دليل التحوّل بالذكاء الاصطناعي لشركات الخليج في 2026

تحتلّ الإمارات العربية المتحدة المرتبة الأولى عالميًا في استخدام الذكاء الاصطناعي. ففي الربع الأول من 2026، قدّر معهد الاقتصاد الذكي التابع لمايكروسوفت نسبة انتشار الذكاء الاصطناعي في الإمارات بـ 70.1% من السكان في سنّ العمل، مقابل متوسط عالمي يبلغ 17.8%. والسعودية تتحرّك بالقوة نفسها: في تقرير KPMG للتقنية في السعودية 2026، توقّعت 76% من المؤسسات المشمولة أن يكون الذكاء الاصطناعي منشورًا على نطاق واسع ويحقّق عائدًا على الاستثمار خلال اثني عشر شهرًا، وهي أعلى نسبة ثقة سُجّلت في الدراسة كلها.

الآن ضع هذا الرقم بجانب رقم مختلف. راجع مشروع NANDA في معهد ماساتشوستس للتقنية برامج الذكاء الاصطناعي التوليدي في المؤسسات، فوجد أن نحو 95% من التجارب التجريبية لم تُحدث أي أثر قابل للقياس على الأرباح والخسائر.

الرقمان صحيحان معًا، والمساحة بينهما هي المكان الذي تجلس فيه اليوم أغلب ميزانيات الذكاء الاصطناعي في المنطقة.

ما الذي يعنيه التحوّل بالذكاء الاصطناعي فعليًا

التحوّل بالذكاء الاصطناعي هو تغيير طريقة عمل الشركة بحيث يتولّى الذكاء الاصطناعي جزءًا من التشغيل. ليس شراء أدوات، وليس عدد الموظفين الذين جرّبوا أداة.

الاختبار العملي بسيط: هل هناك عملية تشغيلية محدّدة صارت تعمل بشكل مختلف، أو تُنتج مخرجًا مختلفًا، أو صارت تكلفتها أقل؟ وهل تستطيع الشركة إظهار الرقم الذي يثبت ذلك؟ إن لم تستطع تسمية العملية ولا تسمية المؤشر، فهي اشترت ذكاءً اصطناعيًا ولم تُحوّل شيئًا.

يبدو هذا التمييز شكليًا حتى تنظر إلى ما تقيسه فعلًا أشهر إحصائيتين في المنطقة.

الخليج يتبنّى أسرع مما يقيس

تعرّف مايكروسوفت انتشار الذكاء الاصطناعي بأنه نسبة الأشخاص بين 15 و64 عامًا الذين استخدموا منتج ذكاء اصطناعي توليدي خلال الفترة، مستخرجة من بيانات استخدام مجمّعة ومجهّلة الهوية، ومعدّلة وفق حصص الأجهزة وانتشار الإنترنت وعدد السكان. هو مقياس دقيق لشيء محدّد جدًا: الأفراد الذين يستخدمون الذكاء الاصطناعي.

ومسار الإمارات على هذا المقياس شديد الانحدار: 59.4% في وقت سابق من 2025، ثم 64.0% مع نهاية العام، ثم تجاوز 70.1% في الربع الأول من 2026.

أما بحث معهد ماساتشوستس فيقيس الشيء الآخر. وجدت دراسة The GenAI Divide: State of AI in Business 2025 أن أكثر من 80% من المؤسسات جرّبت أدوات مثل ChatGPT أو Copilot، وأن قرابة 40% أفادت بنشرها فعليًا، لكن هذه الأدوات حسّنت إنتاجية الأفراد أكثر مما حرّكت الأرباح والخسائر. أما أنظمة المؤسسات المتخصّصة فكان المسار أضيق: نحو 60% قيّمتها، و20% وصلت إلى مرحلة التجربة، و5% فقط وصلت إلى الإنتاج الفعلي.

القراءة المشتركة للمجموعتين تصف موقفًا واحدًا. المنطقة الأولى عالميًا في المؤشر الذي يقيس الاستخدام الفردي، ولا يوجد دليل على أنها الأولى في المؤشر الذي يقيس النتائج التجارية. الاستخدام الفردي المرتفع أصل حقيقي، لكنه ليس الأصل نفسه الذي يعنيه نموذج تشغيلي تغيّر.

