أنظمة الشفاء الذاتي: إعادة تشكيل وظائف العمليات التشغيلية وتوازن المخاطر في ظل موجة الذكاء الاصطناعي

بين عامي 2003 و 2020، بُني نموذج العمليات التشغيلية التقليدي على ثلاث افتراضات ضمنية: أولاً، يُعتبر الإنسان خط الدفاع الأخير للتعامل مع الأعطال المعقدة، بينما تتولى الأتمتة المهام الروتينية المحددة مسبقاً؛ ثانياً، يتناسب حجم العمل التشغيلي (Toil) خطياً مع حجم الخدمة، وقد حدد فريق Google SRE نسبة لا تتجاوز 50% من Toil لكل مهندس SRE، لكن متوسط الاستقصاءات الداخلية أشار إلى 33% ([كتاب Google SRE، الفصل 5](https://sre.google/sre-book/eliminating-toil/))؛ أخيراً، يُنظر إلى الأتمتة بشكل عام على أنها تقلل المخاطر. في هذا الإطار، كانت الأصول الأساسية لمهندس العمليات التشغيلية هي معرفته الضمنية وقدرته على اتخاذ القرارات في الموقع، وتم تعريف وظيفته كمنفذ للعمليات، ومُطفئ للحريق، وحامل للمعرفة الضمنية.

ومع ذلك، ومع النمو الهائل في تعقيد الأنظمة، والنضج المتزايد لتقنيات الذكاء الاصطناعي، تواجه هذه الافتراضات القديمة تحديات خطيرة. أصبح الاعتماد المطلق على التدخل البشري للتعامل مع الأعطال المعقدة أمراً غير مستدام، كما أن العلاقة الخطية بين Toil وحجم العمل جعلت تكاليف العمليات التشغيلية باهظة. والأهم من ذلك، أن الأتمتة، بينما تزيد الكفاءة، قد تُدخل أنواعاً جديدة من المخاطر، مما يجبرنا على إعادة تقييم المنطق الأساسي وحدود قدرات العمليات التشغيلية للتكيف مع متطلبات العصر الذكي الجديد.

النظر إلى AI OPS ككل هو أمر جزئي، فهو في الواقع سلم قدرات يتدرج من الأدنى إلى الأعلى. في الطبقتين L0 (المراقبة) و L1 (الكشف)، أي جمع المقاييس والسجلات والتتبع، واكتشاف الشذوذ، وتقليل الضوضاء في التنبيهات، وصل الذكاء الاصطناعي إلى مستوى عالٍ من النضج وأصبح متاحاً تجارياً. أما الطبقة L2 (التشخيص)، مثل تحديد السبب الجذري ومخططات الاعتمادية، فقد وصلت إلى نضج متوسط إلى عالٍ في السيناريوهات الشائعة، لكنها لا تزال تمثل تحدياً للأعطال الجديدة. تُحرر هذه المستويات الانتباه البشري من جمع البيانات والتعرف الأولي، وتحوله إلى قدرة الآلة على الربط.

ومع ذلك، تظل الطبقات L3 (اتخاذ القرار)، و L4 (التنفيذ)، و L5 (التعلم) مجالاً أساسياً للحكم البشري. يتسم أداء الذكاء الاصطناعي في مستوى التنفيذ L4 بالموثوقية فقط في الأنماط المحددة مسبقاً التي تتميز بـ "قابليتها للتكرار، قابليتها للتراجع، قابليتها للمراقبة، ونصف قطر انفجارها الصغير"، مثل إعادة تشغيل حاويات Kubernetes الفاشلة وإعادة جدولة العقد ذاتياً ([الشفاء الذاتي في Kubernetes](https://kubernetes.io/docs/concepts/architecture/self-healing/)). بمجرد تجاوز هذه الحدود، مثل مواجهة أعطال جديدة أو غير قابلة للتراجع أو عبر الأنظمة، قد تزيد الأتمتة من المخاطر. لذلك، فإن النموذج الجديد ليس "عمليات تشغيلية بدون تدخل بشري"، بل هو نظام شفاء ذاتي "human-on-the-loop" محدود، حيث تقوم الآلة بالدوران الذاتي ضمن حدود محددة مسبقاً، بينما يتولى الإنسان مسؤولية تحديد الحدود، والموافقة على الإجراءات التي تتجاوزها، ويمتلك حلقة التعلم.

