هل يحل وكلاء الذكاء الاصطناعي محل المستقلين؟ ماذا تقول أدلة 4 سنوات (ChatGPT وClaude وUpwork وJobbit)

يطرح كل صاحب عمل اليوم نسخة من السؤال نفسه: أي عمل يمكن تسليمه لوكيل ذكاء اصطناعي، وأيّه لا يزال بحاجة إلى إنسان؟ ولمرة واحدة، أصبح لهذا السؤال مختبر حقيقي. فمنذ أواخر عام 2022، استضافت منصات العمل الحر عبر الإنترنت، التي تجمع ملايين الكتّاب والمترجمين والمصممين والمطورين، تجربة طبيعية أيضاً لما يحدث عندما يظهر بديل قادر على أداء العمل المعرفي الروتيني بين عشية وضحاها، بتكلفة هامشية شبه معدومة، داخل سوق يُنشر فيه كل عمل ويُسعّر ويُختم بتوقيت زمني.

تتعامل دراسة الحالة هذه مع تلك التجربة بالطريقة نفسها التي يتعامل بها باحث أكاديمي مع أي مجموعة أدلة أخرى: ما الذي قِيس بالضبط، وبأي درجة من الدقة، وماذا تُظهر النتائج، وماذا لا تستطيع إظهاره بعد. وتستند الدراسة إلى أبحاث محكّمة وأوراق عمل لباحثين من Stanford وMIT وHarvard Business School وجامعة Chicago وUCLA، وإلى تجارب ميدانية عشوائية داخل BCG وAlibaba، وإلى تقييمات القدرات الصادرة عن METR وOpenAI، وإلى بيانات المنصتين نفسيهما Upwork وFiverr. وتغطي الفترة المدروسة من نوفمبر 2022، حين أُطلق ChatGPT، إلى أغسطس 2026، حين جرى تحديث أحدث هذه الدراسات.

والإجابة المختصرة عن سؤال العنوان هي أن الوكلاء حلّوا حتى الآن محل المهام لا محل المستقلين أنفسهم، وأن هذا الإحلال كان ضيق النطاق وسريعاً وغير متساوٍ. أما الإجابة المطوّلة فهي الأكثر فائدة، لأنها تُظهر للشركة أين يقع الحد الفاصل حالياً، وكيف تعمل على جانبيه معاً.

ملخص النتائج

هناك خمسة استنتاجات تصمد أمام قراءة متشككة للأدلة.

أولاً، الإحلال حقيقي ومركّز. ففي غضون ثمانية أشهر من إطلاق ChatGPT، انخفضت إعلانات أعمال الكتابة والبرمجة القابلة للأتمتة على منصة عالمية رائدة بنحو 21% مقارنة بالأعمال كثيفة الجهد اليدوي، كما خفّضت أدوات توليد الصور إعلانات أعمال التصميم البصري بنحو 17%. وعلى منصة Upwork، أصبحت المؤهلات والسمعة أقل قدرة على التنبؤ بمن يحصل على العمل في الفئات المعرّضة لتأثير الذكاء الاصطناعي بشكل يمكن قياسه، بينما ازدادت قدرة السعر على التنبؤ بذلك.

ثانياً، لا يزال الأثر على سوق العمل الأوسع محدوداً. فالدراسة الأكثر دقة، المستندة إلى السجلات الإدارية الدنماركية، تستبعد أي أثر على الأرباح أو ساعات العمل يتجاوز 2% بعد عامين من ظهور ChatGPT. غير أن الاستثناء صارخ: ففي الولايات المتحدة، أصبح تشغيل العاملين الذين تتراوح أعمارهم بين 22 و25 عاماً في المهن الأكثر تعرضاً للذكاء الاصطناعي أقل بنحو 19% مما كان سيكون عليه لو واكب وتيرة نظرائهم الأقل تعرضاً.

ثالثاً، مكاسب الإنتاجية الناتجة عن العمل مع الذكاء الاصطناعي كبيرة لكنها غير متساوية. فهي في أعلى مستوياتها لدى العاملين الأقل خبرة في المهام الروتينية، ويمكن أن تتحول إلى مكاسب سلبية لدى الخبراء في المهام الخارجة عن كفاءة الأداة. وفي إحدى التجارب الصارمة، كان المطورون ذوو الخبرة أبطأ بنسبة 19% عند استخدام أدوات الذكاء الاصطناعي، بينما كانوا يعتقدون أنهم أسرع بنسبة 20%.

رابعاً، انتقل الوكلاء من دور المساعد إلى دور العامل. فطول المهمة التي يستطيع أحدث نظام إنجازها يتضاعف كل بضعة أشهر، وأصبح المقيّمون الخبراء، في تقييمات عمياء، يحكمون على مخرجات أفضل النماذج بأنها تساوي أو تفوق مخرجات المحترفين في ما يقرب من نصف الحالات. لكن بمجرد احتساب وقت المراجعة والتصحيح، ينهار التوفير المقاس من نحو تسعين ضعفاً إلى ما بين 12% و39%، وحتى أفضل وكلاء بيئة العمل ما زالوا يرتكبون أحياناً أخطاء صغيرة ذات عواقب لا يمكن التراجع عنها.

خامساً، الاستجابة العقلانية، وهي ذاتها التي تتقارب نحوها المنصات، هي تقسيم للعمل: الوكلاء للأعمال الرقمية الروتينية القابلة للمراجعة؛ والبشر للحكم والمساءلة والحضور وكل ما لا يمكن التراجع عنه؛ مع تسليم متعمّد للعمل بين الطرفين.

القضية: لماذا تُعد منصات العمل الحر المختبر المناسب

يعمل خبراء اقتصاديات العمل عادة بالاستناد إلى استطلاعات سنوية ورموز مهنية عامة واسعة. أما منصات العمل الحر عبر الإنترنت فتقدّم أمراً أكثر ندرة: عملاً مقسّماً إلى مهام فردية، لكل منها تاريخ نشر وسعر وفئة ومشترٍ وبائع ونتيجة. وحين تظهر تقنية قادرة على أداء بعض تلك المهام، تنعكس التغيرات في غضون أسابيع في تدفق الإعلانات، وفي من يفوز بالعقد وبأي معدل. كما تتبنى السوق الأدوات الجديدة فوراً، لأنه لا توجد دورة شراء أو تعاقد بين المستقل وعلامة تبويب المتصفح.