والبحث الإقليمي يقول الشيء ذاته بوضوح أكبر. تقرير Korn Ferry عن تبنّي الذكاء الاصطناعي في رأس المال البشري بدول الخليج 2026، وهو مسح شمل 105 من رؤساء الموارد البشرية وكبار القادة في السعودية والإمارات وقطر وعُمان والبحرين والكويت، يصف مؤسسات ذات طموح عالٍ في الذكاء الاصطناعي لكنها عالقة بين التجريب والتبنّي على مستوى المؤسسة.

وهناك جانب مقابل يستحق الذكر بإنصاف. وجدت KPMG أن 46% من المؤسسات السعودية تشغّل الذكاء الاصطناعي فعليًا في بيئة الإنتاج مقابل 21% عالميًا، ووجد تقريرها عن الإمارات أن 97% من المؤسسات تدمج وكلاء الذكاء الاصطناعي في العمليات والمنتجات والخدمات، وهي أعلى نسبة دمج في المسح. بعض المؤسسات الخليجية تجاوزت مرحلة التجريب فعلًا. لكن أرقام KPMG مستمدّة من 70 مشاركًا سعوديًا ضمن عيّنة عالمية من 2,500 قائد تقني، أي أنها تصف مؤسسات كبيرة وجيّدة التمويل. وهي ليست صورة الشركة المتوسّطة التي يعمل بها 200 موظف ولديها نظام CRM لا يثق أحد ببياناته.

لماذا لا تُنتج معظم برامج الذكاء الاصطناعي شيئًا

قبل استخدام إحصاءات الفشل، يجدر توضيح ما تقوله بدقّة، لأن أغلب ما يُنشر يكدّس أرقامًا غير قابلة للمقارنة أصلًا.

ماذا تقيس أرقام الفشل فعليًا

تدور أربعة أرقام مختلفة، وكل رقم يعدّ شيئًا مختلفًا.

ليس أيّ من هذه الأرقام تصحيحًا للآخر، ولا يعني أيّ منها أن الذكاء الاصطناعي لا يعمل. ورقم معهد ماساتشوستس تحديدًا اختبار صارم: يسأل إن كانت التجربة قد حرّكت قائمة الأرباح والخسائر. أداة توفّر على فريق ست ساعات أسبوعيًا ولم يجرِ قياسها ستُحتسب فشلًا بهذا المعيار.

كما واجهت دراسة معهد ماساتشوستس نقدًا منهجيًا، من بينه رأي محلّلين يرون أنها تقدّم صورة غير ممثِّلة لواقع الذكاء الاصطناعي في المؤسسات. من المفيد معرفة هذا النقد. لكنه لا يغيّر النمط الأساسي، وهو نمط يظهر في دراسات مستقلّة بمنهجيات مختلفة: فجوة واسعة بين نشاط الذكاء الاصطناعي ونتيجته.

الفشل تنظيمي وليس تقنيًا

النتيجة المتكرّرة في هذه الأبحاث أن النماذج ليست المشكلة. يحدّد معهد ماساتشوستس العائق الأساسي أمام التوسّع في التعلّم والتكامل، لا في البنية التحتية أو التنظيم أو الكفاءات: أنظمة لا تحتفظ بالتغذية الراجعة، ولا تتكيّف مع السياق، وتقف خارج العمليات التي تدير الأعمال فعلًا.

وتحت ذلك تتكرّر ثلاثة إخفاقات:

لا توجد عملية تشغيلية. التجربة مرتبطة بعرض توضيحي لا بعملية يؤدّيها شخص أسبوعيًا بمُدخل ومُخرج محدّدين. لا يوجد شيء ليغيّره الذكاء الاصطناعي.

لا يوجد مؤشر. لم يحدّد أحد، قبل بدء التجربة، أيّ رقم يجب أن يتحرّك وبأي مقدار. وبدون ذلك لا سبيل لإعلان النجاح حتى لو عملت التقنية تمامًا كما صُمّمت، ولا توجد قوة دافعة تنقل العمل من التجريب إلى الإنتاج.

لا يوجد مالك. لا أحد تعتمد مسؤوليته على أن تصبح العملية أسرع أو أرخص بعد ذلك. وحين يتطلّب التبنّي جهدًا، يعود الناس إلى طريقتهم القديمة، وتبقى التراخيص دون استخدام.

ولا يُحلّ أيّ من هذه الثلاثة بنموذج أفضل أو ميزانية أكبر.

ما الذي تغيّر بعد الذكاء الاصطناعي التوليدي

يستحق التحوّل البنيوي توضيحًا محدّدًا، لأن الإجابة تحدّد أين تبحث عن القيمة.