إن آفاق سوق AI OPS تبدو واعدة بالفعل، فعلى سبيل المثال، من المتوقع أن ينمو سوق AIOps من 11.08 مليار دولار في عام 2025 إلى 41.6 مليار دولار في عام 2030 (بمعدل نمو سنوي مركب يبلغ حوالي 30%) ([The Business Research Company](https://www.researchandmarkets.com/reports/5767606/aiops-market-report)). وتتوقع Gartner أن الوكلاء الذكيين للذكاء الاصطناعي (agentic AI) سيتمكنون بحلول عام 2029 من حل 80% من مشكلات خدمة العملاء الشائعة بشكل مستقل، مما يقلل تكاليف التشغيل بنسبة 30% ([CX Today نقلاً عن Gartner](https://www.cxtoday.com/contact-center/agentic-ai-gartner-predicts-80-of-customer-problems-solved-without-human-help-by-2029/)). هذه البيانات ترسم صورة لمستقبل العمليات التشغيلية عالية الكفاءة، لكن الأمثلة العملية المعاكسة لا تقل إثارة للقلق، وتكشف عن الأضرار المحتملة للأتمتة.

تتكرر الحالات التي تصبح فيها الأتمتة نفسها سبباً جذرياً للحوادث. ففي أكتوبر 2025، كان السبب الجذري الرسمي لعطل AWS us-east-1 واسع النطاق هو "تفاعل غير مرجح" بين مكونين مؤتمتين أدى إلى حالة سباق، ولم تتم معالجته إلا بالتدخل البشري ([iTnews نقلاً عن تقرير AWS اللاحق](https://www.itnews.com.au/news/aws-outage-caused-by-unlikely-interaction-between-automated-systems-621270)). وهناك دروس تاريخية لا حصر لها: في عام 2012، خسرت Knight Capital 440 مليون دولار في 45 دقيقة بسبب خطأ في النشر ([JDJournal](https://www.jdjournal.com/2012/08/03/45-minutes-of-software-glitch-knights-capital-group-loses-440-million/))، وفي يوليو 2024، تسبب تحديث تكوين CrowdStrike في شاشات زرقاء واسعة النطاق على أنظمة Windows عالمياً، مما أدى إلى خسائر تقدر بنحو 5.4 مليار دولار لشركات Fortune 500 ([Fortune](https://fortune.com/2024/08/03/crowdstrike-outage-fortune-500-companies-5-4-billion-damages-uninsured-losses/)). تشير هذه الحالات إلى أن الأتمتة، بينما تزيد السرعة، قد تحول خطأً واحداً إلى كارثة عالمية فورية، حيث يكون نصف قطر انفجارها وسرعتها أكبر بكثير من العمليات اليدوية.

علاوة على ذلك، بينما يعزز الذكاء الاصطناعي الإنتاجية، فقد يزيد أيضاً من عدم استقرار النظام. يشير تقرير Google DORA 2025 إلى أن 90% من الفنيين استخدموا الذكاء الاصطناعي لزيادة الكفاءة، ولكن زيادة معدل تبني الذكاء الاصطناعي ارتبط أيضاً بـ "ارتفاع في معدل تسليم المخرجات" و "ارتفاع في عدم استقرار التسليم"، حيث عبر 30% من المطورين عن عدم ثقتهم في كود الذكاء الاصطناعي، وتحول تركيز العمل من "الكتابة" إلى "التدقيق" ([رؤى DORA الرسمية](https://dora.dev/insights/balancing-ai-tensions/)). ورغم أن تقرير Bain أشار إلى أن الذكاء الاصطناعي التوليدي زاد الإنتاجية بنسبة 10-15%، إلا أن دراسة METR وجدت أن أدوات ترميز الذكاء الاصطناعي أبطأت المطورين بدلاً من ذلك ([The Register نقلاً عن Bain/METR](https://www.theregister.com/software/2025/09/23/ai-coding-hype-overblown-bain-shrugs/478926)). يتناقض هذا بشكل صارخ مع نتائج استطلاع Gartner الذي أشار إلى أن 15% فقط من قادة تطبيقات تكنولوجيا المعلومات يفكرون في نشر وكلاء ذكاء اصطناعي "مستقلين بالكامل" ([Gartner](https://www.gartner.com/en/newsroom/press-releases/2025-09-30-gartner-survey-finds-just-15-percent-of-it-application-leaders-are-considering-piloting-or-deploying-fully-autonomous-ai-agents))، مما يبرز الفجوة الكبيرة بين حماسة السوق ونضج الاستقلالية.

