حوكمة الذكاء الاصطناعي لأمن الطاقة والنفط والغاز بالسعودية

قبل سنوات قليلة كان “اختراق شبكة” يعني سرقة بيانات أو تعطيل بريد إلكتروني. اليوم، ومع تسارع الذكاء الاصطناعي، صار الاختراق قد يعني التلاعب بقرارات التشغيل نفسها: ضبط صمام، تغيير إعدادات مضخة، أو تضليل نظام إنذار مبكر. هذا النوع من المخاطر ظهر بوضوح في تحذيرات قادة تقنية عالميين—منهم مسؤول سابق في شركة تقنية كبرى—من أن الذكاء الاصطناعي قد يُساء استخدامه من جهات متطرفة أو دول مارقة لإحداث أذى واسع.

في قطاع الطاقة والنفط والغاز في المملكة العربية السعودية، هذا الكلام ليس “نقاشًا نظريًا”. نحن نتحدث عن بنية تحتية حرجة، وسلاسل إمداد عالمية، ومصافي وحقول ومنصات وشبكات كهرباء وأنظمة تحكم صناعي. الذكاء الاصطناعي هنا فرصة كبيرة: تحسين الإنتاج، خفض التكاليف، تقليل الانبعاثات، ورفع الاعتمادية. لكن نفس القدرات تعني شيئًا آخر: إذا لم تُدار بحوكمة صارمة، قد تتحول من مكاسب تشغيلية إلى نقاط ضعف أمنية.

هذه المقالة جزء من سلسلة “كيف تُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في المملكة العربية السعودية”، وتركّز على زاوية لا يحب كثيرون الحديث عنها: كيف نبتكر بسرعة، من دون أن نفتح الباب لمخاطر لا نستطيع احتواءها؟

لماذا يرفع الذكاء الاصطناعي مستوى المخاطر في قطاع الطاقة؟

الجواب المباشر: لأن الذكاء الاصطناعي لا يكتفي بتحليل البيانات—بل يبدأ في توجيه القرار والتنفيذ. عندما ينتقل الذكاء الاصطناعي من لوحات مؤشرات إلى توصيات تلقائية، ثم إلى أتمتة جزئية أو كاملة، يصبح أي تلاعب به تلاعبًا بالعمليات.

هناك ثلاث طبقات تجعل قطاع الطاقة حساسًا بشكل خاص:

1. الأنظمة التشغيلية OT مقابل أنظمة تقنية المعلومات IT: كثير من الهجمات التقليدية تستهدف البريد والملفات. أما في الطاقة فالمخاطر تمتد إلى أنظمة التحكم الصناعي مثل SCADA وDCS وأجهزة الاستشعار.
2. الاعتماد على البيانات الميدانية: نماذج التنبؤ بالأعطال أو إدارة الشبكات تعتمد على تدفقات بيانات حساسة. إذا تم تسميم البيانات أو التلاعب بها، فالقرار يصبح خاطئًا “بثقة عالية”.
3. الأثر المتسلسل: خطأ واحد في نقطة حرجة قد يؤثر على السلامة، الإنتاج، الالتزام التنظيمي، والسمعة—في وقت واحد.

جملة قابلة للاقتباس: في الطاقة، الخطأ المدعوم بالذكاء الاصطناعي أخطر من الخطأ البشري لأنه أسرع انتشارًا وأكثر إقناعًا.

سيناريوهات إساءة الاستخدام: من “تزييف المحتوى” إلى “تزييف التشغيل”

الجواب المباشر: المخاطر ليست فقط في روبوت دردشة يكتب رسالة مضللة، بل في نماذج تتدخل في سلوك الأنظمة.

1) هجمات التضليل والتزييف العميق على غرف القيادة

يمكن استخدام التزييف العميق لإنتاج:

• مكالمات أو رسائل منسوبة لقيادات تشغيل تطلب “تغييرات عاجلة”
• فيديوهات مزيفة لحوادث داخل منشأة بهدف خلق ذعر أو ضغط قرارات
• تقارير مزيفة عن انقطاعات أو تسريبات لدفع فرق التشغيل لخطوات خاطئة

في بيئة تشغيل حساسة، دقائق من الارتباك تكفي لتغيير قرارات مصيرية.

