من الطموح المُعلَن إلى التقدم المتتبَّع
عندما أطلق المنتدى الاقتصادي العالمي Reskilling Revolution في يناير 2020، بدا الهدف — مليار شخص يحصلون على تعليم ومهارات وفرصة اقتصادية أفضل بحلول 2030 — أقرب إلى شعار منه إلى خطة. بعد ست سنوات، تلحق الأرقام بالطموح.
وفقاً لـالبيان الصحفي ليناير 2026 من WEF، حشدت المبادرة التزامات للوصول إلى 856 مليون شخص بحلول 2030 — أي أكثر من 85% من الهدف قبل الموعد بست سنوات. يتضمن هذا الرقم التزامات مباشرة من أكثر من 350 منظمة، و35+ رئيساً تنفيذياً مشاركاً، وشبكة عالمية تشمل 79 اقتصاداً و18 صناعة.
للمقارنة: محطة 2023 سجَّلت 350 مليون شخص، وتحديث 2024 وثَّق 600 مليون. المسار شبه خطي، وهو أمر غير معتاد لمبادرة عالمية بهذا الحجم — عادةً ما تتوقف جهود التوسع بعد استنفاد فوج المتبنين المبكرين.
ماذا تعني كلمة “تم الوصول إليه” فعلاً؟
تحصي Reskilling Revolution الأشخاص الذين يتلقون — أو المُلتزَم بتقديم — وصولاً إلى تعلم منظَّم أو تدريب على المهارات أو مسارات توظيف عبر المنظمات الشريكة. ليست منهجاً واحداً ولا شهادة واحدة. إنها اتحاد التزامات من شركات وحكومات ومنظمات غير حكومية، يُبلِّغ كل طرف عما يقدمه للعاملين في مجاله.
لهذه البنية الاتحادية مزايا وعيوب. من المزايا: تتوسع طبيعياً — فكل التزام جديد يُضاف إلى الإجمالي دون أن يُطالَب WEF بتشغيل برامج تدريب مباشرة. من العيوب: صرامة القياس تتفاوت. التزام “50,000 عامل مدرَّب” من شريك ليس بالضرورة قابلاً للمقارنة برقم شريك آخر. ويُقِر WEF في تقاريره الخاصة بهذا الأمر بنشر إجماليات الالتزامات بدلاً من إجماليات النتائج؛ فكم من هؤلاء الـ856 مليون شخص سيحصلون فعلاً على وظيفة أفضل بحلول 2030 هو مؤشر لاحق لن يُعرف كاملاً إلا بعد سنوات.
التركيز على مهارات الذكاء الاصطناعي
جعلت دورة Davos 2026 الأخيرة أمراً واحداً واضحاً: غالبية الالتزامات الجديدة في Reskilling Revolution باتت تتمحور حول مهارات الذكاء الاصطناعي والرقمية. وفقاً لـ WEF، تعهدت أكثر من 25 شركة تكنولوجيا بتوسيع الوصول إلى الذكاء الاصطناعي والتدريب على المهارات ومسارات الوظائف لـ 120 مليون عامل بحلول 2030. تشمل القائمة Adobe و Cisco و Cornerstone OnDemand و JD.com و Salesforce و SAP و ServiceNow و Snowflake و Wipro و Workday.
هذا التركيز ليس اعتباطياً. يتوقع Future of Jobs Report 2025 أن يطرأ اضطراب على 22% من الوظائف بحلول 2030، مع خلق 170 مليون دور جديد وفقدان 92 مليون، أي صافي ربح يبلغ 78 مليون وظيفة. الوصول الرقمي والذكاء الاصطناعي والبيانات الضخمة والأمن السيبراني هي المهارات الرئيسية الدافعة لخلق الوظائف. بدون بنية لإعادة التأهيل تستهدف الـ92 مليون النازحين — الأشخاص الذين يشغلون الوظائف التي تُؤتمَت — يُخفي عنوان الربح الصافي تكلفة انتقالية عميقة.
إعلان
من يدفع فعلاً؟
يستحق نموذج تمويل Reskilling Revolution الفهم لأنه قابل للتكرار على مستوى وطني. المساهمون الأساسيون:
- الشركات الكبرى — أساساً شركات التكنولوجيا والاستشارات والاستهلاك التي تحتاج إلى قوى عاملة مُعاد تأهيلها (موظفين أو عملاء أو موردين). تتراوح التزاماتها بين منصات تدريب مجانية أو مدعومة ومسارات شهادات مدفوعة.
- الحكومات الوطنية — 79 اقتصاداً منخرطاً كشريك، عادةً عبر وزارات العمل أو التعليم. أطلقت الهند مسرِّع مهارات وطنياً في يناير 2026، لتنضم إلى شبكة عالمية من 45 مُسرِّعاً تصل مجتمعة إلى 14.8 مليون شخص.
- المنظمات غير الحكومية والمؤسسات الخيرية — توفر المناهج وإيصال “الميل الأخير” ودعماً مستهدفاً للفئات غير المخدومة.
