI.
لكن مهنياً من الخطر أن تقول:
«إذا الشركة بدها AI لازم تدربني».
لأن سوق العمل لن ينتظر دورة رسمية من قسم HR.
تخيل شخصين.
الأول ينتظر أن توفر الشركة Training.
الثاني منذ سنة يجرب الأدوات على بيانات غير حساسة، ويقرأ، ويبني مشاريع صغيرة، ويتعلم الأتمتة، ويكتشف استخدامات في عمله.
بعد سنة قد تكون الفجوة كبيرة.
ليس لأن الثاني عبقري.
بل لأنه بدأ.
أفضل طريقة لتعلم AI هي أن تستعمله على مشاكل حقيقية من عملك
لا تحتاج مئة ساعة فيديوهات.
اختر مشكلة.
مثلاً:
«هذا التقرير يأخذ مني ساعتين كل يوم».
وحاول تقليصه إلى ساعة.
ثم نصف ساعة.
ثم عشر دقائق.
اختر مشكلة ثانية:
«أقرأ كل أسبوع عشرات الشكاوى».
ابنِ طريقة لتصنيفها.
ثالثة:
«أكتب الردود نفسها باستمرار».
أنشئ Templates ذكية.
رابعة:
«عندي Logs ضخمة».
استخدم AI للمساعدة في تحليلها.
خامسة:
«الإدارة تسألني السؤال نفسه كل شهر».
ابنِ Dashboard.
هذه المشاريع الصغيرة تبني مهارة حقيقية.
لأنك ستواجه:
بيانات ناقصة.
استثناءات.
أخطاء.
Permissions.
Formatting.
Edge Cases.
مقاومة من المستخدمين.
مشاكل Integration.
وهذه الأشياء لا تتعلمها من فيديو بعنوان:
«10 Prompts تجعلك عبقرياً».
اجعل هدفك في النهاية أن تصبح الشخص الذي تصعب مقارنة راتبه بتكلفة اشتراك AI
هذه نقطة جوهرية.
لو كانت كل القيمة التي تقدمها هي شيء يستطيع نموذج جاهز إنتاجه بمجرد أن يضغط المدير زرّاً، فأنت في موقع غير مريح.
أما إذا كانت المعادلة:
خبرتك + معرفتك بالمؤسسة + علاقتك بالأقسام + قدرتك على التحليل + مسؤوليتك + أدواتك + الأتمتة + الذكاء الصناعي،
فالمقارنة لم تعد:
«راتب الموظف 1500 دولار مقابل اشتراك AI بـ30 دولاراً».
هذا تشبيه مضلل.
لأن النموذج أصبح واحداً من أدوات الموظف.
الأدق أن تسأل الإدارة:
«كم موظفاً آخر أحتاج حتى أحصل على القيمة نفسها التي ينتجها هذا الشخص باستخدام هذه الأدوات؟»
هنا تبدأ قوة مختلفة تماماً.
وهناك مستوى أعلى من ذلك كله: أن تصبح أنت من يكتشف أين يجب استخدام AI وأين يجب منعه
مع نضج المؤسسات في استخدام الذكاء الصناعي ستظهر قيمة كبيرة للأشخاص الذين لا يتحمسون له بصورة عمياء ولا يرفضونه بصورة عمياء.
يعرفون أن بيانات العملاء الحساسة لا ترمى في أي منصة.
أن المعلومات المالية لها ضوابط.
أن بعض القرارات تحتاج Audit Trail.
أن الأتمتة تحتاج Rollback.
أن Agent يمتلك صلاحيات واسعة قد يصنع مشكلة أكبر من الفائدة.
أن الإنسان يجب أن يبقى داخل بعض مراحل القرار.
أن السرعة ليست أهم من الدقة في كل عملية.
وأن بعض الأعمال أصلاً لا تحتاج AI؛ قد يحلها SQL Query أو Macro أو تعديل Process أبسط وأرخص.
هذه علامة نضج مهمة:
أنت لا تبحث عن مكان تضع فيه الذكاء الصناعي لأنك متحمس له. أنت تبحث عن أفضل طريقة لحل المشكلة، وقد يكون AI جزءاً منها أو لا يكون.
وهنا تتحول من مستخدم أدوات إلى شخص يفهم Transformation.
كلما تطورت الأدوات سيصبح الفرق بين «من يستخدمها» و«من يفهمها داخل العمل» أوضح
دراسة NBER حول استخدام الذكاء الصناعي التوليدي في خدمة العملاء أظهرت أن أثر التقنية لم يكن متساوياً على الجميع، وأن الأداة استطاعت نقل جزء من أساليب وممارسات العاملين الأفضل إلى الموظفين الأقل خبرة ورفع إنتاجيتهم بصورة أكبر.
وهذا يفتح احتمالاً مهماً.
الذكاء الصناعي قد يقلل الفارق في بعض المهارات الأساسية.
إذا كان الموظف الخبير يتميز فقط بأنه يعرف كيف يصيغ رسالة ممتازة، ربما يستطيع الموظف الجديد الاقتراب منه بسرعة باستخدام AI.
إذا كان يتميز فقط بأنه يعرف Syntax معقداً، أصبح الوصول إليه أسهل.
إذا كان يتميز فقط بحفظ المعلومات، أصبح هذا الحاجز أضعف.
إذن أين يجب أن يتحرك الخبير؟
إلى الأعلى.
الفهم.
التصميم.
الحكم.
الربط.
القيادة.
حل الحالات الجديدة.
بناء الأنظمة.
نقل المعرفة.
وتحسين المؤسسة.
الذكاء الصناعي قد يرفع الموظف المبتدئ.
