هل سيحل الذكاء الاصطناعي محل موظفي إدخال البيانات؟ تعلن أدوات مثل ABBYY وUiPath دقة بين 90 و99 بالمئة في النماذج القياسية. اعرف ما يحتاج إلى إنسان.
النقل المجرد هو الجزء من إدخال البيانات الذي اختفى بالفعل، لا خطرًا مستقبليًا. ويؤكد أول تقرير Gartner Magic Quadrant للمعالجة الذكية للمستندات، الصادر في 2025، مدى نضج أدوات مثل ABBYY وUiPath وHyperscience، مع ادعاءات دقة تصل إلى 99 بالمئة في الاستمارات القياسية.
يتجاوز عمل موظف إدخال البيانات مجرد كتابة المعلومات في نظام ما بكثير. ففي الواقع، يتولى أيضًا النقل من الاستمارات، واستيراد ملفات CSV والبيانات المجدولة، والتحقق من الحقول الناقصة، ورصد التباين في طريقة الكتابة، وتهيئة المعلومات في صورة تستطيع العمليات اللاحقة استخدامها فعلًا. وبحلول 2026، باتت منصات المعالجة الذكية للمستندات التي تقيّمها Gartner، ومنها ABBYY وHyperscience وUiPath، تنجز النسخة القياسية من هذا العمل على نطاق واسع.
لا تكمن قيمة الدور في سرعة الكتابة وحدها بقدر ما تكمن في منع البيانات الرديئة من دخول سير العمل. يستطيع الذكاء الاصطناعي أتمتة أجزاء كبيرة من النقل والتصنيف والتحقق الأساسي، لكن التعامل مع البيانات المتضاربة أو المكررة أو الاستثنائية ما زال يبقى في الغالب بيد 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.
إحلال رأس المال محل العمل: يُتوقع أن تنخفض حصة هذه المهنة من العمالة في القطاعات التي توظفها، إذ تتزايد إدارة المؤسسات لكميات كبيرة من البيانات وتخزينها وتحليلها، مما يتطلب استبدال الأساليب التقليدية لإدخال البيانات بعمليات مؤتمتة عبر استخدام تقنيات موسّعة، منها الذكاء الاصطناعي والتعلم الآلي (ML) والتقاط البيانات عبر الأجهزة المحمولة والتعرف الضوئي على الحروف (OCR).
Capital/labor substitution - share decreases as organizations increasingly manage, store, and analyze large quantities of data, requiring traditional data entry methods to be replaced by automated processes through use of expanded technologies, including artificial intelligence (AI), machine learning (ML), mobile data capture, and optical character recognition (OCR).
أرقام أمريكية لمهنة BLS "Data entry keyers". تفترض توقعات BLS أن التقنية تواصل التطور بوتيرتها التاريخية؛ وهي ليست توقعًا لأثر الذكاء الاصطناعي وحده.
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
حلّ الذكاء الاصطناعي بالفعل محل معظم ما كان يُسمّى إدخال البيانات، والإجابة الصادقة عن سؤال ما إذا كان سيُجهز على الوظيفة هي أن الجزء القياسي منها قد اختفى في معظمه أصلًا. فقد نشرت Gartner في سبتمبر 2025 أول تقرير Magic Quadrant على الإطلاق للمعالجة الذكية للمستندات، وصنّفت ABBYY وHyperscience وInfrrd وTungsten Automation وUiPath ضمن الرواد، وبحلول 2026 باتت أبرز المنصات في هذه الفئة كلها تعلن دقة تتراوح بين 90 و99 بالمئة في صيغ المستندات الشائعة. وهذا هو العمل الذي كان يُوظَّف موظف إدخال البيانات لإنجازه يدويًا.
