اتفاقيات صحار: كيف يرفع الذكاء الاصطناعي عائد الاستثمار؟

في 04/02/2026، وُقّعت في منتدى صحار للاستثمار 2026 خمس اتفاقيات ومذكرات تفاهم بقيمة تتجاوز 12 مليون ريال عماني. الرقم وحده مهم، لكن الأهم هو ما سيحدث بعد التوقيع: هل تتحول هذه الأرقام إلى مصانع تعمل بكفاءة، وسلاسل توريد منضبطة، وهوامش ربح قابلة للاستمرار؟

هنا يدخل الذكاء الاصطناعي من الباب الكبير—ليس كترف تقني، بل كأداة إدارة وتشغيل. خبرتي مع مشاريع التحول الرقمي تقول شيئاً واضحاً: الاستثمار الصناعي الذي لا يبني طبقة بيانات وذكاء اصطناعي منذ اليوم الأول يدفع “ضريبة تأخير” لاحقاً؛ تتجسد في توقفات مفاجئة، ومخزون زائد، واستهلاك طاقة أعلى من اللازم.

منتدى صحار جمع صناعات متباينة: الحديد والصلب، اللدائن، الأغذية، معالجة المعادن، وإعادة التدوير. المشترك بينها؟ كلها كثيفة الطاقة وتعتمد على تشغيل مستمر وجودة صارمة. وهذا يجعلها قريبة جداً من موضوع سلسلتنا: كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان—لأن ما نجح في المصافي والحقول (الصيانة التنبؤية، تحسين الاستهلاك، إدارة المخاطر) يمكن نقله إلى المصانع الجديدة في صحار، وبنتائج ملموسة.

ما الذي تعنيه اتفاقيات صحار عملياً للاقتصاد والتشغيل؟

هذه الاتفاقيات ليست “أخبار أعمال” فقط؛ هي إشارة إلى اتجاهين عمليين في عُمان: تعميق التصنيع ورفع القيمة المضافة داخل المدن الصناعية والمناطق الاقتصادية. في اليوم الأول من المنتدى، تم الإعلان عن خمس صفقات رئيسية:

• الحديد والصلب (RO 4 مليون): مذكرة تفاهم بين فرع غرفة تجارة وصناعة عمان بشمال الباطنة وجندال للصلب – عمان لتطوير صناعات تحويلية قائمة على منتجات ومخلفات الصلب.
• مشروع لدائن صناعي (RO 1.115 مليون): ضمن برنامج لدائن بين مجموعة OQ وAurum Polymer Solutions في مدينة الأوهي الصناعية بصحار، مع توريد خامات حتى 8,000 طن سنوياً عند الطاقة القصوى.
• مصنع أغذية (RO 4 مليون): بين مدينة صحار الصناعية وشركة البركة للأغذية والاستثمار.
• مصنع معالجة معادن (RO 3 مليون): بين مدينة صحار الصناعية وشركة الرحمة للصناعات المعدنية.
• مصنع تدوير مخلفات (RO 0.5 مليون): بين مدينة صحار الصناعية وClear Earth Recycling.

الفرصة الحقيقية ليست فقط في إضافة طاقات إنتاجية، بل في بناء نموذج تشغيل حديث: مصانع “مرئية رقمياً” تستطيع قياس ما يحدث لحظة بلحظة، وتعرف أين يتسرب الهدر، وتصحح المسار بسرعة.

لماذا يهم الذكاء الاصطناعي هنا تحديداً؟

لأن معظم التكاليف في هذه القطاعات يمكن تلخيصها في ثلاث كلمات: طاقة + توقفات + جودة.

• الطاقة: تحسين استهلاك الكهرباء والوقود والحرارة ينعكس مباشرة على التكلفة.
• التوقفات: ساعة توقف في مصنع معادن أو صلب قد تعني خسائر إنتاج وتأخير تسليم.
• الجودة: أي انحراف في مواصفات المنتج يسبب إعادة تشغيل أو إتلاف أو شكاوى.

