جاهزية الذكاء الاصطناعي في القطاع العام السوري: من البنية والمهارات إلى القدرة المؤسسية

الجاهزية ليست سؤالًا تقنيًا فقط

هل تستطيع الجهة تشغيل نموذج؟

هذا ليس السؤال نفسه:

هل الجهة جاهزة للذكاء الاصطناعي؟

قد يستطيع فريق تقني تشغيل Demo خلال أيام، بينما تفتقر المؤسسة إلى البيانات الجيدة والملكية الواضحة والمشتريات المناسبة والإشراف والقدرة على تشغيل النظام بعد انتهاء التجربة.

الجاهزية المؤسسية أوسع من الجاهزية التقنية.

السياق السوري

مسار التحول الرقمي السوري في 2026 يتضمن توسعًا في البنية الرقمية، ومناقشات حول مراكز البيانات والسحابة والحكومة الرقمية، ومبادرات لتوسيع مهارات AI.

كما أعلنت وزارة الاتصالات عن العمل على إعداد إطار وطني للتحول الرقمي ينظم قضايا البيانات والأمن المعلوماتي والذكاء الاصطناعي والنماذج اللغوية بالتنسيق مع القطاعات المختلفة.

هذه إشارة إلى أن AI بدأ يدخل بصورة أكثر وضوحًا في النقاش المؤسسي الوطني.

لكن هذا الإطار ما يزال قيد الإعداد، ولا يجب عرضه كسياسة AI نهائية.

محور القيادة

AI يحتاج Sponsor يفهم لماذا يستخدم النظام.

إذا كان المشروع تقنيًا بالكامل دون مالك أعمال، يصبح النجاح مقاسًا بالدقة أو Demo بدل الأثر المؤسسي.

يجب أن يعرف المدير:

المشكلة.

القيمة.

المخاطر.

من يملك القرار.

ومتى يجب إيقاف المشروع.

محور الاستراتيجية

لا تحتاج كل مؤسسة إلى AI Strategy مستقلة ضخمة.

لكنها تحتاج إلى قائمة أولويات.

ما الحالات التي تستحق AI؟

ما الذي يمكن حله بأتمتة أبسط؟

ما الذي لا يجب أتمتته؟

هذا يمنع استخدام AI كحل افتراضي لكل مشكلة.

محور العمليات

العملية السيئة لا تصبح جيدة عندما نضيف AI.

قبل الأتمتة يجب فهم Workflow.

أين الاختناق؟

أين القرار؟

ما البيانات المستخدمة؟

من المسؤول؟

قد يكون الحل إعادة تصميم العملية بدل بناء نموذج.

محور البيانات

Data Readiness هو أحد أهم محددات AI Readiness.

يجب أن تعرف الجهة:

ما البيانات المتاحة؟

من يملكها؟

ما جودتها؟

هل هي رقمية أصلًا؟

هل التعريفات متناسقة؟

هل يمكن ربطها بصورة موثوقة؟

النموذج لا يعوض غياب الأساس.

جودة البيانات

القياس يجب أن يشمل:

Completeness.

Accuracy.

Timeliness.

Consistency.

Uniqueness.

وجود Dataset كبيرة لا يعني أنها صالحة.

وقد تحتاج الجهة إلى أشهر من Data Cleanup قبل أن يكون AI منطقيًا.

مصدرية البيانات

إذا لم نعرف مصدر البيانات وتاريخها وتعديلاتها، تصبح النتائج صعبة التفسير.

Data Provenance مهمة خصوصًا عندما يجمع النظام معلومات من أكثر من جهة أو قاعدة.

محور البنية

البنية تشمل:

Connectivity.

Compute.

Cloud.

Storage.

Identity.

Integration.

Monitoring.

Backup.

لكن الهدف ليس امتلاك أحدث Technology Stack.

الهدف أن تكون البنية مناسبة للحالات الفعلية.

محور الأمن

الجهة غير الناضجة في IAM وPatch Management وLogging وإدارة الموردين ستواجه صعوبة أكبر عند إضافة AI.

لأن AI يضيف APIs وModels وبيانات وسلسلة موردين جديدة.

