رسمت Google خريطة 14,653,926 محادثة مع Gemini مجرّدة من الهوية، وربطتها بأكثر من 800 مهنة و4,000 مهمة في تصنيف O\*NET. ظهر الذكاء الاصطناعي في 68% من المهن التفصيلية — أي ما يقارب 88% من العاملين المدنيين في الولايات المتحدة. لكن داخل أي مهنة نموذجية من تلك المهن، لامس 21% من المهام فقط (Google ATLAS v1.0, 2026).
ثلثا الوظائف. خُمس العمل.
وحيث يكون العمل غير روتيني وإدراكيًا — حُكم، وتحليل، وحل مشكلات، أي الفئة التي توظّف من أجلها أغلى موظفيك — تكون الأتمتة الكاملة هي النية الظاهرة في أقل من 10% من المحادثات. أما الـ90% الباقية فهي صياغة ومراجعة واسترجاع معلومات وتفكير بصوت عالٍ.
إذا كانت دراسة الجدوى لديك بشأن الذكاء الاصطناعي قائمة على إلغاء أدوار، فهذا هو الرقم الذي يكسرها. ليس لأن الأدوات ضعيفة، بل لأن الحساب بُني على وحدة قياس خاطئة. خُمس الوظيفة ليس خُمس موظف.
ماذا قاست ATLAS ولماذا تحطّ بشكل مختلف
أخذت دراسة AI & Economy ATLAS من Google (اختصارًا لـ Activity, Task, Landscape, and Adoption Study) عينة من المحادثات عبر تطبيق Gemini وAI Mode وواجهة Gemini API بين 6 و19 أبريل 2026، ثم ربطتها بالتصنيفات الرسمية للمهن والمهام في 150 دولة و140 لغة. أسهمت الدكتورة ديان كويل (Cambridge) والدكتور ديفيد أوتور (MIT) في التقرير — وأوتور هو الاقتصادي الذي أمضى عقدين يجادل بأن التكنولوجيا تعيد تشكيل العمل مهمة بمهمة لا وظيفة بوظيفة (Google, 2026).
معظم بيانات تبنّي الذكاء الاصطناعي التي رأيتها ذاتية التقرير. يسأل استبيان مديرًا إن كان فريقه يستخدم الذكاء الاصطناعي، فيجيب المدير عن السؤال الذي كان يتمنى أن يُسأل عنه. أما ATLAS فسلوكية: ترصد ما أحضره الناس فعليًا إلى النموذج، ثم تصنّف المهمة. هذا التحوّل مهم، لأن التبنّي المعلن والتغطية المرصودة للمهام ليسا القياس نفسه، ولم يُنتجا يومًا الرقم نفسه.
التوزيع أكثر انحرافًا مما يوحي به الوسيط البالغ 21%. ففي 29% من المهن التفصيلية لم ترصد ATLAS أي تشبّع للمهام على الإطلاق — عمّال التعبئة وتجهيز الطلبات، وعمّال تحضير الطعام، وجامعو النفايات، وضباط الدوريات. وعلى الطرف الآخر، أظهرت 3% فقط من المهن استخدامًا للذكاء الاصطناعي في ثلاثة أرباع مهامها أو أكثر: محللو ومختبرو ضمان جودة البرمجيات، وأخصائيو الموارد البشرية، وأخصائيو إدارة الوثائق (PPC Land, 2026).
ثلاث مهن من كل مئة مغطاة بعمق. تلك هي قائمة مرشحي الأتمتة لديك. وهي أقصر مما تقوله شريحتك.
تستحق المقارنة التي أوردتها Google نفسها الانتباه، لأغراض المعايرة: وجد مؤشر Anthropic الاقتصادي أن نحو 36% من المهن تستخدم الذكاء الاصطناعي في ربع مهامها على الأقل؛ ورقم Google المكافئ حول 30%، وهي فجوة يعزوها المؤلفون إلى عتبات خصوصية أكثر صرامة لا إلى اختلاف حقيقي في السلوك (PPC Land, 2026). مجموعتا بيانات مستقلتان، ومزوّدان مختلفان، والشكل نفسه: واسع وضحل.
لماذا تبقى الأتمتة الكاملة دون 10%
صنّفت ATLAS مجموعات المحادثات إلى خمس نيّات: أتمتة المهمة، والصياغة والتوليد الجزئي، والمراجعة والتنقيح، وتوليد الأفكار والاستراتيجية، واسترجاع المعلومات والتعلّم.
النتيجة تقلب سردية الإحلال المعتادة. تمثّل المهام الإدراكية التحليلية غير الروتينية 35% من مجمل المهام في تصنيف O\*NET، لكنها تستحوذ على 65% من محادثات العمل مع Gemini. يلجأ الناس إلى الذكاء الاصطناعي في أصعب أجزاء عملهم وأقلها معيارية — وهناك تحديدًا يسلّمون المهمة كاملة بأقل نسبة. أقل من 10% من تلك المحادثات تُظهر نية أتمتة كاملة. أما في العمل الإدراكي الروتيني فأكثر من الربع يفعل (Google ATLAS v1.0, 2026).
