صفقة واحة في ليبيا تذكّرنا أن التوسعات الكبرى تحتاج ذكاءً اصطناعيًا للصيانة والإنتاج والسلامة. تعرّف كيف يطبّق قطاع الطاقة في عُمان ذلك بخطة 90 يومًا.
كيف يضاعف الذكاء الاصطناعي إنتاج النفط بأمان في عمان؟
في 25/01/2026، خرج خبر من طرابلس يلفت انتباه أي شخص يعمل في الطاقة: ليبيا وقّعت اتفاقًا لتوسعة مشروع واحة للنفط (Waha Oil) مع توتال إنرجيز وكونوكو فيليبس، بخطة لرفع الطاقة الإنتاجية من نحو 350 ألف برميل يوميًا إلى 850 ألف برميل يوميًا، واستثمارات مرجّحة تصل إلى 20 مليار دولار على مدى 25 عامًا. هذا النوع من القفزات ليس مجرد “زيادة مضخات” أو “حفر آبار أكثر”. الزيادة بهذا الحجم تعني آلاف القرارات التشغيلية اليومية، وتضخمًا في المخاطر، وتعقيدًا في سلاسل الإمداد، وتحديات سلامة لا تتسامح مع الأخطاء.
وهنا يأتي السؤال العملي الذي يهمنا في سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان”: إذا كانت مشاريع التوسعة الكبرى في المنطقة والعالم تتحرك بهذه الوتيرة، فما الذي يجعل الفارق بين توسعة مربحة ومستقرة… وتوسعة مكلفة ومليئة بالتوقفات؟
موقفي واضح: الذكاء الاصطناعي لم يعد خيارًا تجميليًا في النفط والغاز؛ هو طبقة إدارة مخاطر وإنتاجية في آن واحد. وما يحدث في ليبيا اليوم يقدم “مرآة مفيدة” لعُمان: كيف نستفيد من الدروس العالمية، ونطبّقها محليًا لبناء عمليات أكثر كفاءة وأمانًا، مع قرارات أسرع واستثمار أذكى.
لماذا توسعات النفط الكبرى تحتاج ذكاءً اصطناعيًا من اليوم الأول؟
الجواب المباشر: لأن التوسعة تضاعف عدد المتغيرات أسرع من قدرة البشر على المتابعة اليدوية. عندما تقفز الطاقة الإنتاجية من 350 ألف إلى 850 ألف برميل يوميًا، تتسع تلقائيًا مساحة الأعطال المحتملة: مضخات أكثر، خطوط أكثر، صمامات أكثر، صيانة أكثر، ومقاولين أكثر. كل نقطة إضافية تعني احتمالًا إضافيًا لتوقف مكلف أو حادث.
الخبر الليبي يذكر أيضًا تطوير أربعة حقول جديدة وبرنامج استكشاف يغطي 19 منطقة امتياز. الاستكشاف والتطوير يعنيان بيانات ضخمة ومتنوعة: زلزالية، سجلات آبار، قياسات سطحية، عينات، وقراءات آنية. الذكاء الاصطناعي يربح هنا لأنه يحوّل البيانات إلى قرارات قابلة للتنفيذ: أين نحفر؟ كيف نُصمم الإكمال؟ أي الآبار تبدأ أولًا؟ وكيف نتجنب حقولًا “تبدو جيدة” لكنها ستنهار اقتصاديًا بعد أشهر؟
في عُمان، حيث تعمل الشركات على رفع الاعتمادية وتقليل التكاليف التشغيلية وتحسين إدارة الأصول، الفكرة ليست تقليد ليبيا—بل فهم المعادلة: التوسعة + عدم اليقين = حاجة أكبر للتنبؤ والتحكم. وهذا بالضبط ما يجيده الذكاء الاصطناعي عندما يُبنى بشكل صحيح.
ثلاثة أسباب تجعل الذكاء الاصطناعي ضرورة في التوسعات
- القرار أسرع من دورة التقارير: التقارير الأسبوعية لا تلاحق عمليات تنتج مئات الآلاف من البراميل يوميًا.
- الأعطال الصغيرة تتحول لأرقام كبيرة: توقف ساعة واحدة في منشأة كبيرة قد يعني خسارة إنتاجية هائلة.
- السلامة ليست مجالًا للحدس: تحتاج مؤشرات إنذار مبكر (Early Warnings) قبل أن يتطور الخطر.
من ليبيا إلى عُمان: الشراكات الدولية تربح عندما تتشارك البيانات (بذكاء)
الجواب المباشر: الشراكات الدولية في النفط والغاز تصبح أكثر ربحية عندما يُدار “الاختلاف” بين الشركاء عبر طبقة رقمية مشتركة—وأفضل طبقة اليوم هي منصات بيانات مدعومة بالذكاء الاصطناعي.