لكن الخبير الذي يستخدم الأداة نفسها ويستمر في تطوير نفسه يستطيع أيضاً رفع سقفه هو.
وهنا تحديداً تنهار فكرة أن العلاقة بين الإنسان والذكاء الصناعي يجب أن تكون مباراة يفوز فيها أحدهما ويختفي الآخر.
العلاقة الأكثر واقعية ستكون في كثير من الأعمال:
إنسان وحده.
مقابل:
إنسان آخر يستخدم منظومة من الأدوات والذكاء الصناعي والأتمتة والبيانات.
وإذا أردت معرفة من سيكون في الخطر، لا تنظر أولاً إلى النموذج.
انظر إلى الفجوة التي بدأت تتشكل بين هذين الإنسانين.
المعادلة النهائية: الذكاء الصناعي لن يساوي بين الموظفين… بل قد يوسع الفجوة بينهم
عندما ننظر إلى كل ما سبق، تصبح الصورة مختلفة كثيراً عن العنوان المخيف الذي يتكرر كل يوم: «الذكاء الصناعي سيأخذ وظيفتك».
الجملة الأدق هي:
الذكاء الصناعي سيغير قيمة المهارات التي تقوم عليها وظيفتك، ومن لا يتحرك مع هذا التغيير قد يصبح قابلاً للاستبدال، بينما الشخص الذي يضيف الذكاء الصناعي إلى خبرته الحقيقية قد يصبح أقوى وأعلى إنتاجية وأصعب في الاستغناء عنه.
وهذا ليس مجرد توقع مستقبلي بعيد. الأدلة التي بدأت تتراكم من بيئات العمل الفعلية تشير إلى أن الذكاء الصناعي يستطيع بالفعل رفع إنتاجية الإنسان في أنواع مختلفة من الأعمال، لكن مقدار الفائدة يختلف بشدة بحسب المهمة، ومستوى العامل، وطريقة دمج الأداة داخل العمل. منظمة OECD، بعد مراجعة الدراسات التجريبية، وجدت مكاسب ملموسة في مهام تشمل الكتابة والتلخيص والترجمة والبرمجة والاستشارات وخدمة العملاء، مع نتائج تختلف بحسب طبيعة العمل والسياق.
إذن نحن لا نتحدث عن نظرية.
بدأت بالفعل تظهر حالة جديدة في سوق العمل:
موظف يؤدي وظيفة معينة.
وموظف آخر يؤدي الوظيفة نفسها تقريباً، لكنه يستفيد من الذكاء الصناعي.
في البداية قد يبدو الفرق بسيطاً.
بعد عدة سنوات قد لا يكون كذلك إطلاقاً.
لأن الموظف الثاني لا يوفر خمس دقائق فقط عند كتابة Email. مع الوقت يبدأ باستخدام التقنية في البحث والتحليل والبرمجة وإعداد التقارير والأتمتة وفحص الأخطاء وتحضير الاجتماعات وتوثيق العمل وفهم البيانات.
كل تحسين صغير يتراكم فوق الآخر.
ثم بعد سنة تجد أن الموظفين اللذين كان مستواهما متشابهاً أصبحا مختلفين تماماً من حيث كمية العمل التي يستطيع كل واحد منهما إدارتها.
وهنا تحديداً يصبح تجاهل الذكاء الصناعي قراراً مهنياً، وليس مجرد Preference شخصية.
نعم، بعض الوظائف ستختفي وبعض الأعداد ستنخفض
لا داعي أيضاً للدخول في الطرف الآخر من الخطاب ومحاولة طمأنة الجميع بأن «ولا وظيفة ستتأثر».
هذا غير واقعي.
بعض الوظائف ستختفي.
بعض الوظائف ستصبح أصغر من حيث عدد العاملين.
بعض الشركات ستستغل AI لتقليل Headcount.
وبعض المهام التي كان الناس يحصلون على رواتب مقابل تنفيذها ستصبح رخيصة جداً أو شبه أوتوماتيكية.
تقرير Future of Jobs 2025 وجد أن 40% من أصحاب العمل الذين شملهم الاستطلاع يتوقعون خفض عدد العاملين في الأماكن التي يستطيع فيها الذكاء الصناعي أتمتة المهام. وفي الوقت نفسه يتوقع التقرير نشوء وظائف جديدة واختفاء وظائف أخرى وإعادة تشكيل نسبة كبيرة من المهارات المطلوبة خلال السنوات حتى 2030.
إذن القول إن AI لن يلغي وظائف كلام غير دقيق.
لكنه لا يعني أن النتيجة ستكون بطالة جماعية لكل من يعمل أمام كمبيوتر.
تقديرات منظمة العمل الدولية تقدم صورة أكثر دقة؛ فالتعرض للذكاء الصناعي التوليدي واسع، لكن التحول في محتوى الوظائف يبدو أكثر احتمالاً من الأتمتة الكاملة لكثير منها. ويشير مؤشر ILO المحدث في 2025 إلى أن نحو وظيفة من كل أربع وظائف عالمياً لديها درجة من التعرض للذكاء الصناعي التوليدي، مع كون الأعمال المكتبية من أكثر الفئات تعرضاً، لكن «التعرض» لا يعني تلقائياً اختفاء الوظيفة.
هذه الكلمة مهمة:
Transformation.
قد لا تختفي وظيفتك.
لكن الوظيفة نفسها التي تعمل بها عام 2030 قد لا تشبه كثيراً نسختها في 2020.
والموظف الذي ينتظر أن تختفي وظيفته رسمياً قبل أن يبدأ التعلم سيكون قد تأخر كثيراً.
الوظيفة لن تختفي مرة واحدة… ستفرغ من الداخل أولاً
التغيير في معظم المؤسسات لن يحدث بطريقة سينمائية.