الجاهزية السيبرانية جزء من AI Readiness وليست محورًا منفصلًا عنها.

محور الخصوصية والبيانات الشخصية

إذا كان الاستخدام يعتمد على بيانات أشخاص، يجب أن تدخل حماية البيانات في مرحلة التصميم.

لا يجب اكتشاف هذه القضية قبل الإطلاق بأسبوع.

الجهاز أو النموذج الذي لا يحتاج بيانات شخصية يجب ألا يحصل عليها "للاحتياط".

محور المهارات

مبادرات التدريب مهمة لأنها توسع الوعي والقدرة على الاستخدام.

في يونيو 2026 أُطلقت مبادرة تستهدف تدريب مليون مستخدم سوري، مع تخريج دفعة من مدربي AI.

لكن Skills Readiness في الجهة الحكومية أوسع من الاستخدام العام للأداة.

نحتاج إلى:

قيادات تفهم المخاطر.

موظفين يعرفون الاستخدام الآمن.

فرق تقنية تستطيع التكامل.

أمن يستطيع اختبار النظام.

قانونيين يفهمون تدفقات البيانات.

ومشتريات تستطيع تقييم المورد.

AI Literacy حسب الدور

الوزير أو المدير لا يحتاج التدريب نفسه الذي يحتاجه Data Scientist.

الموظف التشغيلي لا يحتاج التدريب نفسه الذي يحتاجه CISO.

لذلك يجب تصميم Learning Paths حسب الدور.

محور الحوكمة

الجهة تحتاج إلى حد أدنى من:

AI Inventory.

Risk Classification.

Approval Gate.

Responsible Owner.

Testing.

Monitoring.

Incident Management.

بدون هذه الطبقات يصبح التوسع خطرًا.

محور المشتريات

في القطاع العام قد يدخل AI من خلال المورد أكثر مما يدخل من خلال فريق داخلي.

لذلك يجب أن تتغير RFPs والعقود.

يجب أن نسأل المورد:

هل المنتج يستخدم AI؟

أي نموذج؟

ما البيانات؟

من هم الموردون الفرعيون؟

هل يتغير النموذج؟

كيف نخرج؟

محور الموردين

Vendor Readiness تعني قدرة المؤسسة على تقييم الطرف الخارجي وليس فقط العثور على مورد.

إذا لم تستطع المؤسسة فهم شروط البيانات والتقنية، تصبح تحت رحمة تفسير المورد.

محور التشغيل

Pilot ناجح لا يعني Production Readiness.

التشغيل يحتاج:

دعم.

Monitoring.

SLA.

Incident Response.

Backup.

Change Management.

وOwnership واضح.

هذه المرحلة غالبًا أصعب من بناء Demo.

محور القياس

يجب تحديد Metrics قبل التشغيل.

ليست كلها تقنية.

يمكن قياس:

الوقت الموفر.

جودة الخدمة.

نسبة الحالات التي تحتاج تدخلًا.

عدد الاعتراضات.

الأخطاء.

الكلفة.

والحوادث.

Readiness Score

يمكن استخدام Score لتبسيط الصورة، لكن يجب الحذر.

82 من 100 قد تبدو ممتازة.

لكن إذا كان محور البيانات أو الأمن 30 من 100، فقد يكون المشروع المحدد غير جاهز.

لا يجب أن يخفي المتوسط نقاط الفشل.

مستويات النضج

يمكن تبسيط النضج إلى خمس مراحل:

Ad hoc.

Aware.

Defined.

Managed.

Optimized.

لكن هذه المستويات ليست معيارًا سوريًا رسميًا.

هي أداة إدارية تساعد الجهة على فهم انتقالها من تجارب فردية إلى قدرة مؤسسية.

اختيار Use Cases

أفضل حالة استخدام أولى ليست بالضرورة الأكثر إثارة.

الأفضل غالبًا حالة ذات:

قيمة واضحة.

بيانات جيدة.

أثر منخفض أو متوسط.

مالك واضح.

وقابلية قياس.

هذا يسمح للمؤسسة ببناء الخبرة دون تحمل مخاطرة كبيرة.

Portfolio Governance

عندما يزيد عدد المشاريع، لا يكفي تقييم كل مشروع بمعزل.

