لن تفقد وظيفتك بسبب الذكاء الاصطناعي. ستفقدها لصالح شخص يستخدمه.

رؤى من Scaling Business Summit 2026، مدينة هو تشي مينه.

Dru Nguyen، الشريك الإداري في Tictag، افتتح الجلسة باستطلاع بالأيدي. كان أكثر من نصف الحاضرين يستخدمون الذكاء الاصطناعي بالفعل في أعمالهم. لم تتناول جلسته الجدل حول أهمية الذكاء الاصطناعي، بل عالجت ما هو أكثر فائدة: لماذا تخفق أدوات الذكاء الاصطناعي في الأسواق المحلية، وما تعنيه للشركات التي تبني أو تنشر الذكاء الاصطناعي في جنوب شرق آسيا.

1. الذكاء الاصطناعي ليس التهديد. التقاعس هو.

في المنتدى الاقتصادي العالمي، استخدم Jensen Huang طبيب الأشعة مثالاً. الفحص، والإشارة، والتوثيق — يتولى الذكاء الاصطناعي الطبقة المتكررة. يتفرغ الإنسان لما لا يمكن أتمتته: الحكم والخبرة ورعاية المرضى.

كانت نسخة Dru أكثر مباشرة. “لن تفقد وظيفتك بسبب الذكاء الاصطناعي، لكنك ستفقدها لصالح شخص يستخدمه.” هذا ليس تحذيراً مستقبلياً. إنه قرار تعيين وتدريب راهن.

الدرس الأول: لم يعد اعتماد الذكاء الاصطناعي ميزة تنافسية. إنه المستوى الأساسي. السؤال هو مدى سرعة اكتساب فريقك الطلاقة به.

2. كل نموذج ذكاء اصطناعي يعمل على خط أنابيب بيانات لا يراه معظم الناس

قبل أن يتمكن أي نموذج ذكاء اصطناعي من التعرف أو التصنيف أو التنبؤ، يحتاج إلى بيانات خام وتوسيم ومراقبة جودة. البيانات الخام هي مقاطع فيديو أو صور أو نصوص غير معالجة. يمنح التوسيم السياق والتسميات. تتحقق مراقبة الجودة من الدقة قبل تدريب النموذج.

وضّح Dru ذلك بحاوية قمامة ذكية تصنّف النفايات إلى سماد عضوي ومواد للتخلص منها وعلب. الأجهزة بسيطة. الذكاء يأتي من آلاف نقاط البيانات المتحقق منها والمُوسَّمة. كل تصحيح من المستخدم يُحسّن النموذج.

“بدون الدقة، البيانات مجرد قمامة. لا يمكنك استخدامها.”

الدرس الثاني: قبل اختيار أي أداة ذكاء اصطناعي، اسأل على أي بيانات دُرِّبت وكيف تم التحقق منها. دقة طبقة التوسيم تحدد كل ما يأتي بعدها.

3. معظم الذكاء الاصطناعي لم يُبنَ لجنوب شرق آسيا

النماذج اللغوية الكبيرة الرئيسية وأدوات التعرف على الكلام التي تستخدمها معظم الشركات مدرَّبة في معظمها على مجموعات بيانات غربية. تعمل بشكل جيد باللغة الإنجليزية وفي السياقات الموحدة دولياً. وتعمل بشكل أقل جودة بكثير للغات المحلية واللهجات الإقليمية والدقة الثقافية.

مثال Dru المحدد: نموذج لا يستطيع التمييز بين لهجة الشمال الفيتنامي والجنوب لديه مشكلة دقة جوهرية لأي تطبيق يعتمد على الكلام. “حتى وإن كانت فيتنامية، لا تزال هناك مفردات مختلفة تُستخدم.” النماذج المدرَّبة على البيانات الغربية تعدّها متطابقة. وهي ليست كذلك. هذا ما يعنيه الذكاء الاصطناعي السيادي عملياً — تطوير الدول لبيانات تدريب تعكس لغتها وثقافتها وسياقها بدلاً من استعارة بيانات الآخرين.

الدرس الثالث: للذكاء الاصطناعي المدرَّب على البيانات الغربية فجوة دقة قابلة للقياس في سياقات جنوب شرق آسيا. تحتاج التطبيقات المحلية للغة والثقافة إلى بيانات تدريب مصدرها محلي.

4. فجوة التعليم هي فجوة القوى العاملة

طالب في كلية إدارة الأعمال بسنغافورة وصفه Dru، كان ملزماً باستخدام النماذج اللغوية الكبيرة في كل مهمة وتوثيق كل خطوة. الناتج: مفهوم مطعم متكامل، قائمة طعام، هوية بصرية، محتوى، تموضع — مبني وموثق بالذكاء الاصطناعي. طالب واحد. مشروع واحد.

لم يبلغ النظام التعليمي الفيتنامي هذا المستوى بعد. الرغبة في تعليم الذكاء الاصطناعي موجودة. البنية التحتية لا. “إذا لم يُسمح لك باستخدام الذكاء الاصطناعي في المدرسة، كيف ستتنافس في العالم الحقيقي يوماً ما؟” الخريجون الداخلون إلى السوق الآن تلقوا تدريباً بدونه. الشركات التي تبني طلاقة الذكاء الاصطناعي داخلياً لا تنتظر النظام ليلتحق بها — إنها تبني ميزة تراكمية الآن.

الدرس الرابع: فجوة تعليم الذكاء الاصطناعي في فيتنام هي فجوة قوى عاملة. ابنِ الطلاقة الداخلية في الذكاء الاصطناعي. لا تنتظر النظام التعليمي لتحقيق ذلك.

دليل تنفيذ الرئيس التنفيذي: ما يجب فعله غداً

1. 1. اختبر أدوات الذكاء الاصطناعي لديك بمدخلات محلية. شغّل أدوات الكلام أو اللغة لديك على لهجات الشمال والجنوب الفيتنامي. إذا انخفضت الدقة، فلديك مشكلة في بيانات التدريب.
2. 2. اسأل الموردين عن بيانات التدريب. قبل نشر أي نموذج ذكاء اصطناعي محلياً، اسأل على ماذا دُرِّب. الإجابات المتمحورة حول الغرب يجب أن تُعلم توقعاتك للدقة.
3. 3. رسِّم المهام المتكررة في أسبوع فريقك. حدِّد المهام المتكررة الخمس الأكثر استهلاكاً للوقت. اختبر ما إذا كان نموذج لغوي كبير قادراً على التعامل مع أي منها. وثِّق ما يعمل وانشره.
4. 4. ابنِ طلاقة الذكاء الاصطناعي الداخلية الآن. الاستفسار الأساسي وتكامل سير العمل وتوثيق الأداة. لا تنتظر النظام التعليمي.

→ شاهد الجلسة كاملة على YouTube