تدخل البنوك الأمريكية مرحلة جديدة في سباق الذكاء الاصطناعي، إذ لم يعد التركيز منصبًا فقط على روبوتات المحادثة أو إضافة أدوات مساعدة للموظفين، بل على بناء أنظمة تستطيع تنفيذ سلسلة كاملة من المهام باستخدام مجموعة من وكلاء الذكاء الاصطناعي المتخصصين.
وتكشف بيانات شركة تحليلات التوظيف Draup أن إعلانات الوظائف المرتبطة بالذكاء الاصطناعي لدى بنوك كبرى، من بينها جيه بي مورغان تشيس (JPM – JPMorgan Chase) وسيتي غروب (C – Citigroup) وكابيتال وان (COF – Capital One)، ارتفعت بنحو 49% خلال 2026 مقارنة بعام 2025، ليصل إجماليها إلى 139,819 إعلانًا وظيفيًا.
لكن التحول الأهم يظهر داخل المهارات المطلوبة نفسها.
فالإعلانات التي تبحث عن مهارات تنسيق وكلاء الذكاء الاصطناعي (Agent Orchestration) قفزت بنحو 1,721% خلال العام، لتصبح واحدة من أسرع المهارات نموًا في وول ستريت.
وقال الرئيس التنفيذي لـ Draup، فيجاي سواميناثان (Vijay Swaminathan)، إن هذه المهارة يمكن اعتبارها حاليًا الأكثر سخونة في وول ستريت، لأن المؤسسات تحتاج إلى أشخاص يجمعون بين فهم البيانات والذكاء الاصطناعي ومعرفة المكان المناسب لاستخدام هذه التقنيات داخل الأعمال.
🔮 نظرة مُركّب: ارتفاع التوظيف 49% مهم، لكن القفزة البالغة 1,721% في مهارات تنسيق الوكلاء تكشف التحول الحقيقي. البنوك لا تبحث فقط عن موظفين يعرفون كيفية استخدام نموذج ذكاء اصطناعي؛ بل عن مهندسين يستطيعون تحويل مجموعة من النماذج والوكلاء إلى أنظمة تنفذ عمليات مالية فعلية من البداية إلى النهاية.
🧠 ما المقصود بتنسيق وكلاء الذكاء الاصطناعي؟
الفكرة تختلف عن استخدام روبوت محادثة واحد يتلقى سؤالًا ويولد إجابة.
في نموذج الوكلاء، يمكن تقسيم العملية الواحدة إلى مجموعة من المهام، ويتولى كل وكيل جزءًا منها.
على سبيل المثال، قد يبدأ وكيل أول بفحص البيانات الخام، ثم ينتقل العمل إلى وكيل ثانٍ لتحليل المستندات، ثم إلى وكيل آخر للتحقق من المعلومات، قبل أن يتدخل وكيل متخصص في الامتثال للتأكد من أن النتيجة النهائية تتوافق مع المتطلبات التنظيمية.
وهنا تظهر أهمية Agent Orchestration.
المهارة لا تركز فقط على بناء كل وكيل، بل على تحديد كيفية عمل الوكلاء معًا، وترتيب خطواتهم، ونقل البيانات بينهم، والتعامل مع الأخطاء، وتحديد متى يحتاج النظام إلى تدخل بشري.
ولهذا ظهرت المهارة في إعلانات الوظائف بوتيرة أعلى بنحو 1,721% مقارنة بالعام الماضي.
🔮 نظرة مُركّب: القيمة الاقتصادية للوكلاء لا تأتي من قدرتهم على توليد النصوص فقط، بل من قدرتهم على تنفيذ سير عمل كامل. في القطاع المالي، حيث تمر العملية الواحدة عبر البيانات والمخاطر والامتثال والتوثيق والمراجعة، يمكن لنظام متعدد الوكلاء أن يكون أكثر أهمية بكثير من مساعد ذكاء اصطناعي منفرد.
🏦 البنوك تتجاوز مرحلة روبوتات المحادثة
تكشف موجة التوظيف أن البنوك بدأت تتجاوز المرحلة الأولى من الذكاء الاصطناعي التوليدي.
