حين يدخل الذكاء الاصطناعي إلى قلب المصنع: من تشغيل الآلات إلى فهم الصناعة واتخاذ القرار

بقلم: د.شكرية المراكشي

الخبير الدولي في الزراعات البديلة ورئيس مجلس إدارة شركة مصر تونس للتنمية الزراعية 

حين لا تعود الآلة تنفّذ فقط، بل تبدأ في المشاركة في التفكير

لم يكن دخول التكنولوجيا إلى المصنع حدثًا واحدًا يمكن تحديده بلحظة تاريخية فاصلة، بل كان مسارًا طويلًا انتقلت فيه الصناعة من العمل اليدوي إلى الميكنة، ومن الآلات الميكانيكية إلى أنظمة التحكم، ومن خطوط الإنتاج التي يديرها الإنسان مباشرة إلى خطوط مؤتمتة تستطيع تنفيذ عمليات متتابعة بدرجة عالية من الدقة والسرعة. وفي كل مرحلة، تغيّرت العلاقة بين الإنسان والآلة، وتغيّرت معها طبيعة المهارة المطلوبة، وطريقة تنظيم العمل، ومصادر القوة الاقتصادية. غير أن دخول الذكاء الاصطناعي إلى المصنع يحمل اختلافًا جوهريًا عن كثير من التحولات السابقة؛ فالآلة التقليدية تنفّذ ما صُممت لتنفيذه، ونظام التحكم يستجيب وفق قواعد محددة سلفًا، أما أنظمة الذكاء الاصطناعي فتستطيع، ضمن حدود بياناتها وتصميمها، أن تتعرف على الأنماط، وتكتشف علاقات يصعب ملاحظتها مباشرة، وتتوقع بعض النتائج، وتقترح قرارات لم تُكتب تفاصيلها مسبقًا في صورة تعليمات ثابتة.

هنا لا يعود التطور الصناعي متعلقًا فقط بزيادة سرعة الآلة أو قدرتها على أداء مهمة بعينها، بل يمتد إلى قدرة المصنع نفسه على فهم ما يجري داخله، واستيعاب التغيرات، والتعلم من الخبرة المتراكمة، وتحويل المعلومات إلى قرارات تشغيلية واقتصادية. لكن هذه الإمكانية تفتح بابًا يتجاوز حدود التكنولوجيا. فالمصنع ليس مجموعة من الآلات المتجاورة، وإنما منظومة من البشر والخامات والطاقة والمياه والمعرفة والعقود والأسواق والقرارات. وقد يملك مصنع أحدث المعدات، ويستخدم أنظمة متقدمة للتحكم، ومع ذلك يعجز عن اكتشاف السبب الحقيقي لارتفاع تكلفة الإنتاج، أو يكرر العيوب نفسها، أو يفقد خبرات العاملين عند مغادرتهم، أو يتخذ قرارات تبدو صحيحة داخل خط الإنتاج لكنها تضر بالربحية أو بالقدرة على الوفاء بالتزامات العملاء.

لذلك فإن الذكاء الاصطناعي لا يكتسب قيمته الحقيقية لمجرد وجوده في المصنع، وإنما من قدرته على ربط ما كان متفرقًا، وكشف ما كان خفيًا، وتحسين الطريقة التي تتحول بها المعرفة إلى قرار. والسؤال الأعمق ليس ما إذا كانت الآلة ستصبح أكثر ذكاءً، بل ما إذا كان المصنع سيصبح أكثر قدرة على الفهم والتعلم، وما إذا كان الإنسان سيستخدم هذه القدرة لتوسيع حكمه وخبرته، أم سيسلّم إليها قرارات لا يفهم الأساس الذي بُنيت عليه.

