Scovai Scovai
Talent Intelligence 2026-11-09 1 min read

الخبرة التخصصية فقدت موقعها في بطاقات تقييم المقابلات لدى Anthropic. وحصة التعيينات التقنية المبتدئة انتقلت من 27% إلى 9%.

DSL

Dr. Sarah Liu

الخبرة التخصصية فقدت موقعها في بطاقات تقييم المقابلات لدى Anthropic. وحصة التعيينات التقنية المبتدئة انتقلت من 27% إلى 9%.

انخفضت حصة المبتدئين من التعيينات التقنية في Anthropic من 27% إلى 9%. هذا الرقم نُوقش حتى الإشباع. أما الرقم الكامن تحته فلا: قام مُرمِّز آلي بقراءة بطاقات تقييم المقابلات التي كتبها مديرو التعيين لآلاف الموظفين المُعيَّنين منذ 2024، ووجد أن أكبر الزيادات لدى المرشحين التقنيين كانت "في التعليقات المتعلقة باستقلالية المتقدمين وحُسن تقديرهم"، في حين أن "مناقشة الخبرة التخصصية تقلّصت كنسبة من التقييم الإجمالي" (Anthropic, 2026).

معظم ما نعرفه عن الذكاء الاصطناعي وتعيين المستويات المبتدئة مصدره إعلانات الوظائف — أي ما يقول أصحاب العمل إنهم يريدونه قبل أن يلتقوا بأي شخص. تقرير التوظيف الصادر عن Anthropic في 16 أكتوبر يفعل شيئًا أندر: فهو يقرأ ما كتبه المُقابِلون بعد المحادثة.

رقمان، وموضوعان مختلفان. رقم أعداد العاملين محل خلاف، كما سأوضح. أما رقم بطاقات التقييم فهو الذي لم يَستعدّ له نموذج تقييم المقابلات الخاص بك.

ما قاسته بطاقات تقييم المقابلات فعليًا

التقرير دراسة قائمة على بيانات داخلية لشركة واحدة: سجلات استخدام الذكاء الاصطناعي، ومقاييس المُخرَجات، واستقصاءات الموظفين، وبيانات Slack والتقويم، وسجلات قرارات التعيين، إضافة إلى 17 مقابلة مع موظفين. المؤلف الرئيسي ناثان ويلمرز يعمل في MIT Sloan؛ والعمل تنشره Anthropic نفسها.

في التركيبة، يهم رقمان متمايزان ولا ينبغي دمجهما. حصة الموظفين من المستوى المبتدئ داخل الأقسام التقنية "انزلقت من 21% إلى 14% منذ أوائل 2025". أما حصة التعيينات التقنية المبتدئة فقد "هبطت بوتيرة أسرع، من 27% إلى 9%". الثاني هو تغيّر في تركيبة مَن يُعيَّن، وليس خفضًا في أعداد العاملين — فالتقرير يذكر صراحة أن التعيين التقني "واصل النمو بالأرقام المطلقة" في حين أن الشركة "تضاعف حجمها ثلاث مرات في العام الماضي". ومن يقرأ الانتقال من 27% إلى 9% كتخفيض بنسبة 65% في تعيين المبتدئين فقد أخطأ في الفهم.

ما قاله المديرون يتوافق مع البيانات. في استقصاء أُجري في أبريل 2026، "وصفت أغلبية من المديرين أنهم يُعيِّنون بحثًا عن مجموعة مهارات مختلفة بسبب الذكاء الاصطناعي"، في حين أن "نحو ثلث مديري تعلّم الآلة وخُمس مديري هندسة البرمجيات أفادوا بأنهم يُعيِّنون أقل بسبب الذكاء الاصطناعي". الأغلبية غيّرت المعايير. والأقلية خفّضت الأحجام. هذا الترتيب هو القصة كلها.

طبقة بطاقات التقييم

الدليل المميز نصّي. في 2024، كان مديرو التعيين يُدوِّنون سجل المرشح في استخدام أدوات الذكاء الاصطناعي في "نحو 5% من التقييمات للأدوار التقنية، و7% للأدوار غير التقنية". وبحلول 2026 تضاعفت هذه النسب ثلاث مرات للأدوار التقنية وأربع مرات للأدوار غير التقنية. التقرير يعطي أساس 2024 والمضاعفات بالكلمات فقط، لذا فإن القيم النهائية غير منشورة — واختلاقها سيصنع دقة لا تملكها المصادر.

وتحت ذلك تكمن إعادة التوازن الأعمق. للمرشحين التقنيين: الاستقلالية وحُسن التقدير بأكبر زيادة، والخبرة التخصصية تتراجع كنسبة من التقييم. وللمرشحين غير التقنيين: "ارتفع التوجه نحو العميل والرسالة، في حين انخفضت مناقشة مهارات التنفيذ". وشرح أحد المديرين هو أنقى تلخيص لهذا المنطق في الوثيقة بأكملها: "أتوقع أن تبقى النماذج غير متسقة، لذا أريد لفريقي أشخاصًا قابلين للتبادل بين المجالات."

