الذكاء الاصطناعي في نفط الكويت: دروس عملية من عُمان

قبل أيام فقط (26/12/2025)، أعلنت عُمان عن حزمة مشاريع تجريبية للذكاء الاصطناعي في قطاعات حسّاسة مثل الصحة والقضاء والمناقصات والأمن السيبراني. الرسالة ليست “استعراض تقنية”، بل شيء أكثر عملية: ابدأ بمشاريع صغيرة منخفضة المخاطر، ثم وسّع بسرعة عندما تثبت النتائج.
وهنا تأتي الكويت مباشرة إلى الصورة. لأن قطاع الطاقة والنفط والغاز عندنا ليس مجرد قطاع اقتصادي؛ هو قلب التشغيل وواجهة الكفاءة الوطنية. وأي تحسين واقعي—ولو بنسبة قليلة—يُترجم إلى ملايين الدنانير سنوياً، وتقليل أعطال، ورفع سلامة، وتسريع قرارات.

في سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في الكويت”، هذا المقال يربط تجربة عُمان كنموذج خليجي قريب، بما تحتاجه الكويت الآن: خارطة طريق قابلة للتنفيذ لتطبيق الذكاء الاصطناعي في الاستكشاف والإنتاج والصيانة والسلامة والتقارير والمشتريات، مع تركيز على ما يحقق عائداً سريعاً ويصمد أمام متطلبات الحوكمة والخصوصية.

لماذا تجربة عُمان مهمة للكويت في الطاقة والنفط والغاز؟

الجواب المباشر: لأن عُمان طبّقت الذكاء الاصطناعي عبر مشاريع تجريبية محددة وبشراكات بين القطاعين العام والخاص، وركّزت على الأثر التشغيلي (تقليل قوائم الانتظار، رفع دقة القرارات، أتمتة تقارير) لا على الكلام العام. هذه نفس المعادلة التي تنجح في شركات النفط والغاز.

ما يلفت في الخبر العُماني ليس “الذكاء الاصطناعي” بحد ذاته، بل طريقة التنفيذ:

• اختيار حالات استخدام واضحة (تشخيص مبكر، تحليل وثائق، تنبيهات ذكية، تقييم عروض).
• قياس نتائج قابلة للتحقق (مثل دقة تتجاوز 90% في مشروع قضائي).
• معالجة البيانات محلياً عند الحساسية—وهذا مهم جداً في الطاقة حيث البيانات تشغيلية وأمنية.

بالنسبة للكويت، هذا يفتح سؤالاً عملياً: إذا كانت عُمان طبّقت الذكاء الاصطناعي في القضاء والمناقصات والصحة، فما الذي يمنع تطبيقه بشكل أسرع في بيئة نفطية تمتلك حساسات، وبيانات SCADA، وسجلات صيانة، وتقارير يومية ضخمة؟

من “مشروع تجريبي” إلى “قيمة تشغيلية”: ما الذي نتعلمه من حالات عُمان؟

الجواب المباشر: الدرس الأساسي هو تحويل الذكاء الاصطناعي إلى “مساعد قرار” داخل سير عمل قائم، لا مشروع منفصل في زاوية تقنية.

1) التشخيص المبكر في الصحة = الإنذار المبكر للأعطال في الحقول

عُمان طبّقت مشروعاً وطنياً للكشف المبكر عن اعتلال شبكية السكري بالذكاء الاصطناعي، وذكرت آثاراً تشغيلية واضحة: تقليل قوائم الانتظار ورفع الدقة وتحسين تجربة المستفيد.

في النفط والغاز، المقابل المباشر هو الصيانة التنبؤية:

• رصد أنماط اهتزاز/حرارة/ضغط غير طبيعية في المضخات والضواغط.
• توقع فشل صمام/محمل قبل حدوث توقف مفاجئ.
• جدولة الصيانة حسب “حالة المعدّة” بدل الصيانة الدورية الثابتة.

الفكرة واحدة: اكتشف المشكلة قبل أن تتحول إلى حادث أو توقف إنتاج.

2) تحليل صور MRI = رؤية حاسوبية لمراقبة السلامة والتسرّبات

مستشفى خولة استخدم منصة لتحليل صور الرنين وإصدار تقارير أولية تدعم الأطباء.

في بيئات الطاقة الكويتية، “الصور” ليست MRI فقط:

• تصوير حراري للأنابيب والخزانات لاكتشاف نقاط سخونة غير طبيعية.
• صور طائرات مسيّرة لممرات الأنابيب لرصد تآكل/تعديات/تسرّبات.
• كاميرات مواقع للكشف عن عدم الالتزام بمعدات السلامة (PPE) أو دخول مناطق محظورة.

