نمو عمان للطيران 2025: دروس تحول رقمي تُفيد الطاقة

سجلت «عمان للطيران» في 2025 رقمًا يصعب تجاهله: 5.8 مليون مسافر بزيادة 8% عن 2024، و57% مقارنةً بـ2022. هذه ليست مجرد أرقام طيران؛ إنها إشارة واضحة إلى أن التحول التشغيلي المنضبط—حين يُدار بالبيانات ويُترجم إلى قرارات يومية—يُنتج نموًا قابلًا للاستمرار.

وهذا بالضبط ما نراه اليوم في سلسلة موضوعاتنا «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان». إذا كانت شركة طيران وطنية استطاعت رفع الكفاءة، تحسين إدارة الشبكة، وزيادة الإيرادات «الأفضل جودة»، فالسؤال العملي لقطاع الطاقة: كيف نكرر الفكرة نفسها داخل الحقول والمصافي ومحطات التوليد؟

ما الذي تخبرنا به أرقام عمان للطيران فعلًا؟

الإجابة المباشرة: الأرقام تُظهر أن النجاح جاء من تحسين الكفاءة وإدارة الموارد بذكاء أكثر من كونه توسعًا عشوائيًا.

بحسب ما أُعلن في 28/01/2026 (11:11 م)، نقلت عمان للطيران 5.8 مليون مسافر في 2025، وبلغت نسبة كبيرة منهم 64% رحلات مباشرة إلى عُمان (Point-to-Point)—وهذه الشريحة وحدها حققت 34% نموًا سنويًا. في الوقت نفسه، ارتفعت نسبة استغلال السعة إلى 82% في 2025 مقارنةً بـ76% في 2024.

هذه التفاصيل مهمة لأنها تقيس شيئين يهمان أي قطاع تشغيلي—وخاصة الطاقة:

• الطلب الحقيقي (مَن يأتي مباشرةً؟ وما هي القيمة؟)
• كفاءة استخدام الأصول (هل نُشغّل الطائرات/المضخات/التوربينات بأعلى عائد لكل ساعة تشغيل؟)

جملة تصلح كقاعدة عمل: النمو الذي لا يُحسّن كفاءة الأصل التشغيلي يتحول سريعًا إلى تكلفة.

التحول التشغيلي في الطيران… مرآة لما يحتاجه قطاع الطاقة

الإجابة المباشرة: نجاح الطيران هنا يوضح أن التحول لا يبدأ بشراء تقنية؛ يبدأ بتصميم قرارات تشغيلية مدفوعة بالبيانات.

الرئيس التنفيذي للشركة، كون كورفياتيس، ربط النتائج بـ«تحسين تجاري، نشر أذكى للموارد، وتركيز أكبر على تجربة العميل». هذه ثلاثية تنطبق حرفيًا على الطاقة والنفط والغاز في عُمان:

1) التحسين التجاري = تحسين العائد من كل برميل/ميغاواط

في الطاقة، لا يكفي رفع الإنتاج. ما يهم هو:

• خفض تكلفة البرميل المكافئ
• تقليل الفاقد والطاقة المهدورة
• رفع موثوقية التوريد مع تقلبات الطلب

وهنا يظهر دور الذكاء الاصطناعي في الطاقة: نماذج تتنبأ بالطلب، تسعير ديناميكي للطاقة، وتخصيص موارد التشغيل بناءً على العائد وليس العادة.

2) نشر أذكى للموارد = تخطيط صيانة وتشغيل يعتمد على التنبؤ

الطائرة في الطيران تُشبه الضاغط أو المضخة أو التوربين في الطاقة: أصل مكلف، يتدهور مع الزمن، وأي توقف غير مخطط يُكلف كثيرًا.

• في الطيران: إدارة الشبكة والسعة والانضباط التشغيلي رفعت الاستغلال إلى 82%.
• في الطاقة: نفس المنطق يعني رفع التوافر (Availability) وخفض التوقفات غير المخططة (Unplanned Downtime) عبر صيانة تنبؤية.