في البداية، كان الاستخدام الأكثر وضوحًا هو المساعدات الداخلية وروبوتات المحادثة التي تلخص المستندات أو تساعد الموظفين على البحث عن المعلومات.
أما الآن، فتتحرك المؤسسات نحو أنظمة مكونة من عدة وكلاء متخصصين يعملون بالتتابع لتنفيذ عمليات حقيقية.
يمكن لهذه الأنظمة، على سبيل المثال، فحص مجموعة ضخمة من البيانات، ومراجعة وثائق العميل، واستخراج المعلومات المهمة، ومقارنتها بقواعد المؤسسة، ثم التحقق من أن المخرجات النهائية تستوفي المتطلبات التنظيمية.
وهذا التحول يرفع سقف المهارات المطلوبة من الموظفين.
لم يعد المطلوب مجرد معرفة كيفية كتابة أوامر جيدة للنموذج، بل تصميم النظام الذي يحدد كيف يعمل الذكاء الاصطناعي داخل المؤسسة.
🔮 نظرة مُركّب: الانتقال من روبوتات المحادثة إلى سير العمل متعدد الوكلاء هو الخطوة التي يمكن أن تجعل الذكاء الاصطناعي أكثر تأثيرًا على إنتاجية البنوك. المساعد يوفر وقت الموظف في مهمة معينة، أما النظام الوكيلي فيستطيع إعادة تصميم العملية نفسها.
👨💻 ظهور فئة جديدة من المهندسين داخل وول ستريت
هذا التحول يزيد الطلب على مجموعة من الموظفين يشار إليهم عادة باسم المهندسين المنتشرين ميدانيًا (Forward-Deployed Engineers).
هؤلاء لا يعملون بمعزل عن وحدات الأعمال، بل يتم وضعهم بالقرب من الأقسام التي تحتاج إلى تطبيق الذكاء الاصطناعي.
فالمهندس الذي يعمل مع مكتب تداول يحتاج إلى فهم العمليات المختلفة عن مهندس يعمل داخل قسم الامتثال، كما أن الموظف الذي يبني نظامًا للعمليات الخلفية يحتاج إلى معرفة طبيعة سير العمل في تلك العمليات.
وبالتالي تجمع الوظيفة بين مهارتين كانتا منفصلتين نسبيًا في السابق: القدرة الهندسية العميقة، والفهم العملي لمجال العمل.
وهذا أحد أسباب صعوبة العثور على الموظفين المناسبين.
فالبنوك لا تحتاج فقط إلى مهندس ذكاء اصطناعي، بل إلى مهندس يفهم أيضًا كيفية عمل القطاع المالي والمخاطر والعمليات التي سيعيد تصميمها.
🔮 نظرة مُركّب: هذه الوظائف تكشف أن القيمة تنتقل من «معرفة الذكاء الاصطناعي» إلى «معرفة أين وكيف يستخدم الذكاء الاصطناعي». الشخص الذي يفهم التقنية دون فهم العمل قد يبني نظامًا غير مفيد، بينما خبير الأعمال الذي لا يفهم التقنية قد لا يستطيع تحويل معرفته إلى أتمتة قابلة للتوسع.
🔗 الطلب على لانغ غراف يقفز 679%
تظهر البيانات نفسها ارتفاعًا هائلًا في الطلب على الأدوات التي تساعد في بناء أنظمة الذكاء الاصطناعي متعددة الخطوات.
فالإعلانات التي ذكرت لانغ غراف (LangGraph) ارتفعت بنحو 679%.
وتستخدم هذه التقنية في بناء عمليات آلية متعددة الخطوات، حيث يستطيع المطور تحديد كيفية انتقال العمل بين مراحل ووكلاء مختلفين.
وهذا النوع من الأدوات يصبح أكثر أهمية عندما لا يكون المطلوب مجرد إرسال سؤال إلى نموذج والحصول على إجابة، بل بناء عملية يمكنها اتخاذ عدة خطوات متتابعة.
فعلى سبيل المثال، قد يحتاج النظام إلى استدعاء قاعدة بيانات، ثم تحليل النتائج، ثم تشغيل عملية تحقق، ثم طلب موافقة بشرية إذا ظهرت حالة استثنائية.
