هل يمكن أن تصبح هندسة البرومبتات وظيفة حقيقية؟

عندما أعلنت شركة Anthropic عن وظيفة براتب يتراوح بين 175 و335 ألف دولار سنويًا، لم يكن ما استوقف المراقبين هو الرقم وحده، بل المسمى الوظيفي نفسه: “Prompt Engineer and Librarian“. فالشركة لم تكن تبحث عن مبرمج تقليدي أو عالم بيانات، بل عن شخص يجيد صياغة التعليمات التي تُعطى لنماذج الذكاء الاصطناعي للحصول على أفضل النتائج.

الراتب يوازي كبار مهندسي التكنولوجيا، مقابل القدرة على طرح السؤال الصحيح بالطريقة الصحيحة.

هذا الإعلان كشف حقيقة بدأت تترسّخ مع انتشار النماذج التوليدية: جودة المخرج لا تعتمد فقط على قوة النموذج، بل على طريقة توجيهه. النموذج لا يقرأ النوايا، يقرأ الكلمات. ومن هنا نشأت هندسة البرومبتات، ومعها سؤال لم يُحسم بعد: هل نحن أمام مهنة حقيقية تستحق هذا الاهتمام، أم أمام مهارة انتقالية ستذوب تدريجيًا في متطلبات العمل العادية؟

ما الذي يحدث فعلياً حين تكتب برومبتاً؟

النماذج اللغوية الكبيرة لا “تفهم” ما تقرأ بالمعنى الإنساني للكلمة. تُنتج استجابات بناءً على أنماط إحصائية ضخمة مستخرجة من البيانات. هذا يعني أن ما تكتبه يُحدد مباشرةً نوعية ما تحصل عليه.

الفرق بين برومبت عادي وبرومبت مُهندَس يمكن قياسه بدقة.

حين تكتب: “اكتب كوداً لتطبيق توصيل”، تحصل على هيكل عام لا يُسمن ولا يُغني. حين تكتب: “تصرّف كمطور Python محترف، أنشئ هيكل تطبيق Flask لتوصيل الطعام مع تكامل قاعدة بيانات SQL ومعالجة أخطاء الدفع وفق معايير الإنتاج”، يتحول المخرج من مسودة إلى كود وظيفي.

وفق دراسة من Microsoft Research، استخدام تقنية “Chain of Thought”، أي إضافة تعليمات تُجبر النموذج على التفكير خطوة بخطوة، يرفع دقة النماذج في المسائل المنطقية والرياضية بين 40 و60 بالمئة. أربعون بالمئة فارق في الدقة من تغيير في طريقة الصياغة.

هذا ما يجعل المهارة ذات قيمة اقتصادية. وهذا ما يجعل السؤال عن مستقبلها مشروعاً.

جرّب بنفسك: خذ مهمة تقوم بها أسبوعياً مع أي نموذج لغوي. أعد صياغة البرومبت بإضافة دورك، والسياق، والمخرج المطلوب تحديداً. قارن النتيجتين.

التقنيات الأساسية التي تحتاج أن تعرفها

هندسة البرومبتات ليست حدساً أو موهبة فطرية. تقوم على تقنيات موثقة يمكن تعلمها وتطبيقها فوراً. أكثرها انتشاراً ثلاث:

تقنية الدور (Role Prompting): تُخبر النموذج بصراحة من هو قبل أن تطلب منه شيئاً. “تصرّف كمحامٍ متخصص في عقود الشركات” يُنتج مخرجاً مختلفاً جوهرياً عن “ساعدني في مراجعة عقد”.

تقنية التفكير المتسلسل (Chain of Thought): بدلاً من طلب الإجابة مباشرةً، تطلب من النموذج أن يُفكر بصوت عالٍ خطوة بخطوة. تُضاف عبارة بسيطة كـ”فكّر خطوة بخطوة قبل أن تُجيب”. النماذج تُخطئ أقل حين تُجبر على إظهار منطقها.

تقنية الأمثلة (Few-Shot Prompting): تُعطي النموذج مثالاً أو اثنين على المخرج الذي تريده قبل أن تطلب منه تنفيذ المهمة. النموذج يُقلّد البنية والأسلوب بدقة أعلى بكثير من الوصف النظري وحده.