المصنع الذي ينتج البيانات ولا يعرف دائمًا كيف يستفيد منها

كل مصنع حديث ينتج، بصورة مباشرة أو غير مباشرة، كميات كبيرة من البيانات. فالمعدات تسجل درجات الحرارة والضغط والسرعة والاهتزازات واستهلاك الطاقة، وأنظمة الجودة تحتفظ بنتائج الفحص ومعدلات العيوب، والمخازن تسجل حركة الخامات والمنتجات، والصيانة توثق الأعطال وقطع الغيار، والمبيعات تجمع معلومات عن الطلبات ومواعيد التسليم وشكاوى العملاء. وقد تتوافر هذه المعلومات في بعض المصانع منذ سنوات، لكن وجود البيانات لا يعني بالضرورة وجود المعرفة. فقد تكون موزعة بين أنظمة لا تتواصل مع بعضها، أو محفوظة في جداول لا تُراجع إلا عند إعداد التقارير، أو مستخدمة في متابعة ما حدث بعد وقوعه بدلًا من الاستفادة منها لفهم ما قد يحدث لاحقًا. وقد يعرف مدير الإنتاج أن نسبة العيوب ارتفعت خلال شهر معين، لكنه لا يستطيع ربط ذلك بتغير في دفعة من الخامات، أو برطوبة الجو، أو باختلاف ورديات التشغيل، أو بتآكل تدريجي في أحد مكونات المعدات.

هنا تظهر المسافة بين المصنع الذي يجمع البيانات والمصنع الذي يتعلم منها. فالتقرير التقليدي قد يخبرنا بأن استهلاك الطاقة ارتفع، بينما يستطيع التحليل المتقدم أن يساعد على تحديد الظروف التشغيلية المرتبطة بهذا الارتفاع. وقد تكشف سجلات الجودة عن تكرار عيب معين، لكن الربط بين بيانات الخامة ودرجات الحرارة وسرعة الخط وتوقيت ظهور العيب قد يساعد على اكتشاف علاقة لم تكن واضحة عند فحص كل عنصر منفردًا. ومع ذلك، لا يعني اكتشاف الارتباط أن السبب قد ثبت؛ فقد تكون هناك عوامل أخرى لم تُسجل أصلًا، أو متغيرات متداخلة، أو بيانات غير دقيقة. لذلك لا تتحول البيانات إلى معرفة بمجرد جمعها أو تحليلها، بل تحتاج إلى فهم للسياق الصناعي، وإلى اختبار للفرضيات، وإلى خبرة تستطيع التمييز بين العلاقة الإحصائية والسبب الحقيقي. والذكاء الاصطناعي، في هذا المعنى، لا يعوض غياب الفهم الصناعي، وإنما قد يجعل الفهم المتوافر أكثر قدرة على العمل، كما قد يكشف بوضوح أكبر تكلفة غيابه.
من الآلة التي تنفذ التعليمات إلى النظام الذي يتوقع المشكلات

في النموذج التقليدي، ينتظر المصنع ظهور المشكلة ثم يتعامل معها. تتوقف آلة، فيبدأ البحث عن العطل؛ ترتفع نسبة الهالك، فتُراجع إجراءات الإنتاج؛ يتأخر التسليم، فتتحرك الإدارة لتعديل الجدول. وقد تكون هذه الاستجابة ضرورية، لكنها تعني أن جزءًا من التكلفة قد وقع بالفعل. أما الذكاء الاصطناعي فيتيح، عندما تتوافر البيانات المناسبة والنماذج الموثوقة، الانتقال تدريجيًا من رد الفعل إلى التوقع. فقد تشير أنماط الاهتزاز أو تغير درجات الحرارة أو ارتفاع استهلاك التيار إلى احتمال تدهور مكون ميكانيكي قبل تعطله الكامل. ويمكن للنظام أن يقدّر احتمالات الخلل، ويحدد المعدات التي تستحق الفحص أولًا، ويساعد فريق الصيانة على ترتيب الأولويات وفق خطورة العطل وتكلفة التوقف المتوقعة.

غير أن القيمة لا تكمن في التنبؤ وحده، بل في قدرة المصنع على تحويل التنبؤ إلى تصرف مناسب. فإذا توقع النظام عطلًا ولم تتوافر قطع الغيار، أو لم يكن فريق الصيانة قادرًا على التدخل، أو كانت التوصية تتعارض مع متطلبات السلامة، فلن تتحقق الفائدة المرجوة. كما أن الإنذارات الكثيرة وغير الدقيقة قد تجعل العاملين يفقدون الثقة بالنظام، فيتجاهلون التنبيهات حتى عندما تكون مهمة. ولذلك فإن الصيانة التنبؤية ليست برنامجًا يُضاف إلى الحاسوب، بل تغيير في طريقة إدارة الأصول وقطع الغيار والموارد البشرية وجدولة الإنتاج. وتظهر هنا حقيقة أساسية: الذكاء لا يساوي القدرة على التنبؤ فحسب، وإنما يشمل أيضًا معرفة متى ينبغي التدخل، ومتى يكون الانتظار أقل تكلفة، ومتى تكون الأدلة غير كافية لاتخاذ قرار واثق.

