التحول الرقمي الحكومي وحوكمة الذكاء الاصطناعي في سوريا

لماذا يبدأ AI من التحول الرقمي؟

الجهة التي لا تعرف أين توجد بياناتها، ولا تملك تكاملًا موثوقًا بين أنظمتها، ولا تستطيع تحديد مالك السجل أو جودة البيانات، لن تصبح جاهزة للذكاء الاصطناعي بمجرد شراء نموذج متقدم.

لهذا ترتبط جاهزية AI في القطاع العام السوري مباشرة بمسار التحول الرقمي.

استراتيجية التحول الرقمي الحكومية الممتدة حتى 2030 تضع مسارًا مرحليًا يبدأ بالبنية التحتية والتشريعات والسجلات، ينتقل إلى الخدمات التفاعلية وربط البيانات، ثم يستهدف تكاملًا أوسع واستخدام البيانات في دعم القرار.

⚠️ الاستراتيجية نفسها قيد التحديث في 2026، ولذلك يجب قراءة تفاصيلها الحالية كخط أساس متحرك وليس تصميمًا نهائيًا غير قابل للتغيير.

المرحلة الأولى: الأساس قبل الذكاء

قبل بناء نماذج تنبؤية أو مساعدين حكوميين، تحتاج الدولة إلى طبقات أكثر بساطة وأقل جاذبية إعلاميًا:

سجلات رقمية صحيحة.

هوية وصلاحيات.

تكامل بين الأنظمة.

معايير بيانات.

بنية اتصالات مستقرة.

أمن.

وسياسات واضحة.

هذه الطبقات تحدد سقف ما يمكن للذكاء الاصطناعي أن يفعله بأمان.

إذا كانت بيانات المواطن موزعة بين أنظمة غير متزامنة، فإن إضافة AI لا تحل المشكلة؛ قد تجعل النظام ينتج استنتاجًا أسرع من بيانات متناقضة.

المرحلة الثانية: التكامل والخدمات التفاعلية

كلما ازداد الربط بين الجهات، زادت قيمة البيانات وزاد معها أثر الخطأ.

التشغيل البيني ليس مجرد API بين نظامين.

من منظور الحوكمة، يجب تحديد أي جهة هي المصدر المرجعي لكل معلومة، ومن يستطيع تعديلها، وكيف تنتقل، وكيف يتم تسجيل الاستخدام.

عند إدخال AI فوق هذه البيئة، تصبح مصدرية البيانات عنصرًا أساسيًا.

يجب أن يستطيع الفريق تفسير أي بيانات استند إليها النظام وأي نسخة منها كانت متاحة لحظة القرار.

التشغيل البيني لا يعني الوصول المفتوح

إذا استطاع نظامان التحدث إلى بعضهما تقنيًا، فهذا لا يعني أن كل تطبيق يستطيع استخدام كل البيانات.

يجب الفصل بين القدرة التقنية على التكامل وبين التفويض المؤسسي للوصول.

AI قد يجعل الوصول الواسع مغريًا لأن المزيد من البيانات قد يبدو وكأنه سيحسن النتائج.

لكن الوصول يجب أن يبقى مرتبطًا بالغرض.

المرحلة الثالثة: الحكومة المعتمدة على البيانات

الانتقال إلى تحليل البيانات لدعم القرار هو النقطة التي تصبح عندها حوكمة AI أكثر أهمية.

لوحة مؤشرات وصفية لا تساوي نموذجًا يتنبأ بالسلوك أو يرتب الحالات أو يوصي بتخصيص الموارد.

كلما تحولت التقنية من عرض الواقع إلى التأثير في القرار، ارتفع مستوى المساءلة المطلوب.

يجب التفريق بين التحليلات التقليدية والنماذج الإحصائية وMachine Learning والذكاء الاصطناعي التوليدي بدل وضعها جميعًا تحت تسمية تقنية واحدة.

السحابة الحكومية

الحوسبة السحابية توفر قابلية توسع ومشاركة موارد أسرع، ويمكن أن تكون طبقة مهمة لتشغيل التحليلات وAI.

لكن قرار نقل workload إلى السحابة يجب ألا يعتمد فقط على الكلفة والأداء.

فئة البيانات.

موقعها.

التشفير.

صلاحيات الإدارة.

النسخ الاحتياطية.

الموردون الفرعيون.

استمرارية الأعمال.

وإمكانية الخروج من الخدمة.