🔮 نظرة مُركّب: نمو الطلب على LangGraph يدعم فكرة أن وول ستريت تنتقل من مرحلة التجارب إلى مرحلة بناء البنية التشغيلية. كلما أصبحت العمليات أطول وأكثر تعقيدًا، زادت الحاجة إلى أدوات تتحكم في تدفق العمل بين النماذج والوكلاء والأنظمة التقليدية.
📚 لانما إندكس يرتفع 291% لربط الذكاء الاصطناعي ببيانات الشركات
قفزت الإعلانات التي تشير إلى لانما إندكس (LlamaIndex) بنحو 291%.
وتكمن أهمية هذه الأداة في قدرتها على مساعدة أنظمة الذكاء الاصطناعي على الاتصال بمصادر بيانات المؤسسات.
وهذه نقطة شديدة الأهمية في البنوك.
النموذج العام قد يمتلك معرفة واسعة، لكنه لا يعرف بالضرورة أحدث معلومات العميل أو السياسات الداخلية أو المستندات الخاصة بالمؤسسة أو البيانات الموجودة في أنظمة البنك.
ولكي يصبح الذكاء الاصطناعي مفيدًا فعليًا، يجب ربطه بهذه المصادر بطريقة منظمة وآمنة.
🔮 نظرة مُركّب: القيمة الحقيقية للذكاء الاصطناعي داخل البنوك لن تأتي من المعلومات العامة التي يعرفها النموذج، بل من قدرته على العمل فوق البيانات الخاصة بالمؤسسة. لذلك تصبح أدوات ربط النماذج بالبيانات الداخلية طبقة أساسية في البنية التحتية للذكاء الاصطناعي المؤسسي.
🔍 تقنيات استرجاع البيانات المعزز تقفز 259%
ارتفع الطلب كذلك على مهارات التوليد المعزز بالاسترجاع (RAG – Retrieval-Augmented Generation) بنحو 259%.
وتسمح هذه التقنية للنموذج بالبحث في قواعد بيانات أو مستندات داخلية للحصول على معلومات حديثة وذات صلة قبل إنشاء الإجابة.
بدلًا من الاعتماد بالكامل على المعرفة الموجودة داخل النموذج، يستطيع النظام استرجاع بيانات المؤسسة أولًا ثم استخدامها في إنتاج المخرجات.
في القطاع المالي، يمكن أن يكون ذلك مهمًا عند التعامل مع معلومات تتغير باستمرار، مثل السياسات الداخلية، وبيانات العملاء، واللوائح، والتقارير، والمستندات المالية.
كما يمكن أن يساعد في تقليل الاعتماد على الذاكرة الداخلية للنموذج عندما تكون الدقة والتحديث المستمر ضروريين.
🔮 نظرة مُركّب: نمو RAG يعكس مشكلة أساسية في استخدام النماذج العامة داخل المؤسسات: المعرفة المالية المطلوبة غالبًا خاصة وحديثة. ربط النموذج بمصدر موثوق لا يجعل النظام أكثر فائدة فقط، بل يمكن أن يجعل عملية التحقق والمراجعة أكثر قابلية للإدارة.
🛡️ المفاجأة الأكبر.. الحوكمة تنمو أسرع من بناء النماذج
ربما يكون الجانب الأكثر أهمية في البيانات هو أن البنوك لا توظف مهندسين لبناء الذكاء الاصطناعي فقط.
إنها تبني بالتوازي طبقة ضخمة من الحوكمة وإدارة المخاطر.
قفزت إعلانات الوظائف التي تشير إلى الذكاء الاصطناعي المسؤول (Responsible AI) بنحو 657%.
كما ارتفعت الإشارات إلى حوكمة الذكاء الاصطناعي (AI Governance) بنحو 394%، بينما ارتفع الطلب المرتبط بإدارة المخاطر بنحو 359%.
والأكثر لفتًا للانتباه أن حجم المهارات المتعلقة بالحوكمة تجاوز 16,000 إشارة في إعلانات الوظائف.
في المقابل، بلغ عدد الإعلانات التي تركز على بناء النماذج ونشرها وصيانتها نحو 8,400 فقط.
أي أن حجم الإشارات إلى مهارات الحوكمة أصبح تقريبًا ضعف تلك المرتبطة مباشرة ببناء وتشغيل النماذج.
