وظائف AI في الإمارات تضاعفت 3 مرات، والميزة ليست تقنية فقط
يبيّن تحليل PwC لسوق الإمارات أن حصة إعلانات الوظائف التي تطلب مهارات AI ارتفعت من 1% في 2021 إلى 3.2% في 2025، أي أكثر من 3 مرات، وأن النمو شمل جميع القطاعات، فيما اقتربت الحصة في التكنولوجيا والإعلام والاتصالات من 10%.
الإجابة العملية للباحث عن عمل ليست تعلّم أكبر عدد من الأدوات. المطلوب هو اختيار دور وقطاع، ثم بناء حزمة تجمع المهارة التقنية بفهم العملية التجارية والقدرة على إثبات نتيجة مثل تقليل زمن المعالجة أو الأخطاء أو التكلفة، مع توضيح الحالات التي تتطلب قراراً بشرياً.
ما الذي تضاعف فعلياً؟
الرقم يقيس حصة الإعلانات التي تشترط مهارات AI، لا عدد الوظائف الجديدة في الاقتصاد كله. كما لا يعني أن كل هذه الوظائف تحمل مسميات مثل مهندس تعلم آلي أو باحث ذكاء اصطناعي؛ فقد تظهر المهارة داخل أدوار في التحليلات والمنتجات والعمليات والاستشارات والمال والخدمات العامة.
لذلك توجد مساحة بين مسارين متداخلين: تطوير النماذج والأنظمة، أو تطبيقها داخل تخصص أصلي. يبدأ الاختيار من نوع المشكلة المراد حلها، والبيانات المتاحة، ومستوى الخطأ المقبول، ومن سيستخدم النتيجة، لا من اسم أداة رائجة.
بالنسبة إلى المطور، قد يعني ذلك إتقان إعداد البيانات والتقييم والتشغيل والمراقبة. أما المحلل أو مدير المنتج أو المتخصص القطاعي، فيحتاج إلى معرفة كافية لاختبار المخرجات وتقدير الجدوى والمخاطر، حتى إن لم يكن هو من يبني النموذج.
مصفوفة القطاعات والمهارات
المصفوفة التالية إطار تحريري لبناء مسار متماسك، وليست قائمة بكل مهارة مذكورة في إعلانات السوق. في كل قطاع، ينبغي ربط مشكلة محددة بأداة مناسبة وقدرة مهنية تجعل الناتج قابلاً للاستخدام.
- التكنولوجيا والإعلام والاتصالات: Python وSQL وإعداد البيانات وتقييم النماذج وواجهات API، إلى جانب الموثوقية والأمن ومراقبة التكلفة. القيمة هنا في الانتقال من نموذج أولي إلى خدمة يمكن تشغيلها وصيانتها.
- الخدمات المالية: التحليلات والتنبؤ وكشف الحالات الشاذة ومعالجة المستندات، مع فهم المخاطر والخصوصية والامتثال والقدرة على شرح حدود النموذج لمسؤول غير تقني.
- الصحة: جودة البيانات والتحقق من الأداء وحماية المعلومات وتصميم سير عمل يحافظ على المراجعة البشرية. دقة النموذج وحدها لا تثبت ملاءمته لقرار مهني حساس.
- الطاقة والتصنيع: تحليل بيانات الحساسات والتنبؤ بالأعطال والرؤية الحاسوبية، إلى جانب فهم التشغيل والسلامة وتكلفة التوقف ومتطلبات دمج الحل في بيئة العمل.
- الخدمات المهنية والاستهلاكية: تحليل المستندات والعملاء، وأتمتة البحث ودعم القرار، مع صياغة المشكلة وقياس جودة المخرجات وإدارة التغيير مع مستخدمي الحل.
يمكن اختبار أي مسار بثلاثة أسئلة: ما المشكلة المحددة، وما المهارة التقنية اللازمة، وما معيار النجاح التشغيلي أو التجاري؟ صياغة مثل «معالجة مستندات مالية مع قياس الدقة وزمن المراجعة» أقوى من سرد أدوات متعددة من دون مستخدم أو نتيجة.
