جهة حكومية وضعت استراتيجية ذكاء اصطناعي طموحة، وخصصت ميزانية، وحددت مبادراتها بدقة. كل شيء على الورق يبدو مكتملًا. لكن حين وصل تقرير المؤشر الوطني، كان التصنيف في ركيزة الممكنات مُحبطًا: بيانات مبعثرة في أقسام لا يصل إليها أحد، بنية تحتية للذكاء الاصطناعي لا تتحمل نماذج التعلم الآلي الفعلية، وفريق تقني يفتقر إلى كفاءات الذكاء الاصطناعي المتخصصة.
المشكلة ليست في النية، بل في الوقود. الاستراتيجية وحدها لا تُطير الطائرة، والممكنات هي ما يجعل الطموح قابلًا للتنفيذ. تحديات تبني الذكاء الاصطناعي في الحكومة تتمحور في جوهرها حول هذه الفجوة تحديدًا: المسافة بين ما تريد الجهة فعله وما تستطيع فعله فعلًا اليوم.
ركيزة الممكنات في مؤشر NAII تقيس هذه الجاهزية الداخلية الحقيقية، وهي الركيزة الأكثر تأثيرًا في الانتقال من المستوى الثاني إلى المستوى الثالث. في هذا المقال ستفهم بالتحديد ما يبحث عنه المُقيِّم في محاور البيانات والبنية التحتية للذكاء الاصطناعي والقدرات البشرية، وأين تكمن الفجوات التي تُكلّف أكثر مما تبدو.
محور البيانات: الأساس الذي تنهار عليه نماذج الذكاء الاصطناعي بغيابه
يصف كثيرون البيانات بأنها “نفط الذكاء الاصطناعي”، والمقارنة دقيقة، لكنها تحتاج تكملة: النفط الخام بلا تكرير لا يُشغّل محرك سيارة. بيانات ضخمة غير منظمة لا تُنتج نماذج ذكاء اصطناعي موثوقة، بل تُنتج نتائج مضللة قد تكون أسوأ من غياب الذكاء الاصطناعي أصلًا. مؤشر NAII يُدرك هذه الحقيقة، ويقيس محور البيانات في ثلاثة مجالات متمايزة.
مجال التوافر والوصول يبحث عن إجابة لسؤال واحد: هل يستطيع من يحتاج البيانات الوصول إليها في الوقت المناسب؟ المؤشر يبحث عن أدوات اكتشاف وكتالوجات بيانات تُمكّن الاستعلام عن البيانات وتصنيفها، مع آليات تحديث تلقائي تحافظ على حداثتها. البيانات المبعثرة في أقسام منفصلة دون بوابة وصول موحدة، وهو النمط السائد في كثير من الجهات، هي نقطة ضعف مباشرة في التقييم، بغض النظر عن حجمها أو جودتها المحتملة.
مجال الجودة والتكامل يتجاوز الحجم ليسأل: هل يمكن الوثوق بهذه البيانات؟ المطلوب تتبع مصادر البيانات وتوثيق حقوق استخدامها، ومراجعة قانونية للامتثال لمتطلبات الملكية الفكرية وأنظمة حماية البيانات. وهذا المجال يرتبط مباشرة بقدرة الجهة على بناء تطبيقات الذكاء الاصطناعي الحكومية الموثوقة، فالنموذج المبني على بيانات رديئة يُعطي نتائج خاطئة ويُفقد الثقة في التقنية برمتها.
مجال الاعتمادية يقيس استمرارية البيانات وحمايتها في الأوقات الحرجة. المؤشر يبحث عن تخزين سحابي موزع مع نسخ احتياطية تُمكّن من استعادة البيانات بعد الأزمات. هذا المجال يرتبط مباشرة بمتطلبات الأمن السيبراني الوطنية، والجهة التي لا تُثبت هذه الاعتمادية لا تُثبت جاهزيتها لاستضافة نماذج حرجة.
