المبرمجون فوق سن الخامسة والخمسين يغادرون سوق العمل اليوم بمعدل متوقَّع يفوق ما كان عليه قبل ChatGPT بأكثر من 25%. أما دهّانو المباني — في أسفل مؤشر التعرّض نفسه — فقد تحركوا بنحو 2% فقط (Sanzenbacher, CRR Issue Brief 26-13, 2026).
هذا هو نزيف الخبرة، وهو يسير في الاتجاه المعاكس لكل رواية عن الأتمتة سمعتها. كلما ارتفع الأجر وارتفعت المهارة، كان الخروج أسرع.
أمضت معظم فرق العمليات في الشركات متوسطة الحجم ثمانية عشر شهرًا وهي قلقة على مدخل الوظائف المبتدئة — هل يلتهم الذكاء الاصطناعي وظيفة المحلل المبتدئ، وهل ما زال أمام الموظف ابن الاثنين والعشرين مسار؟ هذا القلق مدعوم بالأدلة. لكنه طرف واحد فقط من خطٍّ صار يتسرب من طرفيه.
ما الذي قاسته دراسة بوسطن كوليدج فعليًا
ورقة يونيو 2026 الصادرة عن مركز أبحاث التقاعد (Center for Retirement Research) في بوسطن كوليدج، بقلم الاقتصادي Geoffrey T. Sanzenbacher، طابقت البيانات الطولية لمسح السكان الحالي (Current Population Survey) مع مؤشر التعرّض للذكاء الاصطناعي الصادر عن Tufts Digital Planet، ثم قارنت سلوك ترك العمل لدى العاملين من سن 55 فما فوق قبل انتشار الذكاء الاصطناعي التوليدي في نوفمبر 2022 وبعده (Center for Retirement Research at Boston College, 2026).
خياران منهجيان يستحقان انتباهك.
الأول: الدراسة تستخدم انتقالات فعلية ملاحَظة خارج سوق العمل، لا نوايا تقاعد معلنة. استطلاعات الرأي حول كبار العاملين والذكاء الاصطناعي تقيس القلق. هذه الدراسة تقيس المغادرة.
الثاني: ترتّب المهن بحسب تعرّض مُقاس، لا بحسب الحدس حول أي الأعمال "تبدو" قابلة للأتمتة (Digital Planet, Tufts University, 2026). المبرمجون والمحاسبون والمحللون في الأعلى. الدهّانون في الأسفل. التدرّج نفسه هو النتيجة.
في المهن المكتبية الأكثر تعرّضًا، ارتفع الاحتمال المتوقَّع للخروج من العمل من نحو 8.7% إلى 11.1% — زيادة نسبية تتجاوز 25%. وعند الطرف منخفض التعرّض، يعطي الحساب نفسه نحو 2%. الأثر أكبر في الوظائف الأعلى أجرًا، وهو ما يقلب النمط الذي اتبعته الأتمتة على مدى أربعة عقود.
ميزة طول المسار المهني التي انقلبت للتو
إليك الرقم الذي ينبغي أن يعيد صياغة خطتك للقوى العاملة.
على امتداد الفترة المدروسة كاملة، كان العاملون الكبار عالو التعرّض يسجلون تاريخيًا معدلات خروج أدنى من أقرانهم منخفضي التعرّض: 11.7% مقابل 14.1% (Sanzenbacher, CRR Issue Brief 26-13, 2026). العمل المكتبي عالي المهارة كان بالضبط ما يتيح للناس الاستمرار في العمل. المحاسب يبقى؛ وعامل الأسطح يخذله جسده.
هذه الميزة تتآكل، وتشير الورقة إلى أن جزءًا معتبرًا من التغيّر يعود إلى البطالة لا إلى التقاعد الطوعي. ليست موجة من أشخاص مرتاحين يختارون المغادرة مبكرًا، بل فئة كانت مسيرتها المهنية الأكثر متانة وصارت أقل متانة.
اقرأ ذلك مع صورة التبنّي الكامنة خلفه: نحو 18% فقط من العاملين بين 50 و64 عامًا يقولون إنهم يستخدمون الذكاء الاصطناعي التوليدي. التعرّض يقع على الشريحة الأقل احتمالًا لاستخدام الأداة التي تُنتجه.
بالنسبة لقائد العمليات، هذا المزيج — تعرّض مرتفع، تبنٍّ منخفض، خروج غير طوعي متصاعد — حالة محددة وقابلة للمعالجة. ليست حتمية ديموغرافية.
