ارتداد وظائف المنبع في تكساس أظهر كيف يصنع التحول الرقمي فرقًا حقيقيًا. إليك دروسًا عملية لتطبيق الذكاء الاصطناعي في قطاع النفط والغاز بعُمان.
الذكاء الاصطناعي ووظائف النفط: دروس من تكساس لعُمان
في 12/2025 ارتفع التوظيف في أنشطة المنبع النفطية والغازية بولاية تكساس بنحو 2,000 وظيفة خلال شهر واحد ليصل إلى 203,400 وظيفة. اللافت أن هذا الارتفاع جاء بعد أشهر من التذبذب وتقليص عدد الحفارات وإعادة ترتيب شركات الخدمات—أي في بيئة عادةً ما تُترجم إلى تجميد توظيف لا إلى زيادته. هذا النوع من “الارتداد” لا يحدث صدفة، بل غالبًا حين تتغيّر طريقة العمل نفسها: بيانات أدق، قرارات أسرع، ومهام تُدار رقمياً بدل الاعتماد الكامل على الدورات التقليدية في السوق.
وهنا يدخل دور موضوع سلسلتنا: كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عُمان. ما حدث في تكساس ليس مجرد خبر توظيف؛ إنه إشارة واضحة إلى أن أسواق الطاقة التي تستثمر في التحول الرقمي تُصبح أقدر على امتصاص الصدمات السعرية وتقلبات النشاط، وتعيد تشكيل الوظائف بدل أن تفقدها. عُمان، مع طموحاتها في رفع الكفاءة وتعظيم القيمة المحلية وتنمية المهارات، أمام فرصة عملية لتعلّم الدرس من بعيد—وتطبيقه محليًا.
ماذا تقول أرقام تكساس عن مستقبل وظائف الطاقة؟
الإجابة المباشرة: الأرقام تقول إن الوظائف لا تختفي بسبب الكفاءة، بل تتبدّل طبيعتها—خصوصًا عندما تتسارع الأتمتة والتحليلات الذكية.
بحسب ما نقلته TIPRO اعتمادًا على بيانات مكتب إحصاءات العمل الأمريكي، ارتفع التوظيف في تكساس خلال ديسمبر 2025 بقرابة 2,000 وظيفة، موزعة كالتالي:
- استخراج النفط والغاز: +500 وظيفة ليصل إلى 70,200
- أنشطة الدعم والخدمات (Support activities): +1,500 وظيفة ليصل إلى 133,200
وفي الوقت نفسه، أنهى القطاع عام 2025 شبه مستقر: صافي التغيير الكلي كان قرابة -100 وظيفة فقط، رغم أن الإنتاج كان قياسيًا. هذه المفارقة مهمة: الإنتاج القياسي لم يترجم إلى نمو كبير في الوظائف لأن الشركات أصبحت تعمل بكفاءة أعلى (عمليات أكثر رقمية، صيانة تنبؤية، تخطيط أفضل، وتحسين مستمر).
جملة تصلح للاقتباس: عندما يرتفع الإنتاج ولا ترتفع الوظائف بنفس الوتيرة، فهذا يعني أن التكنولوجيا أصبحت جزءًا من “وصفة التشغيل” اليومية.
تقلب الوظائف ليس جديدًا—الجديد هو أدوات التعامل معه
التقلب مرتبط بعدة عوامل ذكرها التقرير: انخفاض عدد الحفارات، إعادة ضبط شركات الخدمات، واستمرار “مكاسب الكفاءة”. الفرق اليوم أن مكاسب الكفاءة لم تعد مجرد خبرة ميدانية؛ أصبحت مدفوعة ببيانات وأدوات مثل:
- التنبؤ بالأعطال قبل حدوثها
- تحسين مسار الحفر بناءً على بيانات لحظية
- جدولة الفرق والمعدات وفق الطلب الحقيقي لا التوقعات العامة
هذه الأدوات لا تلغي الوظائف، لكنها ترفع الطلب على أدوار مختلفة: محللو بيانات ميدانيون، مهندسو موثوقية، مختصو أتمتة، ومديرو منتجات رقمية داخل شركات الطاقة.
لماذا يرتبط “ارتداد التوظيف” بالذكاء الاصطناعي فعليًا؟
الإجابة المباشرة: لأن الذكاء الاصطناعي يقلل الهدر ويزيد دقة القرار، فيتحوّل التوظيف من ردّة فعل للسوق إلى قرار تشغيلي محسوب.