وهذه السمات نفسها هي ما يجعل هذا المختبر غير كامل. فالمنصات تسجّل الطلب المعلَن، لا الطلب كله؛ فالعميل الذي أصبح ينجز العمل داخلياً باستخدام وكيل يختفي من البيانات بدلاً من أن يظهر كحالة إحلال. كما تتغير الفئات، فقد يكون التراجع في فئة "الكتابة" ناتجاً جزئياً عن إعادة تصنيفها إلى "تحرير محتوى بالذكاء الاصطناعي". ومعظم مجموعات البيانات الكبيرة أمريكية المصدر، والمستقلون على هذه المنصات لا يمثّلون القوى العاملة تمثيلاً كاملاً. هذه الحدود مهمة عند التفسير، وسيرد الحديث عنها لاحقاً، لكنها لا تجعل الأدلة عديمة الفائدة. إنها تجعلها مؤشراً استباقياً لا تعداداً شاملاً.

والمخاطر هنا ليست هينة. إذ تقدّر IPSE عدد المستقلين في المملكة المتحدة بنحو 2.05 مليون شخص، أي ما يقارب نصف العاملين لحسابهم الخاص منفردين في البلاد البالغ عددهم 4.2 مليون، باستخدام تعريف يقتصر على أعلى ثلاث فئات مهنية من حيث المهارة. وهذه هي بالضبط المهن التي تصنّفها دراسات قابلية تطبيق الذكاء الاصطناعي في أعلى المراتب.

جدول زمني للأدلة، من 2022 إلى 2026

النتيجة الأولى: الإحلال حقيقي وسريع وضيق النطاق

جاءت أولى الأدلة الصارمة من Xiang Hui وOren Reshef وLuofeng Zhou، الذين نُشرت دراستهم لمنصة عمل كبيرة عبر الإنترنت في مجلة Organization Science عام 2024، ثم فازت لاحقاً بجائزة Olin من جامعة Washington للأبحاث ذات الأثر العملي. وبمقارنة المستقلين في المهن المعرّضة لتأثير ChatGPT وDALL-E 2 وMidjourney بأولئك في المهن الأقل تعرضاً، وجد الباحثون تراجعاً في عدد فرص العمل والأرباح الشهرية معاً لدى الفئة المعرّضة. وكانت النتيجة التي أقلقت هذا المجال هي تلك المتعلقة بالجودة. فالمستقلون ذوو التقييمات القوية والسجل الطويل لم يكونوا في مأمن؛ بل إن الباحثين يوردون أدلة توحي بأن الأداء الأفضل تعرّض لضربة أشد. والتفسير الأكثر ترجيحاً هو أنه في أعمال النصوص والصور الروتينية، أصبح المخرج البشري الممتاز والمخرج الآلي المقبول بديلين متقاربين في نظر المشترين، فتآكلت أولاً العلاوة السعرية للتميّز.

ثم قامت Ozge Demirci وJonas Hannane وXinrong Zhu بقياس جانب الطلب مباشرة. فباستخدام إعلانات من منصة عمل حر عالمية رائدة، وفي ورقة بحثية نُشرت في مجلة Management Science عام 2025، وجدوا انخفاضاً بنسبة 21% في إعلانات أعمال الكتابة والبرمجة القابلة للأتمتة مقارنة بالأعمال كثيفة الجهد اليدوي في غضون ثمانية أشهر من إطلاق ChatGPT، وانخفاضاً بنسبة 17% في إعلانات إنشاء الصور بعد ظهور نماذج توليد الصور. وهناك نتيجتان ثانويتان لا تقلّان أهمية عن النتيجة الرئيسية. فالإعلانات التي بقيت في الفئات المعرّضة كانت أكثر تعقيداً وأعلى أجراً، واشتدت المنافسة عليها. بعبارة أخرى، لم يُفرغ الإحلال الفئة من محتواها، بل أزال الجزء الأدنى منها.

لماذا كانت الكتابة والترجمة وأعمال الصور أول المتأثرين؟ يوضح تحليل Microsoft Research لـ 200,000 محادثة مجهولة الهوية على Bing Copilot، المنشور عام 2025، شكل هذه الآلية. فالمهن الأعلى من حيث قابلية تطبيق الذكاء الاصطناعي هي تلك التي يقوم عملها على جمع المعلومات وإنتاجها ونقلها؛ وتصدّر المترجمون الفوريون والتحريريون هذه القائمة، إذ تتداخل 98% من أنشطة عملهم مع مهام كان المساعد يؤديها بالفعل بكفاءة. وقابلية التطبيق ليست إحلالاً، والباحثون حريصون على توضيح ذلك، لكن هذا الترتيب يتنبأ بدقة تكاد تكون تامة بالفئات المستقلة التي وجدت دراسات المنصات أنها تتقلص.