الذكاء الاصطناعي هنا لا يستبدل مهندس السلامة—بل يقلّل “العمى التشغيلي” ويخلق تنبيهات مبكرة قابلة للتصرف.

3) تحليل وثائق قضائية بدقة >90% = أتمتة التقارير التشغيلية والعقود

النيابة العامة في عُمان جرّبت نظاماً يحلل مستندات ويقترح أسئلة وقرارات مبدئية، مع معالجة محلية للبيانات، ونتيجة دقة تتجاوز 90%.

في قطاع النفط والغاز، نفس الفكرة تنطبق على:

• تلخيص تقارير الحفر اليومية (Daily Drilling Reports) واستخراج أسباب التوقف (NPT).
• قراءة تقارير التفتيش (Inspection reports) وتوليد “قائمة مخاطر”.
• تحليل عقود الموردين وطلبات التغيير (Change Orders) لرصد البنود عالية المخاطر.

الربح السريع عادةً يأتي من شيء بسيط: تقليل وقت القراءة والبحث، ورفع الاتساق في التقارير.

4) منصات المناقصات والتنبيهات = مشتريات ذكية وسلاسل إمداد أقل كلفة

عُمان استخدمت الذكاء الاصطناعي لإتاحة تحليل بيانات المناقصات والتنبيهات والتقارير، إضافة إلى نظام ذكي لتقييم العطاءات الفنية والمالية.

بالنسبة للكويت، هذه نقطة حساسة لأنها تمسّ:

• تسريع دورات الشراء.
• تقليل الأخطاء في تقييم العروض.
• تحسين الشفافية والحوكمة.

في شركات النفط والغاز، يمكن للذكاء الاصطناعي أن يدعم فريق المشتريات عبر:

• مقارنة عروض الموردين بناءً على مواصفات فنية ومعايير تسليم/ضمان.
• كشف “الانحرافات السعرية” مقارنة بسجل مشتريات تاريخي.
• تنبيهات مبكرة لأخطار التوريد (تأخيرات متكررة، اختلاف مواصفات).

أين يبدأ الذكاء الاصطناعي في قطاع الطاقة بالكويت؟ (5 حالات استخدام ذات عائد سريع)

الجواب المباشر: ابدأ بما لديه بيانات متوفرة، وتأثير مالي واضح، ومخاطر تنظيمية منخفضة. هذه عادةً ليست مشاريع “روبوتات”، بل مشاريع قرار وتشغيل.

1) الصيانة التنبؤية للمعدات الدوّارة

الأولوية: المضخات، الضواغط، التوربينات، المولدات.
النتيجة المتوقعة: تقليل التوقفات المفاجئة، وتحسين التخطيط لقطع الغيار.

2) تحسين الإنتاج عبر نماذج التنبؤ (Production Forecasting)

نماذج تتنبأ بمعدلات الإنتاج والهبوط (Decline) وتساعد في اختيار إجراءات التحسين (مثل تعديل الخنق أو رفع الكفاءة).
النتيجة: قرارات أسرع حول التشغيل اليومي.

3) كشف التسربات والعيوب في الأنابيب بالرؤية الحاسوبية

دمج صور المسح/الدرون/الحراري مع تنبيهات ذات أولوية حسب المخاطر.
النتيجة: تقليل حوادث وتكاليف بيئية، وتحسين سلامة الأصول.

4) مساعد تقارير للمهندسين (AI Copilot للتقارير)

توليد مسودات تقارير يومية/أسبوعية من مصادر متعددة (جداول، قراءات، ملاحظات).
النتيجة: توفير ساعات عمل، ورفع اتساق التقارير.

5) ذكاء اصطناعي للمشتريات وتقييم العطاءات

تصنيف العروض، إبراز المخاطر، وتوليد مقارنة فنية/مالية قابلة للمراجعة.
النتيجة: تقليل الزمن إلى قرار، وتقليل الأخطاء.

جملة مختصرة تصلح كقاعدة: إذا لم يختصر الذكاء الاصطناعي وقتاً أو يقلل توقفاً أو يرفع سلامة، فهو تجميل تقني لا أكثر.

نموذج تنفيذ عملي للكويت: “تجارب صغيرة” لكن منضبطة

الجواب المباشر: أفضل نموذج هو 90 يوماً لإثبات القيمة، ثم 6 أشهر للتوسع، مع حوكمة بيانات من اليوم الأول.

