ملخص: تتناول هذه المقالة الفروق في سرعة تأثير الذكاء الاصطناعي على الوظائف بين الصناعات الغنية بالبيانات وتلك الفقيرة بها، موضحة أن توفر البيانات هو العامل الحاسم في سرعة تبني التقنية وليس تعقيد المهام. وتكشف كيف أصبحت مجالات مثل البرمجة وخدمة العملاء والتمويل أهدافًا سهلة للأتمتة بفضل وفرة البيانات، مقابل تباطؤ قطاعات كالرعاية الصحية والبناء والتعليم بسبب قيود الخصوصية وضعف الرقمنة. كما تشرح الفجوة بين الوظائف التي تختفي وتلك التي تظهر، وتقدم استراتيجيات عملية للباحثين عن عمل للتركيز على الأدوار التي تمزج بين القدرات البشرية والذكاء الاصطناعي وتستثمر في مهارات التكيف مع التغيير.
- الصناعات الغنية بالبيانات هي الأكثر عرضة للتغيير بفعل الذكاء الاصطناعي.
- أما الصناعات الفقيرة بالبيانات فهي تسابق الزمن لرقمنة عملياتها للاستفادة من مزايا الذكاء الاصطناعي – لكنها تواجه احتكاكًا أكبر مع الممارسات الراسخة.
- على الموظفين والباحثين عن عمل التركيز على الفرص التي تجمع بين القدرات التقنية والحُكم البشري واحتياجات الأعمال.
الجميع يتحدث عن كيف أن الذكاء الاصطناعي سيأخذ الوظائف، وهذا صحيح إلى حد ما. نحن قلقون بشأن استيلاء الذكاء الاصطناعي على الوظائف – لكننا لا نفهم تمامًا كيف سيحدث ذلك، أو متى سيحدث، أو كم لدينا من الوقت للاستعداد.
يعتقد معظم الناس أن تعقيد المهام هو ما يحدد ما إذا كان تبني الذكاء الاصطناعي سيكون سريعًا أو بطيئًا. هذا الافتراض خاطئ تمامًا. وكما يقول صن تزو: "اعرف نفسك واعرف عدوك تكن منتصرًا دائمًا". لذلك تحتاج إلى فهم الديناميكيات التالية.
كيف يعمل الذكاء الاصطناعي
لا تزال آليات الذكاء الاصطناعي غير واضحة تمامًا، حتى للخبراء. ومع ذلك، نحن نعرف شيئًا مهمًا: إنه يتعلّم.
هل سبق وأن صُعقت بالكهرباء أثناء العبث بالإلكترونيات؟ لقد حدث ذلك معي، وعلّمني ذلك ألّا أكرر الخطأ مرة أخرى. نحن البشر نتعلم من التجربة.
نماذج الذكاء الاصطناعي تتعلّم من البيانات. نموذج ذكاء اصطناعي ببيانات محدودة يشبه الطفل الصغير، أما النموذج الغني بالبيانات فيشبه الجدّ صاحب الخبرة.
مفارقة البيانات
أيّهما أصعب: قيادة سيارة أم كتابة الشيفرة البرمجية؟ سيقول معظم الناس إن البرمجة أصعب. لكن في تطوير الذكاء الاصطناعي، يبدو العكس صحيحًا.
نماذج اللغة الكبيرة (LLMs) حديثة نسبيًا. قبل ChatGPT، لم يكن كثيرون يربطون الذكاء الاصطناعي بالروبوتات المحادثة – بل ربما يتذكرون شخصية "المدمّر" في الأفلام. بدأت حقبة LLM تقريبًا عام 2013-2014 مع الشبكات العصبية مثل word2vec. في المقابل، بدأ تطوير القيادة الذاتية في الثمانينيات. ففي عام 1987، جعل فريق إرنست ديكمانس شاحنة مرسيدس-بنز تقود نفسها بسرعة 96 كم/س على طريق سريع ألماني باستخدام الرؤية الحاسوبية.
