في 27 أغسطس 2026، نشر مكتب إحصاءات العمل الأمريكي (BLS) أول تصنيف له للتعرض للذكاء الاصطناعي: أربع فئات — منخفض، متوسط، مرتفع، مرتفع جدًا — مخصصة لجميع المهن التفصيلية الـ831 في توقعات التوظيف 2025-35. وفي الصفحة نفسها يوضح BLS أن التصنيف "ليس توقعًا لنمو التوظيف أو انخفاضه"، و"ليس تقديرًا لاحتمال تبنّي الذكاء الاصطناعي"، و"ليس تقديرًا لاستبدال العاملين" (U.S. Bureau of Labor Statistics, 2026).
وخلال أيام، حوّلته الصحافة المتخصصة إلى قوائم بالوظائف المهددة والوظائف الآمنة.
هذه بالضبط القراءة التي تستبعدها الجهة الناشرة — كتابةً، وعلى الصفحة ذاتها التي بُنيت منها تلك القوائم. والأمر أهم من تصحيح شكلي، لأن جدول التعرض للذكاء الاصطناعي الصادر عن BLS على وشك الدخول إلى خطط القوى العاملة لعام 2027 في الشركات متوسطة الحجم بوصفه المُدخل الأكثر مهابة في العرض. وكالة إحصاء اتحادية، وكل المهن، وأربع درجات نظيفة. سيُعامَل بوصفه قائمة تقليص. وهو لا يحتمل ذلك القرار.
ما يقوله تصنيف BLS للتعرض للذكاء الاصطناعي فعليًا
التصنيف ترتيب نسبي، أنتجته خوارزمية تجميع فوق خمسة مقاييس خارجية للتعرض. وBLS صريح بشأن الحدود: الفئات "نسبية مقارنةً بالمهن الأخرى"، وهي لا تعني "مستوى تعرض مطلقًا 'مرتفعًا' أو 'منخفضًا'"، وهي "لا تميّز بين آثار الذكاء الاصطناعي الناتجة عن الأتمتة وتلك الناتجة عن التعزيز" (U.S. Bureau of Labor Statistics, 2026).
تأمّل هذه النقطة الأخيرة. الأتمتة والتعزيز فئة واحدة في هذا الجدول. "تعرض مرتفع جدًا" يتسق تمامًا مع اختفاء العمل، ويتسق بالقدر نفسه مع أن ينجزه الشخص ذاته بثلاثة أضعاف الإنتاجية مع خطوة مراجعة مضافة. الجدول لا يقول أيّهما — والاتجاه هو كامل مضمون أي قرار متعلق بأعداد الموظفين.
التوقعات المحيطة هي السياق الذي يُنتزع منه الترتيب عادةً. يتوقع BLS أن يضيف الاقتصاد الأمريكي 5.9 مليون وظيفة بين 2025 و2035، مع ارتفاع التوظيف من 170.3 مليون إلى 176.2 مليون — أي نمو بنسبة 3.5 في المئة، تصفه الوكالة بأنه "أبطأ من النمو البالغ 10.9 في المئة المسجَّل خلال عقد 2015-25" (U.S. Bureau of Labor Statistics, 2026). نمو أبطأ، لا انكماش. والتعديلات المرتبطة بالذكاء الاصطناعي تتركز في مهن الحوسبة والرياضيات، والفنون والإعلام، وإدارة الأعمال، والخدمات القانونية.
تفصيل البناء الذي يحدد السقف
المدخلات الخمسة هي ثلاثة مقاييس نظرية للتعرض ومجموعتا بيانات استخدام مرصود — والجانب المرصود مستمدّ من بيانات استخدام Claude لدى Anthropic وبيانات Copilot لدى Microsoft. يأخذ BLS الرتبة المئوية الوسيطة داخل كل بُعد، ثم يجري التجميع. ومن أصل 4,155 تركيبة ممكنة بين مهنة ومصدر، رُصدت 3,944 وأُسندت تقديريًا 211، بما يؤثر في 75 مهنة (U.S. Bureau of Labor Statistics, 2026).
ثم السطر الذي ينبغي أن يحكم إلى أي مدى تسمح لهذا الجدول بالسفر: "المصادر النظرية تتصور قدرات الذكاء الاصطناعي بوصفها تلك المتاحة في موعد لا يتجاوز منتصف 2023."
