هل سيحل الذكاء الاصطناعي محل محللي البيانات؟ التجميع ولوحات البيانات وصياغة SQL تُؤتمت، أما تحديد الرقم الذي يهم القرار فعلًا فلا.
مع تسريع الذكاء الاصطناعي لإعداد التقارير وصياغة SQL، سيصعب على محللي البيانات التميّز من خلال العمل الروتيني وحده. أما ما يبقى ذا قيمة فهو القدرة على تحديد السؤال، واختبار التعريف الكامن وراء الرقم، وقراءة ما يجري في الميدان، وترتيب أولويات الرؤى الناتجة.
يفعل محللو البيانات أكثر بكثير من ترتيب الأرقام ترتيبًا أنيقًا؛ فهم يترجمون التغيرات في البيانات إلى صيغ يستطيع صانعو القرار الاستفادة منها فعلًا. ومن خلال النظر في مؤشرات مثل المبيعات والاحتفاظ بالعملاء وتسرّبهم والاستفسارات والمخزون والإنفاق الإعلاني، يقدّمون مادة للحكم على ما يجري وأين ينبغي توجيه الاهتمام أولًا.
يجعل الذكاء الاصطناعي إنتاج مسودات SQL والنماذج الأولية للتصورات البيانية ورصد الحالات الشاذة والنصوص التوضيحية أسهل بكثير. لكن ما يبقى هو تقرير أي الأرقام جديرة بالثقة، وأي المقارنات صحيحة، وكيف يُقرأ واقع الأعمال الكامن وراء الأرقام. ويظل هذا الفهم السياقي وما يرافقه من مسؤولية في يد البشر.
يحسبه ai-job-risk.net من أربع مجموعات بيانات عامة، على مقياس من 0 إلى 100 نسبةً إلى 188 مهنة نغطيها. الرقم الأعلى يعني أن جزءًا أكبر من مهام الوظيفة مما يستطيع الذكاء الاصطناعي التوليدي أداءه أو يُستخدم فيه بالفعل. وهو ليس احتمال فقدان الوظيفة.
تحليل المهام لدى الباحثين (Eloundou وزملاؤه؛ منظمة العمل الدولية). يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
الاستخدام المرصود لـ Microsoft Copilot وAnthropic Claude في مهام هذه المهنة. يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
تغيّر الطلب: يُتوقع أن ترتفع حصة هذه المهنة من العمالة في القطاعات التي توظفها، إذ ستُجمع كميات أكبر من البيانات الرقمية والإلكترونية خلال العقد الذي تغطيه الإسقاطات. وستوظف الشركات في جميع القطاعات علماء بيانات لتحليل البيانات بما يساعد على تحسين العمليات التجارية وتصميم منتجات جديدة وتطويرها.
Demand change - share increases as larger amounts of digital and electronic data are collected over the projections decade. Businesses in all industries will hire data scientists to analyze data to help improve business processes and design and develop new products.
أرقام أمريكية لمهنة BLS "Data scientists". تفترض توقعات BLS أن التقنية تواصل التطور بوتيرتها التاريخية؛ وهي ليست توقعًا لأثر الذكاء الاصطناعي وحده.
لا تتتبع الإحصاءات الرسمية هذا المسمى الوظيفي بعينه، لذا تصف الأرقام أقرب فئة مهنية رسمية.
المصادر
مؤشر التعرض يحسبه ai-job-risk.net من مجموعات البيانات أدناه (البيانات حتى 15 أكتوبر 2026). وأرقام العمل الأمريكية مصدرها BLS دون تغيير.
لم تُعدّ الجهات الناشرة هذا الموقع ولم تراجعه ولم تصادق عليه. الاستشهادات الكاملة والتراخيص والمنهجية
عند التفكير في مخاطر الذكاء الاصطناعي بالنسبة إلى محللي البيانات، من المهم الفصل بين التجميع والتحليل. فبناء الجداول ورسم المخططات والإجابة عن الأسئلة المعيارية يمكن أتمتتها إلى حد كبير. أما الارتياب في سبب ظهور رقم مشوّهًا، أو ملاحظة عدم تطابق في التعريفات، أو تحويل الأرقام إلى رؤى قابلة للاستخدام مع التحقق مما يجري في الميدان، فأصعب بكثير.