العلاقة بين جودة البيانات والمخرجات الكمية للمؤشر علاقة مباشرة: لا يمكن الوصول إلى مستويات الأثر المطلوبة، دعم 25% من الوظائف، ومكاسب إنتاجية تفوق 15%، بدون بيانات نظيفة وموثوقة وسهلة الوصول. التقييم في هذا المحور يكشف ما إذا كانت الجهة جاهزة فعلًا لبناء نماذج ذات قيمة، أم أنها لا تزال في مرحلة تجميع البيانات وتنظيفها.
البنية التحتية للذكاء الاصطناعي: ما وراء امتلاك الأجهزة
البنية التحتية المطلوبة للذكاء الاصطناعي في السياق الحكومي تختلف عن البنية التحتية التقليدية لتقنية المعلومات في معيار واحد جوهري: الذكاء الاصطناعي يتطلب حوسبة عالية الأداء وقابلية للتوسع تتناسب مع النمو المتسارع في حجم النماذج والبيانات. ثلاث مجالات يقيسها المؤشر في هذا المحور.
المعايير الفنية تشمل ضمان التوافق والأداء والاستدامة عبر توفير بنية مرنة قابلة للتوسع لاستيعاب النمو. والمطلوب بصراحة في الوثيقة الرسمية هو التكامل مع المنصات الوطنية، وهذا متطلب لا اختياري. جهة تمتلك بنية تحتية متطورة لكن معزولة عن المنصات الوطنية تواجه نقطة ضعف واضحة في التقييم.
الإتاحة والمتابعة تعني وجود بنية داخلية مرنة للحوسبة عالية الأداء تدعم تقنيات الذكاء الاصطناعي وتتسم بالقابلية للتوسع. لكن المعيار الأهم هنا ليس وجود الأجهزة، بل وجود دورة تحديث منتظمة لها، وهو ما يُثبت أن الجهة تتعامل مع البنية التحتية كمنظومة حية لا استثمارًا واحدًا.
المرونة التشغيلية تتضمن معيارًا دقيقًا وصريحًا في الوثيقة الرسمية لـ مؤشر NAII: الحفاظ على نسبة تعطل لا تتجاوز 30 دقيقة سنويًا. هذا الرقم يُلخّص مبدأ كاملًا: استمرارية الخدمة ليست ميزة بل شرط. وإثباته لا يتم بالقول بل بوثائق SLA وتقارير متابعة تُبيّن سجل الأداء الفعلي واستخدام التحليلات التنبؤية للتقليل من الأعطال قبل وقوعها.
جهة تعتمد على خوادم محلية قديمة بدون وثائق SLA واضحة ستجد نفسها عاجزة عن إثبات مرونتها التشغيلية أمام المُقيِّم، حتى لو كانت هذه الخوادم لم تتعطل منذ سنوات.
استقطاب كفاءات الذكاء الاصطناعي: الرهان الأصعب في المنظومة
من بين تحديات تبني الذكاء الاصطناعي في الحكومة، يبرز نقص الكفاءات الوطنية المتخصصة كتحدٍّ مذكور صراحةً في الوثيقة الرسمية لـ مؤشر NAII. وهذا التحدي لا يُحل باستقطاب عدد من الخبراء، بل يتطلب منظومة متكاملة لبناء الكفاءات والحفاظ عليها. المؤشر يقيس هذا المحور في أربع مجالات.
العدد والتنوع يعني بناء فرق متنوعة ذات كفاءات متعمقة تغطي مجالات علم البيانات وهندسة النماذج وحوكمة الذكاء الاصطناعي وإدارة المشاريع التقنية. والمرجع الأساسي هنا هو الإطار الوطني للمعايير المهنية للبيانات والذكاء الاصطناعي، وهو المعيار الذي يُستخدم لتقييم مدى ملاءمة الكفاءات المتوفرة.
التطوير المهني لا يعني إرسال موظفين لدورات تدريبية عامة. المؤشر يبحث عن خطة تدريب مستدامة مرتبطة بالدور الوظيفي المحدد، تشمل شهادات معتمدة في مجال الذكاء الاصطناعي وتحليل البيانات. التدريب العشوائي غير المرتبط بدور محدد لا يُحسب في التقييم، ما يُثبت الجاهزية هو التدريب الموجّه الذي يرفع قدرات فعلية قابلة للاستخدام المباشر.
