فجوة وظائف المبتدئين في عصر AI اتسعت إلى 19%

وفق تحديث Stanford Digital Economy Lab المنشور في أغسطس 2026، كان توظيف الأمريكيين بعمر 22–25 عامًا في المهن شديدة التعرض للذكاء الاصطناعي أقل بنحو 19% من المستوى الذي كان سيبلغه لو واكب توظيف أقرانهم في المهن الأقل تعرضًا. هذا هو معنى الرقم: فجوة بين مسارين، لا نسبة الشباب الذين فقدوا وظائفهم ولا انخفاضًا في التوظيف على مستوى الاقتصاد كله.

الإشارة مهمة لأنها تتركز في أول المسار المهني، لكنها تظل وصفية ومحصورة في بيانات رواتب القطاع الخاص الأمريكي. لا تثبت أن الذكاء الاصطناعي سبب الفجوة وحده، ولا تبرر نقل حجمها مباشرة إلى أسواق العمل العربية.

كيف تُحسب الفجوة فعلًا؟

يقارن المقياس تطور التوظيف في مجموعتين متقاربتين عمريًا ومختلفتين في درجة تعرض المهن للذكاء الاصطناعي. يصبح مسار المهن الأقل تعرضًا خطًا مرجعيًا افتراضيًا: لو تحرك توظيف المجموعة الأعلى تعرضًا بالوتيرة نفسها، فأين كان سيصل؟ المسافة النسبية بين ذلك المستوى الافتراضي والمستوى المرصود هي الفجوة.

لذلك لا تمثل النتيجة معدل بطالة، ولا تحصي قرارات التسريح، ولا تقول إن حصة مماثلة من الوظائف اختفت. قد تتسع الفجوة لأن توظيف المجموعة الأعلى تعرضًا انكمش، أو لأن المجموعة المرجعية نمت أسرع، أو بسبب اجتماع الأمرين.

والرقم يتعلق بمخزون العاملين المسجلين في وظائف محددة، وليس بعدد إعلانات الوظائف أو طلبات التوظيف أو الخريجين العاطلين. عبارة «وظائف المبتدئين» في العنوان تلخص موقع الفئة العمرية في بداية المسار، لكنها لا تعني أن قاعدة البيانات صنفت كل وظيفة رسميًا بوصفها وظيفة مبتدئة.

لماذا لا يعني ذلك انهيار سوق العمل؟

لا يظهر النمط بالقوة نفسها عبر جميع الأعمار. العاملون الأكثر خبرة لم يسجلوا فجوة مماثلة، كما يبدو التكيف أوضح في ضعف دخول الشباب إلى الوظائف منه في تسارع خروج الموظفين الموجودين منها. لهذا يمكن أن تتراجع فرصة الحصول على الدرجة الأولى في مسار مهني بينما يبقى إجمالي التوظيف أوسع نطاقًا مستقرًا نسبيًا.

كذلك لا تعني «شدة التعرض» أن المهنة ستختفي. التعرض يقيس مدى تقاطع مهام العمل مع قدرات التقنية؛ وقد تستخدم المؤسسة الأداة لإنجاز مهمة بدل الموظف، أو لمساعدته على إنجازها. النتيجة السلبية تتركز أكثر عندما يميل الاستخدام إلى الأتمتة، بينما تكون الصورة أفضل عندما يكمل الذكاء الاصطناعي عمل الإنسان.

هناك تفسير محتمل لهذا التفاوت: تكون المعرفة المقننة في النصوص والإجراءات والملفات الرقمية أسهل نسبيًا في المعالجة الآلية، وهي غالبًا جزء كبير من عمل الموظف الجديد. أما المعرفة الضمنية—مثل تقدير الاستثناءات وفهم العميل وتحمل مسؤولية القرار—فتتكون بالممارسة والإرشاد. هذا تفسير متسق مع النمط المرصود، وليس برهانًا مستقلًا على سببه.

أين تظهر الإشارة الأقوى؟

تبقى الفئة الأصغر في البيانات بؤرة الضعف، لكن الإشارة تمتد بدرجة أقل إلى المجموعة العمرية التالية. ففي قراءة ADP Research لبيانات يوليو 2026، انكمش توظيف العاملين بعمر 22–25 عامًا في المهن عالية التعرض بنسبة 3% سنويًا للشهر الرابع والثلاثين على التوالي، بينما انخفض لدى الفئة 26–30 عامًا بنسبة 2.1% مقابل نمو قدره 1.8% في وظائفها الأقل تعرضًا.

