هل سيحل الذكاء الاصطناعي محل مهندسي معالجة اللغة الطبيعية؟ ذكاء اللغة يُعيد تشكيل بُناته أنفسهم

إذا كنت تبني أنظمة معالجة اللغة الطبيعية لقوتك المعيشية، فإليك رقماً ربما يُقلق نومك: 73%. هذه هي درجة التعرض للذكاء الاصطناعي لمهندسي معالجة اللغة الطبيعية (NLP) — الأعلى في أي فئة من فئات المتخصصين في الذكاء الاصطناعي نرصدها. ترجمة: يمكن للذكاء الاصطناعي لمس ما يقارب ثلاثة أرباع ما يفعله مهندس معالجة اللغة الطبيعية اليوم أو تسريعه أو أداء جزء منه. التقنية التي تبنيها تُراجع وصف وظيفتك في الوقت الفعلي.

لكن قبل أن تُحدِّث سيرتك الذاتية، انظر إلى الرقم الثاني: 48% مخاطر أتمتة. هذا مرتفع بالنسبة لدور تقني، لكنه يقع بشكل ملحوظ تحت درجة التعرض. الفجوة بين الرقمين هي موطن القصة بأكملها. الذكاء الاصطناعي يستطيع القيام بكثير من عمل معالجة اللغة الطبيعية. لكنه لا يستطيع القيام بكل عمل معالجة اللغة الطبيعية. الربع المتبقي هو حيث ستُصنع المسيرات المهنية أو تتلاشى خلال السنوات الخمس القادمة.

يستعرض هذا المقال ما الذي يتغير فعلاً لمهندسي معالجة اللغة الطبيعية في 2025، وأي المهام يُستهلك أولاً، وأي المهام يزداد صعوبة (لا أسهل)، وكيف يتحوّل الدور إلى شيء لم يكن موجوداً قبل ثلاث سنوات. البيانات هنا مستقاة من تحليل المهام على مستوى O\*NET ومؤشر أنثروبيك الاقتصادي وتقارير سوق العمل الحديثة من مؤسسة بروكينغز ومنظمة التعاون الاقتصادي والتنمية (OECD).

الرقمان اللذان يُحددان وظيفتك

دعنا نُفكّك الأرقام الرئيسية. تعرض الذكاء الاصطناعي يقيس مقدار تداخل مخزون مهام الدور مع ما يستطيع الذكاء الاصطناعي الحالي أداءه. مخاطر الأتمتة تُقدّر مقدار ذلك التداخل الذي سيتحول فعلياً إلى إزاحة وظيفية خلال خمس سنوات، بعد الأخذ في الاعتبار الحكم البشري والاحتكاك التنظيمي والحوافز الاقتصادية.

بالنسبة لمهندسي معالجة اللغة الطبيعية، يبلغ التعرض 73% لأن كل ما يفعلونه تقريباً يتضمن اللغة — واللغة هي الملعب الطبيعي للنماذج اللغوية الكبيرة. تحليل الرموز وتوليد التضمينات وضبط النماذج وهندسة التعليمات والتقييم وتحليل الأخطاء — كل واحدة من هذه المهام لها مساعد على طراز المحوّل المُدرَّب مسبقاً (GPT) أو أداة متخصصة يمكنها التعامل مع جزء ذي مغزى من العمل. درجة التعرض تقيس في جوهرها عمق اقتحام الميدان من قِبَل منتجه الخاص.

48% مخاطر أتمتة أقل لثلاثة أسباب. أولاً، عمل معالجة اللغة الطبيعية يكتسب طابعاً حرجاً متزايداً للسلامة: التوثيق الطبي والعقود القانونية وإشراف المحتوى. الأخطاء تستتبع مسؤولية قانونية. لن تُسارع الشركات إلى إزالة الإنسان من المعادلة. ثانياً، مشكلات معالجة اللغة الطبيعية نادراً ما تكون محددة المعالم. يأتي العملاء بحدوس مبهمة ("اجعل روبوت المحادثة أذكى") وثمة من يحتاج إلى ترجمة ذلك إلى مجموعة بيانات موسومة ومعدّة للتقييم وخطة نشر. ذلك العمل الترجمي بشري بعمق. ثالثاً، يتحرك المجال بسرعة لدرجة أن مهندسي معالجة اللغة الطبيعية مطلوبون لتقييم النماذج والتعليمات والمعماريات التي تعمل فعلاً لمشكلة بعينها — وذلك التقييم يستلزم حكماً لا مجرد قدرة حوسبية.