في اتفاق ليبيا، لدينا طرف محلي وشركاء دوليون. هذا النموذج مألوف في المنطقة. التحدي الحقيقي في الشراكات ليس توقيع العقد؛ بل تشغيل الأصول يوميًا مع اختلاف الأنظمة، ومعايير السلامة، ومدارس التشغيل، وحتى تعريفات “ما هو KPI مهم”.
من تجربتي في مراجعة مشاريع التحول الرقمي في الطاقة، ما يفشل غالبًا هو أن كل طرف يحتفظ ببياناته في جزر منفصلة. النتيجة: اجتماعات أكثر، وحسم أقل. الحل الأكثر واقعية هو بناء نموذج بيانات موحد (Data Model) مع حوكمة واضحة (من يملك ماذا؟ من يوافق على ماذا؟) ثم استخدام الذكاء الاصطناعي لتقديم إجابات مشتركة بدل نزاعات تفسير.
في عُمان، هذا الدرس مهم جدًا: إذا أردنا تحويل الذكاء الاصطناعي إلى قيمة ملموسة، فلا يكفي شراء أداة. نحتاج اتفاقًا عمليًا داخل المؤسسة—ومع الشركاء—حول:
- معايير جودة البيانات (Data Quality)
- توحيد أسماء المعدات/الأصول (Asset Naming)
- مشاركة بيانات السلامة والحوادث القريبة من الوقوع (Near Miss)
- مؤشرات موحدة للإنتاجية والاعتمادية
عبارة تصلح كقاعدة: الشراكة التي تتشارك البيانات بوضوح، تتشارك الأرباح بوضوح.
أين يُستخدم الذكاء الاصطناعي فعليًا في رفع الإنتاج وتقليل التوقفات؟
الجواب المباشر: أعلى عائد سريع عادة يأتي من ثلاث مناطق: الصيانة التنبؤية، تحسين الإنتاج بالتحكم المتقدم، ومراقبة السلامة لحظيًا.
خبر ليبيا يتحدث عن ضخ استثمارات طويلة (25 سنة) وعائدات مُقدّرة تتجاوز 376 مليار دولار خلال عمر الاتفاق. في مثل هذه الأرقام، أي تحسن بسيط في الاعتمادية أو تقليل للتوقفات يصبح مالًا حقيقيًا، وليس “تحسينًا نظريًا”.
1) الصيانة التنبؤية: تقليل التوقفات قبل أن تبدأ
الصيانة التنبؤية تعني استخدام قراءات الاهتزاز والحرارة والضغط والتيار الكهربائي وغيرها لبناء نماذج تتنبأ باحتمال فشل المعدة.
ما الذي يتغير عند التوسعة؟ يتضاعف عدد المعدات الدوارة (Pumps/Compressors) وأنظمة الرفع الاصطناعي وقطع الغيار المطلوبة. الذكاء الاصطناعي هنا يساعد على:
- تحديد المعدات الأعلى خطرًا خلال الأسابيع القادمة
- جدولة الصيانة بناءً على المخاطر وليس الروتين
- تقليل مخزون قطع الغيار “الميت” وتوفير رأس المال العامل
في عُمان، الشركات التي تربط الصيانة التنبؤية بنظام إدارة الأصول (EAM/CMMS) تحصل على فائدة مضاعفة: قرار + تنفيذ، وليس لوحات متابعة فقط.
2) تحسين الإنتاج: نموذج يقترح “الضبط” الأنسب للآبار والمنشآت
رفع الإنتاج ليس فقط زيادة عدد الآبار؛ هو ضبط مستمر: خنق (Choke) الآبار، ضغط الفصل، حقن المياه/الغاز، وبرامج الرفع الاصطناعي. الذكاء الاصطناعي يبرع في بناء نماذج تربط بين:
- إعدادات التشغيل
- استجابة الآبار والمنشآت
- جودة الخام/المياه المصاحبة
- التآكل والترسبات (Scale/Wax)
ثم يقترح الإعدادات التي تعطي أفضل إنتاج ضمن حدود السلامة.
في توسعات بحجم واحة، هذه القدرة تمنع “الزيادة العمياء” التي ترفع الإنتاج أسبوعين ثم تنتهي بمشكلة ترسبات أو تآكل أو فشل معدات.