وتأتي أحدث الأدلة، وأكثرها إفادة لقارئ من عالم الأعمال، من Auyon Siddiq وNiuniu Zhang في UCLA Anderson. فورقة عملهما لعام 2026، بعنوان "Human Capital, AI, and Labor Commoditization" (رأس المال البشري، والذكاء الاصطناعي، وتسليع العمل)، تتابع نحو 50,000 مستقل على Upwork كانوا نشطين قبل ChatGPT عبر 21 ربعاً سنوياً من أوائل 2021 إلى أوائل 2026، وتغطي 2.26 مليون عقد منجَز. وبدلاً من إحصاء فرص العمل، يسأل الباحثان عمّا يتنبأ بمن يحصل على التوظيف. ففي الفئات الأكثر تعرضاً للذكاء الاصطناعي، مثل الترجمة والكتابة، انخفض الوزن التنبؤي المجمّع لتقديم المستقل لنفسه ومؤهلاته وسمعته بنحو 7.8% مقارنة بالفئات الأقل تعرضاً مثل التصوير الفوتوغرافي، بينما ازداد وزن السعر. وبحلول العام الأخير، كانت مقاييس رأس المال البشري قد فقدت نحو 10.1% من أهميتها، بينما اكتسب السعر نحو 1.8%. وتقلّصت الميزة التي يتمتع بها المستقلون ذوو الخبرة بنسبة 6.2% ثم بنسبة 10.3%، وفي الأعمال الأكثر تعرضاً، فاز المستقلون الأرخص بعقود أكثر بنسبة 7.9%. وانخفض الطلب الإجمالي في المجالات المعرّضة بنحو 7%. والكلمة التي يستخدمها الباحثان لوصف هذا هي التسليع: فحين يستطيع المشتري الحصول على مسودة أولى مقبولة من نموذج، يتحول ما يدفعه مقابل عمل إنسان من سؤال "من أنت" إلى سؤال "كم الثمن".

النتيجة الثانية: الأثر الكلي لا يزال محدوداً، باستثناء واحد صارخ

لو كانت أدلة المنصات هي القصة كاملة، لكان ينبغي أن تظهر آثارها في الإحصاءات الوطنية حتى الآن. لكنها في معظمها لا تظهر، والدراسات التي لم تجد آثاراً كبيرة هي من بين الأفضل تصميماً.

وقد ربط Anders Humlum وEmilie Vestergaard استطلاعات تبنّي واسعة النطاق بالسجلات الإدارية الدنماركية للعمل، وشملت 25,000 عامل و7,000 مكان عمل في إحدى عشرة مهنة معرّضة. وتوثّق ورقة عملهما لـ NBER، التي عُممت أول مرة عام 2025 ونُقّحت في مارس 2026، تبنياً سريعاً: إذ أطلق معظم أصحاب العمل في المهن المعرّضة مبادرات لروبوتات المحادثة، وأفاد العاملون بفوائد إنتاجية، وانتشرت مهام جديدة مرتبطة بالذكاء الاصطناعي. لكن تقديرات تحليل الفروق في الفروق بشأن الأرباح وساعات العمل المسجّلة كانت معدومة الأثر بدقة، إذ استبعدت أي أثر يتجاوز 2% بعد عامين من ظهور ChatGPT، سواء على مستوى العامل أو مكان العمل. أما ما تغيّر فهو بنية العمل: فقد استوعب أصحاب العمل التقنية عبر إعادة تنظيم المهام، بما في ذلك مهام جديدة في توليد المحتوى والإشراف على الذكاء الاصطناعي ودمجه، وانتقل من تبنّوا الأداة إلى مهن أعلى أجراً حيث تكون الأدوات أكثر فائدة، وإن كان ذلك بأعداد أقل من أن تحرّك المتوسطات. وقد قدّرت النسخة الأولى من الورقة البحثية التوفير الذاتي المُبلّغ عنه في الوقت بأقل من 3% من ساعات العمل، وهو جزء يسير من المكاسب، التي غالباً ما تتجاوز 15%، الموثّقة في التجارب الخاضعة للتحكم في المهن نفسها. والفجوة بين ما يستطيع الذكاء الاصطناعي فعله في تجربة، وما يغيّره فعلياً في كشوف الرواتب، هي اللغز المحوري في هذا الأدب البحثي، والدنمارك هي المكان الذي يُقاس فيه هذا اللغز بأكبر قدر من الوضوح.

ويتوصل Budget Lab في جامعة Yale إلى استنتاج مشابه بشأن الولايات المتحدة عبر مسار مختلف. فمن خلال تتبع التركيبة المهنية للتوظيف وتطبيق تحليل الفروق في الفروق الاصطناعي على المهن المعرّضة للذكاء الاصطناعي، لا تجد تحديثاته لعامي 2025 و2026 أي أثر واضح للذكاء الاصطناعي. ويُظهر أوائل 2026 معدلات تسريح منخفضة لكن أيضاً معدلات توظيف منخفضة، ويرى الباحثون أن تقنية ذات آثار واسعة الانتشار يُتوقع أن تستغرق وقتاً أطول من نحو ثلاث سنوات منذ ظهور ChatGPT حتى تظهر آثارها.

أما الاستثناء فقد وثّقه Erik Brynjolfsson وBharat Chandar وRuyu Chen في Digital Economy Lab التابع لجامعة Stanford، في ورقتهم البحثية "Canaries in the Coal Mine?" (كناري في منجم الفحم؟)، التي تستخدم سجلات رواتب ADP التي تغطي ملايين العاملين الأمريكيين. ففي تحديثها الصادر في أغسطس 2026، ببيانات حتى يونيو 2026، أصبح تشغيل العاملين بين 22 و25 عاماً في المهن الأكثر تعرضاً للذكاء الاصطناعي أقل بنحو 19% مما كان سيكون عليه لو واكب وتيرة عاملين من الفئة العمرية نفسها في مهن أقل تعرضاً، ارتفاعاً من فجوة 15% قبل عام. وعلى مستوى المستويات المطلقة، انخفض تشغيل تلك الفئة العمرية في الخُمسين الأكثر تعرضاً بنحو 11% بين نوفمبر 2022 ويونيو 2026، بينما نما التشغيل في الأخماس الثلاثة الأقل تعرضاً بنحو 10%. ولا يُظهر العاملون ذوو الخبرة فجوة مماثلة، ويذكر الباحثون بوضوح أنهم لا يرون إحلالاً واسع الانتشار على مستوى الاقتصاد ككل. وتتركز حالات التراجع في المهن التي تُستخدم فيها أدوات الذكاء الاصطناعي لأتمتة العمل بدلاً من تكميله.