مهنيًا، تقوى الإشارة في الأعمال التي تعتمد على مهام معرفية موثقة وقابلة للتكرار، عندما يستخدم الذكاء الاصطناعي لإنجاز المهمة نفسها. وتضعف في الأعمال التي يحتاج فيها الموظف إلى معرفة سياقية اكتسبها من الممارسة، أو التي تستخدم التقنية لتعزيز قراره بدل الحلول محله.

هذا تصنيف بحسب طبيعة المهام والاستخدام، لا حكم موحد على كل وظيفة مكتبية أو تقنية. قد تضم الوظيفة الواحدة مهمة قابلة للأتمتة وأخرى تتطلب تواصلًا أو إشرافًا أو حكمًا مهنيًا؛ لذلك لا تكفي تسمية المهنة وحدها لتقدير الخطر.

صندوق التحقق: الارتباط ليس سببية

ما تدعمه البيانات: يوجد تباعد مستمر بين توظيف الشباب في المهن الأعلى والأقل تعرضًا، وتظل النتيجة حاضرة تحت اختبارات بديلة تشمل استبعاد شركات التقنية والمهن الحاسوبية ومراعاة التعرض لأسعار الفائدة والعمل عن بُعد.

ما لا تثبته البيانات: تعرض النسخة المنقحة من ورقة Stanford النتائج بوصفها مؤشرات وصفية لا تقديرات سببية؛ فالفجوة تصغر عند ضبط التعليم، وبعض الاتجاهات المختلفة بدأ قبل الانتشار الواسع للذكاء الاصطناعي التوليدي، كما أن تقديرات عينة ADP أكبر من مؤشرات المسوح الوطنية.

الصياغة الدقيقة إذن هي أن البيانات تتسق مع احتمال ضغط الذكاء الاصطناعي على التوظيف المبكر في بعض المهن، لا أنها عزلت أثره عن تباطؤ القطاعات أو تغير المهارات المطلوبة أو قرارات الشركات. كما أن بيانات الرواتب لا تكشف وحدها لماذا لم يُفتح منصب، أو كيف أعادت المؤسسة توزيع المهام داخل الوظيفة.

تظل قابلية التعميم محدودة أيضًا. العينة واسعة لكنها تخص أصحاب عمل من القطاع الخاص في الولايات المتحدة؛ وقد تختلف النتيجة في الدول العربية باختلاف وزن القطاع الحكومي، وتركيب الصناعات، وسرعة تبني الأدوات، وأنظمة التدريب، وحجم العمل غير المسجل.

كيف تُبنى خبرة تتجاوز المهام الروتينية؟

لا تفرض النتيجة على الخريج تجنب كل مهنة عالية التعرض. الاستجابة العملية هي تقديم دليل على القدرة على استخدام الأدوات مع التحقق والحكم المهني، بدل بناء الملف حول سرعة إنتاج مسودة روتينية فقط.

1. وثّق القرارات: اشرح المشكلة والمدخلات والافتراضات ومعيار الجودة، ثم بيّن كيف راجعت المخرج واكتشفت الأخطاء أو قارنت البدائل.
2. أضف معرفة قطاعية: تعلّم سير العمل واحتياجات العميل والقيود التنظيمية، حتى يصبح استخدام الأداة جزءًا من قرار مهني له سياق.
3. اطلب خبرة بحالات واقعية: فضّل تدريبًا أو مشروعًا يتضمن استثناءات وتغذية راجعة من خبير وتعاونًا مع تخصصات أخرى، لا تمارين ذات إجابة متوقعة فقط.
4. اشرح حدود استخدام AI: حدد أين ساعدتك الأداة، وكيف تحققت من مخرجاتها، وما الذي عدّلته ولماذا، ومن يتحمل مسؤولية النتيجة.

أما صاحب العمل، فيستطيع إعادة تصميم وظيفة البداية حول التحقق والتعامل مع الحالات غير المعتادة والتواصل مع العملاء، بدل حذف المسار الذي ينقل الموظف الجديد إلى مستوى الخبرة. الإنذار هنا محدد: بعض بوابات الدخول تضيق، بينما تظل قيمة الخبرة السياقية والإشراف البشري قابلة للبناء.