سباق التسلح بالذكاء الاصطناعي في قطاع السيارات: GM تستبدل مبرمجيها بخبراء AI

مقدمة تحليلية

بدأ قطاع النقل والمواصلات يشهد تحولاً جذرياً يتجاوز مجرد تبني أدوات تقنية جديدة؛ نحن نشهد الآن مرحلة 'مبادلة المهارات' (Skills Swap) حيث يتم التضحية بالقوى العاملة التقليدية لصالح نخبة من مهندسي الذكاء الاصطناعي. شركة General Motors (GM) قدمت المثال الأبرز مؤخراً بتسريحها لأكثر من 600 موظف في قسم تكنولوجيا المعلومات، وهو ما يمثل 10% من إجمالي القسم. هذا القرار لم يكن لتقليص النفقات فحسب، بل لتوفير 'مساحة توظيفية' لاستقطاب كوادر متخصصة في الذكاء الاصطناعي التوليدي والأنظمة الذاتية. تكمن خطورة هذا التحول في كونه لا يمثل تبادلاً متكافئاً بنسبة واحد لواحد، مما يعني أن المحصلة النهائية في سوق العمل هي فقدان صافي للوظائف. الشركات الكبرى مثل Ford وGM وStellantis قامت بالفعل بخفض قوة العمل المكتبية المجمعة بنحو 20,000 وظيفة (أو 19% من إجمالي قوتها العاملة) منذ ذروة التوظيف في العقد الحالي. هذا التوجه يؤكد أن الصناعة تمر بمنعطف حيث لا يكفي أن تكون مبرمجاً تقليدياً؛ بل يجب أن تكون 'أصيلاً في الذكاء الاصطناعي' (AI-native) للبقاء في حلبة المنافسة.

التحليل التقني

بالنظر إلى متطلبات التوظيف الجديدة في General Motors، نجد تركيزاً مكثفاً على ستة مجالات تقنية حاسمة تشكل العمود الفقري لصناعة النقل المستقبلية:

• تطوير الأنظمة الأصلية بالذكاء الاصطناعي (AI-native development): بناء البرمجيات من الصفر لتعتمد على نماذج تعلم الآلة.
• هندسة البيانات وتحليلاتها (Data engineering and analytics): معالجة التدفقات الضخمة من بيانات المستشعرات.
• الهندسة السحابية (Cloud-based engineering): لضمان معالجة البيانات في الوقت الفعلي عبر الأساطيل.
• تطوير الوكلاء والنماذج (Agent and model development): بناء وكلاء ذكاء اصطناعي قادرين على اتخاذ قرارات مستقلة.
• هندسة التلقين (Prompt engineering): لتحسين التفاعل مع النماذج اللغوية الكبيرة في بيئات التصنيع.
• سير عمل الذكاء الاصطناعي (AI workflows): أتمتة العمليات المعقدة داخل المصانع ومراكز البحث.

على الجانب التطبيقي، نجد شركة Samsara التي نجحت في تحويل 'جبل من البيانات' الملتقطة عبر كاميرات الشاحنات إلى نموذج ذكاء اصطناعي متخصص في رصد الحفر (Pothole detection). هذا النموذج لا يكتفي بالرصد، بل يحلل معدل تدهور الحفرة بمرور الوقت، مما يحول البيانات المرئية الخام إلى 'رؤى قابلة للتنفيذ' (Actionable Insights) للمدن المتعاقدة مثل شيكاغو. تقنياً، هذا يمثل ذروة استخدام 'الرؤية الحاسوبية' (Computer Vision) في إدارة البنية التحتية. وفي سياق الأنظمة الذاتية، واجهت Tesla تحديات تقنية مع Robotaxi، حيث كشفت تقارير NHTSA عن وقوع حادثين على الأقل منذ يوليو 2025 أثناء قيادة المركبات بواسطة 'مشغل عن بعد' (Teleoperator). هذا يثير تساؤلات تقنية عميقة حول زمن الاستجابة (Latency) وبروتوكولات التحكم عن بعد عندما تفشل أنظمة القيادة الذاتية الكاملة (FSD).

السياق وتأثير السوق

تتحرك رؤوس الأموال الضخمة اليوم خلف الأسماء التي أثبتت قدرتها على دمج الذكاء الاصطناعي بالصناعة الثقيلة. RJ Scaringe، مؤسس Rivian، استطاع جمع 12.3 مليار دولار عبر ثلاث شركات ناشئة، كان آخرها Mind Robotics التي جمعت 400 مليون دولار في جولة تمويلية سريعة. هذا التدفق النقدي يعكس ثقة المستثمرين في الروبوتات الصناعية المدعومة بالذكاء الاصطناعي، وهو قطاع بدأ يسحب البساط من شركات البرمجيات التقليدية. في الأسواق الناشئة، تعزز Uber تواجدها في الهند عبر مجمعات هندسية ضخمة لاستيعاب 9,600 موظف، مع التركيز على البنية التحتية لمراكز البيانات. كما شهدت Rapido جولة تمويلية بقيمة 240 مليون دولار، مما رفع تقييمها إلى 3 مليارات دولار، مما يؤكد أن منصات النقل التشاركي تعيد بناء سلاسل القيمة الخاصة بها اعتماداً على خوارزميات التوزيع الذكي. من ناحية أخرى، تبرز صفقات في قطاع الطيران المسير (Drones) مثل Arkeus الأسترالية وQuantum Systems الألمانية، حيث تتدفق مئات الملايين من الدولارات (703 مليون دولار لشركة Quantum Systems وحدها) لتطوير برمجيات الإدراك للدرونات ذاتية القيادة، وهو ما يشير إلى أن سباق الذكاء الاصطناعي انتقل من الطرقات إلى الأجواء.

رؤية Glitch4Techs

من منظورنا النقدي، نرى أن ما تصفه شركات السيارات بأنه 'مبادلة مهارات' هو في الواقع محاولة لتغطية الفجوة الرقمية التي تعاني منها الشركات التقليدية أمام تسلا والشركات الصينية. الاعتماد على المهندسين الذين يفهمون 'خطوط أنابيب البيانات' (Data Pipelines) وليس فقط البرمجة، هو اعتراف متأخر بأن السيارة أصبحت خادماً (Server) يسير على عجلات. لكن الحذر واجب؛ فالتسريحات الجماعية لخبراء تكنولوجيا المعلومات التقليديين قد تؤدي إلى فقدان 'المعرفة المؤسسية' الضرورية للحفاظ على الأنظمة القديمة (Legacy Systems) التي لا تزال تدير معظم العمليات اللوجستية. كما أن الاعتماد على 'المشغلين عن بعد' في سيارات تسلا الروبوتية يكشف أن الاستقلالية الكاملة لا تزال بعيدة المنال، وأن التدخل البشري سيظل 'نقطة فشل محتملة' (Potential Failure Point) في النظام. نتوقع أن تشهد السنوات القادمة بروز 'صناعة تكميلية' تركز حصرياً على إعادة تدريب مهندسي السيارات للتعامل مع سير عمل AI، وإلا فإن صافي خسارة الوظائف سيؤدي إلى اضطرابات عمالية قد تعيق التحول التقني المنشود.