لن يدخل المدير صباح الاثنين ويقول:
«اشترينا ذكاءً صناعياً، الجميع إلى البيت».
التغيير في الواقع قد يكون أبطأ وأخبث.
يتقاعد موظف ولا يتم تعيين بديل.
يغادر موظف ويتم توزيع مهامه على الباقين لأن الأدوات جعلت ذلك ممكناً.
كان القسم يحتاج عشرة أشخاص، ثم أصبح يحتاج ثمانية.
وظيفة Entry-Level كانت تقتصر على جمع المعلومات وإعداد المسودات لم تعد تحتاج العدد نفسه.
مهمة كانت تستغرق ثلاثة أيام أصبحت تستغرق ساعات.
قسم كان يرسل أعمالاً إلى شركة خارجية أصبح يستطيع تنفيذ جزء منها داخلياً.
هكذا يمكن أن تتقلص بعض المهن.
ليس بالضرورة عن طريق فصل ملايين الأشخاص في يوم واحد.
بل عن طريق عدم استبدالهم عندما يغادرون، وتقليل التوظيف الجديد، وإعادة توزيع المهام، وزيادة إنتاجية الأشخاص الباقين.
وهذا الاحتمال مهم جداً للموظفين الجدد تحديداً.
بيانات حديثة من Stanford Digital Economy Lab تشير إلى ظهور إشارات ضغط في بعض الوظائف شديدة التعرض للذكاء الصناعي لدى العاملين في بداية مسيرتهم المهنية، مع بقاء الصورة الإجمالية لسوق العمل أكثر تعقيداً من القول إن الذكاء الصناعي يسبب انخفاض التوظيف في كل مكان. كما يؤكد باحثو Stanford أن الأدلة المبكرة لا تزال بحاجة إلى متابعة وأن أثر AI في التوظيف الكلي حتى الآن أكثر اعتدالاً من بعض العناوين المتداولة.
وهذا منطقي.
لأن الوظائف المبتدئة تاريخياً كانت تتضمن الكثير من:
البحث الأولي.
التلخيص.
كتابة المسودات.
التصنيف.
إعداد العروض.
تجهيز البيانات.
وهي بالضبط مجموعة من المهام التي أصبح الذكاء الصناعي جيداً فيها.
ولهذا يجب على الشخص الجديد في سوق العمل ألا يكتفي بتعلم «المهام المبتدئة».
يجب أن يحاول بصورة أسرع فهم لماذا تنفذ هذه المهام وما القرار الذي تأتي لخدمته.
paradox مهم: AI قد يهدد الموظف الضعيف… وقد يساعده أيضاً على اللحاق بالخبراء
المثير أن الدراسات لا تقول دائماً إن أصحاب الخبرة هم الأكثر استفادة.
في دراسة Generative AI at Work المنشورة لاحقاً في Quarterly Journal of Economics، والتي درست آلاف موظفي خدمة العملاء، أدى المساعد القائم على الذكاء الصناعي إلى زيادة الإنتاجية بمتوسط يقارب 14% في النسخة المبكرة من النتائج، وكانت المكاسب أكبر لدى الموظفين الأقل خبرة والأقل مهارة.
هذه النتيجة تحمل مفارقة مهمة.
AI قد يسمح للمبتدئ بالاقتراب أسرع من مستوى الخبير في بعض المهام.
وهذا ممتاز للمبتدئ.
لكنه أيضاً رسالة للخبير.
إذا كانت ميزتك الوحيدة أنك تستطيع كتابة Response أفضل من الموظف الجديد، والذكاء الصناعي أعطاه جزءاً كبيراً من هذه القدرة خلال يوم واحد، فأنت بحاجة إلى نقل خبرتك إلى مستوى أعلى.
يجب أن تصبح ميزتك:
فهم الحالات غير المعتادة.
التعامل مع العميل الصعب.
بناء العملية.
تحسين السياسة.
تدريب الفريق.
تحليل الأسباب الجذرية.
اتخاذ القرار.
إدارة المخاطر.
أي أن التقنية قد تضغط الفارق في المهارات السطحية، فتجبر الخبير على استثمار خبرته في المهارات الأعمق.
وهذا شيء جيد للخبير الحقيقي.
لكنه سيكشف الأشخاص الذين كانت «الخبرة» لديهم تعتمد على احتكار معلومات أو أساليب عمل لم يعد من الصعب الوصول إليها.
لا تراهن على الأشياء التي يفعلها AI اليوم بشكل سيئ
من أخطر الحجج المهنية أن تقول:
«جربته وطلع غلط».
نعم.
يخطئ.
وسيستمر في الخطأ.
لكن السؤال ليس ماذا يستطيع نموذج أغسطس/آب 2026 أن يفعل فقط.
السؤال ماذا يحدث عندما تتحسن هذه النماذج سنة وراء سنة.
تقرير Stanford AI Index لعام 2026 يوثق استمرار التحسن السريع في قدرات أنظمة الذكاء الصناعي وانتشار استخدامها واستثماراتها وتأثيرها الاقتصادي، مع استمرار تحديات كبيرة في التقييم والحوكمة والسلامة والفهم الدقيق لآثارها.
لذلك بناء أمانك الوظيفي على جملة:
«النموذج حالياً ما بقدر يعمل هالشغلة»
استراتيجية قصيرة النظر.
قد يكون صحيحاً اليوم.
لكن المهني الأذكى يسأل:
«إذا أصبح يستطيع تنفيذها بعد ثلاث سنوات، ما الذي سأكون قد أضفته أنا إلى نفسي خلال السنوات الثلاث؟»
هذا السؤال أهم بكثير.