قبل الذكاء الاصطناعي التوليدي، كانت أتمتة الأعمال حتمية. تتعامل مع مهام ذات قواعد ثابتة ومُدخلات منظّمة: انقل هذا السجلّ عند تغيّر ذلك الحقل، أرسل هذه الرسالة عند وقوع ذلك الحدث. وإذا تطلّبت الخطوة قراءة مستند غير منظّم أو تفسير رسالة أو إعمال حكم بشري، تولّاها إنسان.

نقل الذكاء الاصطناعي التوليدي هذا الحدّ. صارت الأتمتة قادرة على الوصول إلى أعمال تتضمّن اللغة والمعلومات غير المنظّمة والتلخيص وقدرًا من الحكم: قراءة العقود، وفرز الطلبات الواردة، وصياغة الردود، واستخلاص بنية من مُدخلات فوضوية.

لكن هذا التوسّع يأتي بتكاليف لم تعرفها الأتمتة الحتمية:

• الموثوقية. المخرجات احتمالية. المُدخل نفسه قد يُنتج نتيجتين مختلفتين، وهذا يكسر افتراضات مبنيّة داخل معظم العمليات القائمة.
• المراقبة. الأتمتة الحتمية تفشل بصوت عالٍ. الأتمتة المعتمدة على الذكاء الاصطناعي تفشل بصمت، وتُنتج مخرجًا معقولًا لكنه خاطئ.
• الحوكمة. يجب أن يقرّر أحدهم ما الذي يُسمح للنظام برؤيته، وما الذي يُسمح له بأن يقرّره وحده، وأين يوقّع الإنسان.
• البيانات. جودة المخرج محكومة بجودة ما تملكه الشركة فعلًا ومدى إتاحته.

لهذا فإن «اشترينا تراخيص» و«تبنّينا الذكاء الاصطناعي» جملتان مختلفتان. الترخيص هو الجزء الأرخص. إعادة تصميم العملية والقياس والحوكمة هي العمل الحقيقي.

وبالنسبة لمعظم الشركات، لا توجد أعلى القيم في الاستخدامات الظاهرة الموجّهة للعميل، بل في العمليات الداخلية المتكرّرة وعالية الحجم، حيث المُدخل غير منظّم والمخرج قابل للتحقّق وتكلفة العملية اليدوية الحالية معروفة سلفًا — فهذا الشرط الأخير هو ما يجعل النتيجة قابلة للإثبات.

تسلسل يُنتج نتيجة

الترتيب أهم من الأدوات. كل خطوة موجودة لمنع الإخفاق المذكور قبلها.

1. شخّص قبل أن تشتري. ارسم أين تخسر الشركة فعلًا وقتًا أو مالًا أو إيرادًا. ليس أين يمكن للذكاء الاصطناعي أن يساعد نظريًا، بل أين يقع القيد اليوم. وكثيرًا ما لا تكون المشكلة مشكلة ذكاء اصطناعي أصلًا. ثلاثة أقسام تحتفظ بثلاث قوائم عملاء منفصلة تصنع مشكلة تقارير قبل أن تصنع فرصة ذكاء اصطناعي.

2. قِس العملية قبل تغييرها. حدّد ما تكلّفه العملية اليوم: الوقت لكل حالة، والحجم أسبوعيًا، ونسبة الخطأ، والتكلفة لكل نتيجة. إن لم تستطع قياس الوضع الحالي، فلن تستطيع إثبات أن الوضع الجديد أفضل، وستنتهي داخل الـ95%.

3. أعد تصميم العملية. حدّد كيف تبدو العملية والذكاء الاصطناعي بداخلها: من يراجع المخرج، وماذا يحدث حين يكون خاطئًا، وأي خطوات تختفي تمامًا. إضافة الذكاء الاصطناعي إلى عملية صُمّمت لبشر ينفّذون كل خطوة تُضيف عادةً عبء مراجعة بدل أن تزيل عملًا.

4. انشر على نطاق ضيّق. عملية واحدة، وقسم واحد، وهدف واحد قابل للقياس متّفق عليه مسبقًا. النطاق الضيّق هو ما يجعل النتيجة قابلة للنسب.

5. قِس مقابل خطّ الأساس من الخطوة الثانية. ثم قرّر، بناءً على الدليل، هل تتوسّع أو تعدّل أو تتوقّف. التوقّف نتيجة مشروعة، وأرخص بكثير من البديل.