2) تسميم البيانات (Data Poisoning) ضد نماذج التنبؤ

إذا كانت الشركة تستخدم الذكاء الاصطناعي لـالصيانة التنبؤية، يمكن للمهاجم محاولة إدخال بيانات مضللة تدريجيًا—فيظهر النموذج أن المعدات “بخير” بينما تتدهور فعليًا، أو العكس.

النتيجة؟

• أعطال مفاجئة
• توقفات غير مخطط لها
• إنفاق صيانة في غير محله

3) هجمات على نماذج الذكاء الاصطناعي نفسها (Model Attacks)

الذكاء الاصطناعي قد يُستهدف عبر:

• سرقة النموذج أو تقليده (Model Theft)
• استخراج معلومات حساسة من بيانات التدريب (Data Leakage)
• حقن أوامر خبيثة داخل سياق الاستخدام (Prompt Injection) في تطبيقات المؤسسة

هذه المخاطر تظهر خصوصًا عندما يتم نشر “مساعد ذكي” داخلي يقرأ مستندات العمليات أو سياسات السلامة أو خطط الاستجابة للطوارئ.

4) أخطر سيناريو: ربط الذكاء الاصطناعي بالأتمتة دون حواجز

عندما تنتقل التوصيات إلى “تنفيذ تلقائي” (مثل ضبط أحمال، أو تغيير setpoints) من دون حوكمة، يصبح الهجوم أقرب إلى تخريب صناعي.

الابتكار لا يتعارض مع التنظيم—يتعارض مع التنظيم السيئ

الجواب المباشر: المطلوب ليس “زيادة اللوائح” بقدر ما هو حوكمة عملية توازن بين السرعة والسلامة.

النقاش العالمي حول تنظيم الذكاء الاصطناعي غالبًا يستقطب طرفين: طرف يخشى أن أي تنظيم سيقتل الابتكار، وطرف يريد إيقاف كل شيء حتى تصبح المخاطر صفرًا. في قطاع الطاقة، هذا الاستقطاب غير مفيد.

ما أثبت فعاليته في الشركات الكبرى هو تبنّي نموذجين في الوقت نفسه:

1) حوكمة على مستوى المؤسسة (Enterprise AI Governance)

تشمل:

• سياسة واضحة لما يُسمح به وما لا يُسمح به (بيانات، نماذج، مزودون)
• تصنيف حالات الاستخدام حسب مستوى المخاطر (منخفض/متوسط/مرتفع)
• لجنة حوكمة مشتركة: أمن سيبراني + تشغيل + قانوني + امتثال + سلامة

2) حوكمة على مستوى المنتج/النموذج (Model Governance)

تشمل:

• سجل نماذج (Model Registry) يوضح: النسخة، البيانات، المالك، المخاطر
• اختبارات قبل الإطلاق: دقة، انحياز، متانة ضد الهجمات
• مراقبة بعد الإطلاق: انحراف البيانات (Data Drift) وانحراف الأداء (Model Drift)

جملة قابلة للاقتباس: لا تُسأل “هل النموذج ذكي؟” فقط. اسأل: هل هو مُدار، ومُراقَب، وقابل للإيقاف فورًا؟

خارطة طريق عملية لشركات الطاقة في السعودية (90 يومًا)

الجواب المباشر: ابدأ بإغلاق أكبر الفجوات أولًا، ثم وسّع الاستخدام تدريجيًا.

أنا أميل دائمًا لخطة قصيرة المدى واضحة؛ لأنها تمنع مشروع الذكاء الاصطناعي من أن يصبح “مبادرة بلا نهاية”. هذه خارطة طريق قابلة للتطبيق خلال 90 يومًا في مؤسسة طاقة أو نفط وغاز:

الأسبوع 1–3: جرد وتحديد الأولويات

• جرد كل تطبيقات الذكاء الاصطناعي الحالية (حتى “التجارب الصغيرة” داخل الفرق)
• تحديد أين تتلامس النماذج مع بيانات حساسة أو أنظمة تشغيلية OT
• تصنيف حالات الاستخدام إلى:
  • تشغيلية حرجة (سلامة/تحكم)
  • تشغيلية غير حرجة (تحسين كفاءة)
  • داعمة (محتوى، خدمة موظفين)