لا تحاول أن تكون أسرع من AI… كن الشخص الذي يعرف ماذا يفعل بالسرعة التي يوفرها
لن تفوز على الكمبيوتر في توليد ألف سطر نص.
لن تفوز عليه في تجربة مئة صيغة.
لن تفوز عليه في قراءة آلاف الصفحات من ناحية السرعة الخام.
لكن لا تحتاج أن تفوز.
ليس هذا هدفك.
عندما ظهرت الآلة الحاسبة لم يقل المحاسب الجيد:
«سأثبت قيمتي بأنني أسرع منها في الضرب».
انتقلت قيمة المحاسب إلى أشياء أخرى.
التحليل.
المراجعة.
التخطيط.
الالتزام.
التفسير.
والقرار.
وهذا ما سيحدث مرة أخرى.
لا تسابق الذكاء الصناعي في المنطقة التي صُمم ليكون قوياً فيها.
استعمل قدرته لبناء قدرتك.
إذا وفر عليك ساعتين من جمع البيانات، استعملهما في تحليلها.
إذا وفر عليك ساعة من كتابة التقرير، استعملها في اختبار فرضيات التقرير.
إذا كتب لك Code أولياً في دقائق، استعمل الوقت في اختباره وتأمينه وتحسين Architecture.
إذا جهز لك Meeting Summary، لا تعتبر المهمة انتهت؛ استخدم الملخص لمتابعة الالتزامات واتخاذ الإجراءات.
القيمة ليست في أن تقول:
«شوفوا كيف عملت هذا بسرعة».
القيمة في السؤال التالي:
«ماذا فعلت بالوقت الذي وفرته؟»
أخطر شيء قد يفعله الموظف هو إخفاء الوقت الذي وفره ثم البقاء كما هو
بعض الموظفين عندما يبدأون استخدام أداة توفر الوقت يفكرون بطريقة دفاعية:
«لازم ما يعرفوا إني صرت أخلص أسرع، لأنه رح يعطوني شغل زيادة».
هذا مفهوم نفسياً.
لكن على المدى المهني الطويل قد يكون تفكيراً قصير النظر.
إذا كنت تستطيع باستخدام التقنية إدارة مسؤوليات أكبر بصورة صحية، فهذا ليس بالضرورة عقاباً.
هذه قد تكون الطريقة التي تتحول بها من موظف عادي إلى شخص مركزي في المؤسسة.
المشكلة ليست أن تعمل عشرين ساعة بدلاً من ثمانٍ.
ولا أن تسمح للشركة باستنزافك.
الفكرة مختلفة:
أن تستعمل الإنتاجية الإضافية في الارتقاء بنوعية مسؤوليتك.
لا تأخذ عشر مهام روتينية أخرى فقط.
خذ Ownership أكبر.
ابدأ مشروع تحسين.
ألغِ عملية يدوية.
حل مشكلة قديمة.
ابنِ Dashboard.
أنشئ Documentation.
طور طريقة Monitoring.
قلل الأخطاء.
وفر تكلفة.
اجعل النتيجة قابلة للقياس.
هذه الأشياء هي التي تتحول لاحقاً إلى حجة مهنية حقيقية عند الحديث عن ترقية أو راتب أو وظيفة جديدة.
الشخص الذي يستطيع إثبات ما وفره AI يصبح أقوى من الشخص الذي يقول إنه «شاطر بالذكاء الصناعي»
لا تكتب في سيرتك الذاتية فقط:
Proficient in AI Tools.
هذه عبارة ستصبح بلا قيمة تقريباً عندما يقولها الجميع.
الأقوى أن تستطيع القول:
اختصرت عملية تقرير يومي من ساعتين إلى عشرين دقيقة.
أنشأت Automation ألغت 15 ساعة عمل يدوي أسبوعياً.
بنيت نظاماً يراجع 500 حالة ويصعد الحالات الاستثنائية فقط.
قللت وقت الاستجابة.
حسنت دقة التقرير.
خفضت الأخطاء.
سرعت عملية إعداد Proposal.
اختصرت دورة الموافقات.
القيمة ليست في الأداة.
القيمة في Business Outcome.
وهذه نقطة يجب أن يفهمها حتى التقنيون.
الإدارة لا تدفع لك لأنك تعرف Python.
ولا لأنها تحب PowerShell.
ولا لأنها معجبة بالـAPI.
ولا لأنك فتحت أحدث نموذج.
هي تدفع لأن هذه الأدوات جعلتك تحل مشكلة لها قيمة.
ستظهر شركات لديها عدد موظفين أقل… لكن الموظف الواحد فيها سيكون أقوى
أحد الاتجاهات التي يمكن توقعها من منطق زيادة الإنتاجية هو ظهور فرق أصغر تستطيع تنفيذ حجم عمل كان يحتاج سابقاً إلى فرق أكبر.
لكن هذا لا يعني بالضرورة أن كل شركة ستختار تقليل الموظفين.
زيادة الإنتاجية قد تستخدم لتخفيض التكلفة، وقد تستخدم أيضاً لزيادة الإنتاج والخدمات والابتكار. ولهذا تحذر الدراسات الاقتصادية من تحويل مكاسب الإنتاجية على مستوى المهمة مباشرة إلى توقعات بسيطة حول عدد الوظائف؛ النتيجة تعتمد كذلك على الطلب على المنتج، وتوسع الشركات، وطريقة إعادة تنظيم العمل وغيرها من العوامل.
خذ وكالة تسويق.
كان إنتاج عشرين حملة يتطلب عشرة أشخاص.
ربما يستطيع الفريق نفسه مستقبلاً إنتاج خمسين حملة.
الشركة لديها خيار:
تقلل العدد.
أو تأخذ عملاء أكثر.