تقرير تكساس أشار إلى تراجع الإعلانات الوظيفية في الربع الرابع مع انخفاض الأسعار واستمرار الاندماجات، ومع ذلك بقيت تكساس الأعلى في الولايات المتحدة في نشاط التوظيف المرتبط بالطاقة. في ديسمبر وحده سُجلت 7,887 فرصة (مقارنة بـ 8,619 في نوفمبر). الانخفاض مفهوم، لكن استمرار الحجم الكبير يعني أن السوق يُعيد التوازن بدل الانكماش الكامل.
كيف يساعد الذكاء الاصطناعي هنا؟ عبر ثلاث آليات واضحة:
- تشغيل أكثر انضباطًا لرأس المال (Capital discipline): عندما تكون التوقعات أدق، يمكن للشركة أن تُخطط فرقها ومشترياتها وخدماتها بمرونة—فتتجنب التسريح ثم إعادة التوظيف بتكاليف أعلى.
- رفع إنتاجية الفريق الواحد: نفس العدد من العاملين ينجز أكثر إذا كانت القرارات مدعومة بتحليلات لحظية.
- تحويل جزء من العمل إلى “مركز عمليات رقمي”: وهذا يخلق وظائف جديدة (متابعة أداء، نمذجة، مراقبة أصول) بدل الاقتصار على الأدوار الميدانية التقليدية.
مثال قريب للواقع: فرق الخدمات لا تختفي—بل تُدار بصورة أذكى
في المنبع، كثير من التكاليف والوظائف مرتبط بالخدمات (الاسمنت، التحفيز، القياس، الاختبارات). عندما تُستخدم نماذج تعلم آلي لتوقع أفضل توقيت للصيانة أو لاختيار بارامترات تشغيل أقل استهلاكًا، فإن الطلب على “عدد الرحلات” قد يقل—لكن الطلب على مهارات التخطيط والتحكم والجودة يرتفع.
من تكساس إلى عُمان: أين تقع الفرصة عمليًا؟
الإجابة المباشرة: فرصة عُمان ليست في تقليد تكساس، بل في بناء نموذج محلي يربط الذكاء الاصطناعي بثلاثة أهداف: الإنتاجية، السلامة، وتطوير الكفاءات الوطنية.
عُمان تمتلك قطاعًا طاقيًا استراتيجيًا، وتنافسيتها تعتمد على خفض تكلفة البرميل، موثوقية الأصول، ورفع القيمة المحلية المضافة. الذكاء الاصطناعي يخدم هذه المعادلة بشرط أن يُطبق بطريقة “تشغيلية” لا كشعار.
1) الذكاء الاصطناعي لرفع الإنتاجية دون زيادة المخاطر
أفضل تطبيقات الذكاء الاصطناعي في المنبع عادةً لا تبدأ بمشاريع ضخمة؛ تبدأ من نقاط ألم محددة:
- صيانة تنبؤية لمضخات الرفع الاصطناعي والضواغط
- اكتشاف تسربات في خطوط التجميع عبر نماذج ترصد الشذوذ
- تحسين معدلات الحقن في المكامن عبر نمذجة سلوك الخزان ومواءمة التشغيل
النتيجة المتوقعة: ساعات توقف أقل، قرارات أسرع، وتخطيط أعمال أكثر دقة—وهذا ينعكس على الوظائف عبر استقرار التشغيل.
2) السلامة: المكسب الأسرع والأكثر إقناعًا
إذا كنت مسؤولًا عن موقع أو أصل تشغيلي، فأقصر طريق لقبول الرقمنة هو السلامة. أنظمة الرؤية الحاسوبية (Computer Vision) يمكن أن تراقب الالتزام بمعدات الوقاية، أو تحدد اقتراب أفراد من مناطق خطرة، أو ترصد دخانًا/وهجًا غير طبيعي.
هذه ليست رفاهية. في بيئات العمل الشاقة، تقليل الحوادث بنسبة صغيرة قد يساوي وفورات كبيرة في التكاليف ويعني استمرارية أعلى—ومن ثم وظائف أكثر استقرارًا.
3) الوظائف الجديدة: “من عامل ميداني فقط” إلى “عامل + بيانات”
هناك اعتقاد منتشر: “الذكاء الاصطناعي سيقلل الوظائف”. الواقع في الطاقة أكثر تعقيدًا. ما يقل هو الوظائف التي تعتمد على التكرار دون إضافة قيمة، وما يزيد هو الأدوار التي تربط التشغيل بالبيانات.