من منظور الأعمال، يحول AI OPS العمليات التشغيلية من "مركز تكلفة كثيف العمالة" تقليدي إلى جوهر "المنصة وقدرات البرمجيات". تتحول الموثوقية بحد ذاتها إلى أصل يمكن تسعيره، لأن خسارة حادث عالمي واحد قد تصل إلى مليارات الدولارات. وهذا يدفع شركات التأمين، وعقود SLA، وعمليات تدقيق الامتثال إلى تضمين "التحكم الآلي في التغيير" في بنودها. ورغم النمو الكبير في سوق AIOps، فإن الاستثمار المفرط قد يتحول إلى "سباق تسلح آلي" إذا لم يؤدِ إلى تحسينات جوهرية في الموثوقية، ليصبح مجرد نقل للنفقات بدلاً من خلق القيمة.

على المستوى التنظيمي، ستُفكك وظائف العمليات التشغيلية التقليدية وتُعاد تشكيلها في ثلاثة أدوار جديدة: أولاً، **مصممو المنصة/النظام**، ومسؤوليتهم تصميم بنى أنظمة ذات نصف قطر انفجار صغير وقابلة للتراجع؛ ثانياً، **مالكو حدود الأتمتة وقادة الحوادث**، وهم مسؤولون عن تحديد الإجراءات التي يمكن للآلة تنفيذها بشكل مستقل، وتلك التي تتطلب موافقة بشرية؛ أخيراً، **مسؤولو حلقة التعلم**، الذين يعملون على تحويل كل حادث إلى تحسين منهجي، مما يقضي على فئات الأعطال. ستتعرض وظائف التشغيل اليدوي البحتة للضغط، كما ستتحول آلية الاستدعاء (on-call) من "تفاعل البشر مع التنبيهات" إلى "إشراف البشر وتدخلهم في قرارات الأتمتة".

بالنسبة لمهندسي العمليات التشغيلية الأفراد، ستحدث تحولات جذرية في المهارات الأساسية: من "حفظ الأوامر وإطفاء الحرائق في الموقع" إلى "النمذجة، وصياغة الاستراتيجيات، وتقييم مخرجات الذكاء الاصطناعي، والتحكم في نصف قطر الانفجار". ومع ذلك، يحذر تقرير DORA أيضاً من مخاطر "ضريبة التحقق" و "تدهور المهارات". قد يؤدي الاعتماد المفرط على الذكاء الاصطناعي إلى فقدان المهندسين لـ "الصراع الفعال" الضروري، مما يوقعهم في مأزق "الأعمى يقود الأعمى" عند مواجهة أعطال معقدة ([DORA](https://dora.dev/insights/balancing-ai-tensions/)). يتطلب هذا التحول من المهندسين ليس فقط إتقان التكنولوجيا، بل أيضاً امتلاك التفكير النقدي وقدرات إدارة المخاطر المنهجية.

بالنسبة للشركات ذات الشخص الواحد (OPC)، تُصبح AI OPS للمرة الأولى إمكانية واقعية لـ "نمو ساعات العمل التشغيلية بشكل غير خطي مع حجم العمل التجاري". من خلال إسناد الطبقات L0-L2 والأنماط المعروفة في الطبقة L4 إلى الأتمتة السحابية الأصلية ووكلاء الذكاء الاصطناعي، يمكن لـ OPC دعم عمل تجاري يتطلب عادة فريقاً كاملاً بمجهود شخص واحد. وهذا يعني أن الشركات الصغيرة أو المطورين المستقلين يمكنهم تحقيق موثوقية خدمة أعلى وقابلية للتوسع بجهد بشري محدود، مما يقلل بشكل كبير من عوائق الدخول في ريادة الأعمال.

ومع ذلك، بينما تتمتع OPC بمكاسب الأتمتة، فإنها تواجه أيضاً نقاط ضعف فريدة. في غياب شخص ثانٍ لإجراء التحقق المتبادل، فإن الخطأ في التشغيل الآلي، بمجرد حدوثه، سيهدد مباشرة استمرارية العمل بأكمله. وهذا يجعل OPC الهيكل الأكثر حساسية لمخاطر الأتمتة. لذلك، عند إدخال أنظمة الشفاء الذاتي، يجب على OPC اتباع استراتيجيات أكثر حذراً وصرامة لضمان مرونة النظام بدلاً من مجرد السعي لتحقيق الكفاءة، وضمان استقرار العمليات التجارية المستمر.