🔮 نظرة مُركّب: هذه الأرقام تكشف شيئًا أساسيًا عن الذكاء الاصطناعي في القطاع المالي: المشكلة ليست فقط «هل نستطيع بناءه؟»، بل «هل نستطيع تشغيله بأمان؟». البنوك مؤسسات شديدة التنظيم، ولذلك قد يصبح التحكم في النموذج ومراقبته وتوثيق قراراته أهم من النموذج نفسه.
⚖️ لماذا تحتاج البنوك إلى كل هذا الإنفاق على الحوكمة؟
الخطأ في تطبيق استهلاكي للذكاء الاصطناعي قد ينتج إجابة سيئة.
أما الخطأ داخل بنك فقد يؤثر في قرار ائتماني أو عملية تداول أو تقرير امتثال أو معلومات عميل أو متطلبات تنظيمية.
ولهذا فإن نشر وكلاء قادرين على تنفيذ خطوات متعددة يرفع مستوى المخاطر.
كلما حصل النظام على صلاحيات أكبر للوصول إلى البيانات وتنفيذ المهام، أصبح السؤال حول كيفية مراقبته أكثر أهمية.
البنوك تحتاج إلى معرفة البيانات التي استخدمها النظام، وما الأدوات التي اتصل بها، ولماذا اتخذ خطوة معينة، وهل تجاوز الصلاحيات الممنوحة له، وكيف يمكن إيقافه أو مراجعة قراره عند الضرورة.
ومن هنا يأتي الارتفاع الكبير في وظائف Responsible AI وAI Governance وإدارة المخاطر.
🔮 نظرة مُركّب: كلما أصبح الذكاء الاصطناعي أكثر استقلالية، زادت تكلفة التحكم فيه. لذلك قد يؤدي انتشار الوكلاء إلى خلق سوق وظائف موازية كاملة للحوكمة والمخاطر والأمن، وليس فقط إلى تقليص الوظائف التقليدية.
🔐 الأمن السيبراني يصبح جزءًا أساسيًا من قصة الوكلاء
هناك مخاطرة أخرى تثير اهتمام البنوك: اتصال أنظمة الذكاء الاصطناعي بأدوات ونماذج خارجية.
أوضح فيجاي سواميناثان أن فرق الأمن تركز بصورة كبيرة على منع الأدوات التابعة لأطراف ثالثة والاتصالات بالنماذج الخارجية من خلق ثغرات أمنية.
فالوكيل الذي يستطيع الوصول إلى بيانات داخلية ثم الاتصال بخدمة خارجية قد يخلق مسارًا جديدًا لتسرب المعلومات أو إساءة استخدام الصلاحيات إذا لم تكن الضوابط مصممة بصورة صحيحة.
وتزداد المشكلة عندما تعمل عدة أدوات ووكلاء بصورة مترابطة.
فبدلًا من تأمين تطبيق واحد، تحتاج المؤسسة إلى تأمين سلسلة كاملة من الاتصالات والواجهات ومصادر البيانات.
🔮 نظرة مُركّب: الذكاء الاصطناعي الوكيلي يوسع سطح الهجوم السيبراني. كل أداة أو نموذج خارجي يضاف إلى سلسلة العمل يمثل نقطة اتصال جديدة يجب التحكم فيها. لذلك من المنطقي أن ينمو الإنفاق على الأمن والحوكمة بالتوازي مع نمو قدرات الوكلاء.
💰 190 ألف دولار متوسط الراتب الأساسي لمديري الذكاء الاصطناعي التوليدي
المنافسة على المواهب تظهر أيضًا في الرواتب.
بحسب بيانات Draup، يبلغ متوسط الراتب الأساسي لمديري الذكاء الاصطناعي التوليدي لدى البنوك نحو $190,000 سنويًا.
ورغم هذا المستوى من الأجور، لا تزال المؤسسات تواجه صعوبة في ملء الوظائف المطلوبة.
المشكلة ليست مجرد نقص في المطورين.
المطلوب غالبًا أشخاص يمتلكون مزيجًا من المهارات الهندسية ومعرفة الذكاء الاصطناعي والبيانات والأمن والحوكمة، بالإضافة إلى فهم حقيقي لقطاع مالي أو وظيفة مصرفية محددة.