التعاون الأكاديمي يُمثّل رافدًا استراتيجيًا لـ استقطاب كفاءات الذكاء الاصطناعي على المدى البعيد. الشراكات مع الجامعات والمعاهد لاستقطاب كفاءات مؤهلة، والبرامج التدريبية للطلبة، والمسابقات التقنية، كل هذه الأنشطة جزء من الدليل الذي يُقدَّم للمُقيِّم لإثبات أن الجهة تبني رافدًا بشريًا مستدامًا لا مجرد استقطاب آني.
الاستقرار الوظيفي يُعالج تحديات تبني الذكاء الاصطناعي الأكثر إغفالًا: كيف تحتفظ بالكفاءات التي بنيتها؟ في سوق يشهد منافسة متصاعدة على المواهب التقنية، تحليل أسباب التسرب الوظيفي وبناء حوافز مهنية ومالية مرتبطة بالإطار الوطني للمعايير المهنية هو ما يُفرّق بين جهة تستثمر في الكفاءات وأخرى تُدرّب الآخرين.
الفجوات الثلاث التي تُحجب التصنيف رغم الجهد
تتكرر ثلاث فجوات في ركيزة الممكنات عبر تقارير الجهات الحكومية، وكلها قابلة للمعالجة حين تُفهم بوضوح.
فجوة البيانات: الكم دون الجودة. معظم الجهات تمتلك بيانات ضخمة بالفعل، لكنها غير مصنّفة وغير موثقة المصدر وغير خاضعة لسياسات جودة. الفجوة ليست في غياب البيانات، بل في غياب كتالوجات الاستعلام وعمليات ضمان الجودة. وهذه الفجوة لا تتطلب استثمارات ضخمة بقدر ما تتطلب منهجية ووثائق.
فجوة البنية التحتية: الاستثمار دون القياس. جهات تستثمر في البنية التحتية للذكاء الاصطناعي المتطورة لكن لا تمتلك وثائق SLA واضحة أو تقارير متابعة للأداء. معيار الـ 30 دقيقة تعطل سنويًا يتطلب وثائق قياس مستمرة، ليس أداءً فعليًا فحسب. الجهة التي تؤدي جيدًا لكن لا توثّق هذا الأداء لا تُثبته للمُقيِّم.
فجوة الكفاءات: التدريب العام مقابل التأهيل المتخصص. كثير من الجهات تُقدّم شهادات تدريب في تقنية المعلومات العامة كدليل على اهتمامها بالكفاءات. لكن مؤشر NAII يبحث عن تدريب مرتبط بأدوار الذكاء الاصطناعي المحددة ومصحوب بشهادات معتمدة في المجال. الفارق كبير في درجة التقييم.
الأثر التراكمي لهذه الفجوات واضح: ممكنات ضعيفة تضع سقفًا منخفضًا للمخرجات مهما كانت الاستراتيجية طموحة. الانتقال إلى المستوى الثالث وما فوقه يمر حتمًا عبر تصحيح هذه الفجوات.
سَنَد: تقييم الممكنات وبناء القدرات بمنهجية مرتبطة بمتطلبات المؤشر
تصحيح الفجوات في ركيزة الممكنات لا يتطلب في الغالب استثمارات ضخمة بقدر ما يتطلب منهجية واضحة وتوثيقًا دقيقًا وبرنامج بناء قدرات مُصمَّم بعناية. يعمل فريق سَنَد من RMG مع الجهات الحكومية على ثلاث مسارات متوازية.
على مستوى البيانات، يُجري الفريق تقييمًا منهجيًا لنضج البيانات الحالية، ويُحدد الفجوات في الجودة والوصول والاعتمادية، ويضع خارطة طريق لبناء كتالوجات البيانات وسياسات الجودة وفق متطلبات المؤشر الوطني.
على مستوى البنية التحتية للذكاء الاصطناعي، يُراجع الفريق الوضع الحالي ويُقيّم مدى توافقه مع المعايير الفنية المطلوبة للذكاء الاصطناعي، ويُعدّ وثائق SLA وتقارير المرونة التشغيلية التي يحتاجها المُقيِّم، بما في ذلك إثبات الامتثال لمعيار الـ 30 دقيقة تعطل سنويًا.