نظراً لذلك، يجب على OPC اعتماد الاستراتيجيات القابلة للتنفيذ التالية: أولاً، إعطاء الأولوية لـ "إزالة" الأعمال التي تندرج تحت تعريف Toil بدلاً من "أتمتتها"، لتقليل الحاجة إلى مراقبة الأتمتة نفسها من مرحلة التصميم؛ ثانياً، فرض مبدأ نصف قطر الانفجار الصغير، لضمان أن تكون جميع إجراءات الشفاء الذاتي قابلة للتراجع، ولها ميزانية تغيير واضحة وحد أقصى للمعدل؛ ثالثاً، يجب أن يحتفظ الإنسان بالمسؤوليات الأساسية لـ L3 (اختيار الاستراتيجيات) و L5 (تعلم النظام)، ويترك L0/L1 والأنماط المعروفة في L4 للآلة للتنفيذ؛ أخيراً، يجب نشر آليات الحراسة والصمامات الواقية "لمراقبة الذكاء الاصطناعي نفسه"، لمنع حالات السباق حيث تحذف المكونات المؤتمتة أو تتجاوز بعضها البعض. المعيار الذي يحدد ما إذا كانت OPC تستفيد حقاً هو عندما يزداد حجم العمل التجاري 10 أضعاف، بينما لا تزداد ساعات العمل التشغيلية بشكل أساسي، ولم تحدث حوادث كبيرة ناجمة عن الأتمتة نفسها.

في الوقت الحالي، يمر AI OPS بمرحلة "توسع الأتمتة"، وليس ثورة شاملة في نموذج العمليات التشغيلية. لقد أثبتت قدرتها على تولي مهام المراقبة والكشف والتنفيذ في الأنماط المعروفة (L0-L2، L4) بشكل موثوق، لكنها لم تثبت بعد قدرتها على التعامل بشكل مستقل مع تشخيص واتخاذ القرارات بشأن الأعطال المعقدة (L3)، وتحقيق التعلم على مستوى النظام الحقيقي (L5). المعيار الأساسي لهذا الحد من القدرة هو: كلما كانت المهمة قابلة للتكرار، قابلة للتراجع، قابلة للمراقبة، وذات نصف قطر انفجار صغير، كان من الأفضل إسنادها إلى الذكاء الاصطناعي؛ على العكس من ذلك، كلما كان السيناريو جديداً، غير قابل للتراجع، عبر الأنظمة، وغير واضح السبب الجذري، كلما وجب الاحتفاظ بالتدخل البشري. وهذا يحدد الحدود الذكية للتعاون بين الإنسان والآلة، مما يضمن كفاءة النظام دون فقدان السيطرة.

لتحقيق "ثورة" حقيقية في العمليات التشغيلية، يجب استيفاء عدة معايير صارمة في آن واحد: أن يتجاوز معدل معالجة الأعطال غير المحددة مسبقاً من قبل الآلة 50% بشكل مستقر (تجاوز "حدود دليل الإجراءات"). أن ينخفض معدل فشل التغيير/الحوادث بدلاً من أن يرتفع (بدلاً من استبدال المخاطر بالكفاءة). أن يحقق وقت العمليات التشغيلية نمواً غير خطي مع حجم العمل (إزالة Toil بشكل حقيقي). أن يكون النظام قابلاً للتفسير، والتدقيق، والتراجع طوال الوقت (إمكانية تتبع المسؤولية). وأن ينخفض إجمالي تكلفة الملكية وخسائر الحوادث (الجدوى الاقتصادية). تشكل هذه العتبات مجتمعة نظام إحداثيات لقياس نضج عمليات التشغيل بالذكاء الاصطناعي، وترشدنا لتجاوز المبالغة والعودة إلى جوهر القيمة.

لذلك، فإن شكل العمليات التشغيلية المستقبلي ليس "العمليات التشغيلية بدون تدخل بشري"، بل هو نظام شفاء ذاتي "human-on-the-loop" محدود. لن تختفي وظائف العمليات التشغيلية، لكن تعريفها سيتغير من "الشخص الذي ينفذ العمليات" إلى "الشخص الذي يحدد حدود الأتمتة ويكون مسؤولاً عن حلقة التعلم". في هذا التحول العميق، من يستطيع تحديد وإدارة هذه الحدود بوضوح، سيمتلك القوة والقيمة الأساسية للعمليات التشغيلية الجديدة، مما يضمن التوازن بين التقدم التكنولوجي والتحكم في المخاطر.