إذن 73% تعرض مع 48% مخاطر هو بصمة الدور الذي يتحوّل لا الذي يُستأصل. [ادعاء] يتسق هذا النمط مع أدبيات البحث الأوسع: [حقيقة] خلصت منظمة التعاون الاقتصادي والتنمية في تقرير آفاق التوظيف 2023 إلى أن المهن الأكثر _تعرضاً_ للذكاء الاصطناعي هي الأدوار المعرفية عالية المهارة غير الروتينية — وهي بالضبط الفئة التي يشغلها مهندسو معالجة اللغة الطبيعية — غير أن التعرض نادراً ما يتحول واحداً لواحد إلى إزاحة، لأن هذه الأدوار تُرسّخ أيضاً مهام الحكم والمساءلة التي يُعالجها الذكاء الاصطناعي بأضعف أداء (OECD Employment Outlook 2023).

ما يفعله الذكاء الاصطناعي فعلاً لعمل مهندسي معالجة اللغة الطبيعية

دعنا نُسمّي الأمور بأسمائها. إليك ما تمت أتمتته فعلاً في 2025:

كود تدريب النماذج النمطي. كان إعداد نص ضبط دقيق للمحوّل يستغرق نصف يوم. الآن Hugging Face Transformers مع مساعد توليد الكود يمنحك حلقة تدريب تعمل في اثنتي عشرة دقيقة. [حقيقة] وفقًا لـ مؤشر أنثروبيك الاقتصادي، تطوير البرمجيات هو الاستخدام الأكثر شيوعاً لـ Claude في كل دولة مدروسة، وفي وكيل Claude Code تحديداً، تُصنَّف 79% من المحادثات على أنها "أتمتة" — حيث يؤدي الذكاء الاصطناعي المهمة مباشرة بدلاً من مجرد مساعدة المطوّر (Anthropic Economic Index, 2026). هندسة معالجة اللغة الطبيعية، المكثّفة في البرمجة، تقع في مركز تلك الموجة الأتمتية.

هندسة التعليمات للمهام البسيطة. صياغة التعليمات للتصنيف والاستخلاص والتلخيص على مجموعات البيانات القياسية أصبح شيئاً يفعله مديرو المنتجات دون مساعدة هندسية. لقد تحركت السقف الفاصل لما يُعدّ "هندسة".

توليد البيانات الاصطناعية. تحتاج إلى مجموعة تدريب من 50,000 استعلام خدمة عملاء؟ النماذج اللغوية الكبيرة ستُنتجها، بأسلوب موضوع محكوم، أسرع مما يمكنك كتابة إرشادات التوسيم.

خطوط أنابيب التقييم القياسي. BLEU وROUGE وBERTScore ودقة المطابقة الحرفية — كل المقاييس الكلاسيكية على بُعد استدعاء أداة واحدة. حتى أنماط التقييم الأكثر تعقيداً كـ LLM-as-a-judge باتت مُقنّنة الآن.

التوثيق والتقارير. كتابة بطاقات النماذج وصياغة ملخصات التجارب وإنتاج روايات لوحات المعلومات. الذكاء الاصطناعي يتولى 70% من هذا العمل في فرق معالجة اللغة الطبيعية جيدة التنظيم، مع مراجعة المهندس للدقة.

ما يعنيه ذلك بشكل ملموس: مهندس معالجة اللغة الطبيعية المبتدئ في 2025 ينتج ما يوازي تقريباً إنتاجية مهندس متوسط المستوى من 2022. الأدوات استوعبت العمل المعرفي الروتيني.

ما لا يفعله الذكاء الاصطناعي بشكل لافت

الآن الجانب الآخر. إليك حيث يقضي مهندسو معالجة اللغة الطبيعية وقتاً أكثر مما كانوا يقضون:

صياغة المشكلات. معظم إخفاقات معالجة اللغة الطبيعية ليست إخفاقات نمذجة — بل إخفاقات صياغة. أراد العميل ربط الكيانات لا استخلاصها. المصنّف تدرّب على بيانات نظيفة ونُشر في نطاق يتضمن 30% مدخلات خارج التوزيع. رصد هذه التعارضات يستلزم الجلوس مع أصحاب المصلحة وتفكيك ما يريدونه فعلاً. الذكاء الاصطناعي ضعيف في هذا لأنه يتطلب قراءة الغرفة.

