لماذا لا يزال علم البيانات مهمًا في عالم الذكاء الاصطناعي الوكيلي
التحول الحقيقي لا يلغي علم البيانات، بل ينقل قيمته من تنفيذ النماذج إلى امتلاك الحكم على القرارات والنتائج.
لسنوات، كان أن تصبح عالم بيانات يعني شيئًا واحدًا: أن تتعلم كيف تعثر على النمط الذي لا يستطيع الآخرون رؤيته. كنت الشخص القادر على النظر إلى جدول بيانات مليء بالضوضاء واستخراج الإشارة منه. كانت تلك هي الوظيفة، وكانت تلك هي القيمة.
هذه الوظيفة آخذة في الاختفاء؛ لا التخصص نفسه، بل الوصف الوظيفي. اطلب من وكيل ذكاء اصطناعي حديث أن يبني نموذج انحدار، أو ينظف مجموعة بيانات، أو يلخص توقعًا، وسينجز ذلك في ثوانٍ. لذلك فإن السؤال الذي يطرحه كثير من الطلاب والمهنيين في بدايات مسيرتهم ليس غير منطقي: هل ما زال علم البيانات يستحق الاستثمار فيه في 2026؟ وإذا كان نموذج لغوي يستطيع كتابة الشفرة، وضبط المعلمات الفائقة، بل وصياغة الاستنتاج، فما الذي يجري تدريبك عليه تحديدًا؟
الحقيقة غير المريحة هي أن النموذج يستطيع كتابة الشفرة، لكنه لا يستطيع امتلاك القرار وتحمل مسؤوليته. وهذا الفارق مرشح لأن يحدد مستقبل علم البيانات كله.
هل ما زال علم البيانات يستحق العناء في 2026؟
من الأفضل التعامل مع القلق مباشرة، لأنه ليس قلقًا غير عقلاني. طوال عقد تقريبًا، كانت النصيحة المهنية في علم البيانات تتكرر بالصورة نفسها: تعلم لغة Python، وتعلم الإحصاء، وتعلم لغة SQL، ثم احصل على وظيفة. هذه النصيحة ليست خاطئة، لكنها أصبحت غير مكتملة. الأدوات استوعبت جانبًا كبيرًا من التنفيذ، لكنها لم تستوعب — ولا تستطيع بنيويًا أن تستوعب — الحكم اللازم لمعرفة السؤال الذي ينبغي طرحه، والمخرج الذي يمكن الوثوق به، والتوصية التي تستطيع الصمود عند تطبيقها داخل شركة حقيقية.
هل لا يزال علماء البيانات مطلوبين؟ وفق الأرقام الواردة في المصدر، نعم وبقوة. يُتوقع أن ينمو التوظيف العالمي في المجال بنسبة 36% بين 2023 و2033، استنادًا إلى بيانات مكتب إحصاءات العمل الأمريكي المنشورة في أغسطس 2025، وهي من أسرع معدلات النمو بين المهن التي يتابعها المكتب. وفي الهند وحدها، يُتوقع أن يتجاوز الطلب على مواهب علم البيانات والذكاء الاصطناعي وتعلم الآلة مليون وظيفة بحلول 2026، استنادًا إلى تقرير لجمعية NASSCOM في فبراير 2023.
لكن النمو وحده لا يجيب عن سؤال ما إذا كان علم البيانات مسارًا مهنيًا جيدًا في 2026؛ فالسؤال الحقيقي هو: نمو في ماذا تحديدًا؟
الاستعارة القديمة لم تعد كافية
كان علم البيانات يوصف سابقًا بأنه أساس ناطحة سحاب؛ الهيكل الفولاذي القابع تحت أنظمة الذكاء الاصطناعي اللامعة التي يراها الجميع. إنها صورة معقولة، لكنها تقلل من حجم التحول الجاري. لم تعد تضع أساسًا لمبنى يشيده شخص آخر فحسب؛ بل أصبحت، على نحو متزايد، أشبه بالمهندس الإنشائي الموجود داخل المبنى بينما تبنيه فرق مستقلة، ويقرر في الوقت الفعلي ما إذا كانت الجدران الحاملة ستصمد.
مهارات علم البيانات التي كانت مهمة قبل خمس سنوات لم تنته صلاحيتها؛ بل ارتقت إلى أدوار أعلى.
| المهارة القديمة | الدور الجديد الذي تدعمه |
|---|---|
| المعالجة المسبقة للبيانات وهندسة الخصائص | تشكيل البيانات الدقيقة التي يحتاجها نظام الذكاء الاصطناعي وتنظيمها كي يستدل جيدًا؛ وهي المهارة الكامنة خلف هندسة الأوامر والضبط الدقيق. |
| النمذجة الإحصائية ومقاييس التقييم | اختبار ما إذا كان النموذج اللغوي الكبير LLM قد حل المشكلة فعلًا، أم أنتج شيئًا يبدو فقط كما لو أنه حلها. |
| البرمجة بلغتي Python وR ومكتبات تعلم الآلة | نشر أنظمة الذكاء الاصطناعي ومراقبتها على نطاق واسع؛ وهي الغرائز الهندسية نفسها لكن موجهة إلى هدف أسرع تغيرًا. |
| حل المشكلات وتصميم الحلول | تصميم الطريقة التي تتكامل بها تقنيات ذكاء اصطناعي متعددة، ونماذج توليدية، وتعلم الآلة، والبحث، ومحركات التوصية داخل نظام واحد متماسك. |
لم تصبح أي مهارة في العمود الأول قديمة، بينما لم تكن الأدوار التي يتيحها العمود الثاني موجودة بهذه الصورة قبل خمس سنوات. وفي هذه الفجوة تحديدًا يقع المسار المهني الجديد.
