أزمة التوظيف في النفط والغاز تتفاقم مع شيخوخة القوى العاملة وانخفاض التنقل. تعرّف كيف يستخدم الذكاء الاصطناعي في عُمان للتوظيف والتدريب والاحتفاظ بالخبرات.
الذكاء الاصطناعي يحل أزمة التوظيف في نفط عُمان
48% من العاملين في الطاقة التقليدية عالميًا أعمارهم 45+، بينما تراجعت شريحة 25–34 إلى 19%. هذه ليست مجرد أرقام من تقرير، بل إنذار عملي لأي شركة نفط وغاز تريد تسليم مشاريعها في وقتها وبمستوى سلامة ثابت. تقرير مؤشر المواهب العالمي للطاقة 2026 (GETI) الصادر في 04/02/2026 يرسم صورة واضحة: الخبرة تتقدم في العمر، الداخلون الجدد أقل، والتنقل الدولي يهبط.
في عُمان، حيث يبقى قطاع النفط والغاز ركيزة اقتصادية وتشغيلية، المشكلة تصبح أكثر حساسية: المشاريع تحتاج تخصصات نادرة (هندسة، تشغيل، صيانة، سلامة)، والاعتماد على استقدام كفاءات من الخارج لم يعد مضمونًا كما كان. هنا يظهر الذكاء الاصطناعي ليس كترف رقمي، بل كطريقة عملية لتقليل فجوة المهارات، وتسريع التوظيف، وتحسين الاحتفاظ بالخبرات، وبناء جيل جديد يتعلم أسرع.
ما سأقدمه في هذا المقال ضمن سلسلة «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان» هو خطة تفكير قابلة للتنفيذ: كيف نقرأ أرقام GETI من زاوية عُمانية، وكيف نحولها إلى قرارات في التوظيف والتدريب والتشغيل.
لماذا تتفاقم فجوة المواهب؟ قراءة سريعة لأرقام GETI
الجواب المباشر: لأن الخبرة تتقاعد أسرع مما يتم تعويضها، ولأن جاذبية المهن التقليدية للشباب تراجعت، ولأن الانتقال للعمل خارج البلد أصبح أقل قبولًا.
التقرير يذكر ثلاث إشارات مهمة:
- التركيبة العمرية: 48% من القوى العاملة في الطاقة التقليدية عالميًا بعمر 45+، مقابل 19% فقط بعمر 25–34. هذا يعني أن المعرفة المتراكمة (التي لا توجد في الكتب) في طريقها للمغادرة.
- ضعف تغذية خط الخريجين: نحو ثلث مديري التوظيف فقط يذكرون أنهم يوظفون الخريجين بشكل نشط لبناء خط مواهب مستقبلي. النتيجة؟ فجوة ستكبر تلقائيًا بعد 2–5 سنوات.
- هبوط التنقل العالمي: 75% فقط مستعدون للانتقال في 2026 مقارنة بـ80% في 2025 و89% في 2022. أي أن “حل الاستقدام السريع” يفقد فعاليته تدريجيًا.
هذه المؤشرات ليست بعيدة عن واقع الخليج. والأهم: التقرير يشير أيضًا إلى أن اعتماد الذكاء الاصطناعي يتحسن لكنه غير متوازن—حوالي 45% من المهنيين يستخدمون الذكاء الاصطناعي في عملهم، لكنه ما زال أقل من قطاعات أخرى.
جملة تصلح كعنوان داخلي: أزمة التوظيف في النفط والغاز ليست نقص وظائف… بل نقص معرفة قابلة للتسليم.
ما الذي يعنيه انخفاض التنقل العالمي لعُمان؟ الحل ليس السفر… بل بناء السوق المحلي بذكاء
الجواب المباشر: عندما يقل الاستعداد للانتقال، تصبح المنافسة على الكفاءات داخل المنطقة أشد، ويصبح الحل الأكثر استقرارًا هو رفع كفاءة التوظيف المحلي وتقصير زمن الإحلال.
في السابق كان بإمكان الشركات تعويض فجوة عاجلة عبر تعيين خبير من سوق بعيد خلال أسابيع. اليوم، مع انخفاض الرغبة في الانتقال وتغير توقعات الموظفين، هذا السيناريو يصبح أبطأ وأغلى.
كيف يساعد الذكاء الاصطناعي هنا عمليًا؟
بدل أن يكون الذكاء الاصطناعي “مشروع تقنية”، الأفضل التعامل معه كمنظومة تقليل مخاطر تشغيلية مرتبطة بالناس. أمثلة تطبيقية مناسبة لسياق عُمان:
- تحليلات سوق العمل المحلي: نماذج تتنبأ بتوفر تخصصات معينة في مسقط/صحار/الدقم خلال 6–12 شهرًا بناءً على بيانات التوظيف، دورات التخرج، ونشاط المنافسين (بشكل قانوني ومن مصادر متاحة).