شركة Software قد تجعل المبرمجين ينتجون أسرع.
يمكن أن تخفض الفريق.
أو تطلق منتجات أكثر.
مطعم يستطيع أتمتة جزء كبير من العمليات الإدارية.
يمكن أن يخفض المصاريف.
أو يفتح فروعاً أسرع.
الاقتصاد ليس لعبة ثابتة دائماً.
زيادة الإنتاجية يمكن أن تغير حجم السوق نفسه.
ولهذا لا يستطيع أحد بصدق أن يعطي رقماً نهائياً اليوم ويقول:
«هذه هي نسبة البشر الذين سيختفون من سوق العمل».
لا تقاوم الأداة لأن الشركة قد تفرضها عليك في النهاية
اليوم استخدام بعض أدوات AI اختياري في كثير من المؤسسات.
غداً قد يصبح Workflow الرسمي نفسه مبنياً عليها.
عندما بدأت الشركات باستخدام ERP، لم يعد ممكناً للمحاسب أن يقول:
«أنا أفضل دفتر الورق».
عندما انتقل العمل إلى Email، لم يعد رفض البريد الإلكتروني أسلوباً مهنياً معقولاً.
عندما أصبح Excel أساسياً في الوظائف المكتبية، لم تعد عبارة:
«أنا ممتاز بالأرقام بس ما بحب Excel»
كافية.
الشيء نفسه قد يحدث تدريجياً مع AI.
لن يصبح كل شيء ChatGPT.
الأهم أن الذكاء الصناعي سيدخل داخل الأنظمة التي تستخدمها أصلاً.
CRM.
ERP.
Microsoft 365.
برامج التطوير.
أنظمة خدمة العملاء.
برامج التصميم.
Analytics.
Search.
Security.
Business Intelligence.
وقتها قد لا تسأل الشركة أصلاً الموظف:
«هل تحب AI؟»
ستقول:
«هذه هي الطريقة الجديدة لتنفيذ العملية».
الموظف الذي لا يتعلم قد لا يُفصل… لكنه قد يتوقف عن التقدم
وهذه نتيجة أخطر مما تبدو.
ليس ضرورياً أن تخسر وظيفتك حتى تقول إن التقنية أثرت عليك سلبياً.
يمكن أن تبقى عشر سنوات في الوظيفة نفسها.
لكن الترقيات تذهب لغيرك.
المشاريع الجديدة تذهب لغيرك.
المسؤوليات المهمة تذهب لغيرك.
الراتب يتوقف.
السوق الخارجي يتغير وأنت لا تتغير.
ثم بعد عشر سنوات عندما تضطر للبحث عن وظيفة جديدة تكتشف أن خبرتك القديمة لم تعد تساوي ما كنت تظن.
هذا نوع من الاستبدال البطيء.
لم يتم استبدالك جسدياً داخل الشركة.
تم استبدالك من مسار النمو.
وهذا سبب إضافي يجعل التطوير ضرورياً حتى لمن يشعر أن وظيفته الحالية آمنة جداً.
لا تعتمد على ولاء الشركة كاستراتيجية لمواجهة التكنولوجيا
يمكن أن تحب شركتك وتحترم إدارتك وتكون لديك علاقة ممتازة معهم.
لكن المؤسسة لها اقتصاد.
إذا تغيرت طريقة العمل تغيرت احتياجاتها.
ولذلك حماية مسيرتك المهنية مسؤوليتك أيضاً.
تعلم لأنك تريد أن تكون قوياً في السوق، وليس فقط حتى تكون مناسباً لكرسيك الحالي.
الكرسي قد يتغير.
الشركة قد تتغير.
القطاع قد يتغير.
أما المهارات المركبة التي بنيتها فتنتقل معك.
ومن جهة أخرى: لا تتحول إلى مدمن أدوات
هناك موظف يرفض AI تماماً.
وهناك الطرف المقابل الذي يجب الحذر منه أيضاً.
كل أسبوع أداة.
كل يوم Newsletter.
كل شهر Course.
يعرف أسماء مئتي منصة.
لكن عندما تسأله:
«شو حسنت فعلياً في شغلك؟»
لا يوجد جواب.
هذه ليست مواكبة.
هذه سياحة تقنية.
المقياس البسيط:
هل أصبحت أسرع؟
هل أصبحت أدق؟
هل تحل مشكلات أكبر؟
هل أنشأت شيئاً لم تكن تستطيع إنشاءه؟
هل خفضت تكلفة؟
هل تعلمت شيئاً عميقاً؟
إذا لم يحدث أي من هذا، فإن كثرة الأدوات ليست إنجازاً.
يجب أن تعرف حدود الذكاء الصناعي بقدر ما تعرف قدراته
الدراسة المعروفة باسم Jagged Technological Frontier توضح لماذا هذه المهارة جوهرية. في تجربة على استشاريين، حسّن AI السرعة والجودة والأداء في المهام الواقعة داخل نطاق قوته، لكن عندما واجه المستخدمون مهمة تقع خارج ذلك النطاق، أدى الاعتماد عليه في بعض الحالات إلى أداء أسوأ.
وهذا ينسف فكرتين متطرفتين في الوقت نفسه.
«AI دائماً ممتاز».
خطأ.
«AI دائماً سيئ».
خطأ أيضاً.
المحترف الحقيقي يعرف الحدود المتعرجة.
يعرف أين يستخدمه بقوة.
وأين يستخدمه بحذر.
وأين لا يستخدمه.
هذه المهارة ستزداد قيمتها كلما أصبحت الأدوات أقوى.