المهارات المطلوبة لعالم البيانات
إذا سألت شخصًا عن المهارات المطلوبة لعالم البيانات، فغالبًا سيذكر لغة Python ولغة SQL و«فهم البيانات». هذا صحيح وضروري، لكنه لم يعد كافيًا. المهارات الحقيقية في 2026 أصبحت أقل ارتباطًا بما تستطيع حسابه، وأكثر ارتباطًا بما يمكن الوثوق بك لاتخاذ قرار بشأنه. وهناك أربع قدرات تفصل عالم البيانات القادر على عبور هذا التحول عن الشخص الذي قد تحيط به الأتمتة تدريجيًا:
فهم المشكلة الفعلية للعميل، لا المشكلة التي يصرح بها فقط، وبناء قدر كافٍ من الثقة يجعل التوصية قابلة للتنفيذ بدل أن تنتهي محفوظة في ملف.
جمع البيانات وتنظيفها، وتطبيق صرامة إحصائية حقيقية، وبناء النماذج عبر لغات Python وSQL وR والمنصات السحابية، مع الالتزام بمعايير الذكاء الاصطناعي الأخلاقية أثناء ذلك.
معرفة الفارق بين ما يقوله النموذج وما يستطيع أرض مستودع أو سلسلة إمداد أو جناح مستشفى استيعابه وتنفيذه فعليًا.
تحويل الغموض إلى نطاق عمل قابل للتسليم، وربطه برقم يهتم به المدير المالي، وإبقاؤه حيًا في بيئة الإنتاج بعد وقت طويل من انتهاء العرض التجريبي.
هذه ليست قائمة تحقق تُنجز مرة واحدة. إنها الفارق بين مسار مهني في علم البيانات تتراكم قيمته مع الوقت، ومسار يتوقف نموه بمجرد ظهور أداة أفضل.
ولا تزال مداخل المجال التقليدية صالحة؛ فالشهادات في علوم الحاسب، أو الإحصاء، أو الرياضيات، أو الهندسة تظل قاعدة قوية، وغالبًا ما تُدعّم بدرجة ماجستير متخصصة أو ماجستير إدارة أعمال في التحليلات. وفي الوقت نفسه أصبحت المداخل الجانبية أوسع من أي وقت مضى؛ فمهندسون ميكانيكيون، وخريجو اقتصاد، وحملة ماجستير إدارة أعمال ذوو نزعة كمية يدخلون المجال من مسارات غير مباشرة وينجحون فيه بصورة متزايدة.
يوم في العمل: كيف يبدو «امتلاك الحكم» فعليًا؟
النظرية سهلة. لكن الصورة تتضح حين يكون لدى عميل في قطاع التجزئة مستودع يستنزف المال بهدوء: تكاليف المخزون ترتفع، ونفاد الأصناف يضعف ثقة العملاء، ولا يستطيع أحد في الفريق أن يحدد السبب بثقة. هنا تبدأ الوظيفة الحقيقية.
- بناء جسر مع فرق العميل. تجلس مع مديري سلسلة الإمداد ومسؤولي المستودع قبل لمس أي مجموعة بيانات. وتكتشف أن قواعد إعادة الطلب عمرها خمس سنوات، وأن الطلب الموسمي لم يُنمذج بصورة سليمة، وأن أحدًا لم يأخذ في الحسبان قِصر مدة صلاحية بعض الأصناف.
- الغوص في البيانات. تُسحب سجلات المبيعات وسجلات الموردين وتقارير سعة المستودع، ثم تُنظف وتُطابق باستخدام SQL وتُهيأ باستخدام Python. وتختبر عدة مناهج للتنبؤ قبل الاستقرار على التعزيز التدريجي، ثم تبني محركًا لإعادة الطلب يُحدّث يوميًا، والأهم أنه يعبّر عن درجة عدم اليقين بدل التظاهر باليقين.
- تكرارات ما قبل النشر. يبدو النموذج ممتازًا على الورق، ثم يشير مدير المستودع إلى أن الرافعات الشوكية لا تستطيع فعليًا نقل الكميات التي يوصي بها النموذج في يوم ثلاثاء مزدحم. عندها يُعاد البناء حول هذا القيد، وتتكرر هذه الخطوة أكثر من مرة.