الطب الشرعي لجودة البيانات. حين يتصرف نموذج مُضبوط دقيقاً بشكل مثير للقلق، فإن اكتشاف السبب يرجع دائماً تقريباً إلى فحص أمثلة التدريب. التسميات خاطئة. التكرارات تُحرّف التوزيع. مجموعة التحقق تتسرب إلى التدريب. هذا العمل قصص بوليسية مع ملفات القيم المفصولة بفواصل، والبشر لا يزالون أفضل في التعامل معها بكثير.

تصميم التقييم للمشكلات الجديدة. حين لا تملك مهمتك معياراً قياسياً، عليك ابتكار واحد. ما الذي يبدو "جيداً" لكاتب طبي بالذكاء الاصطناعي؟ وماذا عن محلل عقود قانونية؟ بناء معايير التقييم واستقطاب المُعلِّمين وحساب اتفاق المُقيِّمين ثم إقناع القيادة بأن أرقامك تعني ما تقوله عنها — هذه مهارة حقيقية لم يلمسها الذكاء الاصطناعي.

تصحيح أخطاء نماذج الإنتاج. نموذج عمل بشكل مثالي في التقييم غير المتصل يمكن أن يفشل بشكل مذهل في الإنتاج لأسباب تشمل: تحوّل التعليمات أو تحوّل التوزيع أو تسميم الذاكرة المؤقتة أو إخفاقات الاسترجاع أو مجرد حظ سيء مع الحالات الحافية. تتبع أي من هذه الأسباب هو السبب الفعلي يستلزم عملاً هندسياً مباشراً.

مراجعات الأخلاقيات والسلامة. يجد مهندسو معالجة اللغة الطبيعية أنفسهم بشكل متزايد في مراجعات يكون السؤال فيها ليس "هل يعمل هذا؟" بل "هل ينبغي أن يُوجد؟" عمليات التدقيق للتحيز والاختبار الأحمر والتوثيق التنظيمي في إطار قانون الاتحاد الأوروبي للذكاء الاصطناعي. هذا العمل في توسع لا تقلص.

المهام الأكثر عرضة للمخاطر

بالنظر إلى مهام O\*NET للدور، تتركز مخاطر الأتمتة الأعلى في خمسة مجالات. كتابة نصوص تدريب النماذج القياسية مُؤتمتة بنسبة 85% تقريباً بالفعل؛ المهندس الآن محرر يراجع الكود الذي ينتجه الذكاء الاصطناعي. تنفيذ خطوط أنابيب معالجة اللغة الطبيعية الكلاسيكية كتحليل الرموز وتصنيف أقسام الكلام والتعرف على الكيانات المسماة مستوعبة بالمثل — كل إطار عمل رئيسي يتضمنها من الصندوق. الاستكشاف الأولي لمجموعات البيانات، حيث تُحمّل مجموعة نصوص وتُنتج إحصاءات ملخصة، يستغرق الآن وقتاً أقل بنسبة تسعين بالمئة بمساعدة الذكاء الاصطناعي. تحليل الأخطاء الأولية على مخرجات النموذج أصبح محادثة بدلاً من جلسة دفاتر. وصياغة أقسام أوراق البحث بما فيها الأعمال ذات الصلة وأوصاف المنهجية وحتى السرديات الأولية للنتائج تُنجز بمساعدة الذكاء الاصطناعي لـ 70% من باحثي معالجة اللغة الطبيعية، وفق استطلاعات حديثة. [تقدير]

تمثل هذه الفئات الخمس مجتمعةً نحو 45% مما كانت تبدو عليه رزنامة مهندس معالجة اللغة الطبيعية. لم يختفِ ذلك العمل — لقد انكمش. حيث كنت تُمضي ثلاثة أيام، تُمضي الآن ثلاث ساعات. يُعاد تخصيص الوقت المتبقي لعمل أعلى قيمة أو — بشكل متزايد — للتعامل مع مساحة مسؤولية أوسع.

المهام التي صعبت أكثر

هنا الجزء غير الحدسي. بعض مهام معالجة اللغة الطبيعية صعبت حين أصبح الذكاء الاصطناعي أفضل. بالتحديد:

التقييم في ظل عدم يقين النموذج. حين كان لديك نموذج ثابت واحد، كان تقييمه مباشراً. الآن لديك نظام يستدعي نماذج متعددة يتبدّل بينها استناداً إلى التكلفة والكمون وينتج مخرجات غير حتمية. تقييم هذا الوحش يستلزم تطوراً إحصائياً لم يكن المجال يحتاجه قبل ثلاث سنوات.