وتتسق هذه النتائج فيما بينها بمجرد التوقف عن توقع أن يتصرف الذكاء الاصطناعي كأنه ركود اقتصادي. فالإحلال على مستوى المهمة يظهر أولاً حيث تكون العقود أقصر مدة وتُعاد تسعيرها بشكل أكثر تكراراً: أي في أعمال العمل الحر المؤقتة والتوظيف عند مستوى المبتدئين. وسوق العمل الحر هو طائر الكناري لأنه يُعاد تسعيره كل أسبوع؛ أما كشوف الرواتب فهي المنجم، والهواء هناك هو الأقل تغيّراً حتى الآن.

النتيجة الثالثة: مكاسب التعزيز كبيرة لكنها غير متساوية، والحدود المتعرجة سمة أساسية

مكمّل الإحلال هو التعزيز، وهنا تكون الأدلة التجريبية قوية بشكل غير معتاد لأن التوزيع العشوائي ممكن.

درس Brynjolfsson وDanielle Li وLindsey Raymond الطرح التدريجي المتدرج لمساعد ذكاء اصطناعي توليدي على 5,179 من موظفي دعم العملاء، في ورقة بحثية نُشرت في مجلة Quarterly Journal of Economics عام 2025. فارتفع عدد المشكلات المحلولة في الساعة بنسبة 14% في المتوسط، مع مكسب بلغ 34% لدى الموظفين المبتدئين والأقل مهارة، وتغيّر ضئيل لدى الموظفين ذوي الخبرة والمهارة العالية. وبدا أن الأداة تُشفّر ممارسات أفضل الموظفين وتنقلها إلى الأحدث تعييناً، فتنقلهم على منحنى الخبرة بشكل أسرع.

وأجرى Fabrizio Dell'Acqua وزملاؤه في Harvard Business School، بالتعاون مع BCG، تجربة عشوائية على 758 استشارياً إدارياً عبر مهام واقعية بوجود GPT-4 وبدونه، في دراسة منشورة الآن في مجلة Organization Science. ففي ثماني عشرة مهمة تقع ضمن كفاءة النموذج، أنجز الاستشاريون الذين استخدموا الذكاء الاصطناعي مهاماً أكثر بنسبة 12.2%، وبسرعة أكبر بنسبة 25.1%، مع جودة صنّفها مقيّمون عميون بأنها أعلى بنسبة 40%. وفي مهمة اختيرت عمداً لتقع خارج تلك الكفاءة، كان الاستشاريون الذين استخدموا الذكاء الاصطناعي أقل احتمالاً بمقدار 19 نقطة مئوية للوصول إلى الإجابة الصحيحة. وقد أصبحت عبارة الباحثين لوصف هذا الحد، وهي الحدود التكنولوجية المتعرجة، الوصف المعياري لهذه المشكلة: فكفاءة الأداة لا تسير على خطوط يمكن للمستخدم رؤيتها، والمستخدمون سيئون في معرفة أي جانب من الخط يقفون عنده.

وأعادت تجربة ميدانية داخل عمليات خدمة العملاء لدى Alibaba، أجراها Xiao Ni وTianjun Feng وLauren Xiaoyuan Lu وزملاؤهم، إنتاج النمط التوزيعي نفسه على نطاق واسع: 5,940 موظفاً جديداً، ونحو 2.56 مليون محادثة، و390,000 تقييم من العملاء. فتحسّن أصحاب الأداء الأدنى أكثر من غيرهم في كل من السرعة والجودة؛ بينما لم يكسب أصحاب الأداء الأعلى سوى سرعة ضئيلة وخسروا جودة على المقاييس الذاتية والموضوعية معاً. فالمساعدة التي ترفع الحد الأدنى قد تخفض السقف الأعلى.

ثم هناك التجربة العشوائية لـ METR على مطورين ذوي خبرة في المصادر المفتوحة، المنشورة في يوليو 2025، وهي النتيجة التحذيرية الأكثر استشهاداً في هذه الفترة، وتستحق ذكراً دقيقاً. فقد عمل ستة عشر مطوراً على 246 مهمة حقيقية في مستودعات يتولون صيانتها، بمعدل يتجاوز 22,000 نجمة ومليون سطر برمجي، مع السماح بأدوات الذكاء الاصطناعي أو منعها عشوائياً لكل مهمة، وأبرزها Cursor مع Claude 3.5 وClaude 3.7 Sonnet. وباستخدام الذكاء الاصطناعي، استغرقوا وقتاً أطول بنسبة 19%. وقبل الدراسة، كانوا قد توقعوا تسارعاً بنسبة 24%؛ وبعدها، قدّروا أنهم كانوا أسرع بنسبة 20%. وفجوة الإدراك هذه لا تقل أهمية عن نتيجة الإنتاجية نفسها. فهي توحي بأن المكاسب المُبلّغ عنها ذاتياً، التي تستند إليها معظم استطلاعات القطاع، منحازة نحو المبالغة تحديداً حيث تكون الخبرة في أعلى مستوياتها. وتُناقش الانعكاسات على أعمال البرمجيات تحديداً في مقال هل سيحل الذكاء الاصطناعي محل مطوري البرمجيات؟

وتجمع مراجعة صدرت عام 2025 لـ R. Maria del Rio-Chanona وEkkehard Ernst وRossana Merola وDaniel Samaan وOle Teutloff بين هذه الخيوط عبر الأدب البحثي: مكاسب إنتاجية تتراوح بين نحو 20% و60% في التجارب الخاضعة للتحكم، وبين 15% و30% في التجارب الميدانية، وهي أكبر لدى المبتدئين في المهام البسيطة، ومتباينة في المهام المعقدة، مع بيانات أثر رقمي تُظهر إحلالاً في الكتابة والترجمة إلى جانب طلب متزايد على مهارات الذكاء الاصطناعي، وأدلة طفيفة لكن متنامية على تراجع الطلب على المبتدئين.

النتيجة الرابعة: انتقل الوكلاء من المساعد إلى العامل، وفجوة الموثوقية هي جوهر القصة

كل ما سبق يتعلق بالذكاء الاصطناعي بوصفه مساعداً لإنسان يبقى ضمن حلقة العمل في كل خطوة. أما التغيّر منذ عام 2025 فهو أن الأنظمة أصبحت الآن تنفّذ عملاً متعدد الخطوات مع مراجعة الإنسان في النهاية فقط، أو دون مراجعة على الإطلاق، وهذا يغيّر نوع الأدلة ذات الصلة.

