تخيل طالبًا يدخل جامعته عام 2035. لا يبدأ يومه بالانتقال بين بوابات متعددة، ولا يبحث عن الموظف الذي يعرف حالة طلبه، ولا ينتظر نهاية الفصل ليكتشف أنه كان يتجه إلى التعثر. مساعده الأكاديمي يعرف مقرراته، ومستوى تقدمه، والمهارات التي أتقنها، وما يحتاج إلى مراجعة، ويقترح له موارد أو دعمًا مناسبًا في الوقت الذي يحتاجه.

وفي الجهة الأخرى من التجربة، يدخل عضو هيئة التدريس إلى لوحة واحدة تعرض له المفاهيم التي واجه فيها الطلاب صعوبة، والأسئلة الأكثر تكرارًا، والفروق بين المجموعات، دون أن تسلبه حق الحكم الأكاديمي. أما الباحث، فيعمل مع أدوات تساعده على البحث والتحليل والمحاكاة، بينما يحتفظ هو بمسؤولية السؤال العلمي والمنهج والتفسير.

هذه الصورة لا تعتمد على تقنية واحدة مستقبلية؛ معظم مكوناتها موجودة اليوم بصورة منفصلة. التحدي الحقيقي هو جمعها داخل نموذج جامعي متكامل يحافظ على الرسالة الأكاديمية والثقة، ويعيد توجيه التقنية نحو قيمة واضحة.

الضغط على الجامعة لا يأتي من الذكاء الاصطناعي وحده. سوق العمل نفسه يتغير بفعل التقنية والتحولات الاقتصادية والديموغرافية والبيئية. ويقدّر تقرير مستقبل الوظائف 2025 للمنتدى الاقتصادي العالمي أن إنشاء الوظائف وإزاحتها بفعل التحولات الهيكلية سيعادل نحو 22% من الوظائف الحالية حتى 2030، مع 170 مليون وظيفة جديدة مقابل 92 مليون وظيفة مزاحة. كما يشير إلى نمو الطلب على مهارات الذكاء الاصطناعي والبيانات والأمن السيبراني بالتوازي مع المهارات الإنسانية مثل التفكير والإبداع والمرونة والتعاون.

في هذا النموذج، تصبح الدرجة العلمية أساسًا، لا نهاية الرحلة. يعود الخريج إلى الجامعة للحصول على شهادات مصغرة، أو تحديث مهارة، أو إعادة تأهيل لمسار جديد. وهنا تنتقل العلاقة من طالب ثم خريج إلى متعلم مدى الحياة.

تمتلك معظم الجامعات اليوم نظمًا أكاديمية ومنصات تعلم وموارد بشرية ومالية وخدمات إلكترونية ومستودعات بيانات. ومع ذلك، قد يظل الطالب يشعر أن الجامعة مجموعة إدارات منفصلة. السبب أن الرقمنة كثيرًا ما نقلت الإجراء إلى شاشة جديدة دون إعادة تصميم الرحلة نفسها.

مثال ذلك خدمة أكاديمية: تحويل الطلب الورقي إلى نموذج إلكتروني هو رقمنة. ربط التحقق والإحالة والموافقة والإشعارات في رحلة واحدة هو تحول رقمي. أما عندما تستطيع الجامعة اكتشاف الاحتياج أو الخطر مبكرًا واقتراح التدخل قبل أن يطلبه الطالب، فنحن نتحدث عن مؤسسة أكثر ذكاءً.

القيمة تظهر عندما تعمل هذه المجالات فوق قدرات مشتركة: بيانات موحدة، هوية رقمية، تكامل، ذكاء اصطناعي، أمن وحوكمة. وبدل أن تعمل كل إدارة حول نظامها، تعمل الجامعة حول رحلة المستفيد والنتيجة المطلوبة.

النقاش حول استخدام AI في التعليم لا ينبغي أن يبقى أسير سؤال المنع والسماح. الاستخدام الأكثر نضجًا هو أن يصبح الذكاء الاصطناعي جزءًا من تصميم التعلم نفسه: يشرح بطرق متعددة، يكتشف فجوة معرفية، يقترح تدريبًا، ويختبر الفهم دون أن يسلب الطالب مسؤولية التفكير.

هناك مؤشرات عملية على هذا التحول. في يناير 2024 أصبحت Arizona State University أول مؤسسة تعليم عالٍ تعلن تعاونًا مؤسسيًا مع OpenAI لاستكشاف استخدام ChatGPT Enterprise في التعلم والبحث والعمل الجامعي. وبحلول يوليو 2024 ذكرت ASU أنها فعّلت أكثر من 200 مشروع ضمن بيئات أكاديمية وبحثية وتشغيلية.

وفي جامعة ميشيغان، أظهر تقرير FY2025 أن موصل Maizey داخل Canvas استُخدم لإنشاء أكثر من 500 مساعد AI للمقررات، وتفاعل معه نحو 5,500 طالب للمراجعة وصنع أدلة دراسية وفهم المحتوى بصورة أعمق خارج ساعات المحاضرات.