وهذه المجموعة من المهارات لا تتوافر بسهولة في موظف واحد.
🔮 نظرة مُركّب: راتب $190,000 يوضح أن البنوك مستعدة لدفع علاوة كبيرة للحصول على الخبرات المطلوبة، لكنه يكشف أيضًا ندرة المهارات. وإذا استمر الطلب في النمو أسرع من المعروض، فقد تصبح تكلفة المواهب نفسها أحد مكونات فاتورة الاستثمار في الذكاء الاصطناعي.
🔄 إعادة تدريب الموظفين بدل الاعتماد بالكامل على التوظيف الخارجي
أمام صعوبة العثور على العدد الكافي من الموظفين، تتجه البنوك الكبرى إلى خيار آخر: إعادة تدريب موظفيها الحاليين.
بحسب Draup، تعمل المؤسسات على برامج داخلية لإعادة تأهيل المطورين والخبراء المتخصصين في مجالات الأعمال حتى يستطيعوا العمل مع تقنيات الذكاء الاصطناعي الجديدة.
هذا النهج يحمل ميزة مهمة.
المطور الموجود بالفعل داخل البنك يعرف الأنظمة والبيانات والعمليات الداخلية، بينما يمتلك موظف الامتثال أو التداول أو العمليات معرفة متخصصة يصعب الحصول عليها من مهندس خارجي.
إضافة مهارات الذكاء الاصطناعي إلى هذه المعرفة قد تكون أسرع من محاولة توظيف شخص يجمع كل الخبرات من الخارج.
🔮 نظرة مُركّب: إعادة التدريب قد تصبح واحدة من أهم الطرق التي تتعامل بها البنوك مع الذكاء الاصطناعي. أفضل المواهب المستقبلية ليست بالضرورة خريجين جددًا متخصصين في النماذج؛ قد تكون موظفين يفهمون البنك منذ سنوات ثم يتعلمون كيفية تحويل خبرتهم إلى أنظمة مدعومة بالذكاء الاصطناعي.
👥 الذكاء الاصطناعي لا يعني التوظيف أكثر في كل مكان
رغم القفزة في الوظائف المتخصصة، فإن الصورة الأوسع لسوق العمل المصرفي أكثر تعقيدًا.
الرئيس التنفيذي لـ جيه بي مورغان تشيس (JPM – JPMorgan Chase)، جيمي ديمون (Jamie Dimon)، تحدث علنًا عن خطط واسعة لإعادة توزيع الموظفين مع تولي الذكاء الاصطناعي المزيد من المهام.
وهذا يوضح أن زيادة التوظيف في وظائف الذكاء الاصطناعي لا تعني بالضرورة زيادة العدد الإجمالي للموظفين بالوتيرة نفسها.
يمكن للبنك أن يوظف المزيد من مهندسي الوكلاء ومتخصصي الحوكمة والأمن، بينما يقلل الحاجة إلى بعض الوظائف التي تعتمد على تنفيذ عمليات متكررة يدويًا.
بعبارة أخرى، الذكاء الاصطناعي يعيد تشكيل مزيج الوظائف، وليس مجرد إضافة فئة جديدة إليها.
🔮 نظرة مُركّب: الرقم +49% لا ينبغي قراءته باعتباره دليلًا على أن الذكاء الاصطناعي سيزيد جميع الوظائف المصرفية. الأرجح أنه يشير إلى إعادة توزيع في الطلب على المهارات: وظائف تقنية وحوكمة أكثر، مقابل أتمتة تدريجية لبعض الأعمال المتكررة.
📋 العمليات الخلفية قد تكون من أكبر ساحات التغيير
من بين المجالات التي يمكن أن تستفيد بصورة كبيرة من الوكلاء العمليات الخلفية داخل البنوك.
هذه الوحدات تحتوي عادة على عدد كبير من المهام المتتابعة: جمع البيانات، ومراجعة المستندات، والمطابقة، وإدخال المعلومات، والتحقق من الاستثناءات، وإعداد التقارير.
النظام متعدد الوكلاء مناسب لهذا النوع من العمليات لأنه يستطيع تقسيم المهمة إلى مراحل وتنفيذها بصورة متسلسلة.
