أزمة التوظيف في النفط والغاز تتفاقم عالميًا مع شيخوخة القوى العاملة وتراجع الانتقال. تعرّف كيف يمكن للذكاء الاصطناعي دعم عُمان في التخطيط والتوظيف والتدريب.
الذكاء الاصطناعي يحل أزمة التوظيف في نفط وغاز عُمان
48% من القوى العاملة في الطاقة التقليدية عالميًا باتت بعمر 45 عامًا فأكثر، بينما تراجعت شريحة 25–34 عامًا إلى 19% فقط. هذه ليست أرقامًا للنقاش الأكاديمي؛ إنها إنذار تشغيلي مباشر لقطاع النفط والغاز. عندما يكبر الفريق ولا يأتي بديل جاهز، تتباطأ المشاريع، وترتفع مخاطر السلامة، وتصبح المعرفة الحرجة “محصورة في رؤوس قليلة”.
وفي تقرير مؤشر المواهب العالمي للطاقة 2026 (GETI) الصادر بتاريخ 04/02/2026 (10:30 م)، تظهر مشكلة ثانية تتزامن مع الأولى: تراجع الاستعداد للانتقال. 75% فقط من محترفي النفط والغاز مستعدون للانتقال في 2026، بعد أن كانت النسبة 80% في 2025 و89% في 2022. في منطقة تعتمد على مشاريع كثيفة رأس المال وجداول تنفيذ صارمة، كل نقطة مئوية في “حركية” المواهب تعني فرقًا في سرعة الإنجاز.
بالنسبة لعُمان—ضمن سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان”—هذه الأخبار ليست سببًا للتشاؤم. بالعكس: هي فرصة واضحة لبناء نموذج توظيف وتخطيط قوى عاملة أكثر ذكاءً، يقلل الاعتماد على الندرة البشرية، ويُسرّع نقل الخبرة، ويرفع الإنتاجية دون التضحية بالسلامة.
لماذا تتفاقم أزمة التوظيف؟ (الأرقام تشرح القصة)
السبب الأساسي هو فجوة أجيال تتوسع بسرعة. تقرير GETI يضعها بوضوح: القوى العاملة تتقدم بالعمر، والشباب يدخلون بوتيرة أقل، والتدريب لا يواكب.
ثلاث إشارات عملية تهم أي مدير تشغيل أو موارد بشرية في الطاقة:
- الخبرة صارت أصعب في الاستبدال: الوظائف الهندسية والتشغيلية التقنية هي الأصعب في التوظيف، حسب مديري التوظيف في التقرير. وهذا منطقي: هذه الأدوار تحتاج “ساعات طيران” ميدانية، لا شهادات فقط.
- توظيف الخريجين ليس أولوية لدى الجميع: قرابة ثلث مديري التوظيف فقط ذكروا أنهم يجندون الخريجين بنشاط لبناء خط مواهب مستقبلي. هذا يخلق “فجوة بعد 5 سنوات” تبدأ آثارها اليوم.
- تباطؤ نمو الرواتب لا يحل المشكلة: رغم أن 50% من المحترفين و60% من مديري التوظيف أفادوا بزيادات أجور في 2025، إلا أن توقعات زيادة الأجور في 2026 هبطت إلى 67% (بعد 71% في العام السابق). السوق لا يعالج الندرة تلقائيًا بالمال وحده.
عبارة أحب تلخيصها بها: أزمة التوظيف ليست نقص سير ذاتية… إنها نقص جاهزية تشغيل.
عُمان: فرصة لتغيير القواعد بدل مطاردة المواهب
النقطة الأهم لعُمان هي أن انخفاض “الموبيلية” عالميًا يغيّر طريقة المنافسة على المهارات. بدل الاعتماد على الاستقدام السريع أو الانتقال بين الدول، يصبح الفوز من نصيب من يبني:
- قوى عاملة محلية أكثر إنتاجية
- تدريب أسرع وأقرب للواقع
- أدوار أقل اعتمادًا على الوجود المستمر في الموقع
وعند هذه النقطة يدخل الذكاء الاصطناعي كأداة عملية، ليس كشعار. لأن التقرير نفسه يشير إلى أن تبنّي الذكاء الاصطناعي في وظائف الطاقة التقليدية يرتفع (45% من المحترفين يستخدمونه الآن)، لكنه ما يزال أقل من صناعات أخرى. الفجوة هنا ميزة: من يتقدم أولًا يحصد أثرًا تراكميًا.