رغم هذه البداية المبكرة، لا تزال السيارات الذاتية متأخرة عن نماذج اللغة الكبيرة. فبينما يؤدي ChatGPT أداءً موثوقًا في عدد لا يُحصى من السيناريوهات، يظل أداء السائقين الآليين غير متسق.
لكن لماذا؟ لقد استثمرت شركات مثل تسلا ووايمو مليارات الدولارات. ومع ذلك، لو أرادت شركة جديدة دخول هذا المجال – حتى مع أفضل المهندسين وأموال غير محدودة – فإنها ستظل بحاجة إلى آلاف الساعات من بيانات القيادة المتنوعة. بعض أنواع الحوادث نادرة جدًا لدرجة يصعب تدريب النماذج عليها.
في المقابل، تتدرّب LLMs على كامل محتوى الإنترنت – وهو ملعب غني بالبيانات. ولهذا السبب، من المرجح أن يستبدل الذكاء الاصطناعي المبرمجين أسرع من السائقين، ليس لأن البرمجة أسهل، بل لأن البيانات أسهل في الحصول عليها.
الذكاء الاصطناعي يشبه الطالب الذي يمتلك كل الامتحانات القديمة وملفات المراجعة. بالطبع سيتفوّق على من يذاكر بملاحظات ناقصة.
هذا بالضبط ما يحدث في سوق العمل. بعض الصناعات غارقة في البيانات المفيدة التي يمكن للذكاء الاصطناعي التعلّم منها. أخرى؟ بالكاد تمتلك الفتات. الأرقام واضحة: الصناعات الغنية بالبيانات قد تصل معدلات تبني الذكاء الاصطناعي فيها إلى 60-70%، بينما قد تكافح القطاعات الفقيرة بالبيانات بأقل من 25%.
الوظائف الأكثر تأثرًا
تطوير البرمجيات يتعرض لضربة قوية. يستضيف GitHub أكثر من 420 مليون مستودع، منها ما لا يقل عن 28 مليون علني – ملايين الأمثلة لحل المشكلات البرمجية. أدوات مثل GitHub Copilot تتعلّم من كل هذا وتكتب البرامج بشكل مستقل. ثلاثة أرباع المطورين يستخدمون الآن مساعدين ذكيين.
خدمة العملاء هدف سهل آخر. وفرة بيانات المكالمات والبريد الإلكتروني والتذاكر تجعل المجال جاهزًا للأتمتة. تشير IBM إلى أن الذكاء الاصطناعي يقلل التكاليف بنسبة 23.5% عبر تحسين الردود.
القطاع المالي يوظف التعلم الآلي بكثافة في التداول الخوارزمي، حيث يشكل التداول عالي التردد حوالي 70% من حجم سوق الأسهم الأمريكية، معتمدًا على بيانات السوق والمعاملات الضخمة للتنبؤات.
قطاعات تعاني نقص البيانات
الرعاية الصحية: تبنّي الذكاء الاصطناعي بطيء بسبب ندرة البيانات العامة. أقل من 10% من مجموعات بيانات العمليات الجراحية متاحة للجمهور، نتيجة قوانين الخصوصية وتجزئة المصادر. بيانات المرضى موزعة على المستشفيات وشركات التأمين والعيادات، مما يصعّب على الذكاء الاصطناعي التعلّم.
البناء: ربما يكون الأكثر مقاومة للذكاء الاصطناعي، ليس لأن البناء صعب، بل لأن القطاع بالكاد يحتفظ بسجلات رقمية، والمشاريع مختلفة، والتوثيق ضعيف.
التعليم: تحدّ قوانين خصوصية الطلاب من إمكانات الذكاء الاصطناعي. وزارة التعليم الأمريكية تشير إلى أن FERPA يقيّد جمع ومشاركة بيانات الطلاب.