- تحديد الأدوار القابلة للأتمتة جزئيًا: ليس الهدف تقليل عدد الوظائف، بل تقليل اعتماد بعض العمليات على ندرة الأشخاص. مثل أتمتة جزء من تقارير الصيانة أو مراقبة الحالات.
- التوظيف عن بعد للأدوار المناسبة: ليس كل دور يحتاج انتقالًا كاملًا. يمكن فصل بعض المهام الهندسية/التحليلية عن الوجود الميداني عبر مراكز دعم وتشغيل رقمية.
الفكرة الأساسية: عندما تقل الحركة، يجب أن تزيد دقة المطابقة بين الوظيفة والمرشح من أول مرة. وهنا يتفوق الذكاء الاصطناعي.
الذكاء الاصطناعي في التوظيف: من “فرز السير” إلى تقليل زمن شغل الوظيفة
الجواب المباشر: الذكاء الاصطناعي يجعل التوظيف أسرع وأقل تحيزًا وأكثر ارتباطًا بالأداء المتوقع—إذا صُمم جيدًا.
أكثر ما أراه خطأً في مشاريع “HR Tech” هو شراء أدوات تفرز سيرًا ذاتية ثم إعلان النجاح. الفرز وحده لا يحل أزمة نقص الكفاءات الفنية.
1) نمذجة المهارات بدل المسميات الوظيفية
في النفط والغاز، المسميات قد تخدع: شخصان “مشغل محطة” قد يختلفان جذريًا في قدرتهما على التعامل مع أنظمة التحكم أو ظروف الطوارئ.
الحل هو بناء قاموس مهارات (Skills Taxonomy) خاص بالشركة/الموقع، ثم تدريب نموذج على:
- ربط الخبرات السابقة بالمهارات الفعلية
- استنتاج المهارات القابلة للنقل بين الأدوار
- اقتراح مسارات إحلال داخلية (Internal Mobility)
2) مطابقة ذكية مع السياق العُماني
المطابقة الجيدة لا تسأل فقط “هل المرشح مناسب؟” بل “هل مناسب لهذا الموقع، ونظام الورديات، وبيئة السلامة، ومدة المشروع؟”.
الذكاء الاصطناعي يمكنه إدخال عناصر مثل:
- خبرة مواقع صحراوية/بحرية
- سجل السلامة والتدريب الإلزامي
- التفضيلات الأسرية/الاستقرار (عامل مهم مع هبوط التنقل)
3) تقليل زمن شغل الوظائف الحرجة
تقرير GETI يذكر أن الأدوار الهندسية والتشغيلية التقنية هي الأصعب في الشغل. في هذه الحالات، أي تأخير يعني ضغطًا على الفرق الموجودة (ومن ثم زيادة الاستنزاف).
استخدام الذكاء الاصطناعي هنا يركز على نقطتين:
- تحديد قائمة قصيرة عالية الدقة بسرعة
- التنبؤ باحتمال قبول العرض بناءً على عوامل واقعية (سلم رواتب، بدلات، قرب الموقع، نمط العمل)
معيار قياس واضح: خفض “زمن شغل الوظيفة” للأدوار الحرجة بنسبة 20–30% خلال 6 أشهر غالبًا ينعكس مباشرة على استقرار التشغيل.
الاحتفاظ بالخبرات: الذكاء الاصطناعي كحارس للمعرفة قبل أن تغادر
الجواب المباشر: أكبر خسارة ليست استقالة موظف… بل ضياع “كيف نفعلها هنا”.
مع ارتفاع نسبة 45+، عُمان (مثل بقية الأسواق) تحتاج مقاربة واقعية: الخبراء لن يبقوا للأبد. المطلوب هو التقاط المعرفة وتحويلها إلى إجراءات قابلة للتعليم.
“استخراج المعرفة” Knowledge Capture بشكل عملي
بدل برامج توثيق ثقيلة لا يستخدمها أحد، يمكن تطبيق نهج خفيف يعتمد على الذكاء الاصطناعي:
- تسجيل جلسات حل الأعطال (بإذن وسياسات واضحة)
- تحويل الحديث إلى خطوات مكتوبة (Speech-to-Text)
- تلخيص الأسباب الجذرية وقرارات السلامة
- بناء قاعدة معرفة قابلة للبحث داخل الشركة
مساعدين رقميين للفرق الميدانية
مساعد ذكي داخلي (مقيد ببيانات الشركة) يستطيع أن يجيب مثلًا:
- ما إجراءات العزل والسلامة لهذا المعدّ؟
- ما الأعطال المشابهة خلال آخر 18 شهرًا؟
- ما قطع الغيار التي تكررت في الإصلاحات؟
هذا يقلل اعتماد الفريق على “شخص واحد يعرف كل شيء”، ويجعل تدريب الموظفين الجدد أسرع.
التدريب وإعادة التأهيل: من دورات عامة إلى تعلم موجه بالبيانات
الجواب المباشر: مع نقص الخريجين ونقص التنقل، التدريب يصبح خط الإنتاج الحقيقي للمواهب.