ومع تزايد سهولة أدوات التحليل، سيتمكن عدد متزايد من الناس من الاطلاع على لوحات البيانات بأنفسهم. وما يبقى ذا قيمة ليس الوصول إلى الأرقام وحده، بل القدرة على تحديد الأرقام التي تهمّ اتخاذ القرار فعلًا. لذا ينبغي النظر إلى محللي البيانات لا بوصفهم كتّاب تقارير، بل بوصفهم من يرفعون دقة القرارات ووضوحها.
أكثر أعمال التحليل عرضة للذكاء الاصطناعي هي تلك ذات التعريفات الثابتة وأنماط الإجابة المألوفة. فالتقارير المعيارية ومراقبة المؤشرات المعروفة تصبح أسهل في الأتمتة، بينما يبقى عمل صياغة السؤال نفسه أمرًا منفصلًا.
باتت أدوات الذكاء الاصطناعي وذكاء الأعمال قادرة على نحو متزايد على أتمتة التلخيص المتكرر لمؤشرات مثل اتجاهات المبيعات وأداء الإعلانات وتسرّب العملاء. وكلما كان التقرير أكثر تكرارًا وتوحيدًا، قلّت قيمة إعداده يدويًا من الصفر.
مع هياكل الجداول المعروفة، يُحسن الذكاء الاصطناعي صياغة استعلامات SQL للمقارنات بين الفترات والتجميع حسب الشرائح. لكن هذا أيضًا مجال قد تظهر فيه إجابات خاطئة تبدو معقولة إذا أُغفل عدم تطابق التعريفات أو البيانات الناقصة.
يسهل أتمتة الأنظمة التي ترصد القيم الخارجة عن النطاق الطبيعي وترسل التنبيهات. لكن تحديد ما إذا كانت الحالة الشاذة تعكس مشكلة حقيقية أو خللًا في القياس أو حتى تغيرًا مرحَّبًا به لا يزال يتطلب سياقًا.
يقدّم الذكاء الاصطناعي عونًا كبيرًا في تحويل المخرجات إلى مخططات وتلخيص الصورة العامة في بضعة أسطر. أما ما يبقى على المحلل أن يقرره فهو ما ينبغي إبرازه، وأي المقارنات تُحذف، وإلى أي عمق يُمضى مع جمهور بعينه.
تبقى قيمة محللي البيانات حيث يفسرون الأرقام في ضوء الظروف التي أنتجتها. فصياغة السؤال الصحيح والتحقق من التعريفات وترتيب أولويات الرؤى تظل مهامًا بشرية إلى حد كبير.
في الواقع العملي، كثيرًا ما يقول الناس: «من فضلك ألقِ نظرة على الأرقام»، بينما المطلوب حقًا هو وضوح بشأن القرار الذي يُفترض اتخاذه. فإذا صيغ موضوع التحليل خطأً، فحتى أدق عمليات التجميع لن تدعم أي إجراء.
حتى أمر بسيط كالمبيعات قد يتغير بحسب المرتجعات أو توقيت احتساب الإلغاءات أو اختلاف قواعد الإدخال بين الأقسام. ولا يزال المحللون بحاجة إلى عادة تتبّع كيفية نشوء الرقم بدل قبوله على ظاهره.
قد يعكس تدهور معدل التسرب تغييرًا في واجهة المستخدم أو في لغة المبيعات أو مشكلات في المخزون أو شيئًا مختلفًا تمامًا. ونادرًا ما تحسم الأرقام وحدها المسألة، ويبقى التنقل ذهابًا وإيابًا بين الواقع الميداني والبيانات لبناء التفسير الأرجح عملًا بشريًا.