أين ينجح الذكاء الاصطناعي فعلًا في التوظيف؟ (وليس في العروض التقديمية)
الذكاء الاصطناعي لا “يستبدل” التوظيف؛ هو يجعل التوظيف قابلاً للقياس والتحسين مثل أي عملية تشغيلية. في قطاع النفط والغاز بعُمان، هذه أهم حالات الاستخدام التي رأيت أنها تُحدث فرقًا خلال 90–180 يومًا إذا نُفذت بشكل صحيح:
1) التنبؤ بالاحتياج قبل أن يتحول إلى أزمة
بدل أن تنتظر الشركة حتى تتعطل مناوبة أو يتأخر مشروع صيانة كبير، يمكن بناء نموذج يتنبأ بالاحتياج اعتمادًا على:
- جداول المشاريع (Turnaround / Shutdown)
- معدلات الاستقالة والتقاعد المتوقعة
- متطلبات الاعتماد (HSE، تراخيص تشغيل، شهادات)
- التغيرات الموسمية (رمضان، الصيف، مواسم الإجازات)
النتيجة: خطة توظيف واستقطاب وتدريب تبدأ مبكرًا، وتقل معها تكلفة الاستعجال (ومخاطر التعيينات غير المناسبة).
2) مطابقة المهارات بدل مطابقة المسميات
أكبر خطأ شائع: البحث عن “مشغل غرفة تحكم” بمواصفات جامدة، بينما السوق لديه أشخاص قادرون على أداء 80% من الدور إذا تم سد فجوات محددة.
الذكاء الاصطناعي يساعد في بناء خرائط مهارات (Skills Taxonomy) تربط بين:
- مهارات الشخص الفعلية
- مهارات الوظيفة المطلوبة
- “الفجوة” التي يمكن إغلاقها بتدريب قصير
وهنا تتغير معادلة التوظيف: من “لا يوجد مرشح مناسب” إلى “يوجد مرشح يحتاج 6 أسابيع تدريبًا على أنظمة SCADA/PI أو إجراءات Permit-to-Work”.
3) تسريع الفرز دون ظلم المرشحين
يمكن استخدام نماذج فرز مساعدة لتقليل زمن التوظيف، بشرط وجود قواعد حوكمة واضحة (سنعود لها لاحقًا). أمثلة عملية:
- تلخيص الخبرات الميدانية من السيرة الذاتية
- التحقق من توافق الشهادات مع متطلبات الدور
- اقتراح أسئلة مقابلة مبنية على فجوات المرشح
مؤشر النجاح هنا بسيط: انخفاض “Time-to-Hire” دون ارتفاع “Attrition in first 90 days”.
4) مساعد ميداني ذكي للخبرات النادرة
حين تكون الخبرة مركزة لدى فئة عمرية أكبر (وهذا ما يؤكده GETI)، يصبح نقل المعرفة هدفًا طارئًا.
في المواقع التشغيلية يمكن لمساعد ذكي—مقيد بمحتوى الشركة—أن يقدم:
- إرشادات خطوة بخطوة لإجراءات قياسية (SOP)
- استرجاع تقارير أعطال مشابهة وحلولها
- قوائم تحقق للسلامة قبل البدء
هذا لا يلغي دور الخبير، لكنه يُخفف ضغط “الاتصال بالخبير لكل شيء” ويجعل الفريق الأصغر سنًا أسرع في التعلم وأقل عرضة للأخطاء.
كيف تقلل عُمان أثر تراجع الانتقال الدولي؟ عبر “العمل الهجين” في الطاقة
الواقع أن جزءًا من العمل في النفط والغاز يمكن نقله من الميدان إلى المكتب أو إلى مراكز تشغيل عن بُعد—إذا أُدير بالبيانات. تراجع الرغبة في الانتقال يعني أن الشركات التي تعيد تصميم الوظائف ستستقطب شريحة أكبر.
مجالات مناسبة للتحويل الجزئي إلى نمط هجين:
- مراقبة الأداء والإنتاج عبر منصات البيانات (مثل PI System أو ما شابه)
- تخطيط الصيانة المعتمد على الحالة (Condition-based Maintenance)
- هندسة السلامة والتحقق من الامتثال عبر تدفقات رقمية
- تحليل بيانات الحفر والإنتاج لتحسين المعلمات التشغيلية
وهنا تأتي نقطة مهمة: الذكاء الاصطناعي ليس هدفًا مستقلًا؛ هو ما يجعل “عن بُعد” آمنًا ومضبوطًا ومبنيًا على إنذارات مبكرة.