الذكاء الاصطناعي التوليدي يستطيع إنتاج تحليل أو نص أو توصية. أما الذكاء الاصطناعي الوكيل Agentic AI فيمكنه، ضمن صلاحيات محددة، تنفيذ خطوات متعددة لتحقيق نتيجة: جمع معلومات، مراجعة قاعدة أو سياسة، إنشاء حالة، إرسال إشعار، وجدولة متابعة.

لنفترض أن النظام اكتشف انخفاض الحضور والتفاعل لدى طالب. يمكن لوكيل ذكي جمع المؤشرات، والتحقق من قواعد التدخل، واقتراح نوع الدعم، ثم إرسال الحالة إلى المرشد للموافقة، وبعدها حجز موعد وإشعار الطالب ومتابعة النتيجة.

ستصبح بعض المهام المتكررة أكثر قابلية للأتمتة: إعداد المسودات الأولية، وتوليد أمثلة، وتلخيص الأسئلة، وبعض أشكال التصحيح. وفي المقابل سترتفع قيمة الأدوار التي تحتاج إلى خبرة بشرية: الحكم الأكاديمي، والإرشاد، وتصميم تجربة التعلم، وإدارة النقاش، وربط المعرفة بالسياق، وتقييم جودة مخرجات AI.

تخيل أستاذًا لديه 120 طالبًا. بدل أن ينتظر اختبارًا ليعرف من تعثر، يمكن للتحليلات أن تشير إلى أن مجموعة واجهت صعوبة في مفهوم محدد، وأخرى تحتاج إلى مراجعة أساس سابق. الذكاء الاصطناعي لا يقرر ما يفعله الأستاذ، لكنه يمنحه رؤية أسرع ليستخدم خبرته في المكان الذي تحقق فيه أعلى قيمة.

إذا استطاعت الأدوات كتابة تقرير أو توليد كود أو تحليل بيانات أولية، فإن المنتج النهائي وحده لم يعد دليلًا كافيًا على التعلم. يجب أن يعرف الطالب كيف وصل إلى النتيجة، وكيف تحقق منها، وما حدود الأداة، ومتى يحتاج إلى تدخل بشري.

AI Judgment يعني القدرة على تحديد متى يستخدم الطالب الذكاء الاصطناعي، وكيف يتحقق من مخرجاته، ومتى يرفضها، ومن يتحمل المسؤولية عن القرار. في سوق العمل القادم، لن تكون الميزة في منافسة الآلة على السرعة، بل في استخدام قدراتها دون التنازل لها عن التفكير والحكم.

يمكن للباحث اليوم استخدام AI في البحث الأولي، وتنظيم الأدبيات، وتحليل البيانات، والبرمجة والترجمة. ومع تطور الأدوات الوكيلة، قد تمتد المساعدة إلى تشغيل تحليلات متعددة أو مقارنة سيناريوهات أو اقتراح فرضيات أولية.

لكن الباحث يبقى مسؤولًا عن السؤال العلمي، وصحة المنهج، وجودة المصادر، والتفسير، والتحقق، والنزاهة. الذكاء الاصطناعي يوسّع مساحة الاحتمالات؛ والباحث يقرر ما الذي يستحق الاختبار وما الذي يمكن الوثوق به.

يمكن شراء نموذج AI في أسابيع، لكن بناء بيانات موثوقة وتعريفات موحدة وملكية واضحة وجودة مستمرة يحتاج إلى عمل مؤسسي طويل. لذلك فإن جودة البيانات قد تكون أكبر محدد للقيمة التي تحصل عليها الجامعة من الذكاء الاصطناعي.

في مثال التعثر الطلابي: بيانات الحضور والتفاعل والدرجات تتحول إلى فهم لنمط الخطر، ثم تقدير لاحتمال التعثر، ثم قرار بالتدخل، ثم إجراء، ثم قياس أثر التدخل. النتيجة تعود إلى المنظومة كبيانات جديدة تساعدها على تحسين القرار القادم.

العبارة تعني ببساطة أن الذكاء الاصطناعي لا يصلح تلقائيًا البيانات الناقصة أو المتناقضة؛ بل قد يجعل أثر الخطأ أسرع وأوسع إذا بُني القرار على أساس ضعيف.

حين يدخل AI إلى التعليم والبحث والخدمات والموارد البشرية وصناعة القرار، يجب أن تعرف الجامعة ما النماذج المستخدمة، وما البيانات التي تصل إليها، ومن المسؤول عنها، وما أثر الخطأ، وأين يجب أن يبقى الإنسان في الحلقة.