تقرير GETI يذكر أن الشركات بدأت تعدل استراتيجياتها عبر الاستثمار في التدريب وتعديل متطلبات الأدوار واستخدام أدوات رقمية. في عُمان، هذه النقطة يمكن دفعها خطوة للأمام.
كيف يبني الذكاء الاصطناعي برنامج تدريب “على مقاس الفجوة”؟
بدل إرسال الجميع لدورات عامة، يتم:
- قياس مهارات الفريق الحالية (اختبارات قصيرة + ملاحظات أداء)
- مقارنة ذلك بمتطلبات الأدوار الحرجة في المشاريع القادمة
- اقتراح مسارات تعلم قصيرة (Microlearning) مرتبطة بمواقف عمل حقيقية
أمثلة لمسارات مناسبة للنفط والغاز:
- أساسيات أنظمة التحكم
SCADA/DCS - تحليل بيانات الاهتزازات للمضخات والضواغط
- إجراءات السلامة والاستجابة للحوادث
- مبادئ الصيانة التنبؤية وتفسير التنبيهات
محاكاة وسيناريوهات سلامة مدعومة بالذكاء الاصطناعي
التدريب على السلامة ليس حفظًا، بل قرار تحت ضغط. نماذج توليد السيناريوهات يمكنها إنشاء حالات واقعية (تسرب، إنذار كاذب، تعارض تصاريح عمل) ثم تقييم قرارات المتدرب.
خارطة طريق 90 يومًا لشركات النفط والغاز في عُمان
الجواب المباشر: ابدأ بمشروعين صغيرين مرتبطين بنتائج تشغيلية، ثم وسّع.
إذا كنت مسؤولًا عن التحول الرقمي أو الموارد البشرية أو التشغيل، هذه خطة مختصرة قابلة للتنفيذ خلال 90 يومًا:
- حدد 5 وظائف حرجة (Hard-to-fill) وتأثيرها على تسليم المشاريع.
- اجمع بيانات التوظيف: زمن شغل الوظيفة، مصادر المرشحين، أسباب الرفض، معدل الدوران.
- ابنِ نموذج مطابقة مهارات بسيط (Pilot) يخرج “قائمة قصيرة” أفضل من الطريقة التقليدية.
- أطلق برنامج التقاط معرفة لخبراء محددين (10–15 جلسة موثقة) وحوله لقاعدة معرفة قابلة للبحث.
- صمم تدريبًا موجهًا لفجوة واحدة واضحة (مثل: صيانة معدات دوّارة أو أنظمة تحكم) مع قياس قبل/بعد.
قاعدة قرار عملية: أي مبادرة ذكاء اصطناعي لا تخفض وقتًا، أو ترفع سلامة، أو تقلل أعطالًا، ستتحول إلى عرض شرائح.
أسئلة شائعة يطرحها قادة القطاع (وبصراحة، إجاباتها)
هل الذكاء الاصطناعي سيستبدل وظائف النفط والغاز؟
الجواب: في عُمان تحديدًا، الاستخدام الأكثر واقعية في 2026 هو دعم الموظف وتخفيف العبء عن الأدوار النادرة، وليس استبدالها. القيمة الكبرى هي تقليل الاعتماد على “عدد قليل يعرف كل شيء”.
ما أكبر خطر عند تطبيق الذكاء الاصطناعي في التوظيف؟
الجواب: التحيز وضعف جودة البيانات. إذا كانت بيانات التوظيف التاريخية غير عادلة أو غير مكتملة، النموذج سيكرر الأخطاء. العلاج يكون بالحوكمة، ومراجعات بشرية، ومعايير شفافة.
من أين تبدأ شركة متوسطة الحجم؟
الجواب: ابدأ بما لديك بيانات عنه: التوظيف وزمن شغل الوظائف غالبًا أسهل من بناء نماذج تشغيلية معقدة منذ اليوم الأول.
الخطوة التالية لعُمان: الذكاء الاصطناعي كسياسة موارد بشرية… لا كأداة
أزمة التوظيف التي يعرضها GETI ليست موجة عابرة. تراجع شريحة الشباب وارتفاع متوسط الأعمار وانخفاض التنقل العالمي تعني أن المنافسة على المهارات ستشتد، وأن أي تأخير في بناء حلول محلية سيظهر على شكل تأخر مشاريع أو ضغط سلامة أو استنزاف للفرق.
الذكاء الاصطناعي في قطاع النفط والغاز في عُمان يصبح أكثر قيمة عندما يُعامل كجزء من نظام متكامل: توظيف أدق، احتفاظ أذكى، تدريب أسرع، ومعرفة لا تضيع. هذا هو التحول الحقيقي الذي أتوقعه في 2026 وما بعدها.
إذا كانت شركتك تخطط لمشاريع توسعة أو تشغيل أصول جديدة خلال 12–24 شهرًا، فالسؤال العملي ليس “هل نستخدم الذكاء الاصطناعي؟” بل: أي فجوة مهارات ستؤثر على التسليم أولًا، وكيف نجعل الذكاء الاصطناعي يقللها خلال ربع سنة؟