ويجدر أيضًا الدقة في معنى "الخروج" هنا. الانتقال خارج العمل في سن 58 ليس الحدث نفسه في سن 28. نادرًا ما يعود العامل الكبير إلى المستوى ذاته؛ وإطار المركز أن هذه مسيرات مهنية قُطعت مبكرًا لا مسيرات مُعلّقة (Sanzenbacher, CRR, 2026). من جانبك أنت، يعني ذلك أن هذا الشخص لن يعود إلى السوق كي تعيد توظيفه بعد ربعين، حين يقصّر المشروع التجريبي للذكاء الاصطناعي عن وعوده. المعرفة تغادر القطاع، لا كشوف الرواتب فحسب.
نزيف الخبرة يصيب الأدوار الأبطأ في إعادة التوظيف
ضع نتيجة بوسطن كوليدج إلى جانب أفضل الأدلة من الطرف الآخر لتوزيع الأعمار.
مختبر الاقتصاد الرقمي في ستانفورد، اعتمادًا على بيانات رواتب عالية التواتر تغطي ملايين العاملين الأمريكيين، وجد انخفاضًا نسبيًا في التوظيف بنحو 13% لدى الفئة العمرية 22–25 عامًا في المهن الأكثر تعرّضًا للذكاء الاصطناعي بعد تبنّي الذكاء الاصطناعي التوليدي، بينما صمد توظيف العاملين الأكبر سنًا في المهن نفسها أو نما (Stanford Digital Economy Lab, 2025).
بقراءة سطحية تبدو النتيجتان متناقضتين. وهما ليستا كذلك. ستانفورد تقيس أعداد العاملين داخل المهنة؛ وبوسطن كوليدج تقيس الانتقالات الفردية خارج العمل لفئة 55 فأكثر. الأولى إشارة توظيف والثانية إشارة خروج — ويمكن أن تصحّا معًا. قد تحافظ المهنة على إجمالي كوادرها بينما يتسرب الأفراد عند طرفها الأقدم بوتيرة أسرع.
النتيجة التشغيلية هي المهم، وهي غير مريحة: عدد أقل من المبتدئين يدخلون القمع، ومغادرات أسرع لكبار الخبرة، وبينهما أرقّ طبقة في السوق المتوسط. شركة من 20 ألف موظف تمتصّ ذلك؛ لديها مقاعد احتياط وبرنامج تدوير وثلاثة أشخاص يمكنهم منطقيًا تولّي أي دور.
أما في شركة من 200 شخص، فمن يعرف سبب وجود ذلك الاستثناء في منطق التسوية هو شخص واحد.
ما الذي يخرج من الباب معهم
كلفة خروج أحد كبار الخبرة ليست بند الراتب الذي تتوقف عن دفعه، بل شيئان لم يظهرا في أي بند أصلًا.
الأول هو المعرفة الضمنية بالعمليات — الأسباب غير الموثّقة وراء تهيئة نظام ما بهذا الشكل. كل شركة متوسطة تعمل فوق هذه الطبقة، وهي غير مرئية تمامًا حتى يغادر من يحملها. إنه الاستثناء في منطق الاعتراف بالإيراد الموجود بسبب عقد من 2019، والمورّد الذي يجب الاتصال به لا مراسلته، والاستعلام الذي يبدو زائدًا وليس كذلك. لا شيء من ذلك في الدليل، ومعظمه ليس في رأس شخص ثانٍ.
وهناك نسخة من الدرجة الثانية يزيدها الذكاء الاصطناعي حدّة لا ليونة. مساعدو التوثيق والبرمجة بارعون في وصف ما يفعله النظام، وضعفاء في استعادة لماذا بُني هكذا، لأن ذلك المنطق لم يُكتب أصلًا. الأداة التي ترفع تعرّضك لا تسدّ الفجوة التي تفتحها.
والثاني قابل للقياس، وهو ما تتجاهله معظم الخطط التشغيلية. العمل إلى جانب زملاء أعلى مهارة يُنتج مكاسب حقيقية في رأس المال البشري للأقل خبرة — آثار كبيرة بما يكفي لتظهر في الأجور اللاحقة، ومتسقة عبر فرق بحثية مستقلة (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). كبار موظفيك لا ينتجون مخرجات فقط؛ إنهم مدخل تدريبي لكل من يعمل بقربهم.
افقد هذا المدخل بينما توظّف عددًا أقل من المبتدئين، وسيعمل التراكم في الاتجاه الخاطئ. أنت لا تخسر رأسًا واحدًا فحسب، بل خفّضت معدل تحسّن بقية الفريق.
أين يتركّز التعرّض
المبرمجون والمحاسبون والمحللون الماليون وكتّاب المحتوى التقني هم الملف الأكثر تأثرًا — وهو ما يعني، في شركة من 50 إلى 500 موظف، الشؤون المالية والهندسة ووظيفة الأنظمة الداخلية الصغيرة التي تُبقي المنظومة متماسكة. وليس مصادفةً أنها أيضًا الأدوار الأطول في زمن وصول البديل إلى الإنتاجية.
