تصویر کلاسیک از اتوماسیون بر حذف کارهای یدی، تکراری و مبتنی بر مهارت اندک استوار بود. بر اساس براورد کارشناسان، موج کنونی هوش مصنوعی این جغرافیای ریسک را تغییر داده است.
به گزارش خبرنگار مهر؛ تصویر کلاسیک از اتوماسیون بر حذف کارهای یدی، تکراری و مبتنی بر مهارت اندک استوار بود. بر اساس براورد کارشناسان، موج کنونی هوش مصنوعی این جغرافیای ریسک را تغییر داده است. توانایی مدلهای جدید در نوشتن، تحلیل، کدنویسی، خلاصهسازی، جستوجوی اسناد و تولید توصیه، اتوماسیون را به قلمرویی کشانده که پیشتر برخورداری از تحصیلات دانشگاهی و مهارت شناختی برای آن نوعی سپر حفاظتی محسوب میشد. در همین راستا، مطالعه مشترک مؤسسه بیمه فرانسوی «Coface» و دیدهبان مشاغل در معرض تهدید و نوظهور (OEM) بر همین گسست تأکید دارد و نشان میدهد فعالیتهای شناختی، پیچیده و مهارت محور به مرز جدید اتوماسیون تبدیل شدهاند.
اهمیت این تحول زمانی آشکارتر میشود که واحد تحلیل را از عنوان شغلی به مجموعه وظایف تشکیلدهنده هر شغل تغییر دهیم. مطالعه «Coface» تعداد ۹۲۳ حرفه را به وظایف و سپس به کنشهای پایه تجزیه کرده و میزان قابلیت اتوماسیون آنها را بر اساس قواعد صریح و قابل بازبینی سنجیده است. این تمایز اهمیت بنیادی دارد. قرار گرفتن یک حرفه در معرض هوش مصنوعی معادل حذف آن حرفه نیست. شاخص مطالعه ظرفیت فنی اتوماسیون را اندازه میگیرد و عواملی مانند تقاضای نیروی کار، ایجاد وظایف تازه و موانع استقرار فناوری را در بر نمیگیرد.
از کارمند ورود داده تا برنامهنویس جوان
در میان مشاغل مورد بررسی، یک ویژگی مشترک مرتب تکرار میشود. هرجا بخش بزرگی از کار را بتوان به گردش کاری ساختاریافته، پردازش اطلاعات، اجرای قواعد و تولید خروجی استاندارد فروکاست، قابلیت جایگزینی یا کاهش نیاز به نیروی انسانی افزایش مییابد. بر همین اساس، گزارش مرکز آموزش فنی و حرفهای «Edoxi» امارات ده گروه را در معرض توجه ویژه قرار میدهد:
کارکنان دفترداری و حسابداری
نمونهخوانها و ویراستاران
تحلیلگران تحقیقات بازار
دستیاران حقوقی و پژوهشگران حقوقی
صندوقداران خردهفروشی
توسعهدهندگان نرمافزار در سطوح ابتدایی
دادههای «Coface» تصویر کلانتری از همین تحول ارائه میکنند. در سناریوی استقرار هوش مصنوعی عاملمحور، حدود یک حرفه از هر هشت حرفه بررسیشده از آستانه ۳۰ درصد وظایف قابل اتوماسیون عبور میکند. پژوهش این آستانه را سطحی میداند که میتواند بازآرایی عمیق حرفه و جابهجایی قابل توجه وظایف را در پی داشته باشد. تمرکز اصلی ریسک نیز در مهندسی، فناوری اطلاعات، امور اداری، مالی، حقوقی و شماری از مشاغل خلاق و تحلیلی قرار دارد. همچنین، بیش از یکچهارم محتوای کاری در مدیریت و امور اداری، حرفههای خلاق، حقوق و مالی و همچنین مهندسی و فناوری اطلاعات قابلیت اتوماسیون دارد. در مقابل، خدمات حضوری و فعالیتهای فنی و صنعتی زیر آستانه ۱۰ درصد باقی میمانند.
این الگو در سطح وظایف نیز قابل مشاهده است. ابزارهای تشخیص متن و هوش مصنوعی مولد میتوانند استخراج، اعتبارسنجی و ورود داده را با نظارت انسانی محدود انجام دهند. چتباتها و عاملهای صوتی بخش بزرگی از پرسشهای استاندارد خدمات مشتری را پاسخ میدهند. در حسابداری، تطبیق حسابها، طبقهبندی تراکنشها و ثبتهای پایه قابلیت بالایی برای اتوماسیون دارند. ابزارهای نگارشی نیز بخشی از ویرایش زبانی را خودکار کردهاند. ارزش نیروی انسانی در همین حرفهها به سوی حل اختلاف، مذاکره، تشخیص موقعیتهای استثنایی، قضاوت تخصصی و نظارت بر خروجی ماشین حرکت میکند.
حقوق و برنامهنویسی دو نمونه مهم از نفوذ اتوماسیون به مشاغل تخصصی هستند. هوش مصنوعی مولد اکنون قادر به خلاصهسازی آرای قضایی، مرور قراردادها، بازیابی سوابق و تهیه پیشنویس اسناد استاندارد است. در توسعه نرمافزار نیز دستیارهای کدنویسی تولید کدهای متعارف، آزمون و مستندسازی را برعهده میگیرند. در هر دو حوزه، نقطه آسیبپذیر بیشتر در لایه وظایف مقدماتی قرار دارد، در حالی که تحلیل حقوقی، مذاکره، مشاوره، قضاوت اخلاقی و هدایت و ارزیابی خروجی هوش مصنوعی همچنان به تخصص انسانی وابسته است.