كلها عناصر حوكمة أساسية.

بالنسبة لـAI تضاف أسئلة أخرى:

أين تتم معالجة prompts؟

هل يحتفظ المزود بها؟

هل تستخدم لتحسين النموذج؟

أين توجد embeddings؟

ومن يستطيع الوصول إلى logs؟

مركزية البيانات ليست حوكمة بيانات

وجود Data Center أو منصة مركزية لا يعني وجود Data Governance.

الحوكمة تتطلب تحديد المالك والمسؤولية والجودة ودورة الحياة وسياسات الوصول والاحتفاظ والمشاركة.

قد يكون المستودع المركزي منظمًا تقنيًا لكنه يحتوي بيانات لا يعرف أحد مستوى دقتها أو غرض جمعها.

عند استخدام هذه البيانات في AI، تنتقل المشكلة مباشرة إلى مخرجات النظام.

مصدرية البيانات

عندما يستخدم النظام بيانات من أكثر من جهة، يجب معرفة رحلة المعلومة.

ما المصدر؟

هل تغيرت أثناء النقل؟

متى حدث آخر تحديث؟

هل النسخة الموجودة لدى النظام هي النسخة المرجعية؟

إذا ظهر خطأ في قرار مدعوم بـAI، فإن غياب Data Provenance يجعل التحقيق صعبًا.

السجلات الوطنية والهوية

السجلات الأساسية يمكن أن تصبح مصادر عالية القيمة للأنظمة الذكية، ولذلك يجب التعامل معها باعتبارها أصولًا حرجة.

الاستخدام في التدريب ليس هو نفسه الاستخدام للاستعلام.

والتخصيص ليس هو نفسه اتخاذ القرار.

يجب تحديد غرض واضح حتى عندما تسمح البنية التقنية بربط المزيد من البيانات.

AI فوق بيئة التكامل الحكومي

مع توسع الربط الحكومي، سيصبح من الممكن تقنيًا بناء تطبيقات تستخدم بيانات من أكثر من جهة.

هذه الإمكانية تخلق قيمة كبيرة لكنها تخلق خطرًا مؤسسيًا جديدًا:

قد تصبح قدرة النظام على الوصول إلى البيانات أكبر من التفويض الفعلي للغرض الذي يعمل من أجله.

لذلك يجب فصل صلاحية النظام التقنية عن صلاحية حالة الاستخدام.

جودة البيانات

الذكاء الاصطناعي لا يصلح البيانات الرديئة تلقائيًا.

البيانات المكررة.

القيم القديمة.

الحقول غير الموحدة.

السجلات الناقصة.

كلها قد تتحول إلى انحياز أو قرارات غير دقيقة.

يجب وضع مؤشرات جودة قبل اعتماد أي Dataset للاستخدام في نموذج ذي أثر مرتفع، وليس بعد ظهور المشكلة في الإنتاج.

قانون حماية البيانات والـAI

قانون حماية البيانات الشخصية يمثل طبقة قانونية يجب إدخالها في تصميم الخدمات الرقمية التي تستخدم AI.

لكن لا ينبغي استنتاج تفاصيل دقيقة غير مثبتة من النص القانوني الكامل.

من الناحية المؤسسية، يجب على المشروع على الأقل معرفة:

هل يستخدم بيانات شخصية؟

من يستطيع الوصول؟

هل تنتقل البيانات إلى طرف خارجي؟

ما الغرض؟

وما مدة الاحتفاظ المطلوبة؟

استخدام GenAI في الخدمات الحكومية

يمكن لـGenAI دعم البحث والتلخيص وإعداد المسودات والمساعدة الداخلية وخدمة المستفيد.

لكن Chatbot حكومي يجيب عن قانون أو استحقاق ليس مجرد واجهة جميلة.

الخطأ قد يؤثر في حقوق المستخدم.

يجب ربط الإجابات بمصادر معتمدة، وإظهار حدود النظام، وتحديد متى يجب تحويل المستخدم إلى موظف، ومنع النموذج من اختلاق إجراء حكومي غير موجود.

الخدمات الداخلية أولًا

في كثير من الجهات، البدء بحالات استخدام داخلية منخفضة الأثر أكثر عقلانية من البدء بقرارات آلية تواجه المواطن مباشرة.

مثل:

البحث في الوثائق.

تلخيص المراسلات.

مساعدة الموظف في إعداد مسودة.

أو استخراج بيانات من مستندات غير حساسة.