تحسين التكلفة-الأداء. الاختيار بين GPT-4o و Claude Sonnet ونموذج مفتوح المصدر 70B مُضبوق محلياً ونموذج صغير مع استرجاع معزز يستلزم فهماً شاملاً لميزانيات الكمون وحدود الدقة والقيود التنظيمية وموقف مؤسستك التفاوضي مع الموردين. هذا جزئياً اقتصاد وجزئياً هندسة وجزئياً سياسة تنظيمية.

تصحيح أخطاء التعليمات والسلاسل. نظام معالجة اللغة الطبيعية الحديث غالباً ما يكون رسماً بيانياً موجهاً من استدعاءات النماذج اللغوية، لكل منها تعليمته الخاصة وخطوة استرجاع ومنطق تحقق. حين يتصرف النظام بشكل مقلق، قد تكمن المشكلة في أي عقدة أو في التنسيق بينها. تتبع هذه الأنظمة أصعب من تصحيح أخطاء نموذج مُضبوق دقيقاً لأن فضاء الحالة أشمل بكثير.

مساءلة الهلوسة. حين يُعطي نظام التوليد المعزز بالاسترجاع (RAG) إجابة خاطئة لعميل، على أحد ما شرح السبب ومنع التكرار. هذا الآن جزء من وظيفة مهندس معالجة اللغة الطبيعية، ويستلزم فهم ليس فقط نموذجك بل خط أنابيب الاسترجاع والترتيب وتوليد الاستجابة بالكامل.

الأثر الصافي: لقد ارتفع الحد الأدنى لعمل مهندس معالجة اللغة الطبيعية. المهام الروتينية يُنجزها الذكاء الاصطناعي. ما تبقى أصعب بشكل حقيقي مما كان ينطوي عليه الدور سابقاً.

الراتب والطلب وواقع السوق

يُرسل سوق العمل إشارات مختلطة. تُظهر بيانات الرواتب من Levels.fyi وGlassdoor أجور مهندسي معالجة اللغة الطبيعية ارتفعت 14% على أساس سنوي في الشركات الكبرى، مع تعويض إجمالي لكبار المهندسين في المختبرات الرائدة يبلغ 400,000-700,000 دولار. لكن إعلانات الوظائف لأدوار مهندسي معالجة اللغة الطبيعية المبتدئين انخفضت 23% مقارنة بعام 2023 بحسب بيانات LinkedIn Economic Graph. [حقيقة]

النمط واضح: مهندسو معالجة اللغة الطبيعية ذوو الخبرة في طلب أعلى من أي وقت مضى، في حين ضاق خط المبتدئين بشكل حاد. تريد الشركات ممارسين كباراً يستطيعون تصميم أنظمة الذكاء الاصطناعي وقيادتها عبر التقييم والنشر وإدارة الحوادث. هي أقل استعداداً للدفع للمهندسين المبتدئين الذين يتولى الذكاء الاصطناعي الآن كثيراً مما كانوا يفعلونه.

بالنسبة لمهندس معالجة اللغة الطبيعية يقرأ هذا، الانعكاس مزعج لكنه قابل للتنفيذ. إذا كنت كبيراً في المستوى، فقيمتك ترتفع. إذا كنت مبتدئاً، فعليك التحرك بسرعة نحو مهارات المستوى الأعلى: تصميم الأنظمة ودقة التقييم وتصحيح الأخطاء في ظل عدم اليقين والتواصل مع أصحاب المصلحة. المهارات التي كانت "يُستحسن امتلاكها" قبل عامين باتت الآن إلزامية.

ما يجب التركيز عليه في السنوات الثلاث القادمة

دليل عملي بناءً على ما يؤتي ثماره فعلاً في فرق معالجة اللغة الطبيعية الحالية:

كن خبيراً في التقييم. معظم فرق معالجة اللغة الطبيعية لا تضم أحداً قادراً على تقييم نظام إنتاج بصرامة. إذا استطعت ذلك، تصبح لا غنى عنك. اقرأ أبحاث أنثروبيك حول تقييم النماذج وإطار التقييم الشامل للنماذج اللغوية (HELM) والعمل الصادر من المجموعات الأكاديمية حول منهجية التقييم. ابنِ نماذج أولية لمعدّات التقييم للمهام الجديدة في مؤسستك.