يقيس مقياس الأفق الزمني لدى METR طول المهمة، معبَّراً عنه بالوقت الذي يحتاجه محترف بشري، التي يستطيع نظام إنجازها بمعدل نجاح 50%. وفي مراجعة يناير 2026 لهذه المنهجية، بمجموعة موسّعة بلغت 228 مهمة تضم 31 مهمة تستغرق ثماني ساعات أو أكثر، قُدّر زمن التضاعف على المدى الطويل بنحو 196 يوماً، مع تضاعف أسرع بلغ 131 يوماً منذ 2023 و89 يوماً منذ 2024. وكان لدى أفضل نموذج قِيس في تلك المرحلة، وهو Claude Opus 4.5، أفق نجاح بنسبة 50% بلغ نحو 320 دقيقة، بفاصل ثقة واسع يتراوح بين نحو ثلاث ساعات واثنتي عشرة ساعة. ويوضح الباحثون صراحة أن عتبة نجاح بنسبة 50% سخية بالنسبة للعمل الحقيقي، وأن الاتجاه حساس لتركيبة المهام، وأن معظم المهام الطويلة تستخدم أوقاتاً بشرية مقدَّرة لا مقيسة فعلياً. ومع أخذ هذه التحفظات بعين الاعتبار، يبقى الاتجاه واضحاً بلا لبس: طول العمل الرقمي القابل للتفويض ما فتئ ينمو بشكل أُسّي.

ويختبر تقييم GDPval الصادر عن OpenAI في أواخر 2025 ما إذا كان ذلك العمل المفوَّض جيداً بالفعل. فقد كتب المهام محترفون في 44 مهنة عبر تسعة قطاعات، بخبرة متوسطها 14 عاماً، وجرى تقييمها بمقارنة ثنائية عمياء بين خبراء مقابل المخرج البشري. وأنتج أفضل نموذج، وهو Claude Opus 4.1، مخرجات صُنّفت بأنها أفضل من أو معادلة لمخرجات الخبير في 47.6% من الحالات. لكن الرقم الذي ينبغي أن تتذكره أي شركة هو رقم آخر. فالمقارنة الساذجة بين وقت الآلة ووقت الإنسان تعطي نسباً تقارب تسعين ضعفاً، لكن بمجرد أن تحتسب الورقة البحثية مراجعة إنسان للعمل، وإعادة إنجازه عند الحاجة، ينخفض التوفير المقدَّر إلى ما بين 1.12 و1.39 ضعفاً بحسب الاستراتيجية المتبعة. فالمراجعة هي المكان الذي ذهبت إليه التكلفة. وهذه هي الآلية نفسها التي وجدها Dell'Acqua لدى الاستشاريين ووجدتها METR لدى المطورين، وتُقاس الآن على مستوى المخرج النهائي.

وتُظهر معايير قياس بيئة العمل سرعة التقدم وما تبقى منه دون حل معاً. فقد أدخل معيار TheAgentCompany، من Carnegie Mellon، وكلاء إلى شركة برمجيات محاكاة تضم نسخاً حقيقية من GitLab وOwnCloud وPlane وRocketChat و175 مهمة؛ وأنجز أفضل وكيل نحو ربعها عند الإطلاق في أواخر 2024 ونحو 30% خلال 2025. كما أعاد Olly Styles وSam Miller النظر في معيار WorkBench في يونيو 2026 وأفادا بأن معدل إنجاز أفضل وكيل ارتفع من 43% لـ GPT-4 في مارس 2024 إلى 98% لـ Claude Fable 5، بينما انخفضت نسبة عمليات التشغيل التي تضمنت إجراءات ضارة غير مقصودة من 26% إلى 1.9%. كما يفيدان بأن النماذج الأكثر تطوراً لا تزال ترتكب أخطاء أساسية تتسبب أحياناً بضرر لا يمكن التراجع عنه. ونسبة 2% جيدة جداً؛ لكنها أيضاً تعني أن عملية تشغيل واحدة تقريباً من كل خمسين تقوم بشيء لا ينبغي أن تقوم به.

وتُعد التجربة الميدانية التي أجرتها Alibaba عام 2026، بقلم Yiwei Wang وChuan Zhu وTianjun Feng وLauren Xiaoyuan Lu وBingxin Jia، أول دليل عشوائي على الذكاء الاصطناعي الوكيل مع وجود بشر ضمن الحلقة في عملية خدمة حية. فقد أشرف العاملون المشمولون بالتجربة على وكيل يتولى المحادثات المؤهلة مع العملاء، بينما تولوا هم الباقي يدوياً. وانخفض متوسط مدة المحادثة مع أثر محدود على عودة العملاء بالمشكلة نفسها، لكن المحادثات التي تولاها الوكيل حصلت على تقييمات أدنى بشكل ملحوظ. وأنقذ التدخل البشري الموقف بشكل أفضل بكثير حين كان الإخفاق تقنياً، أي مسألة لم تُحل، مقارنة بحين كان عاطفياً، أي عميلاً محبَطاً، وكان أكثر فاعلية حين جاء مبكراً. كما أولى العاملون المشرفون اهتماماً أكبر بالمحادثات التي ظلوا يتولونها بأنفسهم، وهو أثر جانبي إيجابي. وهذا هو أوضح دليل حتى الآن على الطريقة التي ينبغي أن يُصمَّم بها التسليم بين الوكيل والإنسان: راقب مبكراً، وتدخّل في الوقائع، ولا تترك المشاعر للآلة.