ويمكن للمنطق نفسه أن يمتد إلى جودة المنتج، حيث تستطيع أنظمة الرؤية الحاسوبية تحليل صور المنتجات واكتشاف بعض العيوب بسرعة وانتظام، أو إلى تخطيط الإنتاج حيث يمكن للنماذج أن تساعد في توزيع الطلبات على الخطوط المتاحة، أو إلى استهلاك الطاقة حيث يمكن تحليل أنماط التشغيل لتحديد الأوقات والعمليات الأعلى استهلاكًا. لكن كل تطبيق له حدوده؛ فالنظام الذي يتعرف على عيوب سطحية في منتج معين لا يصبح تلقائيًا قادرًا على تقييم جميع خصائص الجودة، والنموذج الذي يحسن جدول الإنتاج في ظروف مستقرة قد يقدم توصيات ضعيفة عند حدوث تغير مفاجئ في الطلب أو الخامات أو الطاقة. لهذا ينبغي التعامل مع الذكاء الاصطناعي بوصفه أداة ترفع قدرة المصنع على اتخاذ القرار، لا بوصفه عقلًا شاملًا يعرف كل شيء عن العملية الصناعية.

المعرفة الصناعية التي لا توجد في الكتيبات

في كل مصنع معرفة لا تظهر كاملة في التقارير أو تعليمات التشغيل. إنها المعرفة التي تتكون عبر سنوات من التعامل مع المواد والآلات والظروف المتغيرة؛ العامل الذي يلاحظ اختلاف صوت المعدة قبل أن يظهر إنذار، والفني الذي يعرف من شكل السطح أن الخامة لن تستجيب بالطريقة المعتادة، ومشرف الوردية الذي يدرك أن الجمع بين إعدادين يبدو كل منهما مقبولًا قد يؤدي إلى خلل عند تشغيل الخط لفترة طويلة. وقد تكون هذه المعرفة دقيقة ونافعة، لكنها موزعة بين أشخاص، ومتداخلة مع التجربة الشخصية، ويصعب أحيانًا التعبير عنها في صورة قاعدة مكتوبة.

وعندما يغادر هؤلاء العاملون، قد يفقد المصنع جزءًا من ذاكرته العملية، حتى لو بقيت الآلات والوثائق كما هي. يمكن للذكاء الاصطناعي أن يساعد على توثيق بعض هذه الخبرة وربطها ببيانات التشغيل، بحيث يصبح من الممكن التعرف على الظروف التي سبقت أعطالًا معينة، أو مقارنة استجابات العاملين في مواقف متشابهة، أو تطوير أدوات إرشادية تساعد الفنيين الجدد على التشخيص. لكن ذلك يتطلب مشاركة العاملين أنفسهم، لأن البيانات وحدها لا تكشف بالضرورة لماذا اختار الخبير إجراءً معينًا، أو ما العلامة التي لفتت انتباهه، أو لماذا تجاهل تنبيهًا بدا مهمًا في ظاهره.

وإذا جُمعت المعلومات دون حوار مع أصحاب الخبرة، فقد تُحفظ آثار عملهم من دون فهم المنطق الذي حكمه. وهنا تظهر مفارقة إنسانية وتنظيمية. فقد يُستخدم الذكاء الاصطناعي لتوسيع معرفة المؤسسة وحماية خبرتها من الضياع، وقد يُستخدم أيضًا لانتزاع المعرفة من العاملين ثم الاستغناء عنهم، أو لتكثيف مراقبتهم وقياس كل حركة يؤدونها. في الحالة الأولى يصبح النظام وسيلة لتقوية الذاكرة الصناعية الجماعية، وفي الثانية قد يتحول إلى أداة لإضعاف الثقة وتقليص استقلالية العامل. وليس الفارق في التقنية ذاتها، بل في فلسفة الإدارة التي تحدد من يملك المعرفة، ومن ينتفع بها، وكيف تُوزع المكاسب الناتجة عنها. فالمصنع الذي يتعلم من العامل من دون أن يعترف بقيمة خبرته قد ينجح في تسجيل بعض أنماط أدائه، لكنه يخاطر بفقدان أهم ما يجعل هذه الخبرة حية: القدرة على الحكم في المواقف التي لم تتكرر من قبل.

