حين يكتب الجميع بإتقان، فمن نُرقّي؟

قبل مدة ليست طويلة وصلتني ورقة من زميل كفء، أجود صياغةً من كل ما رأيته منه من قبل. البناء نظيف، والتحليل مرتّب على طريقة المستشارين. كنت أعرف عمل كاتبها السابق جيداً، فأدركت من الفقرة الأولى أن أداةً تولّت جانباً كبيراً من الصياغة. ثم طرحت السؤال الذي وُجدت الورقة لتجيب عنه: ما الذي سنتخلى عنه لننال ما توصي به؟ فلم تُجب عنه. لقد رفعت الأداة جودة المستند، أما الجودة التي يحتاجها العمل فلم تكن فيه، بالأداة أو بدونها.

ولأكون واضحاً في موقفي: أستخدم هذه الأدوات كل أسبوع، والمسودة الأولى للبحث الذي يقوم عليه هذا المقال أعدّها وكيل بحثي بالذكاء الاصطناعي بنيتُه بنفسي، ووجد التدقيق فيها ستة أخطاء قبل أن تصل كلمة منها إلى هذه الصفحة. ولن أطلب من أحد أن يكفّ عن استخدام أدوات الذكاء الاصطناعي؛ السؤال هو: ما الذي ينبغي لمجلس الإدارة أن يكفّ عن افتراضه؟

لم يعد ممكناً افتراض أن المُخرَج أثرٌ موثوق لمن أنتجه. وكل أداة يستخدمها المجلس في شؤون الأشخاص والأجور تستند في موضع ما إلى هذا الافتراض، والذكاء الاصطناعي يكسره مرتين. يكفّ المستند عن إظهار من الذي فكّر، فتفقد لجنة الترشيحات قدرتها على رؤية الكفء. ويعود جزء من التحسّن إلى الأداة ومن يملكها، فتفقد لجنة المكافآت قدرتها على رؤية من استحق ماذا. لقد كشفتُ تلك الورقة المقدمة لأنني أحمل في ذاكرتي سنوات من عمل كاتبها ومعرفة وخبرة بالسوق والموضوع المُتناول، أما مجلس يقرأ ورقة دون سابق معرفة فلا يملك هذا المرجع.

لم يعد المُنتَج المكتوب دليلاً

في المهام التي تُحسنها الأداة، تتفق الدراسات المضبوطة: يرتفع أداء الأضعف أكثر من غيرهم، وتضيق الفجوة الظاهرة بينهم وبين الأفضل.

أعطى Noy وZhang ما مجموعه 453 مهنياً مهام كتابة يومية، ونشرا في Science عام 2023 أن ChatGPT خفّض الوقت المستغرق بنسبة 40% ورفع الجودة المقيَّمة بنسبة 18%. أما التفصيل الذي يعني الحوكمة ففي ورقة عملهما: من دون الأداة كانت درجة الموظف في المهمة الأولى تتنبأ بدرجته في الثانية بمعامل ارتباط 0.49، ومعها هبط إلى 0.25. صار العمل الأول دليلاً أضعف بكثير على ما يليه. حافظ أمهر الكتّاب على درجاتهم وأنجزوا أسرع، ولحق بهم الأضعف.

وتابع Brynjolfsson وLi وRaymond ما مجموعه 5,172 موظف دعم عملاء، ووجدوا في Quarterly Journal of Economics عام 2025 أن مساعداً بالذكاء الاصطناعي رفع المشكلات المحلولة في الساعة بنسبة 15% في المتوسط، وأن الأقل مهارة كانوا الأكثر استفادة، وأن موظفاً في شهره الثاني ومعه الأداة أدّى كمن تجاوز ستة أشهر بدونها. وكان المساعد قد دُرّب على محادثات أفضل الموظفين، فأخذ مهارتهم الضمنية وسلّمها لأحدث المعيّنين. وهذا ممتاز للعميل، ومشكلة لكل من يحاول أن يعرف من المُخرَج وحده من هم الأفضل. ووجد Dell’Acqua وزملاؤه النمط نفسه لدى 758 مستشاراً في مجموعة بوسطن للاستشارات (BCG): ربح من كانوا دون المتوسط 43% مقابل 17% لمن فوقه، بحسب نسخة ورقة العمل من دراسة نُشرت لاحقاً في Organization Science.