وتؤكد بيانات التبني أن هذا التحول لا يقتصر على المختبرات. إذ يفيد مؤشر Anthropic الاقتصادي لمارس 2026 بأن 49% من المهن شهدت أداء ربع مهامها على الأقل باستخدام Claude، وأن أعمال البرمجة انتقلت من الاستخدام الحواري نحو تدفقات عمل آلية عبر واجهات برمجة التطبيقات، إذ ارتفعت حصة البرمجة بنسبة 14% في واجهة برمجة التطبيقات وانخفضت بنسبة 18% في منتج المحادثة منذ أغسطس 2025. وتجد مساهمة Lightcast في مؤشر Stanford AI Index لعام 2026 أن مهارات الذكاء الاصطناعي موجودة في 2.5% من كل إعلانات الوظائف الأمريكية، وأن الإعلانات التي تذكر مجموعة مهارات "الذكاء الاصطناعي الوكيل" ارتفعت من 0.06% عام 2024 إلى 0.23% عام 2025، أي نحو 90,000 إعلان. أما UpBench، وهو معيار قياس لعام 2025 مبني من أعمال حقيقية منجَزة على سوق Upwork، فيجعل مستقلين خبراء يفكّكون كل عمل إلى معايير قبول قابلة للتحقق تُقيَّم الوكلاء وفقها. وتصنيف الوكلاء وفق المعيار نفسه الذي يطبّقه العميل على مستقل هو مؤشر على الاتجاه المتوقع لجانب العرض.

الآليات: لماذا يبدو النمط على هذا الشكل

تفسّر أربع آليات معظم ما تُظهره الأدلة، ومن المفيد توضيحها لأنها تتنبأ بما سيحدث لاحقاً.

الآلية الأولى هي تسليع الكفاءة الروتينية. فحين ينتج نموذج مسودة مقبولة لوصف منتج، أو ترجمة، أو وحدة برمجية نمطية، ينخفض استعداد المشتري لدفع مقابل مؤهلات إنسان في تلك الفئة، ويصبح السعر هو المتغير الحاسم. ويقيس Siddiq وZhang هذا التحول بالضبط، بينما يُظهر Demirci وزملاؤه صورته المعكوسة: فالعمل الذي يبقى بشرياً يصبح أكثر تعقيداً وأعلى أجراً وأكثر تنافساً عليه.

والآلية الثانية هي تكلفة التحقق بوصفها القيد الملزم. فقد أصبح الإنتاج رخيصاً؛ أما التحقق فلم يصبح كذلك. وانهيار نسبة GDPval من تسعين ضعفاً إلى أقل من 1.4 ضعف بمجرد احتساب المراجعة، وتباطؤ الخبراء في تجربة METR، والحدود المتعرجة، كلها تصف الاقتصاد نفسه. فمن يستطيع التحقق من مخرج ما بتكلفة منخفضة يحصل على المكسب؛ ومن لا يستطيع يدفع ثمنه في إعادة العمل أو في خطأ لم يُكتشف. ولهذا تتدفق المكاسب نحو المبتدئين في المهام سهلة التحقق، وتتوقف لدى الخبراء في المهام التي تكلّف فيها المراجعة بقدر ما يكلّف الأداء نفسه.

والآلية الثالثة هي فجوة التلمذة المهنية. فالمهام التي يؤديها الوكيل بإتقان هي عينها المهام التي كانت الشركات تسندها إلى الموظفين والمستقلين المبتدئين لكي يتعلموا. ويُظهر Brynjolfsson وLi وRaymond أن المساعدة تفيد المبتدئين أكثر من غيرهم؛ بينما يُظهر Brynjolfsson وChandar وChen أن الشركات مع ذلك توظف عدداً أقل منهم. وكلا الأمرين يمكن أن يكون صحيحاً: فالشركة التي تحتاج إلى عدد أقل من المبتدئين لإنتاج المخرج نفسه توظف عدداً أقل منهم، حتى وإن كان كل واحد منهم أكثر إنتاجية. والتكلفة طويلة المدى، أي تراجع تدفق الأشخاص ذوي الخبرة، لا تظهر بعد في أي مجموعة بيانات، وهي أهم متغير غير مقاس في هذا المجال.

والآلية الرابعة هي استمرار المهام البشرية التكميلية. فمجموعة المقارنة لدى Demirci، وهي الأعمال كثيفة الجهد اليدوي، لم تتراجع. وتُظهر تجربة Alibaba أن الإخفاقات العاطفية تقاوم الإصلاح الآلي. وتظل المساءلة والحضور والعمل الجسدي والعلاقات مجالات بشرية لأسباب لا علاقة لها بقدرة النموذج، بل ترتبط كلياً بما سيقبله العميل.

وينبغي للقارئ المتشكك أن يضع تفسيرين بديلين إلى جانب هذه الآليات. فالتراجع في مستوى الوظائف المبتدئة في الولايات المتحدة يتزامن مع ارتفاع أسعار الفائدة وتراجع التوظيف الذي شهده قطاع التكنولوجيا في حقبة الجائحة، وهو ما أثّر بشكل مستقل في الفئة العمرية نفسها؛ ويعالج باحثو Stanford هذا الأمر بمقارنات داخل الشركة نفسها وبالمقارنة بين المهن التي تؤتمت والمهن التي جرى تعزيزها، لكن لا يمكن استبعاد هذا التداخل تماماً. كما أن كل مقياس "تعرّض" هو نفسه مشتق من نموذج، ولذا فإن الدراسات تختبر جزئياً افتراضات المصنِّف. وقد تُخفّف مؤسسات التفاوض الجماعي في الدنمارك أيضاً من استجابات الأجور التي كانت ستظهر بشكل أسرع في سوق عمل أقل تنظيماً.