الإنسان في المصنع الذكي ليس زائدًا عن الحاجة

غالبًا ما يُختزل الحديث عن الذكاء الاصطناعي في مقارنة مباشرة بين الإنسان والآلة: ما المهام التي ستختفي؟ وكم عاملًا يمكن الاستغناء عنه؟ غير أن هذا المنظور يتجاهل أن العمل الصناعي يتكون من مستويات مختلفة؛ فهناك مهام متكررة يمكن أتمتتها، وهناك أعمال تحليلية يمكن دعمها بالخوارزميات، وهناك أحكام تتطلب فهمًا للسياق، ومسؤولية عن النتائج، وقدرة على التعامل مع حالات استثنائية لا تتوافر عنها بيانات كافية.

وقد يتفوق النظام في فحص آلاف الصور خلال وقت قصير، بينما يظل المهندس ضروريًا لتحديد ما إذا كان العيب المكتشف يمثل خطرًا فعليًا على سلامة المنتج أو مجرد اختلاف شكلي لا يؤثر في وظيفته. وقد يقترح النظام تعديلًا في إعدادات التشغيل، لكن المسؤولية عن تطبيقه تظل مرتبطة بمعرفة خصائص المادة، وحدود المعدات، ومتطلبات السلامة والجودة. لذلك فإن التحول الأهم لا يتمثل بالضرورة في اختفاء الإنسان من المصنع، بل في تغير موقعه داخل منظومة الإنتاج. فبدلًا من أن يقضي العامل معظم وقته في متابعة مؤشرات متكررة، قد يصبح مسؤولًا عن تفسير الاستثناءات والتحقق من التوصيات وتحسين العملية.

وبدلًا من أن يراجع المهندس تقارير منفصلة، قد ينتقل إلى تحليل العلاقات بين الجودة والصيانة والطاقة والتكلفة. غير أن هذا التحول لا يحدث تلقائيًا؛ فقد يؤدي إدخال الأنظمة الذكية إلى زيادة الضغط على العامل إذا فُرضت عليه أهداف أسرع ومراقبة أكثر كثافة، أو إذا طُلب منه تحمل مسؤولية توصيات لا يفهمها ولا يملك صلاحية مراجعتها. من هنا تصبح إعادة تأهيل العاملين شرطًا لنجاح المصنع الذكي، لا نشاطًا جانبيًا يمكن تأجيله.

فالمهارة المطلوبة لم تعد مقتصرة على تشغيل الآلة أو قراءة المؤشر، بل تشمل فهم البيانات الأساسية، والتعرف على حدود النظام، والإبلاغ عن الحالات التي لا تتفق مع توصياته، والتمييز بين التنبيه الموثوق والتنبيه الذي يحتاج إلى تحقق. ولا يعني ذلك أن يتحول كل عامل إلى مبرمج أو عالم بيانات، بل أن يمتلك كل شخص القدر المناسب من المعرفة الذي يسمح له بالتعامل الواعي مع التكنولوجيا داخل نطاق عمله. فالإنسان الذي لا يفهم النظام قد يصبح منفذًا لتوصياته فقط، أما الإنسان المدرب فيستطيع أن يسأل عن أساس التوصية، ويختبرها، ويوقفها عندما تتعارض مع الواقع أو مع متطلبات السلامة.

حين تصبح البيانات مصدرًا للقوة الصناعية

في الاقتصاد الصناعي التقليدي، ترتبط القوة بامتلاك رأس المال والمعدات والخامات والطاقة والقدرة على الوصول إلى الأسواق. ومع الذكاء الاصطناعي، تزداد أهمية مورد آخر قد لا يظهر في الميزانية بصورة واضحة: البيانات التي تصف العملية الصناعية، والخبرة اللازمة لتفسيرها، والقدرة على تحويلها إلى نماذج وأدوات تشغيلية. فالمصنع الذي يمتلك سجلات دقيقة ومتراكمة عن أداء معداته وجودة منتجاته وسلوك خاماته قد يطور مع الوقت معرفة يصعب على منافس جديد تقليدها بسرعة.