لا يوجد تناقض بين أن تكون متحمساً للذكاء الصناعي وأن تكون شديد الشك تجاه نتائجه
يمكن أن تكون من أكبر مستخدمي AI في الشركة وفي الوقت نفسه من أكثر الناس رفضاً للـCopy/Paste الأعمى.
هذا هو الموقف المهني الصحيح.
استعمله كثيراً.
وثق به قليلاً إلى أن تتحقق.
هذا ليس تناقضاً.
بل Governance.
أعطه الأعمال التي يستطيع تسريعها.
لكن لا تعطه سلطة غير محدودة بلا Monitoring.
استخدمه لتحليل Logs.
لكن راجع الاستنتاج.
استخدمه في كتابة Script.
لكن اقرأه واختبره.
استخدمه في Forecast.
لكن افحص Assumptions.
استخدمه في قراءة عقود.
لكن لا تجعله المستشار القانوني النهائي.
كلما كانت نتيجة الخطأ أكبر، يجب أن ترتفع درجة التحقق البشري.
الخطة المهنية الأبسط للسنوات القادمة
لو أردنا ضغط المقال كله في خطة واحدة، فهي ليست أن تترك تخصصك وتذهب لدراسة الذكاء الصناعي.
ولا أن تصبح Prompt Engineer.
ولا أن تقضي يومك في مشاهدة أخبار النماذج.
المطلوب أبسط وأعمق في الوقت نفسه:
حافظ على تخصصك، وعمقه، ثم اجعل AI طبقة فوقه.
ابدأ من عملك الحالي.
حدد المهام الروتينية.
حدد الأعمال التي تستهلك الوقت.
حدد المعلومات التي تجمعها باستمرار.
حدد الأشياء التي تعيد كتابتها.
حدد عمليات البحث المتكررة.
حدد الخطوات التي يمكن أتمتتها.
ابدأ واحدة واحدة.
ثم تعلم المهارات المجاورة التي تعطيك قوة أكبر.
إذا كنت تعمل في الإدارة، تعلم البيانات.
إذا كنت تعمل في البيانات، تعلم Business Context.
إذا كنت تقنياً، تعلم Communication وBusiness Impact.
إذا كنت في التسويق، تعلم Analytics.
إذا كنت محاسباً، تعلم Automation.
إذا كنت HR، تعلم Data Analysis.
وفي الجميع تقريباً:
تعلم AI Literacy.
تعلم Verification.
تعلم Workflow Thinking.
وتعلم كيف تبقى أنت صاحب القرار.
حاول أن تتحول من منفذ مهمة إلى مالك نتيجة
هذه ربما أقوى حماية مهنية طويلة الأجل.
منفذ المهمة يقول:
«طلبتوا التقرير وعملته».
مالك النتيجة يقول:
«هدف التقرير اكتشاف المشكلة، واكتشفتها وهاي الخطوة التي يجب اتخاذها».
منفذ المهمة:
«طلبتوا مني أرسل للعملاء».
مالك النتيجة:
«هدفنا استرجاع العملاء، وهذه نسبة الاستجابة وهذه الشريحة الأفضل».
منفذ المهمة:
«ركبت النظام».
مالك النتيجة:
«النظام مستقر، والمراقبة موجودة، والنسخ الاحتياطي مجرب، وخطة الاستعادة واضحة».
كلما اقتربت من Ownership أصبحت قيمتك أبعد عن مجرد تنفيذ تعليمات يستطيع AI تنفيذ جزء منها.
السؤال الذي يجب أن تسأله لنفسك مرة كل ستة أشهر
ليس:
«هل AI يستطيع يعمل شغلي؟»
السؤال:
«أي جزء من شغلي أصبح اليوم أسهل أو أرخص بسبب AI، وماذا سأضيف أنا مقابل ذلك؟»
كرر السؤال.
لأن الإجابة ستتغير.
اليوم قد يكون 10%.
بعد سنة 20%.
بعد ثلاث سنوات ربما أكثر.
لكن إذا كانت قدراتك أنت تتحرك أيضاً، فأنت لا تنتظر خط النهاية.
أنت تتحرك معه.
الذكاء الصناعي لن يجعل الموظف الذي لا يعرف شيئاً مساوياً للخبير إلى الأبد
سهولة الوصول إلى إجابات جيدة قد تجعل بعض الفوارق أقل وضوحاً في البداية.
لكن في الأنظمة الحقيقية تظهر التفاصيل.
Edge Cases.
الأنظمة القديمة.
السياسات.
التناقضات.
البيانات الرديئة.
مقاومة الموظفين.
المورد السيئ.
العميل الغاضب.
المشكلة التي لا يوجد لها Manual.
القرار الذي لا توجد له إجابة مثالية.
وهنا تعود الخبرة.
لكنها تعود بشكل أقوى إذا كانت مدعومة بالذكاء الصناعي.
ولهذا فإن الموظف الذي لديه خبرة عشرين سنة ويتعلم AI لا يجب أن يخاف من موظف جديد يعرف ChatGPT.
عليه فقط ألا يسمح للموظف الجديد أن يكون الوحيد الذي يعرفه.
عنده عشرون سنة لا يملكها الآخر.
أضف إليها الأدوات الجديدة.
هنا تصبح المقارنة مختلفة تماماً.
المستقبل لن يكون AI مقابل البشر
هذا ربما أكبر سوء فهم في النقاش كله.
كأن لدينا فريقين.
البشر.
والذكاء الصناعي.
ثم مباراة نهائية، ومن يفوز يحصل على الوظائف.
المستقبل العملي أكثر تعقيداً.
الذكاء الصناعي سيدخل داخل طريقة عمل البشر أنفسهم.
مثل الإنترنت.
مثل الهاتف.
مثل الكمبيوتر.
مثل محركات البحث.
ولن يكون الموظف المتفوق شخصاً «ضد AI».