الذكاء الاصطناعي يعمل كطبقة فوق أنظمة التشغيل (SCADA/MES/ERP) ليحوّل البيانات إلى قرارات: متى نصون؟ كم ننتج اليوم؟ ما أفضل خلطة مواد؟ كيف نقلل الفاقد؟

من “صفقة” إلى “منظومة بيانات”: ما الذي كان يجب أن يُذكر في المنتدى؟

النقطة التي غالباً تُترك خارج خطابات الاستثمار: البيانات ليست نتيجة جانبية للتشغيل—هي أصل إنتاجي. إذا بدأت المشاريع الجديدة في صحار بجمع بيانات جيدة من اليوم الأول، سيكون من السهل تطبيق الذكاء الاصطناعي خلال أشهر بدل سنوات.

هناك ثلاث طبقات يجب التفكير فيها منذ مرحلة التصميم (FEED) وطرح المناقصات:

1. أجهزة الاستشعار والاتصال (IIoT): قياس الاهتزاز، الحرارة، الضغط، الاستهلاك، جودة المنتج، وتتبع المواد.
2. حوكمة البيانات: من يملك البيانات؟ كيف تُنظّف وتُؤرشف؟ ما معيار التسمية؟ ما سياسة الصلاحيات؟
3. حالات استخدام واضحة للذكاء الاصطناعي: لا تبدأ بـ“نريد منصة AI”، ابدأ بـ“نريد خفض توقفات الضواغط 20% خلال 12 شهراً”.

عبارة مفيدة لإدارة أي مشروع صناعي جديد: إذا لم تستطع قياسه، فلن تستطيع تحسينه—وإذا لم تنظّم بياناته، فلن تستطيع أتمتته.

كيف يخدم الذكاء الاصطناعي كل اتفاقية من اتفاقيات صحار؟ (حالات استخدام مباشرة)

الذكاء الاصطناعي ليس قالباً واحداً. كل قطاع لديه نقاط ألم مختلفة، لكن المنهج واحد: تحديد القرار الذي نريد تحسينه، ثم تدريب نماذج على بيانات التشغيل.

1) الحديد والصلب: صيانة تنبؤية وتحسين الطاقة والانبعاثات

في الصلب والمعادن الثقيلة، أكبر “عدو صامت” هو التوقف غير المخطط في المعدات الدوّارة (محركات، مراوح، مضخات، ضواغط) وخطوط الدرفلة.

حالات استخدام عالية العائد:

• الصيانة التنبؤية عبر نماذج تتعلم أنماط الاهتزاز والحرارة قبل حدوث العطل.
• تحسين الطاقة (Energy Optimization) لتقليل استهلاك الكهرباء والغاز في الأفران والعمليات الحرارية.
• رؤية حاسوبية للجودة لفحص العيوب السطحية تلقائياً على خطوط الإنتاج.

النتيجة التي يبحث عنها المستثمر عادةً: تشغيل مستقر، واستهلاك طاقة أقل، وجودة متسقة تقلل المرتجعات.

2) برنامج لدائن مع OQ: ذكاء اصطناعي لسلسلة الإمداد و”ضبط الخلطات”

وجود التزام توريد خامات يصل إلى 8,000 طن سنوياً عند الطاقة القصوى يعني أن أي خلل في التخطيط أو المخزون يتحول إلى تكلفة مباشرة.

هنا يعمل الذكاء الاصطناعي على محورين:

• تنبؤ الطلب وفق موسمية السوق، والعملاء، وبيانات المبيعات، لتقليل مخزون راكد.
• تحسين الوصفات (Formulation Optimization) لتقليل الفاقد ورفع جودة المنتج النهائي، خصوصاً عندما تتغير خصائص الدُفعات الخام.

وبصراحة: مصانع اللدائن التي تُدخل الذكاء الاصطناعي مبكراً تتفوق لأن قرارات الإنتاج فيها “حسابية” أكثر من كونها حدسية.

3) مصنع الأغذية: سلامة غذائية وجودة متسقة بتكلفة أقل

في الأغذية، الربح يمكن أن يتآكل بسبب الهدر وتفاوت الجودة ومخاطر السلامة. الذكاء الاصطناعي لا يلغي دور خبراء الجودة، لكنه يعطيهم عيناً إضافية تعمل 24/7.