كيف استجابت المنصات

قرأت الأسواق الإشارات نفسها وتحركت بناءً عليها. ففي أبريل 2025، كتب Micha Kaufman، الرئيس التنفيذي لشركة Fiverr، إلى الموظفين أن "الذكاء الاصطناعي قادم لوظائفكم"، بما في ذلك وظيفته هو، وحثّهم على إتقان أدوات مثل Cursor وLegora؛ وفي سبتمبر 2025 خفّضت الشركة نحو 250 وظيفة، أي ما يقارب 30% من قوتها العاملة، لتصبح ما وصفته بشركة "الذكاء الاصطناعي أولاً"، بعد أن كانت قد أطلقت أدوات المبدعين Fiverr Go في فبراير من العام نفسه. وتعمل Upwork على تحويل مساعدها، Uma، إلى ما تصفه بوكيل عمل دائم التشغيل يتخذ إجراءات نيابة عن العملاء والمستقلين، ويعيد مؤشر Future Workforce Index لعام 2026 تعريف المستقل الناجح بوصفه "منسِّق ذكاء اصطناعي" يربط الأدوات بالخبرة في المجال ويطبّق الحكم المهني. ويقدّم التقرير نفسه إشارة السعر في سطر واحد: فالمستقلون الذين يؤدون أعمالاً مرتبطة بالذكاء الاصطناعي حصلوا على أجر أعلى بنسبة 34% في الساعة من أولئك الذين لا يؤدونها، وارتفعت أرباح الأعمال المعقدة المعزَّزة بالذكاء الاصطناعي بنسبة 45% على أساس سنوي، بينما نما العمل التوليدي بالذكاء الاصطناعي وأعمال الإنتاج الإبداعي بنسبة 90% من حيث بدايات العقود في الوقت الذي انخفضت فيه الأرباح لكل عقد بنسبة 13%. فقد انتقل الحجم إلى الطرف البسيط؛ وانتقل المال إلى الطرف المعقد.

أما Jobbit، المنصة التي تُنشر عليها دراسة الحالة هذه، فقد صُمِّمت حول تقسيم العمل الذي تشير إليه الأدلة، لا حول أي من طرفيه بمفرده. فالوكيل يتولى العمل الرقمي القابل للمراجعة: بناء موقع إلكتروني أو تطبيق ويب ونشره، وصياغة المستندات والعروض التقديمية، وإجراء البحوث، وإعداد الأتمتة، وتوليد الصور والفيديو. ويستطيع المستخدم مشاهدته أثناء العمل في متصفح الوكيل، وتولي زمام السيطرة في أي لحظة، وهو نمط التدخل المبكر الذي وجدت تجربة Alibaba أنه الأكثر فاعلية. أما العمل الذي يؤديه الوكيل بشكل سيئ أو ينبغي ألا يؤديه بمفرده، أي الوظائف الجسدية والمحلية، والمراجعة الخبيرة الخاضعة للمساءلة، وكل ما يحتاج فيه العميل إلى إنسان، فتوجّهه المنصة إلى شبكة بشرية خاضعة للإشراف على pro.jobbit.uk. ولم تنشر Jobbit بيانات تجارب خاصة بها، ولا تدّعي هذه الدراسة أي شيء بشأن نتائج مقاسة عليها؛ فالادعاء هنا هو ادعاء توافق بين تصميم وأدلة. ويمكن للقراء الراغبين في معرفة الآليات أن يبدؤوا بمقال ما هو الذكاء الاصطناعي الوكيل فعلياً، ودليل مشاهدة متصفح الوكيل وتولي السيطرة عليه، والقائمة العملية لـ حالات استخدام الذكاء الاصطناعي للأعمال الصغيرة.

ما ينبغي أن تفعله الشركة بهذه الأدلة

تُترجَم هذه النتائج إلى قاعدة تفويض يستطيع صاحب العمل تطبيقها دون أن يقرأ ورقة بحثية واحدة.

أسند إلى الوكيل العمل الروتيني والقابل للمراجعة: المسودات الأولى، والملخصات، وموجزات البحث، والمستندات المعيارية، أو موقعاً إلكترونياً أو أداة داخلية يمكنك تصفحها وفحصها خلال بعد ظهر واحد. فهذا هو المجال الذي تجد فيه كل دراسة أكبر المكاسب، خاصة حين تؤدي الشركة تلك المهمة حالياً ببطء أو لا تؤديها على الإطلاق، لأن أثر المبتدئ ينطبق على الشركات بقدر ما ينطبق على الأفراد. وترد خطوات بداية عملية في مقال كيفية أتمتة شركتك باستخدام وكلاء الذكاء الاصطناعي.

احتفظ بإنسان في العمل الذي لا يمكن التراجع عنه، أو العاطفي، أو الجسدي، أو الخاضع للمساءلة: أي شيء يرسل أموالاً، أو يحذف بيانات، أو يتعامل مع عميل مستاء، أو يتطلب من شخص أن يتحمل مسؤولية النتيجة. وتشير تجربة Alibaba وما تبقى من مخاطر في WorkBench إلى الاتجاه نفسه.

احتسب وقت المراجعة ضمن التكلفة قبل أن تقرر أن الوكيل أرخص. فحساب GDPval الصريح، أي توفير يتراوح بين 12% و39% بدلاً من تسعين ضعفاً، هو الرقم الذي ينبغي التخطيط على أساسه. وإذا لم يستطع أحد في الشركة فحص المخرج، فإن التوفير غير حقيقي؛ والحل في تلك الحالة هو أن يؤدي الوكيل العمل ويراجعه خبير بشري، وهو الترتيب الذي تُظهر بيانات العمل الحر أن المشترين يدفعون بالفعل علاوة سعرية مقابله.

توقع أن تكون الحدود متعرجة ومتحركة. فالمهمة التي لم يستطع الوكيل أداءها في يناير قد تصبح روتينية بحلول سبتمبر، والعكس ليس صحيحاً. اختبر باستمرار، واحتفظ بسجل لما جرى فحصه وما فشل، وأعد النظر في التقسيم كل ثلاثة أشهر.