وكلما تحسنت جودة البيانات وتوثقت علاقتها بالنتائج الفعلية، أصبح من الممكن بناء نماذج أكثر ملاءمة لظروف المصنع، بدل الاعتماد على حلول عامة لا تفهم خصوصيته. لكن البيانات لا تمنح القوة تلقائيًا، كما أن كثرتها لا تضمن قيمتها. فقد يجمع المصنع معلومات ضخمة من دون أن تكون منظمة أو موثوقة، وقد يعتمد على بيانات لا تمثل ظروف التشغيل الحالية، أو يتجاهل التغيرات التي تجعل النموذج القديم أقل دقة. والأهم أن بيانات المصنع قد تظل تحت سيطرة مزود التكنولوجيا إذا كانت مخزنة في منصة مغلقة، أو كانت صيغة تصديرها محدودة، أو ارتبط تشغيل النظام باشتراكات وخدمات لا يستطيع المصنع الاستغناء عنها بسهولة. عندئذ قد يتحول الاستثمار الذي كان يفترض أن يرفع استقلالية المصنع إلى علاقة تبعية جديدة، لا تتمثل فقط في شراء آلة من الخارج، بل في الاعتماد المستمر على طرف خارجي لفهم بيانات الآلة وتشغيلها وتحديثها.

وهذه مسألة مهمة للدول التي تسعى إلى تطوير صناعتها، ومنها مصر، لأن شراء أنظمة متقدمة لا يساوي امتلاك القدرة على تطويرها أو تعديلها أو تقييمها بصورة مستقلة. فالسيادة الصناعية لا تتطلب بالضرورة إنتاج كل مكونات الذكاء الاصطناعي محليًا، لكنها تتطلب معرفة ما الذي تفعله الأنظمة المستخدمة، وما البيانات التي تجمعها، وكيف يمكن نقلها وتأمينها، وما شروط استمرار الخدمة، وما البدائل المتاحة إذا تغيرت الأسعار أو توقفت التحديثات. كما تتطلب بناء كفاءات محلية في هندسة البيانات، والأتمتة، والصيانة، وتكامل الأنظمة، وتطوير التطبيقات المرتبطة بالقطاعات الصناعية الفعلية. فالفارق كبير بين مصنع يستخدم تقنية ذكية، ومصنع يملك القدرة المؤسسية على فهمها وإدارتها وتطوير استخداماتها والتفاوض مع مورديها من موقع المعرفة لا من موقع الحاجة وحدها.

الذكاء الاصطناعي لا يصلح نظامًا صناعيًا لا يعرف مشكلته

قد تميل بعض المؤسسات إلى الاعتقاد بأن شراء نظام متقدم سيعالج تلقائيًا مشكلات الإنتاج والجودة والتكلفة. لكن التقنية لا تستطيع وحدها إصلاح بيانات غير دقيقة، أو إجراءات متناقضة، أو مسؤوليات غير واضحة، أو عمليات لا يعرف العاملون أسباب تصميمها. وإذا كانت الإدارة لا تعرف بدقة تكلفة العيوب، أو لا تسجل أسباب توقف المعدات، أو لا تميز بين الهالك الناتج عن الخامة والهالك الناتج عن التشغيل، فإن إدخال الذكاء الاصطناعي قد يجعل المشكلة أكثر تعقيدًا بدلًا من حلها. فالخوارزمية تتعلم من البيانات المتاحة لها، وإذا كانت هذه البيانات تعكس أخطاء القياس أو انحيازات التسجيل أو ممارسات تشغيلية سيئة، فقد تنتج توصيات تبدو دقيقة من الناحية الحسابية لكنها لا تخدم الهدف الصناعي الحقيقي. لذلك ينبغي أن يبدأ التحول الذكي بتحديد المشكلة الاقتصادية أو التشغيلية التي يريد المصنع حلها.