والتقطت السوق ذلك أولاً. ففي ورقة أولية لم تخضع بعد للتحكيم صدرت عام 2025، درس Galdin وSilbert مليونين وسبعمئة ألف طلب على منصة Freelancer.com، ووجدا أن القيمة التي يضعها أصحاب العمل على الطلب المفصّل هبطت بنحو 42% بعد وصول النماذج اللغوية، ولم يعد يتنبأ بإتمام العمل. كان خطاب التقديم الجيد مكلفاً في كتابته، ولهذا كان يعني شيئاً. ولا يستطيع القارئ أن يرى الفرق: ففي ست تجارب شملت 4,600 مشارك، وجد Jakesch وHancock وNaaman أن الناس عجزوا عن التمييز بين ما كتبه الذكاء الاصطناعي وما كتبه بشر.

وهنا تحفّظان. فإحكام الصياغة ليس تجميلاً شكلياً دائماً؛ إذ وجد Wiles وMunyikwa وHorton أن أداة كتابة سابقة للذكاء الاصطناعي التوليدي رفعت التوظيف بنسبة 8%، لأن الكتابة الأوضح ساعدت أصحاب العمل على رؤية قدرة موجودة أصلاً. ثم إن أياً من هذه الدراسات لم يُجرَ في الخليج ولا في قمة الشركات، ونقلها إلى المستوى التنفيذي استنتاج مني.

ما لا تستطيع الأداة رفعه

في كل هذه الدراسات بقي الأقوى أداءً في القمة أو قريباً منها. الذي تغيّر هو الموضع الذي يظهر فيه فرقهم.

فقد تضمّنت دراسة Dell’Acqua مهمة صُمّمت عمداً لتقع خارج قدرة الأداة. من دون الذكاء الاصطناعي وصل 84.5% من المستشارين إلى الإجابة الصحيحة، ومعه وصل ما بين 60% و71%. أنتجت الأداة إجابة واثقة، حسنة الصياغة، خاطئة، وقبلها كثير من المستشارين الجيدين. وأعطى Otis وزملاؤه 640 صاحب مشروع في كينيا المستشارَ الآلي نفسه، في دراسة نُشرت في Management Science عام 2026. وبحسب تقديرات الباحثين ربح الأعلى أداءً أكثر من 15%، وتراجع الأقل أداءً بنحو 10%، وجاءت الفجوة من النصائح التي اختاروا العمل بها.

فحين تكتب الأداة الورقة، يتمايز الناس بما يقبلونه منها وما يرفضونه، وبطريقة تعاملهم مع الجزء الذي تخطئ فيه. والورقة التي وصلتني أخفقت في هذا الموضع تحديداً: عند المفاضلة التي لم تستطع الأداة أن تجريها عن كاتبها. لقد انتقل الدليل على الكفاءة من المُنتَج المكتوب إلى الحُكم الذي وراءه، وما زالت معظم أدوات التقييم مصوّبة نحو المُنتَج.

أين يعتمد المجلس على الورقة وحدها

لم تكن أوراق المجلس يوماً دليلاً على كاتب واحد، وكان المدير المتمرّس يعرف ذلك. ما تفعله الأداة أنها تعمّم هذه المنطقة العمياء حتى تبلغ المسودة الأولى لأحدث مدير. ولأن مكافآت التنفيذيين تقوم في الغالب على النتائج المالية، والبحث الجاد عن رئيس تنفيذي يستند إلى السجل، يتركّز الانكشاف في ثلاثة مواضع: الأوراق التي يقرؤها المجلس، وتقييم المديرين دون اللجنة التنفيذية، والطبقات الدنيا من ملف التعاقب المبنية على ذلك التقييم.

يعلّم برنامج عضوية مجالس الإدارة الذي تستند إليه هذه السلسلة عشر قواعد لورقة مجلس أفضل، معظمها في الشكل، والنموذج الحالي يستوفيها تلقائياً؛ ولا تسأل أيٌّ منها: من الذي فكّر؟ وتوجب المادة الثامنة والثلاثون من لائحة حوكمة الشركات معلومات «كاملة وواضحة وصحيحة وغير مضللة»، ويمكن لورقة أن تستوفي كل كلمة من ذلك ثم تترك المجلس عاجزاً عن التمييز بين حُكم الإدارة والخيار الافتراضي للأداة. وكانت أدوات الأشخاص هزيلة قبل وصول الأداة: فالمادة الرابعة والعشرون توجب خطط التعاقب، والمادة الثانية والستون مراجعة سنوية للمهارات، ومع ذلك وجد مسح معهد مديري مجالس الإدارة في دول الخليج لعام 2019 أن 8% فقط من المجالس أعدّت قائمة مرشحين لخلافة الرئيس التنفيذي. وعملية التعاقب التي اعتمدت على السير الذاتية والانطباعات صارت تقرأ سيراً أحكمت أداةٌ صياغتها.