كثيرًا ما يحتمل التحليل أكثر من قراءة، وقد يؤدي عرض كل شيء بوزن متساوٍ إلى تعطيل اتخاذ القرار بدل مساعدته. ولا يزال على المحللين أن يفصلوا ما يجب النظر فيه الآن عمّا يمكن تأجيله.
بالنسبة إلى محللي البيانات، المهم ليس تشغيل الأدوات وحده، بل تحسين جودة تصميم الأسئلة والتفسير. والاتجاه الأقوى هو استخدام الذكاء الاصطناعي لتسريع التجميع مع صنع القيمة من خلال قراءة الخلفية الكامنة وراء الأرقام.
تتحدد جودة التحليل إلى حد كبير بتصميم القياس. ومن يفهم تصميم الأحداث وتوقيت التحديث وطريقة التعامل مع البيانات الناقصة أرجح بكثير أن يلتقط المخاطر الكامنة في المخرجات التي يولّدها الذكاء الاصطناعي.
الأساليب الإحصائية وحدها لا تكفي؛ إذ يحتاج المحللون إلى فهم إجراءات العمل التي تولّد كل رقم. وكلما ازدادت معرفتهم بالمنتج والمبيعات ودعم العملاء والمخزون والإعلان، قلّ احتمال أن ينتجوا تحليلًا لا صلة له بالموضوع.
ما هو صحيح تحليليًا لا يساعد دائمًا المسؤول التنفيذي على التحرك. وعلى المحللين أن يحافظوا على الدقة الرقمية وأن يضغطوا الرسالة في الوقت ذاته بصيغة تُظهر بوضوح ما ينبغي تقريره الآن.
عمليات التجميع والملخصات التي يولّدها الذكاء الاصطناعي سريعة، لكنها تخلط معها أخطاء تبدو معقولة. والمحللون الذين يعتادون التحقق من الافتراضات والتعريفات ومحاور المقارنة الغائبة بدل القفز مباشرة إلى الاستنتاجات سيبقون أقوى.
لا تكمن قيمة خبرة محلل البيانات في التعامل مع الأرقام وحده بقدر ما تكمن في تنظيم الأسئلة وربطها بالقرارات. ويمكن مدّ هذا الأساس نحو أدوار أقرب إلى الأعمال أو الاستراتيجية أو التخطيط.
تنتقل الخبرة في تنظيم قضايا الأعمال الكامنة وراء الأرقام وتحويلها إلى نقاط يمكن العمل بها مباشرة إلى تحليل الأعمال. ويناسب ذلك من يريد الانتقال من رفع الرؤى إلى تصميم التحسين التشغيلي.
مؤشر التعرض 88/100 · الوظائف الأمريكية 2025–35 +10.1%
تصنع الخبرة في تفسير سلوك العملاء وخياراتهم الكامنة وراء البيانات الكمية قيمة في أبحاث السوق أيضًا. ويناسب ذلك من يريد الانتقال من مؤشرات الأعمال الداخلية إلى فهم السوق الخارجية.
مؤشر التعرض 94/100 · الوظائف الأمريكية 2025–35 +7.0%
تدعم الخبرة في تضييق القضايا انطلاقًا من المقارنات الرقمية وربطها بالقرارات التحليلَ المالي أيضًا. ويناسب ذلك من يريد الانتقال من بيانات الاستخدام والعمليات نحو أرقام الإدارة.
مؤشر التعرض 91/100 · الوظائف الأمريكية 2025–35 +7.2%
يستطيع من سبق لهم الاستعانة بحركة مؤشرات الأداء للتفكير في تحسين العمليات الانتقال أيضًا إلى أدوار ذات مسؤولية تشغيلية مباشرة. ويناسب ذلك المحللين الذين يريدون امتلاك الرؤية وتنفيذ التحسين معًا.