3) ذكاء السلامة: إنذار مبكر بدل التحقيق بعد الحادث
أكثر ما يعجبني في تطبيقات الذكاء الاصطناعي للسلامة أنها تغيّر المنطق: بدل أن نتعلم بعد وقوع الحوادث، نتعلم قبلها.
أمثلة عملية قابلة للتطبيق في منشآت النفط والغاز بعُمان:
- تحليل فيديو (Vision AI) لاكتشاف عدم الالتزام بمناطق العزل أو معدات الوقاية
- نماذج تربط قراءات الغازات (H2S/VOCs) بالرياح والعمليات لإطلاق تنبيه مبكر
- تحليل نصوص البلاغات وتقارير السلامة لاستخراج أنماط متكررة (NLP)
الهدف ليس المراقبة لمجرد المراقبة؛ الهدف أن يصبح لديك “رادار” يلتقط الإشارة الضعيفة قبل أن تتحول لمشكلة كبيرة.
ماذا يمكن لقطاع الطاقة في عُمان أن يتعلم من صفقة واحة؟ خطة 90 يومًا بدل مشاريع سنوات
الجواب المباشر: أفضل طريقة للاستفادة هي البدء بمشاريع صغيرة واضحة العائد، ثم توسيعها ضمن منصة بيانات موحدة—لا العكس.
صفقة ليبيا تُظهر شيئًا واحدًا بوضوح: حين يعود الاستثمار إلى حقول كبيرة بعد سنوات اضطراب، يكون الضغط هائلًا لإظهار نتائج سريعة وبشكل آمن. هذا يشبه ما تريده أي جهة تشغيلية في عُمان: نتائج ملموسة، وليس عروضًا تقديمية.
خطة عملية لمدة 90 يومًا (قابلة للتنفيذ)
- اختيار أصل واحد “مؤلم”: ضاغط يتوقف كثيرًا، مضخة حاسمة، أو قطار معالجة يسبب اختناقات.
- جمع 6–12 شهرًا من البيانات: تشغيل، أعطال، صيانة، ظروف بيئية.
- بناء نموذج تنبؤ بسيط: الهدف تنبيه قبل الفشل بـ 7–14 يومًا، لا بناء نموذج مثالي.
- ربط التنبيه بإجراء: أمر صيانة تلقائي/مراجعة هندسية/فحص موقعي.
- قياس العائد بلغة التشغيل:
- ساعات توقف أقل
- MTBF أعلى (متوسط الزمن بين الأعطال)
- تكلفة صيانة أقل لكل برميل
إذا نجحت في أصل واحد، يصبح توسيع النموذج إلى 10 أصول أسهل بكثير لأنك ربحت ثقة الفريق التشغيلي.
“أسئلة شائعة” يطرحها التنفيذيون في عُمان
هل الذكاء الاصطناعي يعني الاستغناء عن الخبرات؟ لا. أفضل النتائج تحصل عندما يكون الذكاء الاصطناعي “مساعد قرار” للخبير، لا بديلًا عنه.
ما أكبر سبب لفشل مشاريع الذكاء الاصطناعي في النفط؟ بيانات غير موثوقة، أو عدم وجود مالك واضح للعملية (Process Owner) يضمن أن التوصيات تتحول لأفعال.
هل نبدأ بالاستكشاف أم بالإنتاج؟ إذا كان هدفك عائد سريع، ابدأ بالإنتاج والصيانة. الاستكشاف قيمته كبيرة لكنه دورة أطول.
الخطوة التالية: من “تجربة تقنية” إلى ميزة تشغيلية في عُمان
الاتفاق الليبي حول واحة يضع رقمين على الطاولة لا يمكن تجاهلهما: 850 ألف برميل يوميًا كهدف إنتاجي، و20 مليار دولار كاستثمار على 25 سنة. هذه ليست مجرد توسعة؛ إنها اختبار لقدرة التشغيل على التحكم في التعقيد.
في عُمان، مسار “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز” لا يفترض أن يكون شعارًا. المفيد فعلاً هو تحويل الذكاء الاصطناعي إلى إجراءات يومية: تنبيه صيانة يتبعه فحص، نموذج إنتاج يقترح ضبطًا يتم اعتماده، نظام سلامة يلتقط المخاطر قبل أن تقع.
إذا أردت أن تقيس جاهزية مؤسستك بسرعة، جرّب سؤالًا واحدًا: هل لدينا حالة استخدام واحدة على الأقل تُثبت—بالأرقام—أن الذكاء الاصطناعي قلّل توقفًا أو رفع إنتاجًا أو حسّن السلامة خلال آخر 90 يومًا؟ إذا كانت الإجابة “لا”، فالمشكلة ليست في التقنية… بل في طريقة البدء.