3) تجربة العميل = تجربة المستفيد/الشريك/المنظّم

في النفط والغاز والكهرباء، «العميل» ليس فقط مستهلكًا نهائيًا؛ قد يكون شركة صناعية كبيرة، جهة تنظيمية، أو شريكًا في سلسلة الإمداد. الذكاء الاصطناعي هنا يُستخدم لرفع الشفافية، تحسين زمن الاستجابة للحوادث، وتقديم تقارير ESG أدق.

من «نمو المسافرين» إلى «نمو الإنتاج»: أين يدخل الذكاء الاصطناعي في النفط والغاز؟

الإجابة المباشرة: الذكاء الاصطناعي يُضيف قيمة في الطاقة عندما يُطبّق على القرار التشغيلي اليومي: الصيانة، السلامة، تحسين الإنتاج، وإدارة الإمداد.

فيما يلي 4 تطبيقات عملية—لو طُبقت بالانضباط نفسه الذي نراه في تجربة عمان للطيران—ستعطي نتائج ملموسة:

1) الصيانة التنبؤية للأصول الحرجة

بدل صيانة «حسب الجدول»، تُبنى نماذج تتعلم من:

• اهتزازات المعدات
• درجات الحرارة والضغط
• سجل الأعطال وقطع الغيار

والنتيجة: تقليل الأعطال المفاجئة ورفع توافر الأصول. ما يهمني هنا ليس التعقيد التقني، بل وضوح المؤشر: إذا كان الطيران يحسن استغلال السعة، فقطاع الطاقة يحسن استغلال الأصل عبر تقليل التوقف.

2) تحسين الإنتاج (Production Optimization)

في الحقول، تتغير ظروف المكمن باستمرار. باستخدام نماذج تعلم آلي، يمكن:

• تحسين معدلات الحقن (ماء/غاز) وفق سيناريوهات متعددة
• اختيار إعدادات التشغيل للمضخات والصمامات بما يقلل استهلاك الطاقة
• اكتشاف الانحرافات مبكرًا (مثل تزايد الماء المنتج)

3) السلامة والامتثال عبر الرؤية الحاسوبية

كاميرات المواقع ليست للتسجيل فقط. يمكن تدريب نماذج على:

• رصد معدات الوقاية الشخصية (PPE)
• كشف الدخول إلى مناطق خطرة
• التنبيه عند سلوكيات غير آمنة

هذه فائدة مباشرة لقيادات HSE: تقليل الحوادث لا يأتي من التدريب وحده؛ يأتي من رقابة ذكية متسقة.

4) تحسين سلسلة الإمداد وقطع الغيار

تجارب الطيران في إدارة الشبكة والشراكات (مثل الانضمام إلى تحالف oneworld الذي وسع الوصول إلى 900 وجهة) تشبه في الطاقة إدارة منظومة الموردين واللوجستيات.

بالذكاء الاصطناعي يمكن:

• توقع استهلاك قطع الغيار للأصول الحرجة
• تقليل المخزون الراكد دون تعريض التشغيل للخطر
• تحسين جدولة الشحنات والرحلات البرية/البحرية للمواقع البعيدة

دروس محددة من شبكة عمان للطيران… وكيف تُترجم في الطاقة

الإجابة المباشرة: توسيع الشبكة في الطيران يساوي في الطاقة تحسين الترابط بين الأصول والبيانات والقرارات.

عمان للطيران أطلقت وجهات مباشرة مثل: أمستردام، الطائف، سنغافورة، بغداد، كوبنهاغن. وفي الداخل، رفعت السعة إلى صلالة بنسبة 17% وزادت المسافرين على مسار مسقط–صلالة بنسبة 19%.

كيف نستفيد من ذلك في النفط والغاز والطاقة؟ عبر نفس الفلسفة:

1) قرارات «الوجهات» = قرارات تخصيص الاستثمار

كما تختار شركة الطيران وجهاتها بناءً على الطلب والعائد، تختار شركات الطاقة:

• أي الآبار تُعطى أولوية التحسين؟
• أين نركز جهود خفض الانبعاثات؟
• أي أصول تُحدّث رقميًا أولًا لتحقيق عائد سريع؟

2) الرحلات المباشرة = تقليل «الوسائط» في البيانات

ارتفاع نسبة المسافرين القادمين مباشرة (64%) يشبه في الطاقة تقليل الطبقات التي تؤخر القرار:

• توحيد البيانات (SCADA/Historians/CMMS)
• لوحات تشغيل لحظية (Real-time dashboards)
• تنبيهات مرتبطة بإجراءات (Alerts with playbooks)

كلما كانت البيانات «مباشرة» إلى صانع القرار، صار التحسين أسرع.

