اتوماسیون، نخستین پلههای کسب تجربه را حذف کرده است
هوش مصنوعی با هرم استعدادها چه میکند؟
همزمان، نگرانیها درباره تاثیر هوش مصنوعی بر مشاغل، به ویژه شغلهای ردهپایین رو به افزایش است. این تحولات همچنین موجب افزایش ناامیدی در میان کارجویان شده. بر اساس گزارشهای اخیر، ناامیدی فارغالتحصیلان جدید، از شروع مسیر شغلی ظرف دو سال، از ۴۶ درصد به ۶۲ درصد افزایش یافته. علت اصلی این ناامیدی، کاهش جذب نیروهای مبتدی توسط شرکتهاست.
چشمانداز استخدام در مشاغل ردهپایین، همچنان در نوسان است، اما نشانههای اولیه از محدودتر شدن بازار خبر میدهند. نرخ بیکاری فارغالتحصیلان دانشگاهی (در مقایسه با نرخ بیکاری عمومی) نسبتا بالاست. نزدیک به ۴۰درصد از فارغالتحصیلان در شغلهایی مشغول به کارند که نیازی به مدرک تحصیلی ندارد. البته مشخص نیست که تکنولوژی و مشخصا هوش مصنوعی تا چه حد در افزایش نرخ بیکاری موثر و مقصرند.
مثلا اقتصاددانان بانک نیویورک فدرالرزرو میگویند گسترش دورکاری که آموزش نیروهای جدید را سختتر کرده عامل اصلی افزایش نرخ بیکاری است، درحالیکه دانشگاه ییل میگوید هنوز هیچ رد پای واضحی از هوش مصنوعی در سطح کلان پیدا نکرده. اما در هر حال، دلیلش چه اولی باشد چه دومی، پیامدش برای کارفرماها یکی است: سازوکارهای غیررسمی که زمانی، نیروهای مبتدی را به متخصص تبدیل میکردند حالا در حال از بین رفتناند.
همزمان که هوش مصنوعی نحوه انجام کارها را تغییر میدهد، مساله دیگر این نیست که چه تعداد نیروی سطح پایین استخدام شود، بلکه باید از خود بپرسیم «این نقشها برای انجام چه کاری طراحی شدهاند؟» شرکتها میتوانند از این دوران گذار استفاده کنند تا کارهای ورودی را به عنوان بستری برای ایجاد تخصص در محیطهای مبتنی بر هوش مصنوعی بازتعریف کنند. این یعنی نیروهای تازهکار را مجهز کنند تا سیستمهای هوش مصنوعی را طراحی کنند، توسعه دهند و هدایت کنند، نه اینکه صرفا در چارچوب آنها کار کنند.
نیروهای تازهکار، نقش مهمی در سازمانها ایفا میکنند. آنها دیدگاههای نو و روشهای حل مساله خلاقانهای با خود به سازمانها میآورند و مسیر پیشرفت آینده را سرپا نگه میدارند. نحوه پرورش این نیروها همواره مورد بحث بوده اما در دوران هوش مصنوعی، فضا پیچیدهتر شده. به عنوان مثال، مدیران ارشد مهندسی در مایکروسافت میگویند که دستیارهای هوشمند کدنویسی، باعث افزایش چشمگیر بهرهوری مهندسان ارشد میشوند، اما برای نیروهای تازهکار که هنوز قدرت سنجش و هدایت خروجیهای هوش مصنوعی را ندارند مثل یک ترمز عمل میکنند. چنین شرایطی، شرکتها را ترغیب میکند که نیروهای ارشد را استخدام و وظایف نیروهای ردهپایین را خودکارسازی کنند. این رویکرد به مرور زمان، معادلات هرم استعدادها را نابود میکند. راهکار سازمانها اما در نوع خود جالب توجه بوده: به استخدام نیروهای ردهپایین ادامه میدهیم، میپذیریم که آنها باعث کاهش کوتاهمدت بازدهی میشوند و رشد آنها را به یک هدف صریح سازمانی تبدیل میکنیم.