أين قد تكون هذه الحجة خاطئة
ثلاثة تحفظات، بوضوح، لأن المؤلف نفسه يذكرها.
هذا تحليل مبكر لمنعطف حديث. النافذة بعد ChatGPT قصيرة، والتقديرات على نوافذ قصيرة هشّة.
توجد عوامل مُربِكة تسمّيها الورقة: تخفيضات الإنفاق الحكومي على البحث والتطوير، وديناميكيات التوظيف غير المعتادة في الشركات الناشئة المؤسَّسة على الذكاء الاصطناعي، وكلاهما قد يحرف التقديرات تحديدًا في المهن عالية التعرّض قيد الدراسة (Center for Retirement Research at Boston College, 2026). قد يعود جزء من الخروج المقاس إلى تلك القوى لا إلى الإحلال بالذكاء الاصطناعي.
والتعرّض ليس إحلالًا. الدرجة المرتفعة على مؤشر التعرّض تعني أن مهام الدور تتقاطع مع قدرات النموذج، ولا تثبت أن نموذجًا أدى العمل.
ما ينجو من التحفظات الثلاثة: الاتجاه هو الادعاء الحامل، لا الكسر العشري. ميزة طول المسار المهني لدى كبار العاملين عالي المهارة، والتي صمدت عقودًا، تتقلص — وتتقلص أسرع حيث التعرّض أعلى. وحتى نسخة مخفَّفة كثيرًا من هذه النتيجة توجّه مخاطرك إلى الشريحة نفسها.
ما الذي يتغيّر في شركة من 50 إلى 500 موظف
ثلاث خطوات، لا تحتاج أي منها إلى موافقة على ميزانية.
نفّذ جدولًا متقاطعًا للتعرّض حسب الأقدمية، مرة واحدة. خذ ملاك موظفيك، وصنّف كل دور بأنه عالي أو منخفض التعرّض للذكاء الاصطناعي بحسب فئات المهن الواردة في الورقة، ثم قاطعه مع العمر أو الأقدمية. أنت تبحث عن رقم واحد: كم من عملك الأكثر تعرّضًا يحمله أشخاص في العقد الأخير من مسيرتهم. معظم قادة العمليات لم يحسبوا هذا قط، وتفاجئهم النتيجة.
حوّل القرب إلى توثيق قبل أن يصير الأمر عاجلًا. أثر التعلّم من الزملاء حقيقي لكنه يتطلب الحضور (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). وحيث يشير جدولك المتقاطع إلى تركّز، موّل الاستخلاص الآن — دليل تشغيل موثّق، وشرح مسجّل، وشخص ثانٍ مُسمّى على العملية. هذا رخيص ما دام الشخص على رأس عمله، ومستحيل بعد رحيله.
عالج فجوة التبنّي في هذه الفئة تحديدًا. مع استخدام يقارب 18% للذكاء الاصطناعي التوليدي بين من هم بين 50 و64 عامًا، فإن المجموعة التي تحمل أعلى تعرّض هي الأقل إتقانًا للأداة التي تُنتجه. التمكين الموجَّه لكوادرك التقنية الكبيرة هو ذلك التدخل النادر الذي يقلّل خطر الإحلال ويرفع المخرجات في آنٍ واحد — وهو أرخص كثيرًا من استبدالهم.
قرار واحد لهذا الربع
انظر إلى هيكلك التنظيمي وحدّد الأدوار عالية التعرّض التي يشغلها في الوقت نفسه شخص يفصله عن التقاعد أقل من خمس سنوات. ثم أجب عن سؤال واحد بصدق: لو قدّم هذا الشخص استقالته يوم الجمعة، كم يلزم من الوقت حتى يستطيع غيره أداء العمل — لا المهام، بل العمل؟
إذا كانت الإجابة تُقاس بالأرباع، فأنت تحمل التزامًا غير مُسعّر، وبيانات بوسطن كوليدج تقول إن احتماله ارتفع للتو.
كل خطة قوى عاملة للذكاء الاصطناعي كُتبت هذا العام في السوق المتوسط تحمي مدخل الوظائف. ولا تكاد أي منها تحمي المخرج. نزيف الخبرة ليس مشكلة تقاعد تديرها الموارد البشرية في 2030 — إنه مشكلة عمليات، وقد بدأت في 2023.
ضع في ميزانيتك المغادرة التي لا تتوقعها، من الشخص الذي لا يمكنك استبداله.