هذه التقنيات الثلاث تُغطي 80 بالمئة من احتياجات الاستخدام اليومي. ما يُضاف فوقها متخصص ومرتبط بحالات استخدام محددة.

لماذا ظهرت هذه المهارة الآن تحديداً؟

السؤال الأعمق ليس ما هي هندسة البرومبتات، بل لماذا أصبحت مطلوبة في هذه اللحظة بالذات.

الإجابة مرتبطة بفجوة محددة: النماذج قوية، لكنها لا تقرأ النوايا. تقرأ الكلمات. من يملك القدرة على “ترجمة” النوايا البشرية إلى تعليمات يفهمها النموذج يملك ميزة حقيقية، مؤقتاً على الأقل.

وصف أندريه كارباثي، الخبير السابق في Tesla وأحد المساهمين الأوائل في OpenAI، البرومبتات بأنها “لغة البرمجة الأكثر انتشاراً حالياً”. اللغة الطبيعية باتت فعلياً لغة كود، لكنها كود لا يحتاج مترجماً برمجياً بل شخصاً يُجيد الصياغة.

أرقام السوق تدعم هذه القراءة. وفق تقرير LinkedIn لعام 2023، ارتفع عدد الوظائف التي تذكر هندسة البرومبتات أو الذكاء الاصطناعي التوليدي كمهارات مطلوبة بنسبة 360 بالمئة مقارنة بالعام السابق. وفق تقرير McKinsey للعام نفسه، كان ثلث الشركات المستطلعة عالمياً يستخدم الذكاء الاصطناعي التوليدي في وظيفة عمل واحدة على الأقل.

هذا الانتشار يخلق طلباً فورياً على من يستطيع توظيف هذه الأدوات بكفاءة، قبل أن تتطور الأدوات نفسها لتصبح أكثر استقلالية.

السوق يقول نعم، لكن السياق يقول: انتبه

الأرقام مشجعة. Anthropic دفعت 335 ألف دولار. شركة Klarity عرضت 230 ألف دولار لمن يصيغ برومبتات لمعالجة المستندات القانونية. مستشفى Boston Children’s Hospital أنشأ وظيفة مخصصة لصياغة البرومبتات لمساعدة الأطباء في استخراج البيانات السريرية.

هذا التنوع بين التقنية والطب والقانون يكشف أن الطلب لا يقتصر على شركات السيليكون فالي. مؤشر Upwork أظهر أن هندسة البرومبتات كانت من أكثر المهارات بحثاً في سوق العمل المستقل خلال النصف الأول من 2023.

لكن ثمة تفصيل جوهري يستحق التوقف عنده: معظم هذه الوظائف لا تحمل مسمى “مهندس برومبتات” صريحاً. كثير منها يقع تحت مسميات مثل “AI Specialist” أو “Generative AI Consultant”، أو يُضاف كمهارة ضمن أدوار قائمة.

بمعنى آخر: المهارة تُباع بسعر مرتفع، لكن المهنة المستقلة لم تترسّخ بعد.

من يربح فعلاً؟ ومن يخسر؟

شركات التكنولوجيا الكبرى تكسب على المستويين: تبيع النماذج، وتوظف من يطورها. كل شخص يتعلم استخدام هذه النماذج بكفاءة يرفع قيمة منتجاتها دون تكلفة إضافية عليها.

المؤسسات التي تتبنى الأدوات مبكراً تحقق ميزة تنافسية قابلة للقياس. وفق تقرير Stanford AI Index لعام 2024، ساهمت هندسة البرومبتات في تقليل وقت تنفيذ المهام في القطاعات الأكثر استخداماً للنماذج اللغوية بنسبة بين 25 و35 بالمئة. ربع الوقت المُوفَّر يُترجم مباشرةً إلى تكاليف أقل وإنتاجية أعلى.