ولا غالباً شخصاً ترك مهنته وصار يتحدث عن AI طوال الوقت.
سيكون طبيباً يستخدم AI.
مهندساً يستخدم AI.
محاسباً يستخدم AI.
مديراً يستخدم AI.
مسوقاً يستخدم AI.
مبرمجاً يستخدم AI.
باحثاً يستخدم AI.
وموظف IT يستخدم AI.
وتقرير Future of Jobs 2025 يعكس هذا المزج تحديداً؛ فإلى جانب AI والبيانات الكبيرة والثقافة التقنية، ما تزال مهارات التفكير التحليلي والإبداع والمرونة والقيادة والتعاون والتعلم المستمر من المهارات المتزايدة الأهمية.
هذا منطقي.
لأن الأداة لا تلغي الإنسان.
هي تعيد تحديد المكان الذي يجب أن يضع فيه الإنسان جهده.
المعادلة التي يجب أن تخاف منها ليست «AI بدلاً مني»
المعادلة الأخطر هي:
موظف آخر = خبرة جيدة + AI + Automation + Data + سرعة تعلم.
بينما أنت:
خبرة قديمة + طريقة العمل نفسها + رفض التغيير.
هنا فعلاً قد يأخذ مكانك.
وستقول:
«الذكاء الصناعي أخذ وظيفتي».
لكن الواقع أن الذكاء الصناعي لم يدخل وحده إلى مكتبك ويجلس مكانك.
دخل موظف آخر يعرف كيف يستعمل الأدوات المتاحة في عصره.
وهذا حدث قبل AI وسيحدث بعده.
الذكاء الصناعي لا يلغي قيمة الإنسان… لكنه يرفع الحد الأدنى المتوقع منه
وهذه خلاصة شديدة الأهمية.
عندما يستطيع الجميع كتابة نص جيد بسرعة، يصبح النص الجيد أقل تميزاً.
عندما يستطيع الجميع تحليل Dataset أولياً، يصبح التحليل الأولي أقل تميزاً.
عندما يستطيع الجميع إنشاء Presentation، تصبح الـPresentation نفسها أقل قيمة.
وهكذا.
ترتفع أرضية الأداء.
ثم يجب أن ترتفع أنت.
وهذا ليس شيئاً سيئاً بالضرورة.
التكنولوجيا دفعت البشر تاريخياً نحو أعمال أعلى إنتاجية مرات كثيرة.
لكن الانتقال مؤلم لمن يقف في المكان القديم وينتظر أن يعود السوق إليه.
السوق عادة لا يعود.
لا تنتظر أن تشعر بالخطر حتى تبدأ
أسوأ وقت لتعلم المهارة الجديدة هو اليوم الذي أعلنت فيه شركتك إعادة الهيكلة.
أفضل وقت عندما تكون مرتاحاً.
عندك وظيفة.
عندك راتب.
عندك بيئة تستطيع التجربة داخلها.
خذ مشكلة صغيرة.
حلها.
ثم مشكلة أخرى.
بعد سنة سيكون لديك عشرات التجارب.
بعد سنتين تصبح طريقة تفكيرك مختلفة.
وتصل إلى مرحلة لا تسأل فيها كل مرة:
«شو ممكن يعمل AI؟»
بل تنظر إلى المشكلة وتعرف تلقائياً:
هذا الجزء Automation.
هذا AI.
هذا SQL.
هذا يحتاج إنساناً.
هذا لا يحتاج أي أداة جديدة أصلاً.
هذه المرحلة هي النضج الحقيقي.
الخلاصة: الذكاء الصناعي قد يأخذ مكانك فعلاً… إذا قررت أنت أن تبقى في المكان نفسه
نعم، الذكاء الصناعي تهديد حقيقي لبعض الوظائف والمهام.
ونعم، بعض المؤسسات ستقلل عدد الموظفين بسبب الأتمتة.
ونعم، بعض المهارات التي كانت ذات قيمة عالية قبل سنوات ستصبح عادية ورخيصة.
تجاهل ذلك ليس تفاؤلاً.
هو إنكار.
لكن الطرف الآخر مخطئ أيضاً عندما يصور المستقبل كأنه عالم تنتهي فيه الحاجة إلى البشر بمجرد شراء اشتراك في نموذج ذكاء صناعي.
الشركات لا تعمل بالـPrompts وحدها.
تعمل بالبيانات والعمليات والمسؤوليات والعملاء والقرارات والمخاطر والعلاقات والثقة والقوانين والأنظمة والتاريخ والسياق.
وتحتاج إلى أشخاص يفهمون كل ذلك.
الموظف الذي يجب أن يقلق هو الذي تكون قيمته كلها محصورة في تنفيذ خطوات أصبحت الآلة تستطيع تنفيذها، ثم يرفض الانتقال إلى شيء أعلى.
أما الموظف الذي يمتلك معرفة حقيقية بمجاله ويضيف إليها AI والبيانات والأتمتة والتفكير التحليلي والقدرة على التحقق واتخاذ القرار، فالوضع مختلف تماماً.
هذا الموظف لا يصبح أقل قيمة لأن الذكاء الصناعي موجود.
قد يصبح أكثر قيمة بسببه.
لأنه أصبح يستطيع القيام بعمل أكبر.
يرى أكثر.
يحلل أسرع.
يتعلم أسرع.
يبني أدواته.
ويستطيع الانتقال من تنفيذ الطلب إلى حل المشكلة.
وعندها تصبح فكرة أن تضع نموذج ذكاء صناعي مكانه وتنتهي المسألة فكرة ساذجة.
لأن النموذج جزء من قوته أصلاً.