استجابةً لهذا النقص، تلجأ بعض الصناعات إلى إجراءات غازية للخصوصية. المستشفيات تضع أنظمة مراقبة فيديو شاملة في غرف العمليات لتدريب الذكاء الاصطناعي الجراحي، مما يخلق مراقبة غير مسبوقة للأطباء. وهناك أنظمة مراقبة للامتحانات تتبع حركات عين الطلاب وتعبيرات وجوههم وأنماط الكتابة، مما يثير مخاوف من تجاوز الهدف الأصلي.
الواقع الاقتصادي
التحول بالذكاء الاصطناعي لا يصيب كل الاقتصاد بنفس الدرجة. في القطاعات الغنية بالبيانات، نشهد ما يسميه الاقتصاديون "التدمير الخلّاق" بسرعة هائلة. وظائف قديمة تختفي فجأة وأخرى جديدة تظهر، لكن غالبًا بمهارات مختلفة تمامًا ومركزة في مراكز التكنولوجيا.
أما القطاعات الفقيرة بالبيانات، فمهمتها الأصعب هي الرقمنة، ما يخلق احتكاكًا يوميًا بين التكنولوجيا الحديثة والممارسات التقليدية. التحول هنا أبطأ لكنه أعمق، إذ يعيد هيكلة أقسام كاملة بدل استبدال أفراد فقط.
بالطبع، تظهر وظائف جديدة، لكن ليست استبدالًا مباشرًا واحدًا بواحد. من المتوقع أن تُستبدل 92 مليون وظيفة بحلول 2030، مع ظهور 170 مليون وظيفة جديدة. لكن هذه ليست مبادلات فورية تحدث في نفس الأماكن ولدى نفس الأشخاص. التحدي الحقيقي ليس فقط في الأرقام، بل في الفجوة بين أماكن اختفاء الوظائف وأماكن ظهورها، وبين المهارات المتوفرة لدى العاملين وتلك المطلوبة للأدوار الجديدة.
كيف تتكيف
أدرك أن حدود الصناعات تتلاشى أسرع من وضوح فئات الوظائف. بدلاً من التركيز على مسارات مهنية تقليدية، ابحث عن أدوار تجمع بين الحُكم البشري وقدرات الذكاء الاصطناعي أو تترجم بين الأنظمة التقنية واحتياجات الأعمال.
أعد صياغة مهاراتك حول القدرة على التكيّف، لا مجرد الخبرة. بدلًا من سرد ما فعلته فقط، أبرز كيف تتعلّم وتحل المشكلات وتعمل مع أنظمة جديدة. قدرة الشخص على التأقلم مع التغيير الأخير في مكان عمله قد تكون أهم من إتقانه لبرنامج محدد.
استهدف نقاط الاحتكاك: كل منظمة تطبّق الذكاء الاصطناعي تواجه تحديًا في جعل التكنولوجيا تعمل وسط الأنظمة البشرية المعقدة. ابحث عن أدوار في الإدارة أو التدريب أو تحسين العمليات في الشركات التي تعتمد الذكاء الاصطناعي. هذه المناصب قد لا تحتاج معرفة تقنية عميقة، لكنها تتطلب فهم كيفية عمل المؤسسات على أرض الواقع.
فكّر في فرص “الميل الأخير” في مجالك الحالي. كل قطاع يحتاج من يجسر الفجوة بين قدرات الذكاء الاصطناعي والتنفيذ المحلي. الرعاية الصحية تحتاج من يفهم كلًا من رعاية المرضى وتحليل البيانات. المصانع تحتاج مشغلين قادرين على العمل جنبًا إلى جنب مع الأنظمة المؤتمتة. غالبًا ما تفتح معرفة المجال الحالية مع القليل من الإلمام بالذكاء الاصطناعي فرصًا أكبر من البدء من الصفر في مجال جديد تمامًا.