المهنيون القادرون على التكيف يجدون أنفسهم في موقع تفاوضي أقوى. محامٍ يستخدم النماذج في تحليل العقود، أو طبيب يوظفها في مراجعة الأدبيات، أو مسوّق يُنتج محتوى بكفاءة مضاعفة: كل هؤلاء يحملون مهارة إضافية ذات قيمة سوقية متزايدة.

المتضرر الأوضح: الوظائف التي تعتمد على مهام تكرارية يمكن أتمتتها. توقع تقرير Goldman Sachs أن الذكاء الاصطناعي قد يُؤتمت ما يعادل 300 مليون وظيفة بدوام كامل. التقرير نفسه يُشير إلى أن هذه التحولات ستخلق أدواراً جديدة وترفع الإنتاجية الإجمالية. لكن التوزيع لن يكون متساوياً بين القطاعات ولا بين الاقتصادات.

السؤال الذي يستحق التفكير: أي جزء من عملك يعتمد على مهام متكررة يمكن للنموذج اللغوي تنفيذها الآن؟

مهارة لا مهنة: السيناريو الأرجح

إيثان موليك، أستاذ في كلية وارتون للأعمال وأحد أكثر الأصوات تأثيراً في نقاشات الذكاء الاصطناعي، يرى أن هندسة البرومبتات ستتحول إلى مهارة أساسية يجب أن يتقنها كل موظف في مجاله. تماماً كما أصبح استخدام محرك البحث أو برامج الإنتاجية جزءاً لا يُسأل عنه من المؤهلات.

المقارنة التاريخية دقيقة. في ثمانينيات القرن الماضي، كانت القدرة على استخدام الحاسوب مهارة نادرة تستحق ذكرها في السيرة الذاتية. في التسعينيات أصبحت ميزة تنافسية. اليوم ذكرها في السيرة الذاتية يُثير الاستغراب لا الإعجاب. المسار ذاته ينتظر هندسة البرومبتات على الأرجح.

ثمة عامل تقني يُسرّع هذا الانتقال. سام ألتمان، الرئيس التنفيذي لـ OpenAI، أشار إلى أن النماذج ستُصبح أفضل في فهم النوايا البشرية تلقائياً دون الحاجة إلى هندسة معقدة. النماذج الجديدة أقل حساسية للصياغة مما كانت عليه نماذج 2022 و2023. الفجوة بين البرومبت الجيد والبرومبت العادي تضيق مع كل إصدار.

هذا لا يعني أن المهارة ستختفي. يعني أن الحاجة إلى متخصص مُكرَّس لها ستتقلص، بينما الحاجة إلى توظيفها ضمن أدوار قائمة ستتوسع.

أين تتعلم هندسة البرومبتات اليوم؟

السوق يعجّ بالمصادر، لكن جودتها تتفاوت تفاوتاً حاداً. إليك التصنيف الأكثر واقعية:

للبداية السريعة، يُقدّم Learn Prompting دليلاً مجانياً منظماً يتدرج من الأساسيات إلى التقنيات المتقدمة. يستغرق تصفحه الجادّ يوماً واحداً وينقلك من الصفر إلى مستوى الاستخدام الوظيفي.

للعمق التقني، توثيق Anthropic وOpenAI الرسمي يحمل أمثلة مُختبرة على نماذجهم تحديداً. النماذج المختلفة تستجيب لتقنيات مختلفة، وما يعمل على GPT-4 لا يعمل بالضرورة بالكفاءة ذاتها على Claude.

للتطبيق العربي، الفجوة واسعة. معظم المحتوى العربي المتاح إما ترجمة سطحية أو تعميمات لا تُعالج خصوصية اللغة العربية مع النماذج. من يبني مكتبة برومبتات عربية موثقة في مجاله سيملك مرجعاً لا مثيل له في السوق المحلية.

الاختبار الحقيقي ليس في الشهادات. من يُطبّق ويقيس ويُعدّل يتفوق دائماً على من يقرأ ويُتابع دون ممارسة.

الأخطاء الشائعة التي تُقلّص جودة المخرج

معرفة ما لا تفعله تُعادل أحياناً معرفة ما تفعله. أكثر الأخطاء تكراراً في كتابة البرومبتات تقع في أربع مناطق:

الغموض في المخرج المطلوب: “اكتب شيئاً عن الذكاء الاصطناعي” سؤال مفتوح بلا حدود. النموذج سيملأ الفراغ بافتراضات قد لا تتوافق مع ما تريده. حدّد الشكل والطول والجمهور المستهدف.