أتقن حزمة الاسترجاع. تقريباً كل نظام معالجة لغة طبيعية مثير للاهتمام في الإنتاج اليوم يتضمن الاسترجاع. قواعد البيانات المتجهية والبحث الهجين وإعادة الترتيب وإعادة كتابة الاستعلام والتقطيع الدلالي. الفرق التي تُتقن الاسترجاع تُشحن منتجات موثوقة؛ الفرق التي ترتجل تشحن كوارث مفعمة بالهلوسة. تعمّق في هذه الطبقة.

تعامل مع بنية تحتية النشر بارتياح. معرفة كيفية نشر نموذج خلف موازن تحميل وتكوين القياس التلقائي ومراقبة الكمون والتكلفة والتراجع عند حدوث مشكلة — هذا ما يُميز مهندساً يستطيع الشحن عن باحث لا يستطيع ذلك. هذا أيضاً ما لا يزال الذكاء الاصطناعي عاجزاً عن فعله لك.

ابنِ عمقاً في نطاق متخصص. عمل معالجة اللغة الطبيعية العام هو الأكثر قابلية للأتمتة. معالجة اللغة الطبيعية المُطبَّقة على نطاق متخصص — الرعاية الصحية والقانون والمال والأحياء — يستلزم فهم ذلك النطاق. اختر نطاقاً وتعمّق فيه. المهندسون الذين ينجون خلال السنوات الخمس القادمة سيكونون أولئك القادرين على الترجمة بين النماذج اللغوية وصناعة محددة.

تدرّب على الكتابة. التوثيق الداخلي ووثائق التصميم ومراجعات ما بعد الحوادث والقرارات التي ليس لها سابقة. الكتابة الواضحة هي ما يُميز المهندسين الكبار، والذكاء الاصطناعي لا يستطيع فعل ذلك عنك — ليس لأن الذكاء الاصطناعي لا يستطيع توليد النص بل لأن فعل الكتابة يُجبر على التفكير، والتفكير هو ما تدفع الشركة مقابله.

النظرة الطويلة المدى بصدق

بعد خمس سنوات، كيف ستبدو وظيفة مهندس معالجة اللغة الطبيعية؟ على الأرجح أشبه بمدير منتج لنظام ذكاء اصطناعي أكثر من مهندس برمجيات بالمعنى الكلاسيكي. ستُمضي وقتاً أقل في كتابة كود النماذج ووقتاً أطول في تحديد ما يجب أن يفعله النظام وتقييم ما إذا كان يفعله وقيادته عبر النشر والعمليات.

بعض مهندسي معالجة اللغة الطبيعية الحاليين سيُحبون هذا التطور. والبعض الآخر سيكرهه. إذا كان الجزء الذي استمتعت به في الوظيفة هو تنفيذ النماذج الأنيقة والكود النظيف، فستجد أن ذلك الجزء من العمل يتآكل. إذا كان الجزء الذي استمتعت به هو حل مشكلات حقيقية لمستخدمين حقيقيين، فهذا على الأرجح أفضل وقت في التاريخ للعمل في الميدان.

الدور لا يحتضر. إنه يتحوّر. المهندسون الذين يُدركون هذا ويتكيفون معه سيجدون مسيراتهم أكثر إثارة وأعلى أجراً مما كانت عليه. أولئك الذين لا يفعلون سيجدون أنفسهم يُزاحون ببطء مع تولي الذكاء الاصطناعي المزيد مما اعتادوا القيام به.

للحصول على بيانات أعمق بما فيها تفصيل الأتمتة على مستوى المهام واتجاهات الرواتب حسب المنطقة وجدول زمني للتغييرات المتوقعة، راجع ملف المهنة لمهندسي معالجة اللغة الطبيعية.

---

التحليل بناءً على نمذجة أتمتة المهام على مستوى O\NET ومؤشر أنثروبيك الاقتصادي (2025) وتقارير سوق العمل من مؤسسة بروكينغز وبيانات مرصد سياسة الذكاء الاصطناعي للمنظمة. بحث ومسودة بمساعدة الذكاء الاصطناعي؛ مراجعة وتحرير بشريان من قِبَل فريق تحرير AIChangingWork.*