مهارات الذكاء الاصطناعي: توظيف أم تدريب أم استعانة بمصادر خارجية؟

يُطرح السؤال في معظم اجتماعات الإدارة التي تتناول الذكاء الاصطناعي: هل نوظّف خبراء، أم ندرّب الفرق الحالية، أم نستعين بالخارج؟ ويُعالَج عادةً بوصفه مفاضلة ميزانية. وهذا خطأ في التأطير. فالمعيار الصحيح ليس الكلفة، بل طبيعة الكفاءة التي تحتاجها المؤسسة — وهذه الطبيعة تتغير بحسب المرحلة التي تمر بها.

لا بد أولًا من إزالة التباس. «كفاءات الذكاء الاصطناعي» تشمل أربع مهن متمايزة على الأقل، لا صلة بين أسواق عملها. عالِم البيانات يصمم النماذج. ومهندس البيانات يبني ويصون المسارات التي تغذّيها — وهو اليوم المورد الأندر والأكثر حسمًا. ومهندس الإنتاج، الذي يُسمّى غالبًا MLOps، يُبقي هذه الأنظمة عاملةً عبر الزمن. والمترجم المهني، وهو دور هجين بلا مسمّى ثابت، يحوّل مشكلة تشغيلية إلى سؤال يستطيع نموذج معالجته. والمؤسسة التي توظّف ثلاثة علماء بيانات دون مهندس بيانات تحصل على ثلاثة أشخاص عاليي الكفاءة يقضون نصف وقتهم في أعمال سباكة لا يحبونها ولم يُدرَّبوا عليها.

يُبرَّر التوظيف حين يجب أن تكون الكفاءة دائمة، تُمارَس يوميًا، وتتغذى بمعرفة داخلية بالمؤسسة. وهذا حال هندسة البيانات والإنتاج تحديدًا: فهاتان المهنتان تقومان على معرفة دقيقة بالأنظمة الداخلية لا تُشترى وتُفقد مع كل مغادرة. غير أن التوظيف يفترض قدرة على الاحتفاظ. فتوظيف كفاءة نادرة في مؤسسة لا تستطيع أن تقدّم له مشاريع محفّزة ولا تدرّجًا ولا بيئة تقنية لائقة هو تمويل لبرنامج تدريب لدى منافس.

ويُبرَّر التدريب الداخلي حين تكون الكفاءة المراد تطويرها مجاورة لمهنة متقنة سلفًا. تعليم محلل مالي كيف يُحاور نموذجًا، أو قانوني كيف يقيّم قرارًا آليًا، أو مراقب تسيير كيف يقرأ حدود تنبؤ: كل هذا ينجح لأن الأساس المهني موجود ولا ينقص إلا الطبقة التقنية. وعلى العكس، فكرة تحويل فرق غير تقنية إلى ممارسين لعلم البيانات عبر برنامج من بضعة أسابيع تُنتج إحباطًا في الغالب.

وتُبرَّر الاستعانة بالخارج في حالتين، لا ثالث لهما. الأولى حاجة ظرفية إلى خبرة نادرة يكون استيعابها داخليًا عبثًا: تأطير استراتيجي، أو معمارية، أو تدقيق امتثال. والثانية نقل الكفاءة — استقدام شخص تحديدًا لكي تعرف المؤسسة كيف تنجز بنفسها بعد ذلك. وأي ترتيب آخر يخلق تبعية تُدفع كلفتها طويلًا.

الحالة أدناه مُعاد بناؤها من عدة حالات متشابهة، لا منقولة عن شركة بعينها. شركة توظّف فريق علم بيانات من ستة أشخاص، بكفاءات متينة ورواتب في مستوى السوق. وبعد ثمانية عشر شهرًا، غادر أربعة. ولا تذكر مقابلات المغادرة الأجر ولا الأجواء. تذكر ثلاثة أمور: انعدام الوصول إلى بيانات الإنتاج، ومهل تمتد شهورًا للحصول على بيئة عمل، والشعور بأن النماذج المسلَّمة لم تُنشر قط. لم يكن لدى المؤسسة مشكلة توظيف. كانت لديها مشكلة ظروف عمل، والتوظيف جعلها مرئية ومكلفة فحسب.

هذه نقطة نلحّ عليها دائمًا: قبل السؤال عن كيفية استقطاب كفاءات الذكاء الاصطناعي، على المؤسسة أن تسأل هل هي في وضع يسمح بتشغيلها. وفي كايروس إمبالس، يسبق هذا التحقق أي توصية بشأن حجم الفريق. وهو يتناول أربعة عناصر ملموسة: الوصول إلى البيانات، وتوافر البيئات التقنية، ووجود مسار إلى الإنتاج، وحضور راعٍ من الأقسام لكل حالة استخدام. وبدون هذه الشروط الأربعة، سيفشل أفضل توظيف، وسيُنسب الفشل إلى الأشخاص لا إلى الترتيب.

ويتعلق اعتراض وجيه بالوتيرة. فانتظار اجتماع هذه الشروط يؤخر الدخول في الموضوع بينما السوق يتقدم. والجواب في الترتيب: أول كفاءة ينبغي تأمينها ليست عالِم البيانات بل مهندس البيانات، لأنه من يبني الظروف التي سيعمل فيها الآخرون. وكثير من المؤسسات تفعل العكس ثم تستغرب النتيجة.

ويزن عامل أخير أكثر من سواه ولا يظهر في أي ميزانية: القدرة على تطوير الناس. مهن الذكاء الاصطناعي تتغير بسرعة، والمهني الذي يشعر بتآكل كفاءته سيغادر مهما كان راتبه. والوقت المخصص للمتابعة والتجريب والتعلّم المستمر ليس عبئًا: إنه شرط الاحتفاظ. المؤسسات التي تمنحه تحتفظ بفرقها؛ وتلك التي ترفضه باسم ضغط المشاريع توظّف باستمرار.

ثلاثة أسئلة في الختام. ما الكفاءة التي نحتاجها فعلًا — تصميم نماذج، أم بناء مسارات بيانات، أم تشغيل أنظمة، أم ترجمة حاجات الأقسام؟ هل نحن في وضع يسمح بأن نقدّم لهذا الشخص بيئة يستطيع العمل فيها منذ الشهر الأول؟ وإن استعنّا بالخارج، هل حددنا ما يجب أن نتقنه بأنفسنا عند انتهاء المهمة؟