ثلاثة من أصل خمسة مدخلات تصف جيلًا من النماذج يسبق كل منتج وكيل (agentic) جرّبه فريقك. ويلاحظ BLS أيضًا أن المصادر الخمسة جميعها تعامل المهن بوصفها حزمًا من المهام المستقلة و"لا تأخذ في الاعتبار الاختناقات أو التكامليات أو غيرها من الخصائص غير المستقلة للمهن".
هذا ليس عيبًا في عمل BLS — بل خاصية مُفصح عنها في الأدبيات المتاحة، والإفصاح عنها هو تحديدًا وظيفة وكالة إحصائية. العيب في الاستخدام. خطة توظيف لعشر سنوات مبنية على هذا الترتيب تضمّن لقطة قدرات عمرها ثلاث سنوات، وتفعل ذلك داخل الوثيقة الوحيدة التي لن يفكر مديرك المالي في مساءلتها.
ما يرسمه الترتيب فعلًا: عبء التحقق
هذه هي القراءة القابلة للدفاع، وهي عكس القراءة الشائعة.
إذا وقعت مهنة في عنقود التعرض المرتفع، فما ترصده المصادر الخمسة مجتمعةً هو أن حصة كبيرة من مهامها من النوع الذي ستحاول النماذج الحالية أداءه. أما إن كان النموذج على صواب فسؤال منفصل لا يمسه مقياس التعرض — لأن المدخلات، كما يلاحظ BLS، تعامل المهام كمستقلة وتتجاهل التكامليات.
إذن، التعرض المرتفع يتنبأ بـحجم مسودات مرتفع. وحجم المسودات يولّد طلبًا على المراجعة. والطلب على المراجعة هو حيث تقع التكلفة فعليًا.
قامت McKinsey QuantumBlack بتسعير ذلك مباشرة لتدفقات العمل المصرفية: تمثل تكاليف الرموز (tokens) 20 إلى 25 في المئة من التكلفة المتغيرة لتشغيل وكيل ذكاء اصطناعي، بينما يمثل الإشراف البشري من خبراء الوظائف والمخاطر 70 إلى 75 في المئة (McKinsey QuantumBlack, 2026). البند المكلف هو المراجعة، وعلى المراجِع أن يكون على قدر من الأقدمية يتيح له رفض المخرجات.
وتشير دراسة MIT Technology Review Insights وMicrosoft التي شملت 300 من التنفيذيين والممارسين في التكنولوجيا، والتي رتبت 101 مهمة وكيلة على مقياس ثقة من 0 إلى 100، إلى الاتجاه نفسه: تتبعت الثقة قابلية التحقق من المهمة واكتمال سياق العمل، لا قدرة النموذج، و59 في المئة يخططون بالفعل لإشراف بشري دائم (MIT Technology Review Insights, 2026).
بقراءة جدول BLS من هذه الزاوية يصبح مفيدًا بحق. فالمهن ذات التعرض المرتفع جدًا والمرتفع هي حيث ستتركز المخرجات المولّدة بالذكاء الاصطناعي، أي حيث ستتركز ساعات التحقق، أي حيث تحتاج إلى أشخاص لديهم من الثقل المهني ما يكفي لرفض المخرجات الرديئة. والتقليص هناك أولًا يعني إزالة المراجعين من الوظائف التي لديها أكثر ما يُراجَع.
ولماذا لا يستطيع المسمى الوظيفي حمل القرار أصلًا
ثمة مشكلة ثانية، مستقلة عن سقف منتصف 2023، وهي بنيوية: التعرض يُقاس لكل مهنة، بينما التبني يحدث لكل شخص.
وجد بيك وبلاندين وديمينغ وشوماخر، عبر ربط مسح تمثيلي على المستوى الوطني بمهام O*NET التفصيلية، أن مقاييس التعرض للذكاء الاصطناعي التوليدي لا تفسر سوى نحو نصف التباين في التبني بين العاملين — فالأفراد الذين يؤدون عملًا متشابهًا يتبنون بطرق مختلفة منهجيًا (NBER Working Paper 35677, 2026). كما وجدوا أن التبني واسع لكنه سطحي: واحد على الأقل من كل خمسة عاملين يستخدم الذكاء الاصطناعي التوليدي في 80 في المئة من المهن و40 في المئة من المهام، بينما يظل التبني في معظم الحالات دون 50 في المئة.