نظرسنجی مکنزی نشان داده که هوش مصنوعی مولد بر نیاز شرکتها به جایگاههای ردهپایین تاثیر میگذارد. گرچه برخی سازمانها جذب نیروهای ردهپایین را کاهش دادهاند، اما بسیاری دیگر مثل «بنک آو آمریکا» با حفظ میزان استخدام خود، وظایف این نقشها را تغییر داده و از روز اول، حول محور کار با هوش مصنوعی بازطراحی کردهاند. نظرسنجیها نشان میدهد اکثر مدیران همچنان به آینده استخدام نیروهای تازهکار امیدوارند و معتقدند که هوش مصنوعی، باعث افزایش استخدام نیروهای تازهکار خواهد شد، به شرط اینکه استراتژی سازمانبر چهار محور مدیریت دانش، طراحی مجدد نقشها، یادگیری در حین کار و مربیگری مدیریتی استوار باشد تا نیروهای جوان بتوانند به جای انجام کارهای روتین حذفشده، به تحلیلگران و تصمیمگیرندگانی قوی تبدیل شوند.
مدیریت دانش
سازمانها باید تخصص و دانش خود را برای ایجاد فرآیندهای مبتنی بر هوش مصنوعی به کار بگیرند. باید بتوانید از دانش و تخصص فعلی خود برای ایجاد دادههای باکیفیت استفاده کنید. در غیر این صورت، پرورش نسل بعدی متخصصان، دشوار خواهد بود. هدف، کاربردی کردن و گنجاندن این دانش در فرآیندهای کاری روزمره است.
بدین منظور، باید دانش و تجربه سازمان را به دادههای شفاف، ساختاریافته و قابل درک برای انسان و کامپیوتر تبدیل کنید. «تخصص کدگذاری شده»، طرز فکر، قوانین تصمیمگیری و قضاوتهای گذشته افراد برتر را ساختارمند میکند تا مدلهای زبانی بزرگ (LLM) به آن دسترسی داشته باشند.
برای مثال، سیستم هوش مصنوعی به یک حقوقدان مبتدی کمک میکند تا به جای جستوجوی ساده، منطق و الگوهای توافق و مذاکره شرکای ارشد را مرور کند و همزمان با انجام کارش، مهارت قضاوت خود را تقویت کند. اما کدام تخصصها ارزشمندند و باید جداسازی شوند؟ یک کارمند سال سوم در یک شرکت مهندسی ممکن است تعامل با یک مشتری را به روشنی و با دقت مستند کند. اما یک مدیر ارشد، با بهرهگیری از دههها تجربه در پروژههای متعدد، تحلیلی ارائه میدهد که انعکاسدهنده الگوهای کلانتر، موازنهها و پیامدهای بلندمدت است. هر دو ورودی ارزشمند هستند، اما همارز و یکسان نیستند. برای آنکه مدیریت دانش در یک محیط مبتنی بر هوش مصنوعی اثربخش باشد، سازمانها نیازمند روشهایی برای تفکیک میان «تجربه پراکنده» و «قضاوت انباشتهشده» هستند.
این تمایز باید در سیستمها مشخص باشد. سیستمها باید ورودیها را بر اساس عمق تجربه و تکرارپذیری نتایج، وزندهی کنند تا ابزارها و نیروهای جدید بر اساس قویترین دانش، هدایت شوند. مدیریت دانش مدرن، اطلاعات را بر اساس نحوه شکلگیری تخصص اولویتبندی کرده و با دریافت بازخورد مداوم، بهبود مییابد تا نیروهای مبتدی سریعتر به قدرت حل مساله دست پیدا کنند.
طراحی نقشهای ردهپایین: مدل «پاسخنامه»
با واگذاری کارهای روزمره به هوش مصنوعی، نقشهای ورودی و ردهپایین باید حول محور «کار با خروجیهای هوش مصنوعی و نظارت و بهبود آن» بازطراحی شوند تا هم بهرهوری در کوتاهمدت افزایش یابد و هم روند پرورش جانشین برای نیروها، حفظ شود. در محیطهای مبتنی بر هوش مصنوعی، هدف صرفا توانایی انجام کار نیست بلکه «قدرت قضاوت» است؛ اینکه بدانید کی به خروجیهای هوش مصنوعی اعتماد کنید، کی آنها را زیر سوال ببرید و کی ردشان کنید. یادگیری و رشد مهارت در نیروهای مبتدی مستلزم وجود سه عامل است: چالش، پیچیدگی مساله، و ارتباط با طرز فکر استادان از طریق شاگردی. اما وقتی کارهای روتین توسط تکنولوژی انجام میشود، این بستر معمولا کمرنگ میشود.