هل يريد خفض التوقفات؟ أم تقليل العيوب؟ أم تحسين استخدام الطاقة؟ أم زيادة دقة توقع الطلب؟ أم تقليل استهلاك الخامات؟ بعد ذلك تُحدد البيانات المطلوبة، ومدى موثوقيتها، والطريقة التي سيُقاس بها التحسن، ومن سيتولى مراجعة النتائج. ويجب مقارنة أداء النظام بالوضع السابق، لا الاكتفاء بعرض قدراته التقنية أو عدد التنبيهات التي يصدرها. فإذا انخفضت التوقفات لكن ارتفعت تكاليف الصيانة، أو تحسنت سرعة الإنتاج على حساب الجودة، فلا يمكن اعتبار التجربة ناجحة لمجرد تحسن مؤشر واحد. كما ينبغي الانتباه إلى أن النموذج الذكي قد يفقد دقته عندما تتغير ظروف التشغيل.

فالتغير في الموردين أو مواصفات الخامات أو تصميم المنتج أو سلوك الطلب يمكن أن يجعل العلاقات التي تعلمها النظام أقل صلاحية. ومن ثم يحتاج المصنع إلى متابعة أداء النماذج وإعادة اختبارها وتحديثها، وإلى تحديد الحالات التي يجب فيها الرجوع إلى التقييم البشري. والذكاء الاصطناعي الناجح ليس النظام الذي يصدر توصيات بثقة دائمة، بل النظام الذي تُعرف حدود استخدامه، وتُراجع نتائجه، ويُكتشف انحرافه قبل أن يتحول إلى مصدر جديد للخسائر.

من تحسين خط الإنتاج إلى إعادة التفكير في المصنع كله

قد يبدأ استخدام الذكاء الاصطناعي في مهمة محددة، مثل اكتشاف عيوب المنتجات أو توقع أعطال المعدات، لكن القيمة الأوسع تظهر عندما يستطيع المصنع الربط بين القرارات التي كانت تُتخذ داخل أقسام منفصلة. فقرار شراء خامة أقل سعرًا قد يبدو اقتصاديًا من منظور المشتريات، لكنه قد يزيد العيوب واستهلاك الطاقة ووقت المعالجة. ورفع سرعة خط الإنتاج قد يبدو إنجازًا لإدارة التشغيل، لكنه قد يرفع الضغط على معدات أخرى أو يزيد المخزون غير المطلوب. وتقليل استهلاك الطاقة في مرحلة معينة قد لا يؤدي إلى تحسن فعلي إذا نقل العبء إلى مرحلة أخرى أكثر استهلاكًا.

وهنا يمكن للتحليل المتكامل أن يساعد على رؤية المصنع بوصفه منظومة مترابطة، لا مجموعة مؤشرات مستقلة يتنافس كل قسم على تحسينها. ويتسع هذا المنظور ليشمل العلاقة بين المصنع والبيئة المحيطة به. فالبيانات التشغيلية قد تساعد على تحديد مراحل الهدر في المياه والطاقة والخامات، وتقدير أثر تغيير بعض الإعدادات على استهلاك الموارد، واكتشاف فرص الاستفادة من الحرارة المهدرة أو إعادة استخدام بعض المواد ضمن ضوابط الجودة والسلامة. كما يمكن الجمع بين بيانات الإنتاج والصيانة والمخزون والطلب لتقليل الإنتاج الزائد، الذي يستهلك الموارد ويخلق مخزونًا قد يفقد قيمته قبل بيعه. لكن الذكاء الاصطناعي لا يجعل العملية مستدامة لمجرد أنه يحسن كفاءتها؛ فقد يؤدي رفع الكفاءة إلى زيادة حجم الإنتاج الكلي، فتتراجع بعض المكاسب البيئية بسبب اتساع النشاط. ولهذا ينبغي أن يُقاس النجاح بما تحقق فعليًا من خفض في استهلاك الموارد والانبعاثات والهدر لكل وحدة منتج، وبالأثر الإجمالي للعملية، لا بالمؤشرات التشغيلية المنفردة.

المخاطر التي لا تظهر في عرض التكنولوجيا

كلما ازداد اعتماد المصنع على الأنظمة الذكية، ازدادت أهمية أمن المعلومات واستمرارية التشغيل. فالنظام المتصل بالشبكات قد يتعرض لهجوم إلكتروني، والبيانات الصناعية قد تتضمن أسرارًا تتعلق بالتركيبات ومواصفات المنتجات وأساليب التشغيل والعملاء. وقد يؤدي العبث ببيانات المستشعرات أو تعطيل نظام التحكم إلى آثار تتجاوز فقدان المعلومات، فتصل إلى إفساد دفعات إنتاج أو تعطيل معدات أو تهديد سلامة العاملين. ولهذا لا يكفي أن يكون النظام فعالًا، بل يجب أن يكون آمنًا، وأن تُحدد صلاحيات الوصول إليه، وتُحمى بياناته، وتُختبر خطط استعادة التشغيل عند تعطل مكوناته. وثمة خطر آخر يتعلق بطريقة توزيع المسؤولية.