الآلية ليست غامضة. تُفوَّض المهمة بالكامل حين يكون الناتج قابلًا للتحقق بنظرة واحدة وتكون كلفة الخطأ محدودة. إعادة تنسيق مجموعة بيانات تنطبق عليها الحالة. أما تقرير أي مورّد يُستبعد فلا. العمل غير الروتيني هو تحديدًا العمل الذي لا يمكن تأكيد صحته دون إعادة معظم التفكير — فيبقى الإنسان في الحلقة، ويكون الوقت الموفَّر حقيقيًا لكنه جزئي.
تقول Google الأمر صراحةً: البيانات لا تدعم الادعاء بأن الذكاء الاصطناعي على وشك إحداث أتمتة وإحلال هائلين في العمل المكتبي. كما ينبّه المؤلفون إلى أن تصنيف النيّة أوّلي وأن السلوك قد يتغيّر مع تقدّم القدرات. نصفا هذه الجملة كلاهما ينتمي إلى افتراضات التخطيط لديك.
حساب أعداد الموظفين لديك يفترض عمقًا لا تملكه
هنا يتحوّل الأمر إلى مسألة تشغيلية لا إلى رسم بياني طريف.
دراسة الجدوى القياسية للذكاء الاصطناعي في السوق المتوسط تضرب وفرًا زمنيًا لكل مهمة في حجم المهام، وتحوّل الساعات إلى وظائف بدوام كامل، وتقيّد الفارق. وهي تصحّ حسابيًا فقط إذا كانت الساعات الموفَّرة متصلة وتعود إلى دور يمكن استيعاب عمله المتبقي في مكان آخر. تقول ATLAS إن الساعات الموفَّرة متناثرة عبر خُمس محفظة المهام، في أجزاء الوظيفة التي لم تكن يومًا هي عنق الزجاجة.
خذ الحالة الوسيطة حرفيًا. يغطي الذكاء الاصطناعي 21% من مهام الدور. افترض — بسخاء — خفضًا زمنيًا بنسبة 40% في كل منها. هذا يعني خفضًا بنسبة 8% من إجمالي زمن مهام الدور. أنت لم تحرّر شخصًا. حرّرت شظية من الجميع، موزّعة على الأسبوع في قطع أصغر من أن تُعاد تخصيصها وأصغر من أن تظهر في سجل ساعات.
لهذا تُبلغ مشاريع تجريبية كثيرة عن مستخدمين متحمسين وتكاليف تشغيل ثابتة في آن واحد. كلاهما صحيح. الوفورات حقيقية، والوفورات غير قابلة للتحصيل، لأن تحصيلها يتطلب دمج المهام — نقل الـ79% المتبقية إلى دور معاد تصميمه — ولم يُكلَّف أحد بذلك.
الفخ الأعمق هو الـ3%. حين تُبنى دراسة الجدوى انطلاقًا من وظيفة منارة — اختبار ضمان الجودة، إدارة وثائق الموارد البشرية، العمل الإداري عالي التغطية — يُعمَّم معدل التغطية المرصود هناك بصمت على بقية المؤسسة. وهو لا ينتقل. فتلك المهن الثلاث من كل مئة استثنائية بنيويًا: معيارية عالية للمهام، ومخرجات نصية بطبيعتها، وقابلية تحقق فورية. محللوك الماليون ومديرو الحسابات لديك لا يملكون أيًا من هذه الخصائص.
انقلاب الخبرة الذي لم يحسب أحد حسابه
النتيجة الأرجح أنها خاطئة في خطتك الحالية تتعلق بمن يستفيد.
الافتراض السائد أن الذكاء الاصطناعي يُفرغ الأدوار المبتدئة ويضاعف قدرة الكبار. ATLAS تعقّد الطرفين معًا. فكثافة الاستخدام ترتفع بحدة مع الأجر — كل زيادة 1% في الأجر الوسيط للمهنة ترتبط بزيادة تتجاوز 2.5% في كثافة الاستخدام، وتنخفض إلى 1.86% عند ضبط المستوى التعليمي. ومرجّحًا بالتوظيف، يبلغ الدخل السنوي الوسيط في العينة 62,252 دولارًا؛ ومرجّحًا بمحادثات Gemini 82,919 دولارًا؛ ومرجّحًا بالرموز (tokens) 86,157 دولارًا (PPC Land, 2026).
إذن أصحاب الأجور العالية والخبرة العالية هم المستخدمون المكثفون. لكن عند تسجيل مستوى خبرة كل مهمة بمنهجية أوتور وطومسون — التي تقيّم ندرة المفردات وخصوصيتها المجالية في نص المهمة — يكون الاستخدام الأكثر تمثيلًا زائدًا في المهام الإدراكية الأدنى خبرةً. إعادة كتابة تقرير بلغة أخرى. صياغة مواصفة منتج.