أما ما لم تُلغِه الأتمتة فهو كل ما يحدث حين لا يطابق المستند النمط المعتاد. فشركة Rossum، وهي لاعب رئيسي آخر في هذا المجال تخدم أكثر من 450 عميلًا من المؤسسات، تسوّق نفسها تحديدًا حول مستندات المعاملات متغيرة الصيغة، وهي بالضبط الحالة التي تُربك تقنيات OCR الأبسط. والفجوة بين دقة 90 و99 بالمئة هي تحديدًا الموضع الذي لا يزال يحتاج إلى إنسان: حفنة من السجلات في كل مئة يقرؤها النموذج خطأً، أو يطابقها مطابقة خاطئة، أو يصنّفها على أنها غير مؤكدة.
وهناك أيضًا سبب متنامٍ يتعلق بالامتثال لإبقاء إنسان في الحلقة. فمع تحوّل التزامات قانون الاتحاد الأوروبي للذكاء الاصطناعي (EU AI Act) إلى واقع في 2026، تحتاج المؤسسات التي تعالج المستندات عبر مسارات آلية بشكل متزايد إلى مراجعة بشرية موثّقة للمخرجات، لا إلى مراجعة سريعة فحسب. وهكذا يتحول عمل إدخال البيانات من كتابة الحروف في نظام إلى أن يكون التحقق الأخير المسؤول عن مدى إمكانية الوثوق بمخرجات المسار الآلي.
تتفوق منصات المعالجة الذكية للمستندات تحديدًا في العمل القياسي كثيف الحجم الذي كان يُقصد افتراضيًا بإدخال البيانات: قراءة استمارة معروفة ونقل حقولها إلى نظام ما.
باتت المنصات المصنفة ضمن الرواد في تقرير Gartner Magic Quadrant للمعالجة الذكية للمستندات لعام 2025، ومنها ABBYY وHyperscience وUiPath، تعلن دقة بين 90 و99 بالمئة في الاستمارات القياسية. وكلما كان التنسيق أكثر قابلية للتوقع، قلّ المبرر لأن يكتبه شخص بيده.
من السهل أيضًا أتمتة المعالجة الأساسية التي تستورد ملفات CSV أو البيانات المجدولة إلى الأنظمة المستهدفة، وتلائم الأتمتة هذا العمل خاصةً حين تكون البنية واضحة والحقول متسقة عبر الدفعة كلها.
باتت مهام الوسم البسيطة القائمة على قواعد معروفة وأمثلة متسقة تُنجز بالذكاء الاصطناعي بأحجام كبيرة على نحو متزايد. فحين تكون الفئات مستقرة وأمثلة التدريب نظيفة، لم يعد هذا الفرز الروتيني يحتاج إلى شخص يعالج السجلات واحدًا تلو الآخر.
يلائم الذكاء الاصطناعي تمامًا التنبيه السريع إلى الحقول الفارغة وأخطاء التنسيق الواضحة. لكن الحاجة إلى البشر تظل قائمة حين لا تكون المشكلة مجرد نقص، بل تتعلق بما إذا كان السجل منطقيًا بعد استكماله.
أرقام الدقة التي يعلنها موردو المعالجة الذكية للمستندات، أي من 90 إلى 99 بالمئة، هي في الوقت نفسه اعتراف ضمني: فما بين سجل من كل عشرة وسجل من كل مئة لا يزال يحتاج إلى إنسان، ونادرًا ما تكون هذه هي الحالات السهلة.
حتى المنصات التي تصنفها Gartner ضمن الرواد ما زالت تخطئ أحيانًا في قراءة الحروف، أو تطابق تسميات متضاربة مطابقة خاطئة، أو تتعثر أمام صيغ كتابة مختلفة. ولا بد أن يلتقط أحدٌ هذه الحالات ويصلحها قبل أن تُفسد بصمت البيانات التي يعتمد عليها الجميع في المراحل اللاحقة.
ليس تحديد ما إذا كان سجلان متشابهان يشيران إلى الشخص أو الشركة أو الصنف نفسه مطابقة نمطية واضحة دائمًا، خاصةً حين تكون المعلومات ناقصة أو غير متسقة التنسيق. وقد صُممت منصات مثل Rossum خصيصًا حول هذا النوع من فوضى المعاملات، لكن القرار النهائي كثيرًا ما يحتاج إلى إنسان.