تطبيقات عملية:

• رؤية حاسوبية لاكتشاف عيوب التعبئة، أو تلوث بصري، أو أخطاء الملصقات.
• تحسين التخطيط لتقليل انتهاء الصلاحية وتحسين دوران المخزون.
• تنبؤ الأعطال في خطوط التبريد والتعبئة لأن أي توقف يرفع مخاطر التلف.

4) معالجة المعادن: أتمتة القرار داخل الورشة (من الجودة إلى الإنتاجية)

معالجة المعادن تعتمد على تقطيع وتشكيل وتجميع—وهذه بيئة مثالية لدمج التحليلات المتقدمة مع أنظمة التنفيذ (MES).

حالات استخدام سريعة التنفيذ:

• جدولة ذكية للورديات والآلات لتقليل أوقات الإعداد (Setup Time).
• تحليل أسباب العيوب عبر ربط بيانات المشغل والماكينة ودفعات المواد.
• توأم رقمي (Digital Twin) لخط إنتاج محدد لاختبار تغييرات العملية قبل تطبيقها.

5) إعادة التدوير: ذكاء اصطناعي لفرز أفضل وعائد أعلى من المخلفات

اقتصاد التدوير يقوم على حقيقة بسيطة: كلما كان الفرز أدق، زادت قيمة المخرجات.

أوضح تطبيق هنا:

• رؤية حاسوبية على السيور الناقلة لتمييز أنواع المواد (بلاستيك/معادن/ورق) وتحسين الفرز.
• تحسين المسارات اللوجستية لجمع المخلفات من مصادر متعددة بأقل تكلفة.
• تنبؤ الإنتاج بحسب تدفقات النفايات الموسمية (مثل مواسم الاستهلاك والإجازات).

وهذا يتقاطع مباشرة مع قطاع الطاقة أيضاً، لأن تحسين التدوير يقلل الحمل على مدافن النفايات ويخفض الانبعاثات المرتبطة بالإنتاج الأولي للمواد.

الشراكة بين القطاعين العام والخاص: أين يخلق الذكاء الاصطناعي قيمة أسرع؟

كلمات مثل “تسهيل إجراءات المستثمر” و“تسريع التحول الرقمي” التي وردت في المنتدى ليست شعارات عندما تُترجم إلى مشاريع محددة.

أسرع نقاط قيمة عادةً تكون في خدمات مشتركة بين المدينة الصناعية والمستثمرين:

• بوابة رقمية موحدة للتصاريح والتقارير تقلل وقت المعاملات وتزيد شفافية الالتزام.
• مركز بيانات صناعي (Industrial Data Hub) يضع معايير موحدة لتبادل البيانات (بشكل آمن) بين المصانع ومزوّدي الخدمات.
• منصة طاقة ومرافق (Utilities Analytics) لتحليل استهلاك الكهرباء والمياه والغاز على مستوى المنطقة الصناعية، ثم تحسين الأحمال والتكاليف.

هذه بالضبط منطقة التماس مع موضوع سلسلة النفط والغاز: كثير من مكاسب الذكاء الاصطناعي في الطاقة جاءت من البيانات التشغيلية الموثوقة والقرارات السريعة وحوكمة صارمة للأمن السيبراني.

“كم سنربح؟” مؤشرات قياس واضحة للذكاء الاصطناعي في مصانع صحار

الحديث عن الذكاء الاصطناعي يفقد معناه إذا لم يرتبط بمؤشرات أداء قابلة للقياس. لهذه المشاريع الجديدة، أقترح حزمة KPIs بسيطة ومباشرة تصلح للإدارة ومجلس الإدارة:

1. خفض التوقفات غير المخططة (% شهرياً) وربطها بتكاليف الإنتاج.
2. استهلاك الطاقة لكل طن (kWh/طن أو GJ/طن) ومقارنته بخط أساس.
3. نسبة العيوب/المرتجعات وسبب العيب (آلة/مادة/مشغل/إعداد).
4. دقة التنبؤ بالطلب (% خطأ) وتأثيرها على المخزون.
5. زمن دورة الطلب إلى التسليم (Order-to-Delivery) خصوصاً للمنتجات الصناعية.