والخطر الأبطأ في خط الإمداد بالمواهب. فالتنفيذيون المتميزون يُنشَّؤون على العمل المبتدئ، وهو ما يتقنه الذكاء الاصطناعي اليوم أكثر من غيره. وجد Brynjolfsson وChandar وChen أن توظيف من هم بين 22 و25 عاماً في أكثر المهن الأمريكية تعرّضاً للذكاء الاصطناعي تأخر بنسبة 19% عن أقرانهم الأقل تعرضاً حتى أغسطس 2026، ويحرص الباحثون على وصفه بأنه نمط وصفي. والشركة التي تنزع الدرجات التي يُتعلَّم عليها الحُكم ستجد بعد عشر سنوات ملف تعاقب مليئاً بالمستندات المحكمة الصياغة، وقلّة قليلة ممن اختُبروا فعلاً.

من يحتفظ بالمكسب

لنعد إلى موظفي الدعم. فأفضلهم كتبوا المحادثات التي تعلّمت منها الأداة، والعلاوة التي كانت تكسبها مهارتهم صارت مدمجة في برنامج يملكه صاحب العمل. هذا هو الانقطاع الثاني، وهو الذي أفرد له جوزيف ستيغليتز كتاباً.

رأى ستيغليتز في «ثمن اللامساواة» (2012) أن اللامساواة في معظمها مصنوعة: بقوة السوق، وبالسعي إلى الريع، وبقواعد تتيح لمن يسيطر على أصل نادر أن يستحوذ على أكثر مما يسهم به. وافتتح مع أنطون كورينيك عام 2017 ورقة عن الذكاء الاصطناعي بأن اللامساواة من أكبر التحديات التي يطرحها انتشاره. ويتوقع دارون عجم أوغلو مكاسب كلية متواضعة لا تتجاوز نحو 0.66% في إنتاجية عوامل الإنتاج الكلية على مدى عشر سنوات، ومع ذلك يرى أن الذكاء الاصطناعي سيوسّع الفجوة بين دخل رأس المال ودخل العمل. ووجد باحثو صندوق النقد الدولي، من بيانات بريطانية، أن نحو 60% من العاملين عند الشريحة التسعين من الدخل شديدو التعرض للذكاء الاصطناعي مقابل نحو 15% عند الشريحة العاشرة، فقد تضيق فجوة الأجور، بينما ترتفع لامساواة الثروة ارتفاعاً كبيراً في نموذجهم لأن العائد يذهب إلى رأس المال. ويغادر جزء من القيمة الشركة أصلاً: فقد وجدت مذكرة لأمانة منظمة التعاون الاقتصادي والتنمية أن شركة واحدة تستحوذ على أكثر من 80% من أسواق رقائق الذكاء الاصطناعي والطباعة الحجرية والتصنيع المتقدمين.

وداخل الشركة يوزّع ما تبقى جهازُ مكافآت بُني لغير هذا. فالمادة الثامنة والخمسون توجب أجراً «يرتبط بالأداء». فإذا رفعت أداةٌ المُخرَجَ المقيس في إدارة كاملة، كافأ الأجر إسهامَ الأداة كأنه إسهام الموظف، فيما لا يتلقى من درّبت مهارتُهم الأداةَ شيئاً. وما زالت المبالغ صغيرة: فقد وجد Humlum وVestergaard، في تتبّع 25 ألف عامل دنماركي، أن الوقت الموفَّر أقل من 3% ولا أثر على الأجور. وهذا هو الوقت المناسب لوضع القاعدة، قبل أن يكبر الرقم بما يكفي للتنازع عليه. والمادة الثانية والثمانون، التي تطلب من المجلس وضع برامج لمشاركة الموظفين كمنح الأسهم ونسب الأرباح، هي أقرب ما في اللائحة إلى آلية لتقاسم هذا المكسب.