فإذا أوصى نظام ذكي بتغيير إعدادات الإنتاج، فمن المسؤول إذا أدى التغيير إلى عيب أو حادث؟ هل هو مورد النظام، أم إدارة المصنع، أم المهندس الذي اعتمد التوصية، أم الجهة التي وفرت البيانات؟ لا يمكن ترك هذه المسألة غامضة ثم تحميل العامل في نهاية السلسلة مسؤولية نتيجة لم يكن يملك السيطرة على شروطها. لذلك تحتاج المؤسسات إلى قواعد واضحة تحدد نطاق صلاحيات الأنظمة، والحالات التي تتطلب موافقة بشرية، وآليات تسجيل القرارات، وسبل الاعتراض على التوصيات، والمسؤولية عن مراجعة الأداء.

ويزداد ذلك أهمية كلما اقترب النظام من القرارات التي تمس السلامة أو جودة المنتجات الحرجة أو حقوق العاملين. ولا ينبغي كذلك تجاهل الانحيازات التي قد تنتقل إلى الأنظمة من البيانات أو من طريقة تصميمها. فقد يُدرَّب نموذج على ظروف تشغيل لا تمثل جميع الورديات أو جميع أنواع الخامات، فيصبح أداؤه أضعف عند التعامل مع ظروف مستبعدة من بيانات التدريب.

وقد يُستخدم نظام لتقييم العاملين استنادًا إلى مؤشرات لا تعكس اختلاف طبيعة المهام أو جودة المعدات المتاحة لهم، فيحوّل القياس الآلي إلى حكم غير عادل. ولهذا فإن الشفافية والمراجعة البشرية ليستا عائقًا أمام التطور، بل من شروط الثقة به. فالنظام الذي لا يستطيع أحد تفسير حدوده أو مراجعة نتائجه قد يبدو متقدمًا، لكنه يضع المؤسسة أمام نوع جديد من المخاطر: أن تتخذ قرارات مؤثرة استنادًا إلى معرفة لا تستطيع مساءلتها.

كيف يبني المصنع تحولًا ذكيًا حقيقيًا؟

لا يبدأ التحول الذكي بشراء أكبر منصة أو تركيب أكثر الأنظمة تعقيدًا، وإنما باختيار مشكلة محددة تؤثر بوضوح في أداء المصنع، ثم بناء تجربة قابلة للقياس حولها. قد تكون المشكلة كثرة توقفات آلة حرجة، أو ارتفاع نسبة العيوب في مرحلة معينة، أو تقلب استهلاك الطاقة، أو صعوبة التنبؤ بمواعيد تسليم الطلبات. ويُفضل أن يبدأ المصنع بتطبيق محدود يستطيع من خلاله مقارنة النتائج قبل التدخل وبعده، ومعرفة ما إذا كانت البيانات المتاحة كافية، وما المهارات التي يحتاج إليها، وما التكاليف الفعلية للتشغيل والصيانة والتطوير.

وإذا أثبتت التجربة قيمة واضحة، يمكن توسيعها تدريجيًا وربطها بأنظمة أخرى، بدل تعميم حل واسع قبل التحقق من ملاءمته للواقع. ويحتاج هذا المسار إلى تعاون بين الإدارة والمهندسين والعاملين وفريق تكنولوجيا المعلومات وموردي الأنظمة. فالإدارة تحدد الأهداف الاقتصادية والأولويات، والمهندسون يشرحون طبيعة العمليات وحدود المعدات، والعاملون يكشفون تفاصيل التشغيل التي لا تظهر في السجلات، والمتخصصون في البيانات يطورون النماذج ويختبرونها، بينما يضمن فريق الأمن التقني حماية الأنظمة واستمرارية العمل. ولا يمكن لأي طرف أن ينجز التحول منفردًا؛ فالنموذج الذي لا يفهم العملية الصناعية قد يقدم حلولًا غير واقعية، والخبير الصناعي الذي لا يملك أدوات تحليل مناسبة قد يعجز عن اكتشاف العلاقات المعقدة، والإدارة التي تركز على شراء التقنية من دون الاستثمار في التدريب قد تترك النظام متقدمًا في مواصفاته وضعيفًا في أثره الفعلي.