- المؤسسات الأكاديمية — برامج الشهادات والإجازات المتوائمة مع تصنيف مهارات Reskilling Revolution.
لا يتدفق التمويل عبر WEF. كل شريك يموِّل التزاماته. دور WEF هو التنسيق والقياس والتعبئة.
نقاط الضعف التي لا تُظهرها الأرقام
نادراً ما تُناقَش ثلاثة قيود:
1. انحياز المستوى الابتدائي. تستهدف أغلب الالتزامات الأدوار الابتدائية الأكثر هشاشة أمام الاضطراب — وهي أولوية السياسة الصحيحة، لكنها تترك المهنيين في منتصف المسار أقل خدمة. محاسب في الـ45 نزحته الأتمتة أصعب إعادة تأهيل من باحث عن عمل في الـ22، والالتزامات الحالية تحت-مؤشَّرة لهذه الفئة.
2. اختلال جغرافي. تميل الـ79 اقتصاداً المشاركة نحو الدول عالية الدخل ومتوسطة الدخل العليا. أفريقيا جنوب الصحراء وأجزاء من شمال أفريقيا واقتصادات جنوب وجنوب شرق آسيا منخفضة الدخل ممثَّلة تمثيلاً ناقصاً نسبةً إلى حصتها من القوى العاملة العالمية.
3. الإتمام مقابل التسجيل. عادةً ما يحصي “التوصل” التسجيل أو الوصول. معدلات الإتمام الفعلية للتدريب المجاني عبر الإنترنت تاريخياً أقل بكثير من 20%. الفجوة بين الالتزامات والنتائج المنجزة هي الرافعة الحقيقية في الفترة 2027–2030.
ماذا أشارت Davos 2026؟
إلى جانب الأرقام الرئيسية، أبرز الاجتماع السنوي 2026 ثلاثة محاور تشكِّل ما سيأتي:
- محو الأمية في الذكاء الاصطناعي كمهارة أساسية. تُصوِّر خارطة طريق الذكاء الاصطناعي من WEF الكفاءة الأساسية في الذكاء الاصطناعي بما يعادل محو الأمية الرقمية قبل عقد — لم تعد تخصصاً، بل حداً أدنى لأغلب أعمال المعرفة.
- القدرات الإنسانية مهمة. يتزايد ذكر القيادة والفضول والمرونة والتواصل جنباً إلى جنب مع المهارات التقنية. وهذا يعكس ما يوظِّف له أصحاب العمل فعلاً، لكنه أيضاً أصعب في القياس والتقديم عبر دورات إنترنت.
- تقاطع مع المهارات الخضراء. أكثر من نصف الالتزامات تضم الآن إعداد قوى عاملة خضراء إلى جانب الرقمية — انعكاس لتقارب تحدي التحول المناخي وتحدي الانتقال نحو الذكاء الاصطناعي.
لماذا يهم الأمر وراء الأرقام؟
Reskilling Revolution هي أكبر محاولة منظَّمة للتوفيق بين تحدٍّ عالمي مُعلَن لليد العاملة (أكثر من مليار شخص يحتاجون إلى الانتقال) والتزامات موزَّعة من المنظمات الأكثر استفادة من قوى عاملة جاهزة. مسألة بلوغها بالضبط المليار بحلول 2030 أقل أهمية من أن يصبح النموذج — التزامات فيدرالية، وقياس مشترك، وتتبع علني — معياراً افتراضياً لتنسيق الحكومات والشركات حول تحولات القوى العاملة.
بالنسبة لأنظمة التدريب الوطنية والجامعات وأصحاب العمل خارج شبكة WEF الحالية، الفرصة العملية هي الاتصال بالمنظومة. تصبح الالتزامات والمناهج المطوَّرة داخل المبادرة مرجعاً لكل من يبني بنية إعادة تأهيل على مستوى الدولة.
الأسئلة الشائعة
ما هي مبادرة WEF Reskilling Revolution؟
إنها مبادرة أطلقها المنتدى الاقتصادي العالمي في يناير 2020 بهدف تزويد مليار شخص بتعليم ومهارات وفرص اقتصادية أفضل بحلول 2030. تعمل كاتحاد التزامات من أكثر من 350 منظمة و35+ رئيساً تنفيذياً و79 اقتصاداً.
ما التقدم الذي أحرزته المبادرة؟
بحلول يناير 2026، حشدت المبادرة التزامات للوصول إلى 856 مليون شخص بحلول 2030 — أكثر من 85% من الهدف. بلغ مؤشر 2023 350 مليون، وبلغ مؤشر 2024 600 مليون.
ما الشركات التقنية التي تدعم مسار مهارات الذكاء الاصطناعي؟
تعهدت أكثر من 25 شركة تقنية بدعم 120 مليون عامل بالوصول إلى الذكاء الاصطناعي والتدريب على المهارات ومسارات التوظيف بحلول 2030. تشمل الأسماء Adobe و Cisco و Cornerstone OnDemand و JD.com و Salesforce و SAP و ServiceNow و Snowflake و Wipro و Workday.
—
