6. درّب الناس على عملهم الفعلي. التدريب العام على الذكاء الاصطناعي يتلاشى سريعًا. التبنّي يصمد حين يستخدم التدريب المهام التي يؤدّيها القسم فعلًا كل أسبوع. ولهذا يعمل تمكين الذكاء الاصطناعي بشكل أفضل حين يرتبط بعملية حيّة بدل أن يُقدَّم كدورة قائمة بذاتها.

الخطوتان الثانية والخامسة هما ما تتخطّاه الشركات عادةً، وهما تحديدًا ما يحدّد إن كان بالإمكان إثبات أي شيء في النهاية.

كيف يبدو «القياس أولًا» في الواقع

ملاحظة صريحة: لا يتضمّن معرض أعمال OmniflowAI المنشور دراسة حالة لتحوّل بالذكاء الاصطناعي. لكن المبدأ الذي يقوم عليه هذا المقال مبدأ نستطيع إثباته مباشرة، لأنه الإخفاق نفسه في مجال مختلف.

جاءنا تطبيق Clean Basket لخدمات الغسيل عند الطلب في الرياض وحملاته تعمل وأمواله تُصرف. كان التتبّع معطّلًا من طرف إلى طرف: لا إعداد لـ SKAdNetwork، ولا خرائط أحداث، ولا إشارة تحسين تصل إلى المنصّات. الشركة كانت تنفق ولا تستطيع نسب أي نتيجة إلى أي شيء.

المرحلة الأولى لم تُنتج أي حملة جديدة إطلاقًا. رسمنا رحلة المستخدم داخل التطبيق، ونفّذنا حزمة التطوير الصحيحة لكل منصّة مع فريق التطوير لدى العميل، وضبطنا قيم تحويل SKAN عبر AppsFlyer، وأعددنا الـ postbacks، وبنينا طبقة التقارير. وبعد ذلك فقط بدأ العمل على الحملات: فصل iOS عن Android، واختبارات منظّمة، ومحتوى إبداعي لكل منصّة.

النتيجة كانت 11,378 تثبيتًا متتبَّعًا عبر TikTok ضمن 21 حملة، بمتوسط تكلفة تثبيت 2.54 ريال سعودي، ووصل أفضل شريحة إلى 2.18 ريال. لكن التفصيل الأهم هو النهاية: في اليوم الوطني السعودي طلب العميل إيقاف الحملات، لأن حجم الطلبات تجاوز قدرة التشغيل على التنفيذ. انتقل القيد من الاستقطاب إلى التشغيل، واستطاعوا رؤية انتقاله لأن طبقة القياس كانت موجودة.

والترتيب نفسه طُبّق في معهد Concord للغات، حيث جاء إصلاح إعدادات تتبّع التحويلات قبل إعادة هيكلة عملية المبيعات وفتح شرائح جمهور جديدة. وأنتج ذلك التسلسل أول شهر يتجاوز فيه المعهد 100,000 ريال سعودي من الإيرادات.

لم يكن أيّ من المشروعين مشروع ذكاء اصطناعي. وهذا هو المقصود بالضبط. السبب الذي يجعل 95% من تجارب الذكاء الاصطناعي عاجزة عن إثبات عائد هو السبب نفسه الذي يجعل ميزانية تسويق عاجزة عن إثبات عائد حين يكون التتبّع معطّلًا: لم يبنِ أحد أداة القياس قبل صرف المال. والذكاء الاصطناعي يرفع المخاطرة لأن الإنفاق أكبر والوعود أعلى صوتًا.

يمكنك الاطّلاع على طريقة توثيقنا لهذا النوع من العمل في دراسة حالة Clean Basket.

خمسة أخطاء يجب تجنّبها

شراء التراخيص واعتباره تبنّيًا. عدد المقاعد مُدخل. ولم يحسّن أحد شركته يومًا بزيادة مُدخل.

البدء بأكثر الاستخدامات ظهورًا. الذكاء الاصطناعي الموجّه للعميل هو المكان الذي تكون فيه المخاطرة على السمعة أعلى وخطّ الأساس أصعب في التحديد. العمليات الداخلية ذات التكاليف المعروفة مشاريع أولى أفضل.

تشغيل تجربة بلا معيار نجاح. إن لم يُتّفق على الرقم الذي يجب أن يتحرّك قبل الإطلاق، فلن تنتهي التجربة أبدًا. ستخفت فحسب.