الأسبوع 4–6: ضوابط أساسية لا تقبل التفاوض

• عزل واضح بين بيئات IT وOT، وعدم ربط الأتمتة مباشرة دون بوابات
• منع إدخال أسرار التشغيل وبيانات الحقول إلى أدوات عامة غير معتمدة
• تطبيق مبدأ أقل صلاحية Least Privilege على كل أدوات الذكاء الاصطناعي
• إضافة “زر إيقاف” (Kill Switch) لأي تكامل قد يؤثر على التشغيل

الأسبوع 7–10: أمن الذكاء الاصطناعي بالتفصيل (وليس بالشعارات)

• اختبارات ضد التسميم والهجمات السياقية (Prompt Injection) للمساعدين الداخليين
• مراقبة السجلات: من استخدم النموذج؟ على أي بيانات؟ وما الذي خرج؟
• تشفير البيانات أثناء النقل والتخزين، وإدارة مفاتيح قوية

الأسبوع 11–13: تشغيل مسؤول + تدريب فرق العمل

• تدريب فرق التشغيل والأمن على سيناريوهات التزييف العميق والهندسة الاجتماعية
• تمارين محاكاة حادث (Tabletop Exercise) تشمل: انقطاع، تسريب، تضليل بيانات
• وضع سياسة تواصل داخلية: كيف نتحقق من “أوامر عاجلة”؟ ومن المخول؟

أسئلة شائعة يطرحها قادة الطاقة عند تبنّي الذكاء الاصطناعي

هل يعني ذلك أننا يجب أن نؤخر مشاريع الذكاء الاصطناعي؟

لا. التأخير بلا خطة يعني أن المنافسين سيحصدون مكاسب الكفاءة، لكن الانطلاق بلا حوكمة يعني أن مكاسبك قد تتحول إلى خسائر. الأفضل: إطلاق تدريجي مع ضوابط متدرجة حسب المخاطر.

أين نضع الذكاء الاصطناعي أولًا لتحقيق عائد سريع وبمخاطر أقل؟

ابدأ بحالات استخدام “غير متصلة مباشرة بالتحكم”، مثل:

• تحسين جداول الصيانة بناءً على بيانات تاريخية
• تحسين استهلاك الطاقة داخل المنشآت (Energy Optimization)
• أتمتة تقارير الامتثال والـHSE مع مراجعة بشرية

ما المؤشر الذي يطمئنني أننا نطبق ذكاءً اصطناعيًا بشكل مسؤول؟

إذا كان لديك ثلاثة أشياء، فأنت على الطريق الصحيح:

1. تصنيف واضح للمخاطر لكل حالة استخدام
2. مراقبة مستمرة للأداء والسجلات
3. قدرة إيقاف فوري دون تعطيل الأعمال

الذكاء الاصطناعي في الطاقة بالسعودية: مكاسب كبيرة… بشرط الانضباط

الذكاء الاصطناعي قادر على رفع اعتمادية الأصول، تحسين قرارات الإنتاج، وخفض الهدر. وفي سياق السعودية—حيث الطاقة قطاع استراتيجي—القيمة لا تُقاس فقط بالريال، بل أيضًا بـمرونة البنية التحتية وثقة الشركاء واستمرارية الإمداد.

تحذيرات إساءة استخدام الذكاء الاصطناعي ليست دعوة للخوف، بل دعوة للنضج. الشركات التي ستقود المرحلة القادمة هي التي تعامل الذكاء الاصطناعي كـ“نظام تشغيل للأعمال”، وتبني له حوكمة وأمنًا بنفس صرامة أنظمة السلامة الصناعية.

إذا كنت تقود مبادرة ذكاء اصطناعي في شركة طاقة أو نفط وغاز، فالسؤال الذي يستحق أن تضعه على الطاولة هذا الأسبوع: ما الذي سيحدث لو تصرف نموذجنا بثقة… وبشكل خاطئ؟