بحران پنهان در نخستین پله نردبان شغلی
پیامد مهمتر شاید در جایی رخ دهد که آمار کلی اشتغال با تأخیر بیشتری آن را آشکار میکند. بسیاری از وظایفی که هوش مصنوعی به بهترین شکل انجام میدهد همان وظایفی هستند که ورود نیروی جوان به یک حرفه را امکانپذیر میکردند. تهیه پیشنویس اولیه، پژوهش مقدماتی، خلاصهسازی اسناد، یادداشتبرداری جلسات، تحلیلهای ساده، بازبینی مدارک، کدنویسی پایه و آزمون نرمافزار همگی در مشاغل ورودی تمرکز دارند. این وظایف در عین تکراری بودن، سازوکار انباشت تجربه نیز محسوب میشوند. تحلیلگر جوان هنگام پاکسازی داده با ناسازگاریها آشنا میشود، کارآموز حقوقی از خواندن پروندهها تشخیص مشکلات را میآموزد و برنامهنویس تازهکار از رفع خطاهای کوچک به فهم معماری سیستم میرسد.
مسئله از این جا به یک چالش سازمانی بلندمدت تبدیل میشود. حذف موقعیتهای ابتدایی میتواند هزینه نیروی انسانی امروز را کاهش دهد، اما همان سازمان چند سال بعد ممکن است با کمبود افرادی روبهرو شود که تجربه لازم برای تبدیل شدن به تحلیلگر ارشد، مهندس، حقوقدان یا مدیر را کسب کردهاند.
شکاف تازه میان نیروی کار، سرمایه و آموزش
پیامدهای این دگرگونی به بازار کار محدود نمیماند. برآورد «Coface» نشان میدهد میزان مواجهه کشورها با این چالش بر حسب ساختار اقتصادی آنها تفاوت محسوسی دارد و ماهیت کار از حدود ۱۲ درصد در ترکیه تا نزدیک ۲۰ درصد در بریتانیا تغییر میکند. اقتصادهای ثروتمند و خدماتمحور که سهم بیشتری از مشاغل شناختی و مبتنی بر اطلاعات را دارند نیز با مواجهه بالاتری روبهرو هستند.
علاوه بر موارد ذکر شده، یک مسئله توزیعی نیز در حال شکلگیری است. اتوماسیون بخشی از وظایف مشاغل ماهر و پردرآمد میتواند سهم بیشتری از ارزش افزوده را از نیروی کار به سرمایه منتقل کند. چنین تغییری برای دولتهایی که درآمد مالیاتی و تأمین اجتماعی آنها به اشتغال و دستمزد وابستگی بالایی دارد، فشار دوگانه ایجاد میکند. کاهش برخی پایههای درآمدی ممکن است همزمان با افزایش هزینه بیمه بیکاری و بازآموزی نیروی کار رخ دهد. تمرکز تراشهها، مدلهای زبانی و مراکز داده در شمار محدودی از شرکتها و کشورها نیز وابستگی فناورانه را به لایه دیگری از مسئله اشتغال پیوند میزند.
از سوی دیگر، آموزش عالی نیز با پرسشی بنیادی مواجه است. هنگامی که بخش قابل توجهی از وظایفی که فارغالتحصیل برای انجام آنها سالها آموزش دیده قابل اتوماسیون شود، رابطه سنتی میان مدرک، دستمزد و امنیت شغلی تضعیف میشود و وزن مهارتهایی مانند قضاوت، سازگاری و نظارت بر سامانههای هوشمند افزایش مییابد. این چالش از مرحله نظری عبور کرده است. بر همین اساس، پیمایش موسسه آموزشی «HEPI» بریتانیا در سال ۲۰۲۶ نشان داد ۹۵ درصد دانشجویان کارشناسی بریتانیا از هوش مصنوعی استفاده میکنند و ۹۴ درصد آن را در تکالیف به کار میبرند، در حالی که کمتر از نیمی احساس میکنند اعضای هیئت علمی آنها را برای مهارتهای هوش مصنوعی مورد نیاز بازار کار آماده میکنند.
موج جدید اتوماسیون را باید در سطح وظیفه، مسیر حرفهای و ساختار سازمانی تحلیل کرد. حرفههایی که گردش کار استاندارد، پردازش اطلاعات و تولید خروجی قابل پیشبینی سهم بزرگی از فعالیت آنها را تشکیل میدهد در خط مقدم تغییر قرار گرفتهاند. در مقابل، قضاوت در شرایط مبهم، تعامل انسانی پیچیده، مسئولیت حرفهای، مهارت فیزیکی و ترکیب دانش تخصصی با تصمیمگیری همچنان مقاومت بالایی در برابر جایگزینی دارند.
چالش تعیینکننده از همین نقطه آغاز میشود. سازمانی که وظایف ابتدایی را خودکار میکند باید مسیر دیگری برای تولید تجربه و انتقال دانش بسازد. به عنوان مثال، مطالعه میدانی دفتر ملی پژوهش اقتصادی آمریکا (NBER)، افزایش متوسط ۱۴ درصدی بهرهوری کارکنان پشتیبانی مشتری با هوش مصنوعی مولد را گزارش کرده و بیشترین منفعت را برای کارکنان کمتجربه یافته است. فناوری در این الگو به جای حذف نقطه ورود، دانش انباشته سازمان را سریعتر در اختیار شاغلان کمتجربه قرار میدهد.
بنابراین پرسش راهبردی بازار کار آینده از شمار مشاغلی که هوش مصنوعی قادر به انجام آنهاست فراتر میرود. مسئله اصلی این است که دولتها، دانشگاهها و بنگاهها چگونه افزایش بهرهوری را به گونهای مدیریت میکنند که زنجیره کسب تجربه، تربیت متخصص، توزیع درآمد و ظرفیت انسانی بلندمدت از میان نرود.
منبع: خبرگزرای مهر