ولا يعني ذلك بالضرورة إزالة الإنسان بالكامل.
في العمليات ذات المخاطر المرتفعة، يمكن تصميم النظام بحيث يتولى الوكلاء المراحل الروتينية بينما تُرسل الحالات غير المعتادة إلى الموظف للمراجعة.
🔮 نظرة مُركّب: أكبر قيمة اقتصادية للوكلاء قد لا تظهر في التطبيقات المرئية للعملاء، بل في آلاف العمليات الداخلية التي تستهلك وقتًا بشريًا كل يوم. إذا نجحت البنوك في أتمتة هذه العمليات مع الحفاظ على الرقابة، فقد تظهر مكاسب الإنتاجية في المصروفات والكفاءة التشغيلية تدريجيًا.
📈 من سباق النماذج إلى سباق التطبيق
بيانات التوظيف ترسم صورة مختلفة عن السباق الذي سيطر على قطاع التكنولوجيا خلال السنوات الماضية.
في المرحلة الأولى، كان التركيز على من يمتلك النموذج الأكبر والأكثر قدرة.
أما البنوك فلا تحتاج بالضرورة إلى بناء نموذج أساسي جديد من الصفر.
ما تحتاج إليه هو أخذ النماذج الموجودة وربطها ببياناتها وأنظمتها، ثم بناء طبقة من الوكلاء وسير العمل والحوكمة فوقها.
ولهذا ترتفع مهارات مثل Agent Orchestration وLangGraph وLlamaIndex وRAG.
هذه ليست في جوهرها رهانات على تدريب نموذج ضخم جديد؛ إنها أدوات لتحويل النماذج إلى تطبيقات مؤسسية قابلة للاستخدام.
🔮 نظرة مُركّب: المرحلة التالية من الذكاء الاصطناعي المؤسسي قد تكون أقل ارتباطًا بمن يملك أفضل نموذج وأكثر ارتباطًا بمن يستطيع دمج النماذج بأعماله بصورة أفضل. وهذا يفتح مجالًا كبيرًا للشركات والمؤسسات التي تمتلك بيانات عالية الجودة وعمليات يمكن إعادة تصميمها.
⚠️ القراءة البديلة.. قفزة الإعلانات لا تساوي بالضرورة قفزة مماثلة في الوظائف الفعلية
رغم قوة الأرقام، يجب التعامل معها ضمن حدودها.
بيانات Draup تعتمد على إعلانات الوظائف العامة ومنصات مثل LinkedIn، وبالتالي فهي تقيس الطلب المعلن على المهارات وليس بالضرورة عدد الأشخاص الذين تم توظيفهم فعليًا.
كما أن إعلانًا وظيفيًا واحدًا قد يذكر أكثر من مهارة، وهو ما يعني أن أرقام النمو في الإشارات إلى Agent Orchestration أو Responsible AI لا تعني بالضرورة إنشاء عدد مماثل من الوظائف المنفصلة.
كذلك تأتي بعض نسب النمو من قواعد أصغر في العام السابق، وهو ما يمكن أن يؤدي إلى نسب مئوية كبيرة عندما تنتشر تقنية جديدة بسرعة.
ومع ذلك، فإن الاتجاه العام عبر عدة مهارات مختلفة — من الوكلاء إلى RAG والحوكمة والمخاطر — يشير إلى تحول واضح في نوع الخبرات التي تبحث عنها المؤسسات المالية.
🔮 نظرة مُركّب: الرقم الأكثر أهمية ليس نسبة واحدة منفردة، بل اتساق الصورة. عندما ترتفع مهارات بناء الوكلاء وربط البيانات والحوكمة والأمن جميعها في الوقت نفسه، فهذا يشير إلى انتقال حقيقي نحو نشر الذكاء الاصطناعي داخل العمليات، حتى لو لم تتحول كل الإعلانات إلى وظائف فعلية.
🔭 النظرة المستقبلية
المرحلة المقبلة في وول ستريت ستكون اختبارًا لقدرة البنوك على تحويل موجة التوظيف إلى مكاسب إنتاجية حقيقية.
ارتفاع الوظائف المرتبطة بالذكاء الاصطناعي بنحو 49% إلى 139,819 إعلانًا يوضح حجم الاستثمار الجاري، لكن النجاح لن يقاس بعدد المهندسين الذين يتم توظيفهم.