مؤشر التعرض 63/100 · الوظائف الأمريكية 2025–35 +5.0%
تدعم الخبرة في اكتشاف المشكلات عبر المؤشرات والتفكير بمنطق الأولويات العملَ على المنتجات كذلك. ويناسب ذلك من يريد الانتقال من دعم القرارات إلى تقرير ما الذي ينبغي بناؤه.
مؤشر التعرض 82/100 · الوظائف الأمريكية 2025–35 +6.9%
يستطيع المتمكنون من التعريفات الصارمة وتصميم المقارنات صنع قيمة في تحليلات الموارد البشرية أيضًا. ويناسب ذلك من يريد التحول من بيانات الأعمال إلى التحليل المنظّم للأجور وتصميم أنظمة التعويضات.
مؤشر التعرض 72/100 · الوظائف الأمريكية 2025–35 +6.0%
مع تسريع الذكاء الاصطناعي لإعداد التقارير وصياغة SQL، سيصعب على محللي البيانات التميّز من خلال العمل الروتيني وحده. أما ما يبقى ذا قيمة فهو القدرة على تحديد السؤال، واختبار التعريف الكامن وراء الرقم، وقراءة ما يجري في الميدان، وترتيب أولويات الرؤى الناتجة. والأرجح أن يبقى قويًا ليس من يجيد استخدام أدوات التحليل فحسب، بل من يستطيع التشكيك في إجابات الذكاء الاصطناعي وإعادة توجيه العمل نحو الأسئلة المتصلة بالقرار.
الوظائف المعروضة هنا تنتمي الى القطاع نفسه الذي تنتمي اليه محلل بيانات. وهي ليست الوظيفة نفسها، لكنها تساعد على مقارنة تاثير الذكاء الاصطناعي وقرب المسارات المهنية.
تسجّل مهنة محلل بيانات 95 من 100 على مؤشرنا للتعرض للذكاء الاصطناعي التوليدي (المرتبة 10 من 188). ويقيس ذلك مقدار العمل الذي يستطيع الذكاء الاصطناعي أداءه أو يُستخدم فيه، لا ما إذا كانت الوظيفة ستختفي. يتوقع مكتب BLS أن يتغير التوظيف في مهنة محلل بيانات في الولايات المتحدة بنسبة +34.6% بين 2025 و2035.
أكثر أعمال التحليل عرضة للذكاء الاصطناعي هي تلك ذات التعريفات الثابتة وأنماط الإجابة المألوفة. فالتقارير المعيارية ومراقبة المؤشرات المعروفة تصبح أسهل في الأتمتة، بينما يبقى عمل صياغة السؤال نفسه أمرًا منفصلًا. على سبيل المثال: التوليد التلقائي للتقارير الدورية ولوحات البيانات، صياغة استعلامات SQL المعيارية وصيغ التجميع، الرصد البسيط للحالات الشاذة وضبط التنبيهات، إنشاء المخططات والمسودات الأولى للنصوص التوضيحية.
تبقى قيمة محللي البيانات حيث يفسرون الأرقام في ضوء الظروف التي أنتجتها. فصياغة السؤال الصحيح والتحقق من التعريفات وترتيب أولويات الرؤى تظل مهامًا بشرية إلى حد كبير. على سبيل المثال: تحديد ما ينبغي تحليله فعلًا، التشكيك في عدم تطابق التعريفات وجودة البيانات، قراءة التغير التشغيلي من خلف الأرقام، ترتيب أولويات الرؤى المهمة الآن.
بالنسبة إلى محللي البيانات، المهم ليس تشغيل الأدوات وحده، بل تحسين جودة تصميم الأسئلة والتفسير. والاتجاه الأقوى هو استخدام الذكاء الاصطناعي لتسريع التجميع مع صنع القيمة من خلال قراءة الخلفية الكامنة وراء الأرقام. على سبيل المثال: فهم تعريفات المؤشرات وتصميم القياس، بناء الفرضيات استنادًا إلى فهم الأعمال، القدرة على شرح النتائج بصيغة يستفيد منها صانعو القرار، التفكير النقدي تجاه مخرجات الذكاء الاصطناعي.