يمكنك أن تعطي النموذج نفسه لموظف آخر، لكنك لم تعطه خبرة هذا الشخص ولا معرفته بالمؤسسة ولا حكمه المهني ولا سجل المشكلات الذي عاشه ولا قدرته على الربط بين الأحداث ولا ثقته مع الأطراف المختلفة.
وهنا نصل إلى المعادلة النهائية:
الخبرة بدون تطور معرضة لأن تفقد قيمتها.
والذكاء الصناعي بدون خبرة قد ينتج الكثير من الأشياء بسرعة، بما فيها الأخطاء.
أما:
الخبرة + التعلم المستمر + الذكاء الصناعي + الحكم البشري
فهذه واحدة من أقوى التركيبات المهنية التي يستطيع الإنسان بناءها اليوم.
لذلك لا تجعل هدفك أن تثبت أن الذكاء الصناعي لن يستطيع أخذ وظيفتك.
هذا هدف دفاعي ضعيف.
اجعل هدفك أن تصبح بعد خمس سنوات شخصاً مختلفاً تماماً عن الموظف الذي أنت عليه اليوم.
وعندما يصبح AI أفضل، تصبح أنت أيضاً أفضل في استخدامه.
وعندما يستطيع تنفيذ مهمة كنت تقوم بها، تكون قد انتقلت أنت إلى المهمة التي فوقها.
وعندما يستطيع تنفيذها أيضاً، تنتقل مرة أخرى.
هذه ليست معركة لمرة واحدة.
هذه هي طبيعة التطور المهني.
قبل عشرين سنة كان الموظف القوي هو الذي يعرف برامج معينة.
ثم أصبح الذي يفهم الإنترنت والبيانات والأنظمة.
ثم الأتمتة.
واليوم دخل الذكاء الصناعي على الخط.
وبعده ستأتي أدوات أخرى.
الموظف الذي سينجو ليس الذي يعرف توقع الأداة القادمة.
بل الذي أصبح التعلم والتكيف جزءاً من طريقة عمله.
وعندها تتغير الجملة كلها.
بدلاً من:
«خايف الذكاء الصناعي ياخذ مكاني».
تصبح:
«أنا أستخدم الذكاء الصناعي حتى أصنع لنفسي مكاناً أكبر».
وهذا هو الفارق بين أن تكون ضحية للتحول التقني، وبين أن تكون واحداً من الأشخاص الذين يستفيدون منه.
المراجع والمصادر
International Labour Organization – Generative AI and Jobs: A Refined Global Index of Occupational Exposure، 2025. دراسة عالمية مبنية على تحليل المهام المهنية وتقيس درجات تعرض الوظائف للذكاء الصناعي التوليدي، وتوضح أن تحول الوظائف أكثر انتشاراً من سيناريو الأتمتة الكاملة.
International Labour Organization – Generative AI and Jobs: A 2025 Update. ملخص لنتائج المؤشر العالمي المحدث وتأثير تطور قدرات النماذج على أنواع مختلفة من الوظائف.
OECD – The Effects of Generative AI on Productivity, Innovation and Entrepreneurship، 2025. مراجعة للأدلة التجريبية حول تأثير الذكاء الصناعي التوليدي في الإنتاجية والابتكار وطريقة تنفيذ الأعمال.
OECD – Unlocking Productivity with Generative AI: Evidence from Experimental Studies، 2025. مراجعة مبسطة لنتائج التجارب في الكتابة والبرمجة وخدمة العملاء والاستشارات وغيرها.
World Economic Forum – Future of Jobs Report 2025. تقرير عالمي يعتمد على آراء أكثر من ألف جهة عمل ويبحث في الوظائف والمهارات والتقنيات المتوقع أن تعيد تشكيل سوق العمل حتى عام 2030.
World Economic Forum – Skills Outlook, Future of Jobs Report 2025. يتناول المهارات الأسرع نمواً في الطلب، ومنها AI والبيانات الكبيرة والتفكير التحليلي والإبداع والثقافة التقنية والمرونة والتعلم المستمر.
Erik Brynjolfsson, Danielle Li & Lindsey Raymond – Generative AI at Work, Quarterly Journal of Economics، 2025. دراسة ميدانية واسعة حول تأثير مساعد ذكاء صناعي في إنتاجية موظفي خدمة العملاء وكيف اختلف التأثير بين الموظفين حسب الخبرة والأداء.
Dell’Acqua et al. – Navigating the Jagged Technological Frontier. تجربة على العاملين في الاستشارات توضح أن AI يستطيع رفع الإنتاجية والجودة بصورة كبيرة في بعض المهام، لكنه قد يخفض الأداء عندما يقع المستخدم خارج نطاق قدراته الفعلية.
Stanford HAI – AI Index Report 2026. تقرير شامل يرصد تطور قدرات الذكاء الصناعي وتبنيه واستثماراته وآثاره الاقتصادية وسوق العمل والحوكمة.
Stanford Digital Economy Lab – AI Economic Indicators، 2026. مشروع لرصد المؤشرات الاقتصادية المرتبطة بتعرض المهن للذكاء الصناعي واتجاهات التوظيف والإنتاجية، مع اهتمام خاص بما يحدث في المراحل المبكرة من المسار المهني.
في النهاية، لا يوجد ضمان وظيفي أبدي في أي عصر، لكن يوجد فرق هائل بين أن تنتظر التكنولوجيا حتى تغيّر شروط اللعبة عليك، وبين أن تتعلمها مبكراً وتستعملها لتوسيع حدود ما تستطيع فعله. الذكاء الصناعي لن يكون سبب قوة كل موظف، لكنه على الأرجح سيجعل الفارق بين من يتطور ومن يرفض التطور أكثر وضوحاً من أي وقت مضى.