أدوار مرشحة للنمو في عُمان خلال 2026–2028 إذا تسارع الاعتماد:
- محلل موثوقية الأصول (Asset Reliability Analyst)
- مشغل مركز عمليات رقمي (Digital Operations Center Operator)
- مهندس بيانات صناعية (Industrial Data Engineer)
- مختص توأم رقمي (Digital Twin Specialist)
- مدقق جودة بيانات الحساسات (Sensor Data Quality)
عبارة عملية: القطاع لا يحتاج “مبرمجين فقط”، بل يحتاج أشخاصًا يفهمون الميدان ويترجمونه إلى بيانات قابلة للقرار.
خطة تطبيق واقعية في عُمان خلال 90 يومًا (بدون مشاريع عملاقة)
الإجابة المباشرة: ابدأ بحالة استخدام واحدة، اربطها بمؤشر مالي وسلامة، ثم عمّم النموذج.
هذا ما وجدته عمليًا ينجح أكثر من خطط التحول الضخمة التي تُستهلك في الاجتماعات:
- اختر أصلًا واحدًا عالي الأثر (مضخة/ضاغط/خط تجميع/وحدة معالجة)
- حدد مؤشرًا واحدًا للنجاح: ساعات توقف، تكلفة صيانة، معدل تسرّب، زمن استجابة
- اجمع البيانات المتاحة سريعًا: SCADA، سجلات صيانة، قراءات حساسات، تقارير تشغيل
- ابنِ نموذجًا بسيطًا للشذوذ أو التنبؤ بدل نموذج “مثالي” يحتاج سنة
- ضع حلقة تشغيل واضحة: من يتلقى التنبيه؟ من يقرر؟ ما الإجراء؟
- درب الفريق الميداني على القراءة لا البرمجة: كيف يثق بالإنذار وكيف يراجعه
بعد 90 يومًا، ستملك شيئًا أهم من “نموذج ذكاء اصطناعي”: ستملك طريقة عمل جديدة قابلة للتوسع.
أسئلة تتكرر عند صناع القرار (وإجابات مختصرة)
هل الذكاء الاصطناعي يزيد الوظائف أم يقللها؟
يزيد الاستقرار ويخلق وظائف جديدة إذا ارتبط بتوسّع الإنتاجية والموثوقية. يقلل بعض الأدوار التكرارية، لكنه يرفع الطلب على المهارات الهجينة.
ما الخطأ الأكثر شيوعًا في مشاريع الذكاء الاصطناعي بقطاع الطاقة؟
التركيز على التقنية قبل التشغيل: بناء نموذج ممتاز دون مسار قرار واضح داخل الموقع.
ما أسرع مجال يحقق عائدًا؟
الصيانة التنبؤية ومراقبة الشذوذ في المعدات الدوارة وخطوط التدفق، لأنها تقلل التوقفات وتكاليف الإصلاح.
ماذا نتعلم من تكساس إذا كان هدفنا في عُمان هو “نمو الوظائف مع نمو الكفاءة”؟
الخبر القادم من تكساس في 30/01/2026 يختصر لحظة مهمة: حتى مع أسعار أقل وتقلبات سوقية، يمكن للقطاع أن يحافظ على زخم توظيفي إذا كان التشغيل أدق وأكثر رقمية. في تكساس، الإنتاج القياسي (متوسط أمريكي قرابة 13.6 مليون برميل/يوم في 2025، مع مساهمة تكساس بنحو 42%–43%) لم يخلق نموًا كبيرًا في الوظائف طوال العام، لكنه منع انهيارها—ثم سمح بارتداد سريع في نهاية العام.
وهذا بالضبط ما تحتاجه عُمان: ليس “وظائف أكثر فقط”، بل وظائف أكثر استقرارًا ومهارات أعلى. الذكاء الاصطناعي لا يعطيك ذلك تلقائيًا، لكنه يعطيك الأدوات التي تجعل القرار التشغيلي أسرع، والمعدة أكثر موثوقية، والفريق أكثر إنتاجية.
إذا كان 2026 هو عام الانضباط الرأسمالي عالميًا في الطاقة، فهناك مساحة كبيرة لعُمان لتكسب بالذكاء الاصطناعي: تقليل الهدر، تحسين السلامة، وتوسيع وظائف القيمة المضافة. السؤال الذي يستحق أن نتركه مفتوحًا: أي جزء من سلسلة قيمة النفط والغاز في عُمان يجب أن يكون أول “مختبر” لذكاء اصطناعي يقاس بالأرقام لا بالشعارات؟