الموقف التنظيمي في المملكة

الأنظمة صامتة عن هذا كله: لا نص عن مصدر معلومات المجلس، ولا عن الذكاء الاصطناعي بوصفه من واجبات المجلس، ولا عن تقاسم مكاسب الإنتاجية فيما عدا المادة الثانية والثمانين. ولم أجد إرشادات من الهيئة أو من تداول بشأن الذكاء الاصطناعي في حوكمة الشركات المدرجة. ومبادئ سدايا لعام 2023 وإرشاداتها للذكاء الاصطناعي التوليدي لعام 2024 تنظّم طريقة استخدام التقنية، وتبقى أدوات المجلس في الأشخاص والأجور خارجها. ويزيد أمران محليان المشكلةَ حدّة: فكثير من مديري الخليج يكتبون أوراق المجالس بلغة ثانية، وهذا بالضبط حيث ترفع الأداة الجودة الظاهرة أكثر، وهي قراءتي، ولم تقسها دراسة بعد؛ ومستهدفات التوطين تمنح المجالس سبباً ثانياً لحماية الدرجات المبتدئة.

ما الذي ينبغي أن يتغير

سبعة من هذه التغييرات التسعة لا تحتاج شيئاً من هيئة السوق المالية. في جانب الدليل، يستطيع المجلس ولجنة الترشيحات التحرك الآن. ليطلب المجلس من كاتب كل ورقة جوهرية أن يدافع عن الخيارات في الاجتماع دون الورقة. ولتُرفق بكل ورقة ملاحظة مصدر من ثلاثة أسطر تسمّي مالك التوصية وأي استخدام للذكاء الاصطناعي ومصادر البيانات. ولتحكم لجنة الترشيحات على المستويات العليا من التعاقب بنقاشات حالات حية وسجلات قرارات، وهذه لا تستطيع الأداة إحكام صياغتها. وليطلب المجلس من الإدارة سياسة تقييم ترجّح النتائج والقرارات على المستندات، وتختبر أي ذكاء اصطناعي يُستخدم في التقييم من حيث التحيّز. وليسأل كل عام: كم شخصاً ما زال يتدرّب على عمل تستطيع الأداة أداءه؟ وفي جانب المكافأة، على لجنة المكافآت أن تطلب ورقة سنوية عمّن استحوذ على مكسب الذكاء الاصطناعي، تقارن فيها حيث أمكن بين الوحدات التي طُرحت لها الأدوات والوحدات التي لم تُطرح لها بعد، وأن تسأل: هل ما زالت المستهدفات المبنية على المُخرَج تقيس الشخص الذي تكافئه؟ ويحتاج تغييران إلى الجهة التنظيمية: أن يمتد معيار المادة الثامنة والثلاثين إلى الإفصاح عن المحتوى الجوهري الذي أنتجه الذكاء الاصطناعي في أوراق المجلس، وأن يصف تقرير المجلس بموجب المادة السابعة والثمانين الإشراف على الذكاء الاصطناعي في قرارات الأشخاص وكيفية تقاسم مكاسبه.

خمسة أسئلة للاجتماع القادم

1. من بين آخر ثلاث توصيات اعتمدناها، أيّها كانت الإدارة قادرة على الدفاع عنها دون الورقة؟
2. أين يُستخدم الذكاء الاصطناعي في التوظيف والتقييم والتعاقب لدينا، وهل اختُبر من حيث التحيّز؟
3. ما مقدار تحسّن مقاييس المُخرَج العام الماضي الذي جاء من الأدوات، وهل دفعت أيّ حوافز مقابله؟
4. ما الوظائف المبتدئة التي توقفنا عن شغلها، وأين سيتعلم مديرونا القادمون الحُكم؟
5. هل اختُبر أبرز مرشحينا للتعاقب اختباراً حياً في مسألة ليس لها حل نظيف؟

ستصلني الورقة القادمة أجود صياغة من سابقتها. أما هل تجيب عن السؤال، ومن يُكافأ على التحسن إن لم تُجب، فلم يعودا سؤالَيّ وحدي. إنهما سؤالان للمجلس.

الآراء الواردة تعبّر عن رأيي الشخصي.