- جمع العناصر كلها. تُعرض المنطق بلغة أعمال واضحة: كيف تتغير محفزات القرار أسبوعيًا، وكيف تُرفع إشارات المخاطر مبكرًا، وما الضمانات الوقائية. ثم تُواجه الأسئلة الصعبة مباشرة.
- التبني والتسليم. تُدرّب الأشخاص الذين سيعيشون مع النظام يوميًا، وبعضهم متشكك في أي شيء لا يستند إلى الحدس. وتُكتسب الثقة بالنجاحات المبكرة، لا بشرائح العروض.
بعد ثلاثة أشهر، يعمل النظام ذاتيًا. تنخفض تكاليف المخزون، وينخفض نفاد الأصناف، وتكون قد اكتسبت الثقة لتُكلَّف بالمشكلة التالية.
لا يُدعى أي وكيل ذكاء اصطناعي إلى الغرفة في الخطوة الأولى. وهذه ليست محدودية في النماذج الحالية؛ إنها جوهر الوظيفة.
هل سيحل الذكاء الاصطناعي محل علماء البيانات؟
السؤال الأجدر بالطرح هو: كيف يغيّر الذكاء الاصطناعي علم البيانات، لا ما إذا كان سينهيه. الأتمتة لا تقلص الحاجة إلى الحكم؛ بل ترفع الحد الأدنى المطلوب منه. أصبحت أدوات الذكاء الاصطناعي مساعدين استثنائيين، لكن المساعد لا يزال يحتاج إلى شخص يقرر:
- ما الأسئلة التي تهم فعلًا: الذكاء الاصطناعي يعثر على الأنماط دون تمييز، بينما يقرر الإنسان أيها يستحق اتخاذ إجراء.
- متى تكون النتيجة خاطئة رغم عرضها بثقة: قد تهلوس النماذج وترث التحيزات بصمت، واكتشاف ذلك لم يعد أمرًا اختياريًا؛ بل أصبح من صميم العمل.
- كيف تُترجم الدقة التقنية إلى لغة أعمال: لا يعتمد مسؤول تنفيذي ميزانية بسبب درجة F1؛ بل بسبب الإيرادات أو التكلفة أو المخاطر.
- هل النظام عادل ويحمي الخصوصية ومتوافق مع المتطلبات: يجب أن يتحمل شخص مسؤولية ذلك، ولن يكون النموذج هو ذلك الشخص.
فهل سيستبدل الذكاء الاصطناعي علم البيانات كتخصص؟ لا، لكنه سيستبدل بالتأكيد علماء البيانات الذين لم يتجاوز دورهم تشغيل النموذج. من كان يبني نماذج لتجزئة العملاء قد يصبح اليوم الشخص الذي يوجّه نموذجًا لغويًا كبيرًا LLM لكتابة محتوى مخصص لكل شريحة. ومن كان يتنبأ بأعطال المعدات قد يصبح الشخص الذي يجعل الذكاء الاصطناعي يصوغ تقرير الصيانة، ويملك من المعرفة ما يكفي لاكتشاف الخطأ في المسودة.
هذا التحول ليس اختياريًا ولا افتراضيًا. والخيار الحقيقي هو أن تكون الشخص الذي يوجّهه، أو الشخص الذي ما زال يأمل أن يبقى الوصف الوظيفي القديم صالحًا.
ماذا يعني ذلك لك الآن؟
إذا كنت طالبًا تبني مسارك نحو هذه المهنة، فالأولوية هي تأسيس قاعدة في الإحصاء والبرمجة لا تنتهي صلاحيتها، والاعتياد بصورة عميقة على شرح النتائج التقنية بلغة أعمال بسيطة، والتدرب على مساءلة مخرجات الذكاء الاصطناعي بدل الوثوق بها تلقائيًا.
العمل اليوم لم يعد مجرد جمع البيانات وبناء النماذج؛ بل أصبح اتخاذ القرار مرة بعد مرة بشأن متى تستحق مخرجات نظام الذكاء الاصطناعي ثقتك ومتى لا تستحقها. الأدوات ستواصل التغير، أما هذه القدرة فلن تتغير بالوتيرة نفسها. وهذا من أوضح المؤشرات على الجانب الدائم في مستقبل علماء البيانات.
إلى أين تتجه هذه السلسلة بعد ذلك؟
علماء البيانات الذين سيتقدمون في هذا العقد ليسوا الذين ينافسون الذكاء الاصطناعي في السرعة، بل الذين يضيفون الصرامة والتشكك المهني والطلاقة في لغة الأعمال إلى كل ما ينتجه الذكاء الاصطناعي. ومع توقع نمو الطلب على هذه الأدوار في الولايات المتحدة بأكثر من ثلاثة أضعاف حتى 2033، فإن السؤال ليس عن وجود مستقبل لعلم البيانات، بل عمّن سيشارك في تعريفه.
لكن معرفة العقلية المطلوبة ليست هي نفسها معرفة الوظيفة. ماذا يفعل عالم البيانات فعليًا، ساعة بساعة، بعد توظيفه؟ هذا هو موضوع الجزء الثاني القادم.