عندما لا يناسب سجلٌ ما النمط المعتاد، لا بد أن يقرر أحدٌ ما يُفعل به، وأين يُتحقق منه، وما إذا كان يمكن تمريره. وهذا النوع من معالجة الاستثناءات هو بالضبط ما يقع خارج رقم الدقة البالغ 90 إلى 99 بالمئة.
مع تحوّل التزامات قانون الاتحاد الأوروبي للذكاء الاصطناعي إلى متطلب امتثال قائم لا مستقبلي، تحتاج المؤسسات إلى مراجعة بشرية موثقة للمعالجة الآلية للمستندات، لا إلى مسار سريع فحسب. وتظل حماية الجودة للعملية التالية، وللجهة الرقابية، مسؤولية بشرية.
لم يعد مستقبل موظف إدخال البيانات مرهونًا بالسرعة المجردة، بل بالوعي بجودة البيانات ومعالجة الاستثناءات، إضافةً إلى إتقان التحقق من مخرجات الأدوات الآلية بدلًا من منافستها.
يزداد أهميةً فهمُ ما يجعل البيانات صالحة للاستخدام ومتسقة، لا مكتملة فحسب، مع تولي المسارات الآلية الجزء الأكبر من الإدخال الروتيني. ومن يدرك كيف يتضخم خطأ صغير في المراحل اللاحقة يسهم أكثر بكثير ممن يركزون على سرعة الإدخال وحدها.
حين تقع البيانات في الفجوة التي لا يغطيها رقم الدقة لمنصة المعالجة الذكية، لا بد أن يقرر أحدٌ ما الذي يُتحقق منه، ومع من، وبأي ترتيب. وأصبحت هذه المهارة جوهر الوظيفة لا مهمة جانبية.
باتت معرفة العمل داخل منصات مثل ABBYY أو UiPath أو Rossum، وإدراك المواضع التي يُرجَّح أن تنهار فيها ادعاءات دقتها أمام المستندات الفوضوية أو غير المألوفة، أثمن اليوم مما كانت سرعة الكتابة في أي وقت مضى.
تكتسب مهارات التعامل مع جداول البيانات وأعمال التنظيف والتحويل البسيط أهمية أكبر في بيئة مدعومة بالذكاء الاصطناعي، لأنها ما يمكّن الشخص من التحقق من النتائج الآلية وتنقيحها بدلًا من إعادة إدخال البيانات الخام يدويًا.
تبني خبرة موظف إدخال البيانات أكثر من القدرة على الكتابة؛ فهي تصنع نقاط قوة في جودة البيانات ومعالجة الاستثناءات والعمل المنظم بالمعلومات. وهذا يتيح الانتقال إلى أدوار تمنح وزنًا أكبر للدقة أو مراجعة البيانات أو صلاحيتها للاستخدام اللاحق.
تنتقل خبرة تنظيم المعلومات والحفاظ على الدقة بشكل طبيعي إلى عمل إداري أوسع. ويناسب هذا المسار من يريد التوسع من الإدخال الخام إلى عمليات مكتبية أشمل.
مؤشر التعرض 89/100 · الوظائف الأمريكية 2025–35 -6.0%
كثيرًا ما يستطيع من اعتاد التعامل مع السجلات المنظمة ورصد التضارب الانتقال إلى أعمال الدعم المالي. ويلائم ذلك من يريد توظيف دقته في التعامل مع البيانات في السياقات المحاسبية.
مؤشر التعرض 78/100 · الوظائف الأمريكية 2025–35 -5.6%
يمكن أن يصبح الوعي القوي بجودة البيانات أساسًا للعمل التحليلي. وهو خيار جيد لمن يريد الانتقال من إدخال البيانات إلى تفسيرها والاستفادة منها.