كما ينبغي أن يتضمن التقييم تكلفة دورة الحياة كاملة، لا ثمن الشراء فقط. فهناك تكاليف جمع البيانات وتنظيفها وتخزينها، وربط المعدات بالأنظمة، وتدريب العاملين، وتأمين الشبكات، وتحديث النماذج، ودعم الموردين، ومعالجة الأعطال التي قد تنتج عن الاعتماد على النظام. وفي المقابل، يجب قياس المنافع الفعلية، مثل تقليل التوقفات والهالك والطاقة المستهلكة، وتحسين الالتزام بمواعيد التسليم، ورفع ثبات الجودة، وتقليل المخاطر. بهذه الطريقة يصبح قرار الاستثمار قرارًا صناعيًا واقتصاديًا مدروسًا، لا استجابة لضغط المنافسة أو لمجرد أن الذكاء الاصطناعي أصبح عنوانًا جذابًا للتحديث.

المصنع الذكي ليس الذي يستخدم الذكاء الاصطناعي، بل الذي يعرف ماذا يفعل به

قد يدخل الذكاء الاصطناعي إلى المصنع في صورة كاميرا تفحص المنتجات، أو برنامج يتوقع الأعطال، أو منصة تحلل بيانات التشغيل، أو نظام يساعد على تخطيط الإنتاج. لكن هذه التطبيقات، مهما بلغت أهميتها، لا تحدد وحدها ما إذا كان المصنع قد أصبح أكثر ذكاءً. فالذكاء الصناعي الحقيقي يظهر عندما تتحول المعلومات إلى فهم، والفهم إلى قرار أفضل، والقرار إلى نتيجة يمكن قياسها ومراجعتها. ويظهر أيضًا عندما يصبح المصنع قادرًا على التعلم من أخطائه، وحماية خبرته المتراكمة، واستخدام موارده بكفاءة أعلى، وتطوير مهارات العاملين بدل الاكتفاء بمراقبة أدائهم. إن التحدي الأكبر ليس في جعل الآلة تفكر بطريقة تشبه الإنسان، بل في بناء مؤسسة تستطيع أن تستفيد من قدرات الآلة دون أن تتخلى عن مسؤوليتها في الحكم والتفسير والمساءلة.

فالذكاء الاصطناعي قد يكشف نمطًا لم نكن نراه، لكنه لا يحدد وحده ما الذي يستحق أن نسعى إليه؛ وقد يتوقع نتيجة، لكنه لا يتحمل تلقائيًا مسؤولية القرار الذي بُني عليها؛ وقد يختصر الوقت والتكلفة، لكنه لا يضمن أن تُوزع مكاسب التحسن بعدالة بين المؤسسة والعامل والمجتمع. لهذا فإن مستقبل الصناعة لن تحدده فقط المصانع التي تشتري التكنولوجيا الأحدث، بل المصانع التي تعرف كيف تربطها بالمعرفة البشرية، وبالبيانات الموثوقة، وبالإدارة الجيدة، وبالقدرة على التعلم المستمر.

وقد يمتلك مصنعان النظام الذكي نفسه، لكن أحدهما يحوله إلى أداة لتقليص التكاليف على المدى القصير، بينما يستخدمه الآخر لبناء خبرة تراكمية وقدرة أكبر على الابتكار والاستقلال. عند هذه النقطة يصبح الفرق بينهما أكبر من الفرق بين آلة قديمة وأخرى حديثة؛ إنه الفرق بين مصنع يستخدم التكنولوجيا، ومصنع يعيد بناء قدرته على الفهم واتخاذ القرار. فالتكنولوجيا قد تمنح الصناعة أدوات جديدة، لكن المعرفة هي التي تمنحها الاتجاه، والإنسان هو الذي يحدد الغاية التي ينبغي أن تخدمها هذه الأدوات.

🔹 تابعونا على قناة الفلاح اليوم لمزيد من الأخبار والتقارير الزراعية.
🔹 لمتابعة آخر المستجدات، زوروا صفحة الفلاح اليوم على فيسبوك.