---

Sources

• Noy, S. and Zhang, W., “Experimental evidence on the productivity effects of generative artificial intelligence,” Science, 381(6654), 2023, pp. 187-192. DOI 10.1126/science.adh2586. Grade correlations (0.49 control, 0.25 treatment) from the working paper: https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1.pdf
• Brynjolfsson, E., Li, D. and Raymond, L., “Generative AI at Work,” Quarterly Journal of Economics, 140(2), 2025, pp. 889-942. DOI 10.1093/qje/qjae044.
• Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. and Lakhani, K., “Navigating the Jagged Technological Frontier,” Organization Science, 37(2), 2026, pp. 403-423. DOI 10.1287/orsc.2025.21838. The 43% and 17% figures are from the working-paper version, HBS Working Paper 24-013 (2023).
• Galdin, A. and Silbert, J., “Making Talk Cheap: Generative AI and Labor Market Signaling,” arXiv 2511.08785, November 2025 (working paper, not peer reviewed). Value of the tailored-application signal $25.67 pre-LLM and $14.85 post-LLM (Table 2). https://arxiv.org/abs/2511.08785
• Jakesch, M., Hancock, J. and Naaman, M., “Human heuristics for AI-generated language are flawed,” PNAS, 120(11), 7 March 2023. https://pmc.ncbi.nlm.nih.gov/articles/PMC10089155
• Wiles, E., Munyikwa, Z. and Horton, J., “Algorithmic Writing Assistance on Jobseekers’ Resumes Increases Hires,” Management Science, 71(12), 2025, pp. 10144-10164. DOI 10.1287/mnsc.2024.04528. NBER w30886.
• Otis, N., Clarke, R., Delecourt, S., Holtz, D. and Koning, R., “The Uneven Impact of Generative AI on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya,” Management Science, articles in advance, July 2026. DOI 10.1287/mnsc.2024.06909.
• Brynjolfsson, E., Chandar, B. and Chen, R., “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence,” Stanford Digital Economy Lab, August 2025 (13%), revised August 2026 (19%; described by the authors as descriptive, not causal); and “Canaries, Interest Rates, and Timing,” 9 February 2026. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
• Stiglitz, J., The Price of Inequality: How Today’s Divided Society Endangers Our Future, W. W. Norton, 2012. ISBN 978-0-393-08869-4.
• Korinek, A. and Stiglitz, J., “Artificial Intelligence and Its Implications for Income Distribution and Unemployment,” NBER Working Paper 24174, December 2017 (quotation from the abstract); in Agrawal, Gans and Goldfarb (eds.), The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, 2019, pp. 349-390. https://www.nber.org/papers/w24174
• Acemoglu, D., “The Simple Macroeconomics of AI,” NBER Working Paper 32487, May 2024; Economic Policy, 40(121), 2025, pp. 13-58. https://www.nber.org/papers/w32487
• Rockall, E., Mendes Tavares, M. and Pizzinelli, C., “AI Adoption and Inequality,” IMF Working Paper 25/68, 4 April 2025 (staff paper; United Kingdom data). https://www.imf.org/en/Publications/WP/Issues/2025/04/04/AI-Adoption-and-Inequality-565729
• OECD Secretariat, “Competition in Artificial Intelligence Infrastructure: Background Note,” DAF/COMP(2025)11, November 2025, Table 1, p. 23. https://one.oecd.org/document/DAF/COMP(2025)11/en/pdf
• Humlum, A. and Vestergaard, E., “Large Language Models, Small Labor Market Effects,” Becker Friedman Institute Working Paper 2025-56, May 2025. https://bfi.uchicago.edu/working-paper/large-language-models-small-labor-market-effects/
• Capital Market Authority (Saudi Arabia), Corporate Governance Regulations, Resolution 8-16-2017, amended by Resolution 8-5-2023 (18 January 2023); Articles 21, 24(8), 38, 39, 58, 59, 62(5), 82 and 87. https://cma.gov.sa/en/RulesRegulations/Regulations/Documents/CorporateGovernanceRegulations1.pdf
• GCC Board Directors Institute, Certificate in Board Directorship, Module 2: “How to Write a Better Board Paper: Top 10 Guidelines”; Module 2 Participant Manual, Tables 10 and 11 (pp. 56-57), reproducing the GCC BDI 2019 board survey.
• Cui, Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S. and Salz, T., “The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers,” Management Science, articles in advance, 2026. DOI 10.1287/mnsc.2025.00535. (Figure only.)
• Saudi Data and AI Authority, AI Ethics Principles, September 2023; Generative AI Guidelines, January 2024.