مؤشر التعرض 95/100 · الوظائف الأمريكية 2025–35 +34.6%
تنتقل عادة فحص الأخطاء والتضارب والحالات الحدّية بسهولة إلى ضمان الجودة. وتناسب من يريد توظيف دقته في أعمال الاختبار والتحقق.
مؤشر التعرض 95/100 · الوظائف الأمريكية 2025–35 +5.7%
تدعم القدرة على تنظيم المعلومات بدقة ومعالجة الاستثناءات الصغيرة أعمال التنسيق الأوسع. ويناسب هذا المسار من يريد الانتقال من المعالجة المرتكزة على البيانات إلى أدوار الدعم والتخطيط.
مؤشر التعرض 91/100 · الوظائف الأمريكية 2025–35 -6.0%
النقل المجرد هو الجزء من إدخال البيانات الذي اختفى بالفعل، لا خطرًا مستقبليًا. ويؤكد أول تقرير Gartner Magic Quadrant للمعالجة الذكية للمستندات، الصادر في 2025، مدى نضج أدوات مثل ABBYY وUiPath وHyperscience، مع ادعاءات دقة تصل إلى 99 بالمئة في الاستمارات القياسية. وما يبقى هو الفجوة التي تعترف بها هذه الأرقام: السجلات الفوضوية، ومطابقة التكرارات، والاستثناءات، وعلى نحو متزايد المراجعة البشرية الموثقة التي تتوقعها قواعد الامتثال مثل قانون الاتحاد الأوروبي للذكاء الاصطناعي. ولم تعد الآفاق المهنية تتوقف على سرعة الكتابة، بل على مدى براعة المرء في التقاط ما يخطئ فيه المسار الآلي.
الوظائف المعروضة هنا تنتمي الى القطاع نفسه الذي تنتمي اليه كاتب إدخال بيانات. وهي ليست الوظيفة نفسها، لكنها تساعد على مقارنة تاثير الذكاء الاصطناعي وقرب المسارات المهنية.
تسجّل مهنة كاتب إدخال بيانات 93 من 100 على مؤشرنا للتعرض للذكاء الاصطناعي التوليدي (المرتبة 22 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 كاتب إدخال بيانات في الولايات المتحدة بنسبة -25.5% بين 2025 و2035.
تتفوق منصات المعالجة الذكية للمستندات تحديدًا في العمل القياسي كثيف الحجم الذي كان يُقصد افتراضيًا بإدخال البيانات: قراءة استمارة معروفة ونقل حقولها إلى نظام ما. على سبيل المثال: النقل من الاستمارات القياسية، استيراد ملفات CSV والبيانات المجدولة، التصنيف ووضع الوسوم الأساسية، الفحص الأولي للحقول الناقصة.
أرقام الدقة التي يعلنها موردو المعالجة الذكية للمستندات، أي من 90 إلى 99 بالمئة، هي في الوقت نفسه اعتراف ضمني: فما بين سجل من كل عشرة وسجل من كل مئة لا يزال يحتاج إلى إنسان، ونادرًا ما تكون هذه هي الحالات السهلة. على سبيل المثال: تصحيح أخطاء القراءة والتباين في طريقة الكتابة، فحص التكرار ومطابقة الكيانات، تقدير كيفية التعامل مع البيانات الاستثنائية، ضبط الجودة مع مراعاة الامتثال والاستخدام اللاحق.
لم يعد مستقبل موظف إدخال البيانات مرهونًا بالسرعة المجردة، بل بالوعي بجودة البيانات ومعالجة الاستثناءات، إضافةً إلى إتقان التحقق من مخرجات الأدوات الآلية بدلًا من منافستها. على سبيل المثال: فهم معايير جودة البيانات، القدرة على تنظيم معالجة الاستثناءات ومسارات التحقق، إتقان مراجعة مخرجات المعالجة الذكية وOCR وتصحيحها، مهارات أساسية في جداول البيانات وتنظيف البيانات.