نصف التباين يقع داخل المسمى الوظيفي، لا بين المسميات. ما يعني أن خطة تُسنِد تغيّرات الطاقة الإنتاجية بحسب رمز المهنة هي، في أفضل الأحوال، نصف مستنيرة — والنصف الذي يفوتها هو النصف الذي تملك فعلًا التأثير فيه، لأن التبني على مستوى الفرد يستجيب للتمكين والأدوات وتصميم الدور.
استخدم فئات التعرض للذكاء الاصطناعي من BLS كما ينبغي استخدام أي إحصاء وطني: بوصفها فرضية أولية عن المكان الذي يجب النظر فيه. ثم انظر داخل شركتك أنت، مقابل جرد المهام الخاص بك. مهنتان في الفئة نفسها، داخل مبناك، لن تتصرفا بالطريقة ذاتها، والباقي ليس ضجيجًا — بل هو الجزء من المشكلة الذي تملك عليه رافعة.
الاعتراض المنصف: ما زال أفضل مرجع عام متاح
أريد أن أكون منصفة تجاه ما فعله BLS، لأن "لا تستخدمه كقائمة تقليص" ليست "لا تستخدمه".
هو أول تصنيف يغطي كل مهنة متوقعة بمنهج متسق، ويمزج الأدلة النظرية بأدلة الاستخدام المرصود بدل الانحياز لأحد المعسكرين، ويوثّق حدوده بصراحة تفوق أغلب أبحاث المورّدين. ولأغراض قياس مزيج قوتك العاملة مقابل التوزيع الوطني، وترتيب أي الوظائف تحصل أولًا على ميزانية تمكين، وبناء حجة أمام مجلس يريد مصدرًا قابلًا للاستشهاد — هو أفضل أداة عامة متاحة، ولن تنتج أي شركة متوسطة الحجم أفضل منها داخليًا.
الخلل ليس في الجدول، بل في الضغط: أربع درجات، وعمود واحد، وعنوان فئة يُقرأ كحكم. هذا التنسيق يغري باستنتاج عن أعداد الموظفين لا يسنده المنهج، وقد قال BLS ذلك استباقًا في الصفحة نفسها. والانضباط المطلوب بسيط: احمل التحفظات مع الرقم في كل مرة يظهر فيها داخل عرض تقديمي.
ما ينبغي أن تقرره هذا الربع
أربعة تغييرات في كيفية دخول ترتيب BLS للتعرض للذكاء الاصطناعي إلى دورة تخطيطك لعام 2027.
- أعد تسمية العمود. أينما ظهرت فئة التعرض في وثيقة تخطيط، يكون العنوان "عبء المراجعة المتوقع"، لا "المخاطر". البيانات نفسها، والفعل الصحيح. العنوان يؤدي معظم العمل في كيفية قراءة الجدول.
- اقرن كل درجة تعرض بمقياس داخلي للتبني. التعرض يفسر نحو نصف التباين؛ وبيانات الاستخدام لديك تفسر الباقي. وإن كنت لا تستطيع قياس التبني لكل عامل، فتلك البنية القياسية شرط مسبق للخطة، لا مخرج من مخرجاتها.
- احمِ عمق المراجعة في وظائفك الأعلى تعرضًا. هي التي ستولّد أكبر قدر من المخرجات الآلية وتحتاج إلى أكبر قدر من الحكم الخبير لفحصها. اِحسب ساعات المراجعة قبل أن تحسب الوفورات.
- ضع تاريخًا على افتراض القدرات. اكتب "المدخلات النظرية تعكس قدرات ذكاء اصطناعي لا تتجاوز منتصف 2023" أسفل الجدول مباشرة. هذا يُشيخ الادعاء أمام من يقرأه لاحقًا — وهو الدفاع الوحيد ضد لقطة من 2026 تحكم بصمت توقعًا يمتد إلى 2035.
أعطاك BLS خريطة لأين سيتغير العمل. وقال، خمس مرات منفصلة وبكلماته هو، إنه لم يعطك خريطة لأين يذهب العاملون.
إذا كان رقم توظيف لعام 2027 في خطتك يعود إلى تصنيف "تعرض مرتفع جدًا"، فأنت لم تتخذ قرارًا بشأن القوى العاملة. أنت استشهدت بترتيب استبعد الاستخدام الذي استخدمته به للتو — والوكالة التي نشرته لن تكون هي من يدافع عن ذلك الرقم حين يتبين أنه خاطئ.