لاحظ ما لا يرتبط به أي رقم. الزيادة في الاستقلالية وحُسن التقدير مُبلَّغ عنها اتجاهيًا، كأكبر تغيّر، دون نسبة مئوية. هذا قيد في الدليل، وليس سببًا لإسقاطه — لكنه يعني أن هذه النتيجة تدعم اتجاه حركة، لا مقدارًا.

شركة واحدة ليست معيارًا مرجعيًا

مؤلفو التقرير أكثر صراحة في هذا من معظم التعليقات: "هناك أجزاء كثيرة من ممارسات التوظيف في Anthropic لا يمكن تكرارها على مستوى الاقتصاد." فالشركة تُحقِّق ما بين ضعفين وأربعة أضعاف الإيراد لكل موظف الذي حققته Meta وGoogle في ذروتهما. إنها حالة واحدة (n = 1)، منشورة ذاتيًا، غير مُراجَعة خارجيًا، وتقع في الطرف الأقصى من كثافة استخدام الذكاء الاصطناعي. ولا شيء فيها يُثبت اتجاهًا على نطاق الاقتصاد.

الأدبيات الأوسع في خلاف نشط تحديدًا حول النقطة التي يأخذها معظم الناس منه. تحليل لامبرت وشيندلر لـ243 مليون تعيين جديد و407 ملايين إعلان وظيفة في الولايات المتحدة وبريطانيا وكندا وأستراليا وجد أن ارتفاعًا بمقدار انحرافين معياريين في التعرض للذكاء الاصطناعي التوليدي أو في التعرض للعمل عن بُعد كان مرتبطًا، عند اختبار كل منهما منفردًا، بانخفاض يقارب خمس نقاط مئوية في حصة المبتدئين بحلول 2025 — لكن عند إدخالهما معًا، فإن معامل الذكاء الاصطناعي "يخبو بشدة ويصبح غالبًا غير قابل للتمييز إحصائيًا عن الصفر" في حين بقي أثر العمل عن بُعد قويًا (Lambert & Schindler, 2026). قراءتهما: سلّم المبتدئين المكسور قد يكون قصة عن مكان أداء العمل، لا عمّا يُؤتَمت منه.

بيانات الإنفاق على مستوى الشركات تقطع في الاتجاه المضاد مرة أخرى. بربط الإنفاق المرصود على الذكاء الاصطناعي في 21,559 شركة أمريكية بسجلات القوى العاملة، وجدت Ramp وRevelio Labs أن المتبنّين ذوي الكثافة العالية زادوا أعداد العاملين في المستويات المبتدئة بنحو 12% خلال العامين التاليين للتبنّي، في حين لم يُظهر المتبنّون ذوو الكثافة المنخفضة أي تغيّر ذي دلالة إحصائية على الإطلاق (Ramp, 2026). الاستثمار الكثيف في الذكاء الاصطناعي، في تلك البيانات، ارتبط بتعيين مبتدئين أكثر، لا أقل.

إذن فالادعاء السببي بانهيار المستوى المبتدئ غير محسوم، ولا مبرر لمدير العمليات أن يخطط لأعداد العاملين على أساسه. أما الادعاء المتعلق بالمعايير فمسألة أخرى.

ما يتقارب هو المعايير، لا العدد

وهنا سبب استحقاق نتيجة بطاقات التقييم للاهتمام رغم كون الحالة واحدة. فهي تتفق مع أدلة مستخلصة من نوع بيانات مختلف تمامًا، وعلى نطاق مختلف تمامًا.

حلّل مقياس PwC العالمي لوظائف الذكاء الاصطناعي 2026 أكثر من مليار إعلان وظيفة في ست قارات، مع تحليل معمّق لـ2.4 مليون دور من مستوى المبتدئين في الولايات المتحدة. وتبيّن أن الأدوار المبتدئة المعرّضة للذكاء الاصطناعي أكثر احتمالًا بسبع مرات من الأدوار المبتدئة الأقل تعرضًا لأن تطلب مهارات تقليديًا للمستويات العليا — حُسن التقدير، والتفكير الاستراتيجي، والقيادة المُحفِّزة، والذكاء العاطفي. أما الإعلانات المطابقة لذلك النمط "المُرقَّى" فقد نمت 35% منذ 2019، حتى في حين ظلّت إعلانات بداية المسار المهني مستوية إجمالًا في القطاعات شديدة التعرض للذكاء الاصطناعي (PwC, 2026).

الإعلانات تُسجِّل ما يُعلنه أصحاب العمل. وبطاقات التقييم تُسجِّل ما كافأ عليه المُقابِلون بعد لقاء الشخص. وهما سطحا قياس مستقلان، جمعتهما أطراف مختلفة بدوافع مختلفة، وتحركا في الاتجاه نفسه: نحو حُسن التقدير والاستقلالية، وبعيدًا عن التنفيذ التخصصي الضيق.

التقارب بين مناهج مستقلة أضعف من تقدير سببي واحد، لكنه أقوى من حكايتين. وهو كافٍ للتحرك، لأن التحرك زهيد التكلفة وقابل للاختبار محليًا.

