في عام 2023، أفادت LinkedIn بأن مسمى «AI Engineer» كان من بين المسميات الوظيفية الأسرع نمواً على منصتها — وهو دور لم يكن موجوداً عملياً قبل ثلاث سنوات. ومع ذلك، كثيراً ما كانت إعلانات التوظيف تحت هذا المسمى تصف مسؤوليات لا تختلف عن تلك الخاصة بـ ML Engineer، أو في بعض الحالات، بـ Data Scientist من الفئة الأولى. المسميات تتكاثر في حين تتقارب الكفاءات الجوهرية بهدوء. لكل من يسعى إلى بناء مسيرة مهنية في مجال الذكاء الاصطناعي التقني — أو التوظيف فيه — لم يكن التمييز بين هذه المسميات الثلاثة أكثر إرباكاً أو أهمية في آنٍ واحد.
كيف كان كل دور معرَّفاً تقليدياً
تبلور دور Data Scientist حول عام 2012، حين أعلنت Harvard Business Review أنه «أكثر المهن إثارةً في القرن الحادي والعشرين». في جوهره، جمع هذا الدور بين التحليل الإحصائي ومعالجة البيانات وقدر كافٍ من مهارات البرمجة لاستخلاص رؤى تجارية من مجموعات بيانات ضخمة. كانت الأدوات Python وR، والمخرج كان الرؤية التحليلية، وأقرب المسميات إليه في الهيكل التنظيمي كان المحلل التجاري — لكن بقاعدة كمية أمتن.
ظهر ML Engineer لاحقاً حين بدأت الشركات تنتقل من إجراء التجارب إلى نشر النماذج في الإنتاج. إذا كان Data Scientist يبني النماذج الأولية، فإن ML Engineer كان يبني الأنظمة الإنتاجية. كان اهتمامه منصباً على تقديم النماذج والاستجابة والمزامنة وإعادة التدريب، وعلى البنية التحتية اللازمة لضمان عمل النموذج بموثوقية على نطاق واسع. كان تفكيره أقرب إلى هندسة البرمجيات منه إلى الإحصاء.
أما مسمى AI Engineer فهو الأحدث والأكثر جدلاً. في أوضح تعريف له، يصف شخصاً يبني تطبيقات ومنتجات على أساس نماذج الأساس المدربة مسبقاً — بدمج واجهات برمجة التطبيقات (API)، وتصميم مسارات الـ prompts، وبناء أنظمة التوليد المعزز بالاسترجاع (RAG)، وتنسيق سير عمل الوكلاء المتعددين. على خلاف ML Engineer، نادراً ما يدرب AI Engineer النماذج من الصفر. وعلى خلاف Data Scientist، المخرج هو منتج قابل للتشغيل، لا تحليل بيانات.
كانت هذه التعريفات دقيقة — نظرياً. أما الواقع فكان دائماً أكثر تعقيداً.
لماذا تتلاشى الحدود
ثلاث قوى هيكلية أذابت الفصل الذي كان قائماً بين هذه الأدوار.
الأولى هي صعود نماذج الأساس. حين يستطيع نموذج مدرب مسبق واحد التعامل مع مهام كانت تستلزم شهوراً من التدريب المخصص، يصبح الميزة التنافسية الجوهرية لـ ML Engineer — معرفة كيفية بناء نماذج التعلم العميق وتدريبها من الصفر — أقل أهمية في العمل اليومي. يُنفق قدر أكبر من وقت الهندسة الآن في التقييم والضبط الدقيق (fine-tuning) والتكامل، بدلاً من بحث البنية المعمارية. وهذا يجعل عمل ML Engineer أقرب مما يقوم به AI Engineer.
الثانية هي تجريد المنصات. أتمتت الجهات المزودة لخدمات السحابة وبائعو MLOps أجزاءً واسعة من أعمال البنية التحتية للتعلم الآلي التي كانت تستلزم تخصصاً دقيقاً. تتولى أدوات مثل AWS SageMaker وGoogle Vertex AI وDatabricks كثيراً من العمل على مسارات البيانات الذي كان يُعرِّف دور ML Engineer سابقاً. مع تحول البنية التحتية إلى خدمة مُدارة، تنتقل الجهد الإدراكي للأعلى نحو تعريف المشكلة وللأسفل نحو النشر — وهما منطقتان يشغلهما Data Scientist بالفعل.