طول البرومبت لا يعني جودته: برومبت مطوّل يحمل تعليمات متناقضة أسوأ من برومبت قصير واضح. النموذج حين يتلقى تعليمات متعارضة يختار إحداها عشوائياً أو يُحاول التوفيق بينها باستنتاجات لا تريدها.

إغفال السياق المهني: النماذج لا تعرف طبيعة عملك ولا جمهورك ولا القيود التي تعمل ضمنها. كل هذه المعلومات تُحسّن المخرج بشكل ملحوظ إذا أُدرجت في البداية.

نسيان تحديد ما لا تريده: أحياناً توجيه النموذج بعيداً عن شيء معين أهم من توجيهه نحو شيء آخر. “لا تستخدم مصطلحات تقنية، اكتب لقارئ غير متخصص” يُغيّر المخرج بالقدر ذاته الذي يُغيّره وصف ما تريده.

الزاوية العربية: نافذة مفتوحة لفترة محدودة

المنطقة العربية تقف في نقطة مثيرة. تبني الذكاء الاصطناعي في معظم الاقتصادات العربية لا يزال في مراحله الأولى مقارنة بالاقتصادات المتقدمة. هذا التأخر النسبي يُخفي فرصة حقيقية، لمن يُدرك أبعادها.

النماذج اللغوية الكبرى متاحة بتكلفة اشتراك شهري منخفضة. لا تحتاج بنية تحتية ضخمة ولا استثمارات في الأجهزة. محامٍ في القاهرة يُجيد توظيف هذه النماذج في عمله يمكنه منافسة نظيره في لندن على مستوى الإنتاجية، بتكلفة جزئية. هذا ليس مبالغة، بل انعكاس لما تُعيد هذه الأدوات رسمه في موازين القدرة المهنية.

لكن التحدي اللغوي حقيقي ولا يجب التهاون معه. معظم أبحاث هندسة البرومبتات ومكتبات البرومبتات الجاهزة بُنيت بالإنجليزية وللإنجليزية. النماذج نفسها تُقدّم أداءً أضعف باللغة العربية مقارنةً بالإنجليزية، وهذا يُترجم إلى مخرجات أقل دقة حين تنقل تقنيات موثقة بالإنجليزية مباشرةً إلى سياق عربي دون تكيّف.

من يملك القدرة على بناء بنية تحتية للمحتوى والتوجيه العربي في الذكاء الاصطناعي يمتلك ميزة طويلة الأمد في سوق لا يزال شاغراً إلى حد بعيد.

المنطقة لا تحتاج إلى “مهندسي برومبتات” بالمعنى الضيق للمسمى. تحتاج إلى مهنيين في كل قطاع، من الطب إلى القانون إلى التعليم إلى الإعلام، يُجيدون توظيف هذه الأدوات في سياقاتهم المحلية بلغتهم ومعرفتهم ببيئتهم.

قبل أن تقرر أن تتعلمها أو تتجاهلها

هندسة البرومبتات مهنة حقيقية اليوم. الأرقام واضحة. لكنها على الأرجح مرحلة انتقالية لا وجهة نهائية.

الشركات تدفع مئات الآلاف لمن يُجيدها الآن لأن النماذج لا تزال تحتاج وسيطاً يُترجم النوايا البشرية إلى لغة آلية. حين تتقلص هذه الفجوة، سيتقلص الطلب على المتخصص ويتوسع الطلب على من يُوظّفها ضمن تخصصه الأصلي.

السؤال الاستراتيجي الحقيقي ليس هل ستنجو هندسة البرومبتات كمهنة مستقلة. السؤال هو: في عالم يُصبح فيه التعامل مع الذكاء الاصطناعي مهارة أساسية كالقراءة والكتابة، هل تملك أنت القدرة على تطويعها لسياقك المهني قبل أن يصبح هذا السؤال متأخراً جداً؟