تأجيل مشكلة البيانات. إذا اختلفت ثلاثة أنظمة حول هوية العميل، سينتج الذكاء الاصطناعي إجابات واثقة مبنيّة على النسخة التي أُعطيت له. وأنظمة الأعمال المترابطة عادةً شرط مسبق لا مسار موازٍ.

افتراض أن القيد هو الذكاء الاصطناعي. أحيانًا تكون مشكلة النمو تسليمًا معطّلًا بين التسويق والمبيعات، أو دورة تقارير يدوية، أو عملية لا يستطيع إنجازها سوى المؤسّس. تطبيق الذكاء الاصطناعي على هذه لا يصلحها، بل يجعلها أسرع وأقل وضوحًا.

من أين تبدأ

إن كنت تستطيع تسمية العملية وتسمية المؤشر وتسمية المالك، فابدأ من هناك. قِسها، ثم غيّرها، ثم قِسها مجددًا، ودع النتيجة تقرّر ما يحدث بعدها.

وإن لم تستطع — إن كان الموقف الصادق أن شيئًا ما يحدّ من النمو ولم يتّضح بعد إن كان الجواب ذكاءً اصطناعيًا أو برمجيات أو أتمتة أو تسويقًا أو إعادة تصميم للعمليات — فالاستثمار الأول هو التشخيص لا التقنية. وهكذا صُمّمت حلولنا عن قصد: تحديد القيد قبل الإنفاق على العلاج.

الشركات التي ستبدو كفؤة بعد اثني عشر شهرًا ليست تلك التي تبنّت الذكاء الاصطناعي أبكر. ففي هذه المنطقة تبنّى الجميع مبكرًا تقريبًا. بل تلك التي تستطيع أن تُخرج رقمًا.

أشخاص وجهات تستحق المتابعة

أديتيا تشالابالي — أبحاث الذكاء الاصطناعي المؤسسي. المؤلّف الرئيسي لدراسة The GenAI Divide الصادرة عن MIT NANDA، وهي مصدر معظم إحصاءات فشل الذكاء الاصطناعي المتداولة. قراءة التقرير مباشرة بدل قراءة التغطيات عنه تستحق الوقت.

راميش راسكار — مختبر الإعلام في معهد ماساتشوستس. مشارك في تأليف الدراسة نفسها ويقود مشروع NANDA المعني ببنية وبروتوكولات وكلاء الذكاء الاصطناعي القابلين للتشغيل البيني. مفيد لفهم اتجاه معمارية الذكاء الاصطناعي المؤسسي لا واقعها الحالي فقط.

خوان لافيستا فيريس — معهد الاقتصاد الذكي في مايكروسوفت. كبير علماء البيانات ورئيس المعهد الذي ينشر تقرير انتشار الذكاء الاصطناعي عالميًا، وهو أدقّ مقياس متاح حاليًا للمقارنة بين الدول، ومنهجيته منشورة بشكل مفتوح.

روبرت بتاشينسكي — KPMG الشرق الأوسط. شريك ورئيس قطاع التقنية، ومصدر مفيد لفهم كيف ترتّب المؤسسات الخليجية استثماراتها التقنية تحديدًا، بدل الاكتفاء بالمتوسّطات العالمية.

الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا). الجهة الوطنية المنظّمة لسياسات البيانات والذكاء الاصطناعي في السعودية. ذات صلة مباشرة بأي مؤسسة تعمل في المملكة حيث تؤثّر حوكمة البيانات على ما يُسمح لنشر الذكاء الاصطناعي بفعله.

المصادر وقراءات إضافية

• تقرير انتشار الذكاء الاصطناعي عالميًا، الربع الأول 2026 — معهد الاقتصاد الذكي، مايكروسوفت. بيانات استخدام على مستوى الدول مع منهجية ومجموعات بيانات مفتوحة.
• تقرير KPMG للتقنية في السعودية 2026 — حجم الاستثمار ومعدّلات النشر في بيئة الإنتاج وتوقّعات العائد لدى القادة التقنيين في المملكة.
• تبنّي الذكاء الاصطناعي في رأس المال البشري: تقرير دول الخليج 2026 — Korn Ferry. أين تتعثّر المؤسسات الخليجية بين التجريب والتوسّع.
• The GenAI Divide: State of AI in Business 2025 — MIT Project NANDA. مصدر رقم الـ95%، بمنهجيته وحدوده.