هذه الاستخدامات تسمح ببناء الخبرة المؤسسية قبل الانتقال إلى حالات أعلى أثرًا.

المشتريات والتحول الرقمي

أحد أخطر مصادر AI غير المحكوم قد يكون مشروع تحول رقمي لا يحمل اسم AI أصلًا.

قد تتضمن منصة إدارة حالات أو CRM أو نظام كشف احتيال خصائص ML مدمجة من المورد.

لذلك يجب أن تتضمن وثائق المشتريات سؤالًا صريحًا عن أي خوارزميات أو نماذج أو خدمات AI مضمنة في المنتج.

تقييم الموردين

لا يكفي أن يعلن المورد أن المنتج "آمن".

يجب معرفة:

نوع النموذج.

مكان المعالجة.

الاحتفاظ بالبيانات.

المعالجون الفرعيون.

دورة التحديث.

آلية الإبلاغ عن الحوادث.

والقدرة على تصدير البيانات أو الانتقال إلى مزود آخر.

نموذج القرار

يمكن تقسيم المشاريع إلى ثلاث درجات.

الاستخدام منخفض الأثر مثل تحسين صياغة محتوى عام يمكن أن يخضع لضوابط خفيفة.

الاستخدام المتوسط مثل دعم موظف في تحليل ملفات يحتاج إلى توثيق ومراجعة وقيود بيانات.

أما الاستخدام الذي يؤثر في أهلية شخص أو حق أو خدمة أو تحقيق أو إنفاذ فيحتاج إلى مراجعة أعلى، واختبار أقوى، وإشراف بشري واضح، وآلية اعتراض مناسبة.

بناء الجاهزية

الجاهزية ليست شراء GPU أو اشتراك API.

هي قدرة المؤسسة على:

تحديد الاستخدام الصحيح.

توفير بيانات مناسبة.

تشغيل النظام بأمان.

قياس الأداء.

إدارة المورد.

والاستجابة عندما يفشل.

قد تكون جهة ذات بنية متواضعة ولكن بحوكمة قوية أكثر جاهزية من جهة تمتلك بنية حوسبية كبيرة ولا تعرف ما الأنظمة التي يستخدمها موظفوها.

مهارات الموظفين

الموظف ليس بحاجة دائمًا إلى أن يصبح Data Scientist.

لكنه يحتاج إلى معرفة حدود الأداة.

متى يمكن الاعتماد عليها؟

متى يجب التحقق؟

ما البيانات التي لا يجوز رفعها؟

متى يجب التصعيد؟

هذه AI Literacy عملية أكثر من التدريب النظري العام.

المراقبة والتغيير

الخدمة الرقمية المدعومة بـAI لا تصبح ثابتة بعد الإطلاق.

النموذج قد يتغير.

المورد قد يحدث الخدمة.

البيانات قد تتغير.

الغرض نفسه قد يتوسع.

لذلك يجب أن تكون إدارة التغيير جزءًا من الحوكمة منذ البداية.

ما الذي لا ينبغي استنتاجه؟

استراتيجية التحول الرقمي ليست استراتيجية AI وطنية.

السياسة السحابية لا تعني أن كل البيانات مناسبة للسحابة.

وجود تكامل بين الجهات لا يعني حرية استخدام البيانات لأي غرض.

وقابلية النظام للأتمتة لا تعني أن القرار يجب أن يصبح آليًا بالكامل.

خارطة تنفيذ مؤسسية

يمكن للجهة أن تعمل عبر أربع مراحل:

أولًا: Discover.

حصر العمليات والبيانات والأنظمة وحالات AI القائمة.

ثانيًا: Prepare.

تحسين البيانات والهوية والتكامل والسياسات.

ثالثًا: Pilot.

اختبار حالات محدودة بمقاييس واضحة.

رابعًا: Scale.

توسيع الأنظمة التي ثبتت قيمتها وسلامتها مع مراقبة مستمرة.

الخلاصة

التحول الرقمي السوري ليس مرادفًا لتحول AI، لكنه البنية التي سيقف عليها.

كل تحسن في جودة البيانات والتكامل والهوية والسحابة والأمن يمكن أن يزيد قابلية استخدام AI.

وكل ضعف في هذه الطبقات يمكن أن يتضخم عند الأتمتة.

لذلك يجب تصميم AI Governance كامتداد واعٍ للتحول الرقمي، لا كبرنامج منفصل يصل بعد اكتمال التقنية.