على مستوى استقطاب كفاءات الذكاء الاصطناعي والحفاظ عليها، يُصمّم الفريق برامج بناء القدرات المرتبطة بالأدوار الوظيفية الفعلية ومتطلبات الإطار الوطني للمعايير المهنية، ويضع منهجية للشراكات الأكاديمية وسياسات الاستقرار الوظيفي.
قيّم جاهزية ممكناتك قبل أن يفعل المُقيِّم
ركيزة الممكنات هي “الجدار الزجاجي” الذي يمنع كثيرًا من الجهات من الانتقال إلى المستوى الثالث في مؤشر NAII، رغم الأداء الجيد في ركيزة التوجهات. تحديات تبني الذكاء الاصطناعي في الحكومة على هذا المستوى ليست تقنية بالضرورة، بل منهجية: الجاهزية الحقيقية لا تكمن في امتلاك الأجهزة والبيانات والكفاءات فحسب، بل في قدرة الجهة على إثبات هذه الجاهزية بوثائق ومقاييس قابلة للتحقق.
تواصل مع فريق سَنَد لبدء برنامج تقييم وبناء القدرات المُصمَّم خصيصًا لمتطلبات المؤشر الوطني للذكاء الاصطناعي، قبل أن يكشف التقييم الرسمي ما كان يمكن تصحيحه مسبقًا.
الأسئلة الشائعة حول ركيزة الممكنات في المؤشر الوطني للذكاء الاصطناعي
ما البنية التحتية المطلوبة للذكاء الاصطناعي في الجهات الحكومية وفق مؤشر NAII؟
تشمل المتطلبات الأساسية: بنية حوسبة عالية الأداء قابلة للتوسع، ومواءمة مع المنصات الوطنية، ودورة تحديث منتظمة للأجهزة، وإثبات مرونة تشغيلية وفق معيار لا يتجاوز 30 دقيقة تعطل سنويًا، موثق بتقارير SLA وتحليلات تنبؤية لمنع الأعطال.
لماذا تُعدّ جودة البيانات من أبرز تحديات تبني الذكاء الاصطناعي في الحكومة؟
لأن نماذج الذكاء الاصطناعي تعكس جودة بياناتها مباشرة، بيانات غير منظمة أو موثقة المصدر تُنتج نتائج غير موثوقة، وهو ما يُقوّض الثقة في التقنية برمتها. مؤشر NAII يقيس الجودة والتوافر والاعتمادية كمتطلبات لا اختيارية.
كيف يقيس المؤشر الوطني استقطاب كفاءات الذكاء الاصطناعي في الجهات؟
يقيس أربعة جوانب: عدد الكفاءات وتنوعها مع مواءمتها للإطار الوطني للمعايير المهنية، وخطط التطوير المهني المرتبطة بأدوار الذكاء الاصطناعي تحديدًا، والشراكات الأكاديمية لبناء رافد مستدام، وسياسات الاستقرار الوظيفي التي تُقلّص معدلات التسرب في الكفاءات المتخصصة.
ما الفرق بين التدريب المقبول والتدريب الفعّال في تقييم المؤشر؟
التدريب المقبول هو الموجّه نحو أدوار ذكاء اصطناعي محددة ومصحوب بشهادات معتمدة في المجال. أما التدريب العام في تقنية المعلومات، مهما كان حجمه، فلا يُحتسب كدليل على بناء كفاءات الذكاء الاصطناعي في تقييم المؤشر.
هل يمكن تحسين تصنيف ركيزة الممكنات دون استثمارات تقنية ضخمة؟
نعم في حالات كثيرة. الجهات التي تعاني من فجوات توثيقية، كغياب وثائق SLA، وكتالوجات البيانات، وخطط التدريب الموثقة، تستطيع رفع تصنيفها بشكل ملحوظ من خلال بناء هذه الوثائق دون الحاجة إلى استثمارات تقنية إضافية. المشكلة في كثير من الأحيان توثيقية لا تقنية.