3) صلالة مثال واضح على «موسمية الطلب»

زيادة السعة إلى صلالة مرتبطة بمنطق السوق والموسمية (والسياحة). الطاقة أيضًا تعيش موسمية: ذروة الصيف للتبريد، وتغيرات الطلب الصناعي. الذكاء الاصطناعي هنا يساعد على:

• توقع الذروة بدقة
• جدولة الصيانة خارج أوقات الذروة
• تحسين تشغيل الشبكة لتقليل كلفة الوقود/الطاقة المهدرة

أسئلة شائعة داخل الشركات: ما أول خطوة واقعية لتبني الذكاء الاصطناعي؟

الإجابة المباشرة: ابدأ بـ«حالة استخدام واحدة» مرتبطة بمؤشر مالي/تشغيلي، ثم وسّع.

هذه الأسئلة تتكرر عند فرق العمليات في الطاقة والنفط والغاز:

هل نحتاج بيانات مثالية؟

لا. تحتاج بيانات كافية، وتعريفًا واضحًا للمشكلة. غالبًا 60–90 يومًا من بيانات حساسات جيدة تكفي لبناء نموذج أولي للصيانة التنبؤية.

من يقود المشروع: تقنية المعلومات أم العمليات؟

العمليات يجب أن تقود، وتقنية المعلومات تُمكّن. إذا بقي المشروع «تقنيًا» فقط، سينتهي بلوحة جميلة دون تغيير حقيقي.

كيف نقيس النجاح؟

اختر 2–3 مؤشرات فقط في البداية، مثل:

• ساعات التوقف غير المخطط شهريًا
• تكلفة الصيانة لكل أصل
• استهلاك الطاقة لكل وحدة إنتاج

ما الذي يجب فعله الآن؟ (خطوات عملية خلال 90 يومًا)

الإجابة المباشرة: خريطة بيانات + حالة استخدام + فريق صغير + قياس صارم.

إذا كنت تعمل في الطاقة أو النفط والغاز في عُمان وتريد بداية سريعة ومنظمة:

1. حدّد أصلًا حرجًا واحدًا (ضاغط، مضخة حقن، توربين) وعرّف تكلفة توقفه بالريال.
2. اجمع بيانات التشغيل والصيانة من مصدرين فقط كبداية (حساسات + CMMS).
3. ابنِ نموذجًا أوليًا للتنبؤ بالأعطال/الانحرافات، مع عتبات تنبيه واضحة.
4. حوّل التنبيه إلى إجراء: من يستلم؟ ماذا يفعل؟ خلال كم دقيقة؟
5. راجع النتائج أسبوعيًا لمدة 8 أسابيع، وعدّل العتبات بدل تغيير المشروع كله.

هكذا يتحول الذكاء الاصطناعي من «عرض تقديمي» إلى مكسب تشغيلي.

ماذا تقول لنا قصة عمان للطيران عن 2026 في عُمان؟

الإجابة المباشرة: عُمان تدخل مرحلة يكون فيها معيار النجاح هو الكفاءة القابلة للقياس، لا الضجيج حول التقنية.

قصة نمو المسافرين إلى 5.8 مليون ليست منفصلة عن قصة الذكاء الاصطناعي في الطاقة. الاثنان يعتمدان على نفس المبدأ: إدارة أكثر انضباطًا بالبيانات، وقرارات تشغيلية أسرع، وتركيز على جودة العائد.

إذا كنت تقرأ هذا ضمن سلسلة «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان»، فالسؤال الذي أتركه لك: ما “مسار مسقط–صلالة” الخاص بأصولك؟ أي جزء من عملياتك يمكن أن يعطي زيادة واضحة في الكفاءة خلال عام واحد إذا طبقت عليه تحليلات وذكاءً اصطناعيًا بشكل عملي؟