المرحلة 1: 0–90 يوماً (إثبات قيمة)

• اختيار حالة استخدام واحدة في أصل واحد (مثلاً: مضخات محطة محددة).
• تحديد 3 مؤشرات نجاح واضحة:
  1. تقليل التوقفات غير المخططة
  2. دقة التنبؤ بالأعطال
  3. زمن الاستجابة للتنبيه
• بناء “حلّ داخل سير العمل”: التنبيه يصل إلى نظام البلاغات/الصيانة، وليس لوحة منفصلة لا يفتحها أحد.

المرحلة 2: 3–9 أشهر (التوسع الصناعي)

• تعميم النموذج على أصول مشابهة.
• بناء مكتبة نماذج (Model Registry) وإدارة نسخ النماذج.
• تدريب فرق التشغيل على تفسير النتائج (لا يكفي أن يكون النموذج صحيحاً؛ يجب أن يكون مفهوماً).

المرحلة 3: 9–18 شهراً (التكامل المؤسسي)

• ربط الذكاء الاصطناعي بالحوكمة والمخاطر والامتثال.
• توحيد معايير البيانات بين الحقول والمصافي.
• عقود تشغيل واضحة مع مزودي التقنية (SLA، أمن معلومات، ملكية بيانات).

الحوكمة والأمن السيبراني: الشرط الذي لا يُناقش

الجواب المباشر: نجاح الذكاء الاصطناعي في الطاقة بالكويت يعتمد على “أين تعالج البيانات؟ ومن يملكها؟ وكيف تُراجع القرارات؟” قبل أن يعتمد على دقة النموذج.

خبر عُمان أشار بوضوح إلى معالجة البيانات الحساسة محلياً في مشروع القضاء. في الطاقة، الحساسية أعلى: بيانات أصول، إنتاج، خرائط، أنظمة تحكم.

قواعد عملية أنصح بها دائماً:

• تصنيف البيانات (تشغيلية/تجارية/أمنية) قبل أي تجربة.
• اعتماد مبدأ المعالجة المحلية للبيانات التشغيلية الحساسة، أو بيئات سحابية سيادية عند الحاجة.
• جعل كل مخرجات النموذج قابلة للتدقيق: لماذا أعطى هذا التنبيه؟ ما الإشارة التي اعتمد عليها؟
• عدم ربط أي نظام ذكاء اصطناعي مباشرة بأنظمة التحكم (OT) دون طبقات حماية واختبارات صارمة.

أسئلة شائعة يطرحها مديرو الطاقة في الكويت (وإجابات قصيرة)

هل نحتاج بيانات مثالية لنبدأ؟

لا. تحتاج بيانات “كافية” ومنظّمة نسبياً في نطاق محدود. البدء بأصل واحد يقلل الفوضى ويكشف الثغرات بسرعة.

هل الذكاء الاصطناعي سيستبدل المهندسين؟

عم سيستبدل جزءاً من الأعمال المتكررة: تلخيص، بحث، فرز، ومراقبة أولية. لكنه يرفع قيمة المهندس لأنه يحرّره لقرارات أعلى مستوى.

ما أسرع مكان يظهر فيه العائد؟

عادةً: الصيانة التنبؤية، أتمتة التقارير، وتحسين المشتريات—لأنها تقلل وقتاً وتوقفاً وهدر.

خطوة الكويت التالية: من “فكرة” إلى “برنامج”

التجربة العُمانية تعطي الكويت نموذجاً عملياً: مشاريع تجريبية محددة، بشراكات واضحة، وقياس نتائج، ثم توسع محسوب. هذا النهج يناسب بيئة النفط والغاز لأن المخاطر عالية، لكن العائد أعلى إذا نُفّذ بانضباط.

إذا كنت مسؤولاً في شركة طاقة أو نفط أو غاز في الكويت، فأنسب قرار الآن هو اختيار حالتي استخدام فقط للربع الأول من 2026: واحدة تشغيلية (صيانة تنبؤية) وأخرى إدارية (مساعد تقارير أو تقييم عطاءات). بعدها يصبح الحديث عن “استراتيجية الذكاء الاصطناعي” مبنياً على نتائج، لا على عروض تقديمية.

هل سنرى في 2026 فرقاً واضحاً بين شركات تبدأ بالتجارب المنضبطة الآن، وشركات تؤجل؟ غالباً نعم—لأن التأجيل في الطاقة لا يعني “الثبات”، بل يعني أن تكاليف الأعطال والتأخير تستمر كل يوم.