إذا لم يكن هناك خط أساس خلال أول 90 يوماً من التشغيل، سيصعب لاحقاً إثبات العائد من أي مشروع ذكاء اصطناعي.

سؤال شائع من المستثمرين: هل نحتاج فريق بيانات كبير؟

لا. البداية الصحيحة تكون بفريق صغير لكنه واضح الأدوار:

• قائد منتج/تحول رقمي يفهم التشغيل.
• مهندس بيانات (Data Engineer) لتنظيف وربط البيانات.
• عالم بيانات/مهندس تعلم آلي لحالات الاستخدام الأساسية.
• شريك تشغيلي من المصنع (Production/QA/Maintenance) يملك القرار.

ثم التوسع تدريجياً حسب النتائج.

خطوات عملية خلال 6 أشهر: كيف تبدأ مشاريع صحار بالذكاء الاصطناعي دون تعقيد؟

إذا كنت ضمن فريق أحد المشاريع المعلنة (أو مزود خدمات لها)، هذه خطة تنفيذ “واقعية” أراها تنجح كثيراً:

1. اختر 2–3 حالات استخدام فقط (صيانة تنبؤية + طاقة + جودة مثلاً).
2. حدّد البيانات المطلوبة ومصدرها وتواترها (ثوانٍ/دقائق/دفعات).
3. جهّز تكامل سريع بين SCADA/MES وطبقة تخزين بيانات.
4. ابدأ بنموذج بسيط قابل للتفسير قبل النماذج المعقدة.
5. اربط النموذج بإجراء تشغيلي: تنبيه + تذكرة صيانة + قرار جدولة.
6. راجع النتائج شهرياً، وعدّل النموذج وفق الواقع لا وفق التوقعات.

القاعدة: الذكاء الاصطناعي الذي لا يصل إلى أرض المصنع يبقى عرضاً تقديمياً.

ما الذي يعنيه هذا لسلسلة “الذكاء الاصطناعي في الطاقة والنفط والغاز بعُمان”؟

صحار ليست بعيدة عن قصة الطاقة في عُمان—هي امتداد لها. عندما تتوسع الصناعات التحويلية والتدوير واللدائن والمعادن، تتوسع معها الحاجة إلى:

• كفاءة أعلى في استهلاك الطاقة.
• إدارة أفضل للسلامة والمخاطر التشغيلية.
• بيانات أكثر دقة للتخطيط والتوريد.

وهذه هي نفس المحاور التي تدفع شركات النفط والغاز لتبني الذكاء الاصطناعي: رفع الاعتمادية، تقليل الهدر، وتحسين القرارات. الفرق فقط في السياق.

الجملة التي أحب أن أضعها أمام أي إدارة: إذا كانت المعدات تستهلك طاقة وتتعطل وتنتج تفاوتاً في الجودة—فالذكاء الاصطناعي له وظيفة واضحة عندك.

الخطوة التالية: اجعل “الذكاء الاصطناعي” بنداً في عقد التنفيذ لا في خطة مستقبلية

اتفاقيات صحار التي تتجاوز RO 12 مليون تفتح باباً ممتازاً لصناعة أكثر تنوعاً في عُمان. لكن تحويلها إلى قصص نجاح تشغيلية يعتمد على قرار مبكر: بناء القدرات الرقمية والذكاء الاصطناعي ضمن التصميم والتشغيل، وليس كإضافة بعد سنة أو سنتين.

إذا كنت مستثمراً أو مدير مشروع أو مسؤول تشغيل، اسأل فريقك هذا الأسبوع: ما أول قرار تشغيلي سنحسّنه بالبيانات؟ وأين سنخزن البيانات؟ ومن يملكها؟

السؤال الذي يحدد الفارق بين مصنع “يعمل” ومصنع “يتحسن كل شهر”: هل سنعامل البيانات كمنتج ثانوي… أم كأصل استثماري؟