خارطة طريق 120 يومًا: ما الذي يمكن تنفيذه بسرعة وبأثر واضح؟
إذا كان هدفك توليد نتائج سريعة في التوظيف وتخطيط القوى العاملة، فابدأ بمشروعين صغيرين بدل برنامج ضخم. هذه خطة عملية على أربع مراحل:
المرحلة 1 (أسبوعان): تحديد فجوتين فقط
اختر فجوتين واضحتين تؤلمان التشغيل، مثل:
- فنيي الأجهزة والتحكم
- مهندسي العمليات في وحدات المعالجة
- مختصي السلامة الميدانية
المرحلة 2 (4–6 أسابيع): بناء “بيانات المهارات”
- توحيد مسميات الوظائف
- استخراج المهارات من ملفات الموارد البشرية والسير الذاتية
- تحديد مهارات إلزامية (Certifications) ومهارات قابلة للتعلم
المرحلة 3 (4–6 أسابيع): نموذج تنبؤ + لوحة متابعة
- توقع الاحتياج خلال 6–12 شهرًا
- لوحة تعرض: المخاطر، البدائل، وخيارات التدريب
المرحلة 4 (شهر): ربط التوظيف بالتدريب
- تحويل الفجوات إلى مسارات تدريب قصيرة
- قياس أثر التدريب على جاهزية التعيين/الترقية
مقياس واضح أقترحه: خفض زمن شغل الوظائف الحرجة بنسبة 20% خلال 4 أشهر مع تثبيت جودة التعيين.
الحوكمة: الذكاء الاصطناعي في التوظيف يحتاج حدودًا واضحة
أي استخدام للذكاء الاصطناعي في التوظيف بدون حوكمة سيخلق مخاطر قانونية وسمعة سيئة—حتى لو كانت النية جيدة. لذلك، ضع قواعد من البداية:
- لا قرار توظيف آلي بالكامل؛ القرار النهائي بشري
- تدقيق تحيزات النموذج (Bias) على بيانات محلية وإقليمية
- فصل بيانات التقييم عن بيانات حساسة غير لازمة
- سجل تدقيق (Audit Trail) لسبب التوصية أو الاستبعاد
هذه النقاط ليست “ترفًا تنظيميًا”. هي شرط لثقة المرشحين وثقة الإدارة.
أسئلة شائعة يطرحها قادة القطاع (وإجابات مباشرة)
هل سيقلل الذكاء الاصطناعي عدد الوظائف؟
سيقلل الأعمال التكرارية ويرفع الطلب على وظائف البيانات والتشغيل الرقمي. النتيجة الأقرب: تغير في شكل الوظائف، لا اختفاء جماعي.
ما أول وظيفة تتأثر إيجابًا؟
وظائف التخطيط والصيانة والتحليل التشغيلي تستفيد أسرع لأنها تعتمد على بيانات متاحة ويمكن قياس أثر التحسين فيها.
ما الخطأ الأكبر عند البدء؟
شراء منصة قبل توحيد بيانات الوظائف والمهارات. ستدفع كثيرًا لتحصل على لوحة جميلة ومخرجات غير قابلة للاستخدام.
ما الذي تخبرنا به أرقام GETI عن 2026 في عُمان؟
رسالة GETI بسيطة: الضغط على المواهب سيستمر بسبب الشيخوخة وتراجع الانتقال، بينما تبنّي الذكاء الاصطناعي يتقدم لكنه غير متوازن. هذا يخلق نافذة مناسبة لعُمان لتسريع التحول—خصوصًا أن المنطقة (الشرق الأوسط) بقيت من الوجهات المفضلة للعمل، ما يعني استمرار تدفق مشاريع تتطلب فرقًا جاهزة.
إذا كانت شركتك في عُمان تريد نتائج ملموسة، فأنا أرى أن البداية الذكية ليست “مشروع ذكاء اصطناعي” عام، بل مشروع توظيف وتخطيط قوى عاملة مدفوع بالبيانات يخدم الوظائف التشغيلية الأصعب في الشغل.
الخطوة التالية واضحة: حدّد وظيفتين حرجتين، اجمع بيانات المهارات، وابنِ نموذجًا بسيطًا للتنبؤ والملاءمة. بعد ذلك فقط ستعرف أين يستحق الذكاء الاصطناعي التوسع. والسؤال الذي سيحدد من يتقدم في 2026: هل ستستخدمه لسد النقص… أم ستنتظر حتى يصبح النقص هو من يحدد سقف مشاريعك؟