الثالثة هي stack اللغات الكبيرة ذاتها. البناء على نماذج اللغة الكبيرة يستلزم مهارات تمتد عبر الأدوار الثلاثة التقليدية: فهم جودة البيانات (علم البيانات)، وبناء واجهات برمجية (API) ومسارات متينة (هندسة التعلم الآلي)، وتصميم منتجات موجهة للمستخدم (هندسة الذكاء الاصطناعي). الممارس الذي يعمل على نظام RAG في الإنتاج عام 2026 يُنجز في آنٍ واحد عمل البيانات والهندسة والمنتج. لا يغطي أي مسمى تقليدي واحد هذا كله.
رصدت Stack Overflow Developer Survey 2024 هذا التداخل في بيانات التوظيف: أفاد أكثر من 40% من المطورين العاملين في مجال الذكاء الاصطناعي بأن مسمياتهم الوظيفية لا تعكس بدقة ما يقومون به فعلياً يوماً بيوم.
إعلان
ما تُعلن الشركات فعلاً عن حاجتها إليه
تحكي إعلانات الوظائف قصة أكثر صدقاً من الهياكل التنظيمية. يكشف تحليل عشرات الآلاف من إعلانات الوظائف المرتبطة بالذكاء الاصطناعي على كبرى منصات التوظيف في أواخر عام 2025 عن عدة أنماط.
في كبرى شركات التكنولوجيا، تظل الأدوار أكثر تمايزاً. يركز research scientists على تطوير النماذج. يُجري applied scientists (وهو مسمى داخلي شائع لـ Data Scientist) التجارب ويشرف على جودة النماذج. يُدير ML engineers البنية التحتية الإنتاجية. يبني AI engineers الأدوات الداخلية والمنتجات الخارجية. تصمد التخصصات لأن الحجم يبررها.
أما في الشركات متوسطة الحجم والشركات الناشئة في مرحلة النمو، فالمشهد مختلف. كثيراً ما يطلب إعلان وظيفي واحد Python وSQL والإلمام بـ PyTorch أو TensorFlow والخبرة بواجهات LLM API والارتياح لنشر الحلول على السحابة — وهي قائمة تشمل الأدوار الثلاثة التقليدية. لا يبحث القائمون على التوظيف عن متخصص ضيق؛ بل يريدون شخصاً قادراً على التحرك بطلاقة عبر المكدس التقني. وجد استطلاع O’Reilly AI Adoption in the Enterprise 2024 أن 62% من المنظمات أفادت بعجزها عن إيجاد مرشحين يمتلكون المزيج المناسب من مهارات الذكاء الاصطناعي التطبيقي — ليس لأن المجمع الوظيفي ضحل، بل لأن التوليفة المطلوبة لا تتوافق مع أي درجة علمية أو مسار مهني تقليدي.
تتكاثر مسميات مثل «AI/ML Engineer» و«Applied AI Engineer» و«ML Platform Engineer» تحديداً لأن الصناديق القائمة لم تعد كافية. أوقفت بعض الشركات بهدوء التمييز بين الأدوار داخلياً وباتت تطلق على الجميع في فريق الذكاء الاصطناعي التطبيقي لقب «engineers»، مفرِّقةً بالأقدمية لا بالتخصص.
الكفاءات المشتركة بين الأدوار الثلاثة
إذا كانت الأدوار تتقارب، فكيف يبدو ملف الكفاءات المشترك؟ ظهرت عدة مهارات بوصفها متطلبات أساسية في كل إعلانات الوظائف تقريباً ضمن هذا المجال.
إتقان Python لا يزال لغة التواصل المشتركة. تشترطه كل الأدوار تقريباً بمستوى متوسط إلى متقدم، يشمل معالجة البيانات بـ pandas والتجريب بـ scikit-learn أو PyTorch وتكامل واجهات API.