العاملون ذوو الخبرة العالية يحضرون إلى الذكاء الاصطناعي عملهم منخفض الخبرة.
هذا الانقلاب هو أكثر ما يمكن التصرّف بناءً عليه في الدراسة، وهو يشير إلى الاتجاه المعاكس لمعظم خطط النشر. القيمة ليست متركزة في منح كبار موظفيك شريك تفكير أذكى للقرارات الصعبة؛ بل في نزع الرواسب منخفضة الخبرة من جداول باهظة الثمن. وإذا كان نشرك موجّهًا إلى الأدوار المبتدئة بحجة أن عملها أكثر قابلية للأتمتة، فأنت تنشر عكس التدرّج المرصود. التبنّي يتبع سلطة التقدير، لا بساطة المهمة — يستخدم الناس الذكاء الاصطناعي حيث يملكون صلاحية تقرير كيفية أداء عملهم.
أين تتوقف هذه الأدلة
الحدود بصراحة، لأن رئيس العمليات لا ينبغي أن يتصرف بناءً على بيانات مزوّد دون تسعيرها.
ATLAS هي Google تقيس Google. ترصد واجهات Gemini فقط، فأي مؤسسة موحّدة على مساعد آخر تقع خارج الإطار. وهي عينة من أسبوعين في سوق سريع الحركة. المنصات المؤسسية — Workspace وGemini Enterprise وأدوات البرمجة الوكيلية — تقع في معظمها خارج مجموعة البيانات التفصيلية، وهي بالضبط حيث يُرجَّح أن تحدث الأتمتة العميقة المدمجة في سير العمل. أكثر من 86% من التفاعلات ليست عملًا؛ ومحادثات العمل تمثل نحو 13.5% من حركة التطبيق وAI Mode، فالعينة الفرعية المتعلقة بالعمل كبيرة لكنها شريحة.
والأهم أن ATLAS تقيس السلوك لا النتائج. محادثة مكتملة لا تقول شيئًا عمّا إذا حصل الشخص على ما يحتاجه أو وفّر دقيقة واحدة (Forte Group, 2026).
لا شيء من ذلك ينقذ دراسة الجدوى القائمة على أعداد الموظفين. فنقص قياس الأدوات الوكيلية المؤسسية قد يرفع سقف وجهة الأتمتة؛ لكنه لا يغيّر ما تعنيه تغطية وسيطة قدرها 21% من المهام بالنسبة للمؤسسة التي تديرها هذا الربع. ويستحق اتجاه التحيّز أن يُسمّى: هنا مزوّد نماذج ينشر دراسة تقوّض سردية الأتمتة التي تخدم مصلحته التجارية. النتائج التي تعاكس حافز ناشرها تستحق وزنًا أكبر لا أقل.
التدقيق الذي يحل محل التخمين
خطوة ملموسة قبل مراجعة ميزانية الذكاء الاصطناعي المقبلة: توقّف عن عدّ الأدوات وابدأ بعدّ المهام.
اختر الأدوار الثلاثة التي تحمل أكبر استثمار لك في الذكاء الاصطناعي. لكل دور، اكتب محفظة المهام — من 15 إلى 25 مهمة منفصلة، مصاغة بوضوح. ثم قيّم كل مهمة بسؤالين: هل الناتج قابل للتحقق في أقل من دقيقة من شخص مؤهل؟ وهل تكلفة الإجابة الخاطئة أكبر من إعادة العمل؟. المهام رخيصة التحقق ورخيصة الخطأ هي مجموعة الأتمتة الحقيقية لديك. وما عدا ذلك مساعدة، والمساعدة تظهر في الجودة وزمن الدورة، لا في أعداد الموظفين أبدًا.
بعدها قِس معدل التغطية الذي تملكه فعلًا. إن كان قريبًا من 21% فأنت في الوسيط — طبيعي، ليس فشلًا، وليس بندًا للوفورات. وإن تجاوز دور ما 60% فقد وجدت واحدًا من الـ3%: أعد تصميم ذلك الدور عن قصد بدل انتظار ظهور الوفر من تلقاء نفسه. وإن بقي دور دون 10% بعد عام من التراخيص، فالمشكلة ليست في الأداة ولا في الناس. العمل ببساطة ليس مصمَّمًا لهذا الشكل، ونفقة التراخيص تنتمي إلى مكان آخر.
النسخة المزعجة من هذه النتيجة هي أيضًا النسخة المفيدة. الذكاء الاصطناعي حاضر في كل وظيفة تقريبًا في شركتك وعميق في أي منها تقريبًا، والأتمتة الكاملة تبقى الاستثناء لا الخطة، والعوائد تقبع في الرواسب منخفضة الخبرة التي تسدّ أغلى جداولك. اذهب واستردّها. إنها أصغر مما وعد به العنوان، وأسهل تحصيلًا بكثير.