يجب النظر إلى Portfolio.

قد تكون خمسة مشاريع صغيرة جميعها تعتمد على مزود واحد أو Dataset واحدة، فيصبح الخطر المجمع أكبر مما يظهر في كل مشروع.

مركز التميز

AI Center of Excellence قد يكون مفيدًا إذا كان له دور عملي.

يمكن أن يوفر Templates وأدوات مشتركة وتدريبًا وتقييمًا ودعمًا للمشتريات.

لكن إنشاء وحدة جديدة بلا صلاحيات أو خدمات فعلية يضيف طبقة إدارية فقط.

مركزية أم توزيع؟

الحوكمة المركزية بالكامل قد تبطئ العمل.

والتوزيع الكامل قد يخلق فوضى.

النموذج الأفضل غالبًا Federated.

سياسات ومعايير مشتركة مركزيًا، ومسؤولية تنفيذ داخل الجهة أو القطاع، مع تصعيد الحالات عالية المخاطر.

البيانات المشتركة

القطاع العام يمتلك قيمة كبيرة عندما تكون البيانات قابلة للتكامل.

لكن مشاركة البيانات تحتاج إلى قواعد.

من هو المصدر؟

ما الغرض؟

ما الحد الأدنى؟

كيف نسجل الاستخدام؟

والقدرة التقنية على الربط لا تساوي تفويضًا مطلقًا.

جاهزية GenAI

GenAI يحتاج تقييمًا خاصًا لأنه يدخل المؤسسة بصورة أسرع من الأنظمة التقليدية.

قد يكون أول اختبار لجاهزية المؤسسة هو قدرتها على إدارة استخدام الموظفين للأدوات العامة.

إذا لم تستطع معرفة الأدوات المستخدمة والبيانات التي تُرسل إليها، فإن الجهة ليست جاهزة للتوسع.

جاهزية Agentic AI

Agents تضيف مستوى أعلى من المخاطر لأنها تستطيع تنفيذ أفعال.

المؤسسة التي ما تزال في بداية حوكمة Chatbots لا يجب أن تقفز مباشرة إلى Agents بصلاحيات واسعة.

المسار يجب أن يكون تدريجيًا.

Roadmap

يمكن بناء Roadmap من أربع موجات:

الموجة الأولى: Inventory + Policy + Training.

الثانية: Low-risk Pilots.

الثالثة: Assurance + Integration + Monitoring.

الرابعة: Scale + Shared Services + High-impact use cases.

هذا يسمح للنضج المؤسسي أن يسبق المخاطر بدل أن يلاحقها.

ما الذي لا ينبغي استنتاجه؟

وجود مبادرة تدريب واسعة لا يعني جاهزية جميع المؤسسات.

توسع السحابة لا يعني جاهزية البيانات.

وجود خبراء تقنيين لا يعني وجود Governance.

والإطار الوطني الذي تعمل الوزارة على إعداده لا يجب وصفه كإطار نهائي قبل نشره واعتماده.

ماذا يجب أن تفعل الجهة الآن؟

ابدأ Baseline.

قيّم القيادة والبيانات والبنية والأمن والمهارات والحوكمة والموردين والتشغيل.

حدد فجوات حرجة.

اختر Use Cases تناسب مستوى النضج.

ثم أعد القياس بعد كل موجة.

الهدف ليس الحصول على Score مرتفع.

الهدف هو معرفة ما الذي يجب إصلاحه قبل رفع مستوى المخاطرة.

الخلاصة

جاهزية AI في القطاع العام السوري ليست وظيفة لوزارة تقنية وحدها ولا فريق IT وحده.

هي قدرة مؤسسية تجمع القيادة والبيانات والبنية والأمن والمهارات والحوكمة والمشتريات والتشغيل.

سوريا تشهد توسعًا واضحًا في البنية والتدريب والوصول إلى الخدمات الرقمية.

هذه عوامل تمكين مهمة.

لكن القيمة الحقيقية ستظهر عندما تتحول من موارد ومبادرات منفصلة إلى قدرة مؤسسية تستطيع اختيار النظام الصحيح، تشغيله بأمان، قياسه، ومساءلة من يستخدمه.