والتباين الذي يكشفه قائم فعلًا في معظم منظومات التعيين في الشركات المتوسطة. فطلب التوظيف للمستوى المبتدئ يطلب الآن حُسن تقدير بمستوى كبار الموظفين، في حين أن نطاق الأجر وفترة التأهيل التسعين يومًا ونموذج الإرشاد كلها لا تزال تفترض مبتدئًا. وفي الوقت نفسه، أفاد مسؤولو تعيين حديثي التخرج في بريطانيا بورود 141 إلى 172 طلبًا لكل وظيفة في القطاعات الأكثر ازدحامًا (ISE, 2026) — ما يعني أن طبقة الفرز تحت ضغط حجمي أكبر من أي وقت مضى، في اللحظة ذاتها التي تغيّر فيها ما يستحق الفرز من أجله.

ما ينبغي لمدير العمليات فعله هذا الربع

التدقيق المُستلزَم هنا صغير بما يكفي لتنفيذه بنفسك قبل إغلاق دورة التعيين القادمة.

  1. استخرج آخر عشرين بطاقة تقييم مقابلات لديك. لا نموذج التقييم — بل التعليقات النصية الحرة التي كتبها المُقابِلون فعليًا.
  2. صنّف كل سطر في واحدة من أربع خانات: العمق التخصصي الضيق، والتنفيذ والإنجاز، والاستقلالية وحُسن التقدير، والدليل على العمل الفعّال بأدوات الذكاء الاصطناعي.
  3. أحصِ. إذا هيمنت الخانتان الأولى والثانية — وفي معظم الشركات التي يعمل فيها من 50 إلى 500 موظف بدوام كامل ستهيمنان، لأن هذا بالضبط ما بُني النموذج لاستخلاصه — فأنت تنتقي بأقصى صرامة على الفئتين اللتين فقدتا موقعهما في الشركة الأكثر تقدمًا على هذا الطريق.
  4. ثم تحقق من الأمر الأصعب: هل عمليتك قادرة أصلًا على ملاحظة الفئتين الأخريين. الاستقلالية وحُسن التقدير لا تظهران في سيرة ذاتية ولا في تمرين تقني مُوقَّت. تظهران في كيفية تحديد شخصٍ لنطاق مشكلة غامضة، وقراره بما لا يفعله، وشرحه لمفاضلة أخطأ فيها.

هذه النقطة الأخيرة هي القيد الحقيقي، وهي مشكلة قياس قبل أن تكون مشكلة معايير. فالشهادات والمسميات الوظيفية مؤشرات بديلة للخبرة التخصصية — وهي السمة التي تفقد وزنها. أما حُسن التقدير والاستقلالية فيحتاجان دليلًا مُبرهَنًا: تقييمًا مُهيكلًا، ومسائل مُعالَجة، وسجلًا للقرارات بدلًا من سجلٍ للمناصب. والأدوات من جانب المرشح المبنية لهذا التمييز، ومنها Talent Passport من Scovai، تُصادق على القدرة المُبرهَنة برتبة مئوية لكل مهارة بدلًا من التاريخ المهني وحده — وهي الصورة التي يتعين أن يتخذها الدليل ليكون قابلًا للفرز على نطاق واسع.

تحذيران قبل إعادة صياغة أي شيء. لا تستخدم هذا لتبرير خفض تعيين المبتدئين؛ فالدليل السببي لا يدعمه، وبيانات الإنفاق على مستوى الشركات تشير إلى العكس. ولا تُسقط الخبرة التخصصية من معاييرك — فعبارة "تقلّصت كنسبة من التقييم الإجمالي" إعادة توازن، لا إزالة. وفي فريق عمليات من 200 شخص بلا وظيفة لتدريب النماذج، تبقى المعرفة التخصصية هي ما يدفع عملاؤك مقابله.

القرار الذي أمامك

التلخيص الصادق للأدلة هو هذا: لا أحد يستطيع بعد أن يخبرك إن كان الذكاء الاصطناعي سيُقلّص طبقة المبتدئين لديك. فعدة مجموعات بيانات موثوقة تتضارب. لكن مصدرين مستقلين — مليار إعلان وظيفة وآلاف بطاقات تقييم المقابلات — يتفقان على ما تُقاس به الأدوار الباقية، ومعظم نماذج تقييم المقابلات لم تتحرك استجابة لذلك.

بطاقات تقييم المقابلات لديك سجل مكتوب لما تعتقد مؤسستك أنه يتنبأ بالأداء. وبطاقات Anthropic هي عامان من ذلك الاعتقاد وهو يتغير في نص قابل للقياس. أما بطاقاتك فهي في نظام تتبع المتقدمين لديك في هذه اللحظة، غير مقروءة كمجموعة بيانات.

اقرأ عشرين منها هذا الربع. إن كانت لا تزال تكافئ المرشح الأوسع معرفة على المرشح الأفضل قرارًا، فقد وجدت أعلى إصلاح رفعًا لهذا الربع — وتكلفته بعد ظهيرة واحدة، لا بندًا في الموازنة.

Ready to go beyond the CV?

Scovai's AI-powered Talent Passport reveals what resumes can't: personality, potential, and true job fit.