المقياس الأهم سيكون ما إذا كانت البنوك تستطيع استخدام أنظمة الوكلاء لتقليل الوقت والتكلفة والأخطاء في التداول والامتثال والعمليات الخلفية وخدمة العملاء وإدارة البيانات.
وسيكون من المهم أيضًا مراقبة العلاقة بين نمو الوظائف الجديدة وإعادة توزيع الوظائف القديمة.
إذا تولى الذكاء الاصطناعي المزيد من العمليات المتكررة، يمكن أن ترتفع إنتاجية الموظف بينما يتغير مزيج القوى العاملة نحو الهندسة والبيانات والحوكمة والأمن والخبرات المتخصصة.
وفي الوقت نفسه، فإن تجاوز مهارات الحوكمة 16,000 إشارة مقارنة بنحو 8,400 لبناء النماذج ونشرها وصيانتها يعطي إشارة إلى الاتجاه الذي تتخذه المؤسسات: البنوك لا تريد فقط ذكاءً اصطناعيًا أكثر قدرة، بل أنظمة تستطيع إثبات أنها تحت السيطرة.
🧾 خلاصة مُركّب: وول ستريت لا تبحث عن مستخدمي الذكاء الاصطناعي.. بل عن مهندسي أنظمة الوكلاء
قفزت إعلانات الوظائف المرتبطة بالذكاء الاصطناعي لدى بنوك كبرى مثل جيه بي مورغان تشيس (JPM – JPMorgan Chase) وسيتي غروب (C – Citigroup) وكابيتال وان (COF – Capital One) بنحو 49% خلال 2026 مقارنة بعام 2025، ليصل الإجمالي إلى 139,819 إعلانًا وظيفيًا.
لكن التحول الأكبر موجود داخل المهارات المطلوبة.
قفز الطلب على Agent Orchestration بنحو 1,721%، وعلى LangGraph بنحو 679%، وعلى LlamaIndex بنحو 291%، بينما ارتفعت إشارات RAG بنحو 259%.
وفي الجانب الآخر من المعادلة، ارتفع الطلب على Responsible AI بنحو 657%، وعلى AI Governance بنحو 394%، وعلى مهارات إدارة المخاطر بنحو 359%.
ووصلت الإشارات إلى مهارات الحوكمة إلى أكثر من 16,000، أي نحو ضعف قرابة 8,400 إعلان يركز على بناء النماذج ونشرها وصيانتها.
وفي الوقت نفسه، يبلغ متوسط الراتب الأساسي لمديري الذكاء الاصطناعي التوليدي نحو $190,000 سنويًا، ومع ذلك لا تزال البنوك تواجه صعوبة في إيجاد المواهب، ما يدفعها إلى إعادة تدريب المطورين وخبراء الأعمال الموجودين لديها.
الصورة النهائية واضحة: وول ستريت تنتقل من مرحلة تجربة الذكاء الاصطناعي إلى مرحلة إعادة تصميم العمل حوله.
والطلب الأسرع نموًا ليس على الأشخاص الذين يعرفون كيفية التحدث إلى نموذج ذكاء اصطناعي، بل على من يستطيعون ربط الوكلاء بالبيانات والأنظمة والضوابط التنظيمية، وتحويلهم إلى قوة عمل رقمية تستطيع تنفيذ عمليات مالية حقيقية بأمان.
🔍 للمستثمر الذكي فقط
في مُركّب+، لا نطارد الأخبار العشوائية.
نحن نحلّل الشركات عبر فلاتر الجودة التي تميز بين “الشركات التي تصنع الضجيج” و”الشركات التي تصنع القيمة”، وعبر فلاتر الشريعة التي تضمن أن قراراتك الاستثمارية نظيفة وواعية.
📊 لأن الاستثمار الحقيقي لا يقوم على الحظ، بل على الانضباط، والمعايير، والفهم العميق لما تشتريه ولماذا.
🎯 اشترك الآن في مُركّب+ لتصل إلى الشركات الأعلى جودة والأكثر توافقًا مع قيمك، وتتعلم كيف تستثمر بذكاء… لا بعشوائية.