يوفر NIST AI Risk Management Framework نموذجًا عمليًا واسع الاستخدام لتنظيم إدارة مخاطر AI من خلال أربع وظائف مترابطة: Govern, Map, Measure, Manage. الفكرة ليست تطبيق قائمة جامدة، بل إنشاء دورة مستمرة لفهم السياق، وقياس المخاطر، وإدارتها، ومراجعة القرارات مع تغير التقنية والاستخدام.

المشكلة ليست استخدام الطالب للذكاء الاصطناعي في حد ذاته، بل أن ينتج عملًا لا يعكس فهمه الحقيقي. لذلك فإن السؤال الأكثر نضجًا ليس «هل استخدمت AI؟» بل «كيف استخدمته؟ وما الذي أنجزته أنت؟ وكيف تحققت من النتيجة؟».

تؤكد إرشادات UNESCO حول الذكاء الاصطناعي التوليدي في التعليم والبحث على نهج متمحور حول الإنسان، وحماية الخصوصية، والتحقق الأخلاقي والتربوي من الاستخدام. وهذا يتسق مع الحاجة إلى تقييم لا يقيس المنتج النهائي وحده.

زيادة الاعتماد على البيانات والهوية الرقمية والأنظمة المتصلة والوكلاء الأذكياء تعني أن أثر التوقف أو الاختراق يصبح أكبر. المخاطر لم تعد مقتصرة على الشبكات والأجهزة؛ هناك تسرب بيانات إلى أدوات غير معتمدة، وإساءة استخدام الهوية، ومخاطر مزودي AI، وShadow AI، ووكلاء قد يحصلون على صلاحيات أوسع مما يحتاجون.

قبل أي مشروع AI جديد يجب أن تسأل القيادة: ما البيانات التي يستخدمها؟ ما الصلاحيات التي يحتاجها؟ ماذا يحدث إذا أخطأ؟ وكيف تستمر الخدمة إذا تعطل النموذج أو المزود؟

الخطر ليس فقط عدم استخدام الذكاء الاصطناعي، بل استخدامه بسرعة ومن دون بنية. إذا اشترت كل كلية منصة ومساعدًا ونموذجًا منفصلًا، تنتقل المؤسسة من Application Silos إلى AI Silos: تكلفة أعلى، تكامل أقل، بيانات مكررة، ومخاطر أكبر.

مثال ذلك مساعد ذكي للإرشاد الأكاديمي: واجهة الطالب تأتي من طبقة التجربة، وإجراءات الحجز والمتابعة من العمليات، والتحليل من طبقة AI، وبيانات الطالب من طبقة البيانات، والربط مع النظام الأكاديمي من التكامل، والهوية والصلاحيات من طبقة الثقة. إذا احتاجت كلية أخرى مساعدًا مختلفًا، يمكنها إعادة استخدام القدرات نفسها بدل بناء منظومة جديدة.

التقنية لا تستطيع وحدها تحديد من يملك تجربة الطالب، ومن يتحمل مسؤولية البيانات، ومن يعتمد حالات الاستخدام، ومن يراقب دقة النموذج، ومن يستطيع إيقافه إذا تغير أداؤه. هذه أسئلة Operating Model.

التحول الحقيقي يبدأ عندما تصبح لكل رحلة أو منتج رقمي ملكية واضحة، وبيانات موثوقة، ومسار قرار معروف، ومؤشرات قيمة. عندها لا يعود AI تجربة منفصلة، بل جزءًا من طريقة عمل الجامعة.

قد لا يبدو الحرم الجامعي مختلفًا جذريًا من الخارج، لكن المنطق الذي يعمل به سيتغير. يحصل الطالب على تجربة أكثر تخصيصًا، ويعرف الأستاذ بصورة أسرع أين يحتاج طلابه إلى الدعم، ويعمل الباحث مع منظومة من المساعدين الرقميين، وتتحرك بعض الخدمات بصورة استباقية، ويصبح التعلم المستمر جزءًا طبيعيًا من علاقة الجامعة بالمجتمع وسوق العمل.

وفي المقابل، ستزداد قيمة الجامعة كمؤسسة ثقة. ففي عالم يمكنه إنتاج كم هائل من المحتوى الاصطناعي، تصبح القدرة على التحقق، والنقاش، والحكم، وإنتاج معرفة جديدة، ومنح الاعتماد الموثوق، أكثر أهمية لا أقل.

ليس من الصعب شراء أداة AI أو إطلاق Pilot. التحدي هو الانتقال من عشرات التجارب إلى مؤسسة تستطيع استخدام الذكاء الاصطناعي على نطاق واسع دون أن تفقد السيطرة أو الثقة أو رسالتها الأكاديمية.

الجامعة الرائدة لن تكون التي تستخدم AI في كل شيء، بل التي تعرف أين يضيف قيمة، وأين يحتاج إلى الإنسان، وأين يجب تقييده، وكيف تحمي البيانات، وكيف تقيس العائد، وكيف تجعل البنية والتشغيل والحوكمة تعمل معًا.