القيود والأسئلة المفتوحة

معظم مجموعات البيانات الكبيرة أمريكية المصدر، وبيانات المنصات تقيس الطلب المعلَن لا العمل المؤدى بأكمله. ومقاييس التعرض مشتقة من نماذج، ولذا فإن النتائج ترث جزئياً افتراضات المصنِّف. والآفاق الزمنية قصيرة: عامان في الدنمارك، وأقل من أربعة أعوام في الولايات المتحدة، ونقطة باحثي Yale بأن الآثار واسعة الانتشار قد تستغرق وقتاً أطول وجيهة تماماً. ومعايير القياس ليست وظائف؛ فمهام GDPval هي مخرجات قائمة بذاتها، وWorkBench مكتب اصطناعي، في حين أن العمل الحقيقي متقطع وغامض وخاضع لاعتبارات سياسية داخلية. وتتحرك القدرات بسرعة كافية لجعل أي رقم في هذه الدراسة مجرد لقطة لحظية، والدراسات الأكثر عرضة لأن تصبح متجاوَزة هي أرقام القدرات، لا أرقام سوق العمل. وأخيراً، فإن الأثر الأكثر أهمية للعقد المقبل، وهو ما إذا كان تدفق التلمذة المهنية الأكثر ضآلة سيُضعف المعروض من المحترفين ذوي الخبرة، لا يمكن قياسه بعد على الإطلاق.

الخاتمة

هل يحل وكلاء الذكاء الاصطناعي محل المستقلين؟ حتى الآن، هم يحلون محل المهام، ويفعلون ذلك حيث يمكن إنتاج مخرج المهمة والحكم عليه بأنه روتيني. وقد كان ذلك كافياً لتقليص سوق الكتابة السلعية والترجمة وأعمال الصور، ولإضعاف علاوة التوظيف الممنوحة للمؤهلات في تلك الفئات، ولخفض التوظيف عند مستوى المبتدئين في المهن المعرّضة بشكل حاد، بينما تركت الأرباح وساعات العمل عبر اقتصادات كاملة دون تغيّر يُذكر. والمستقل الذي يزدهر في البيانات هو من يبيع الحكم المهني والمساءلة والقدرة على توجيه عمل الآلة وفحصه؛ والشركة التي تستفيد هي التي تتعلم تفويض العمل الروتيني ومراجعته، وتحتفظ بإنسان في كل ما لا يمكن التراجع عنه. فالسوق لا تخسر أحد طرفي الصفقة. إنها تعيد التنظيم حول عملية التسليم بينهما، والمنصات التي تُسهّل ذلك التسليم هي التي تحظى بتفضيل الأدلة.

أسئلة متكررة

هل يحل وكلاء الذكاء الاصطناعي محل المستقلين؟

ليس كفئة كاملة. فأفضل الأدلة من 2022 إلى 2026 تُظهر أن الذكاء الاصطناعي يحل محل مهام محددة، أبرزها الكتابة الروتينية والترجمة وإنشاء الصور والبرمجة البسيطة، حيث انخفضت إعلانات الوظائف بنحو الخُمس مقارنة بالعمل اليدوي في غضون أشهر من ظهور ChatGPT. أما الطلب على العمل المعقد في الفئات نفسها فقد ارتفع من حيث الأجر والمنافسة، ولا تُظهر البيانات الوطنية أي إحلال على مستوى الاقتصاد ككل. والخاسرون الأوضح هم العاملون عند مستوى المبتدئين في المهن المعرّضة، لا المستقلون ذوو الخبرة.

ما هي أعمال العمل الحر الأكثر تأثراً بالذكاء الاصطناعي؟

الكتابة والترجمة وتحرير المحتوى وإنتاج الصور والتصميم، والبرمجة الروتينية. وتجد الدراسات التي بحثت في Upwork ومنصات أخرى أن هذه الفئات فقدت إعلانات، وأصبحت المؤهلات أقل أهمية والسعر أكثر أهمية حين يوظف العملاء. أما العمل الجسدي أو المحلي أو القائم على العلاقات، أو الذي يحمل مساءلة عن النتيجة، فلم يتأثر إلى حد كبير حتى الآن.

هل استخدام وكيل ذكاء اصطناعي أرخص من توظيف مستقل؟

بالنسبة للعمل الروتيني القابل للفحص، الجواب غالباً نعم، لكن بفارق أقل مما توحي به المقارنات الأولية. فقد وجد تقييم GDPval الصادر عن OpenAI أن النماذج تنتج مخرجات احترافية أسرع بنحو تسعين مرة بالأرقام الخام، لكن بمجرد احتساب مراجعة الإنسان وتصحيحه، ينخفض التوفير إلى نحو ما بين 12% و39%. وإذا لم يستطع أحد في الشركة مراجعة المخرج، فإن الخيار الواقعي هو أن ينتج الوكيل العمل ويفحصه خبير بشري.

ما العمل الذي ينبغي أن تستمر الشركة الصغيرة في إسناده إلى إنسان؟

كل ما لا يمكن التراجع عنه، أو العاطفي، أو الجسدي، أو الخاضع للمساءلة: المدفوعات وعمليات الحذف، والعملاء المستاؤون، والوظائف الميدانية، والنتائج التي يجب على شخص ما أن يتحمل مسؤوليتها. وقد وجدت تجربة ميدانية أجرتها Alibaba عام 2026 أن محادثات الخدمة التي يتولاها الوكيل كانت أسرع لكن بتقييمات أدنى، وأن التدخل البشري أنقذ الإخفاقات التقنية بشكل أفضل بكثير من الإخفاقات العاطفية. وتقرن منصات مثل Jobbit وكيلاً للمهام الرقمية بشبكة بشرية مخصصة تحديداً لهذا الجزء المتبقي.

لماذا تختلف الدراسات بشأن الذكاء الاصطناعي والوظائف؟

لأنها تقيس في معظمها أشياء مختلفة. فالتجارب الخاضعة للتحكم تقيس ما يستطيع الذكاء الاصطناعي فعله في مهام مختارة وتجد مكاسب كبيرة؛ وبيانات المنصات تقيس الطلب على فئات مهام محددة وتجد تراجعات حادة موضعية؛ وبيانات كشوف الرواتب والبيانات الإدارية تقيس التوظيف والأرباح على مستوى الاقتصاد ككل وتجد تغيّراً ضئيلاً حتى الآن. وتصبح الصورة متسقة بمجرد قراءة الإحلال على مستوى المهمة، والتعزيز غير المتساوي، والتكيّف الكلي البطيء، معاً.