الحدس الإحصائي يستعيد أهميته. حتى المهندسون الذين يعملون حصراً مع النماذج المدربة مسبقاً يحتاجون إلى تقييمها بدقة — فهم المقاييس والتوزيعات وأنماط الإخفاق يستلزم أسساً إحصائية كثيراً ما يفتقر إليها المهندسون البرمجيون البحتون.
الإلمام بنماذج اللغة الكبيرة (LLM) بات توقعاً شبه عالمي. أصبح الفهم التطبيقي لسلوك نماذج اللغة الكبيرة — نقاط قوتها وأنماط إخفاقها وحساسيتها للـ prompts وتحديات التقييم — أمراً مفترضاً في معظم الأدوار التطبيقية بغض النظر عن المسمى.
أساسيات MLOps — تتبع التجارب وإصدار النماذج وتنسيق المسارات الأساسية — لم تعد حكراً على ML engineer. يُتوقع من Data Scientist وAI Engineer نشر عملهم في الإنتاج دون تسليمه إلى فريق منفصل.
التواصل وصياغة المشكلة لا تزال العامل المميز المُقلَّل من شأنه. القدرة على ترجمة مشكلة تجارية إلى مشكلة ذكاء اصطناعي قابلة للحل، ثم شرح حدود الحل للمعنيين غير التقنيين، تُذكر باستمرار من قِبَل مديري التوظيف باعتبارها المهارة الأصعب إيجاداً، والمهارة الأكثر تحديداً للنجاح على المستوى الأول.
نصائح مهنية لعام 2026
إذا كنت تدخل هذا المجال أو تعيد تموضعك فيه، فتجنب الإفراط في التركيز على مسمى واحد. أكثر الممارسين قدرةً على الصمود مهنياً هم من يستطيعون التحرك عبر المكدس التقني — ليس بالضرورة خبراء في كل طبقة، لكن على درجة كافية من الإلمام للمساهمة والتواصل مع المتخصصين على الجانبين.
لمن يأتون من خلفية علم البيانات، فإن أثمن استثمار هو الثقافة الهندسية الإنتاجية: فهم كيفية نشر النماذج ومراقبتها وتحديثها في الأنظمة الحقيقية. لمن يأتون من هندسة البرمجيات أو ML engineering، يكمن الفجوة في الغالب في التفكير الإحصائي والقدرة على العمل مع بيانات حقيقية غير منظمة ومتشعبة قبل أن تصل إلى مسار نظيف.
لمن يدخلون المجال دون خبرة سابقة، يُمثل مسار «AI Engineer» — بناء المنتجات والأنظمة على نماذج الأساس الموجودة — أكثر المسارات إتاحةً وطلباً في الوقت الراهن. حاجز الدخول أدنى من تدريب النماذج المخصصة من الصفر، وحلقة التغذية الراجعة أسرع، والحاجة التنظيمية ملحّة.
تقارب هذه الأدوار ليس تهديداً للتخصص. سيواصل باحثو النماذج المتقدمة ومتخصصو البنية التحتية وعلماء البيانات الميدانيون امتلاكَهم لأسواق قوية. ما يتغير هو مستوى الخط الأساسي — الحد الأدنى من الكفاءات الذي يُتوقع من أي ممارس في هذا المجال بلوغه. هذا الحد يرتفع، وبات يقع بوضوح فوق أي من التعريفات الأصلية للأدوار الثلاثة.
الأسئلة الشائعة
ما المقصود بـ Three Roles, One Future؟
يتناول هذا المقال الجوانب الأساسية لهذا الموضوع، ويستعرض الاتجاهات الحالية والجهات الفاعلة الرئيسية والتداعيات العملية على المهنيين والمؤسسات في عام 2026.
لماذا يُعد هذا الموضوع مهمًا؟
يكتسب هذا الموضوع أهمية كبيرة لأنه يؤثر بشكل مباشر على كيفية تخطيط المؤسسات لاستراتيجيتها التقنية وتخصيص مواردها وتموضعها في مشهد سريع التطور.
ما أبرز النقاط المستخلصة من هذا المقال؟
يحلل المقال الآليات الرئيسية والأطر المرجعية والأمثلة الواقعية التي تشرح كيفية عمل هذا المجال، مستندًا إلى بيانات حديثة ودراسات حالة عملية.