لماذا لا تكفي المهارة التقنية؟
يوضح تقرير الإمارات الكامل من PwC أن المهن في الربع الأعلى تعرضاً للذكاء الاصطناعي سجلت في 2025 متوسط 77 مهارة جديدة لكل مهنة، مقابل 22 في الربع الأدنى؛ ويعرّف التقرير المهارة الجديدة بأنها التي تجاوز ذكرها 10 مرات في إعلانات المهنة في 2025 بعدما ظهرت 5 مرات أو أقل في 2021.
لا تعني هذه النتيجة أن على كل مرشح تعلّم عشرات المهارات. معناها أن محتوى الأدوار يتغير بسرعة، وأن الجمع بين تخصص قائم وقدرة تطبيقية أصبح أكثر أهمية من الاعتماد على وصف وظيفي ثابت أو دورة واحدة.
وتشير قراءة The National لسوق التوظيف إلى أن إعلانات الوظائف الإماراتية التي تطلب مهارات AI تجاوزت 12,200 في 2025، مع نقص أكثر تحديداً في مواهب الذكاء الاصطناعي والتعلم الآلي والتحليلات، واستمرار قيمة الخبرة التقنية النادرة وإدارة أصحاب المصلحة والأثر التجاري والمعرفة التنظيمية.
تختلف الخلطة بحسب الدور. يحتاج مهندس التعلم الآلي إلى عمق أكبر في البناء والتشغيل، بينما يحتاج مدير المنتج إلى تقييم البيانات والجدوى والمخاطر. لكن كليهما مطالب بفهم الخطأ والتحيز والخصوصية، وبترجمة النتيجة إلى قرار يمكن شرحه ومراجعته.
خطة تعلم من ثلاث مراحل
- ابنِ أساساً يناسب الدور. تعلّم التعامل مع البيانات، والإحصاء الأساسي، وتقييم المخرجات. أضف Python وSQL للمسار التقني أو التحليلي، وركّز على حالات الاستخدام والحوكمة ومؤشرات الأداء للمسار الإداري أو التجاري.
- طبّق الأساس في قطاع واحد. اختر عملية محددة، مثل فرز طلبات خدمة العملاء أو توقع الطلب أو مراجعة المستندات أو رصد خلل تشغيلي. حدد المستخدم والبيانات والخطأ الأعلى تكلفة والقيود التنظيمية قبل اختيار النموذج.
- حوّل التطبيق إلى دليل توظيف. أنشئ مشروعاً محدود النطاق يتضمن خط أساس ومنهج تقييم ونتيجة وقيوداً واضحة. اشرح سبب اختيار الحل، والحالات التي يفشل فيها، وما يحتاج إليه قبل الاستخدام الفعلي.
لا تتطلب الخطة إتقان المجال كله قبل البدء. مشروع واحد مكتمل يربط البيانات بقرار واضح ويكشف حدوده بصدق يثبت مهارات أوسع من عروض تجريبية متعددة لا تحدد مستخدماً أو معيار نجاح.
كيف تثبت التطبيق في ملف الأعمال؟
ابدأ بتعريف المشكلة، لا بصورة الواجهة. اذكر الوضع قبل الحل، وصاحب القرار، ونوع البيانات، والمقياس المختار، ثم قارن النتيجة بخط أساس مثل إجراء يدوي أو نموذج أبسط.
استخدم أرقاماً حقيقية عندما تكون متاحة، ولا تفترض وفراً مالياً أو نتيجة تجارية. وإذا كانت البيانات تجريبية، صرّح بذلك وقس مؤشرات يمكن التحقق منها، مثل زمن المعالجة ونسبة الأخطاء والدقة والاستدعاء وتكلفة التشغيل والحالات المحالة إلى المراجعة البشرية.
في السيرة الذاتية أو المقابلة، اعرض المشروع بترتيب المشكلة والإجراء والنتيجة ثم القيد. مثال شرطي مناسب: «بنيت نموذجاً أولياً لتصنيف الطلبات، وقارنته بقاعدة يدوية، وحددت الحالات منخفضة الثقة للمراجعة البشرية». بهذه البنية تثبت أنك تعرف أين تصلح التقنية، وكيف تقاس قيمتها، ومتى ينبغي ألا تعمل وحدها.
اقرأ أيضًا:
اشترك في نشرتنا الإخبارية
احصل على أحدث أخبار الويب 3 والذكاء الاصطناعي والعملات المشفرة مباشرة في بريدك.