برای جلوگیری از این مشکل، میتوان فرآیندهای کاری موازی ایجاد کرد تا نیروهای تازهکار، ابتدا کار را مستقلا انجام دهند و سپس آن را با خروجی هوش مصنوعی مقایسه کنند. در «مدل پاسخنامه»، ابتدا کارمند تلاش میکند، سپس هوش مصنوعی آن را ارزیابی میکند و مدیر تفاوتها را بررسی میکند. به این ترتیب، هوش مصنوعی جایگزین شاگردپروری نمیشود، بلکه شکل آن را تغییر میدهد؛ به این صورت که روند دریافت بازخورد را سرعت میبخشد، درحالیکه شرایط لازم برای توسعه تخصص را همچنان حفظ میکند.
شواهد نشان میدهد که «مقایسه تحلیل خود با هوش مصنوعی» میتواند باعث یادگیری و ارتقای عملکرد در آینده شود. در مقابل، اتکای منفعلانه به هوش مصنوعی هیچ مهارت ماندگاری ایجاد نمیکند.
پیامد این تحولات، یعنی واگذاری امور روتین به هوش مصنوعی و تغییر نقش این تکنولوژی از جایگزین به ابزار شاگردپروری این است که نقشهای ورودی، بیشتر حول یادگیری مدیریت، نظارت و هدایت ابزارهای دیجیتال خواهند بود.
یادگیری در بستر کار
سازمانها میتوانند با استفاده از هوش مصنوعی به عنوان راهنما و ارزیاب، سیستمهای یادگیری را مستقیما در فرآیند کار ادغام کنند. در مدل پاسخنامه، تفاوت میان تلاش مستقل کارمند و خروجی هوش مصنوعی، قابل مشاهده و اندازهگیری است. کم شدن این تفاوت در طول زمان، مدرکی است که نشان میدهد قدرت قضاوت در نیروی کار، شکل گرفته.
با واگذاری کارهای روتین به هوش مصنوعی، امور مهمتر و ارزشمندتری به انسانها، از جمله نیروهای تازهکار سپرده میشود؛ مثل تحلیل خروجیها، تصمیمگیریهای پیچیدهتر و بدهبستانها. هوش مصنوعی بازخورد آنی میدهد، ریسکها را شناسایی میکند و گامهای بعدی را پیشنهاد میدهد. در این میان، مدیران به جای آموزش جزئیات اجرایی، بر تقویت قضاوت تمرکز میکنند. بعضی سازمانها، با رویکرد شبیهسازی و تمرین، نیروی جدید را در موقعیت تصمیمگیری و قضاوت قرار میدهند. برخی دیگر، نیرو را به سرعت در دل کار میاندازند و از هوش مصنوعی برای بازخورد و راهنمایی او در لحظه کمک میگیرند. در هر دو حالت، الگوی اصلی یکسان است: نیروها منتظر رسیدن به بازدهی نمیمانند بلکه کار را در عمل یاد میگیرند و هوش مصنوعی، زمان مورد نیاز برای کسب تجربه و جلب اعتماد را کاهش میدهد.
استخدام بر اساس قضاوت و آموزش بر اساس بستر
نگاه سازمانها به اینکه چه کسی را استخدام کنند، تغییر کرده؛ آنها حالا به جای جذب فلهای متخصصان تازهکار و تخصصهای محدود، تمرکز را بر انعطافپذیری و نحوه تفکر گذاشتهاند. کارفرمایان حالا علاوه بر «سواد دیجیتال»، مهارتهای شناختی کلی مثل حل مساله، تفکر تحلیلی، خلاقیت و تابآوری را نیز در اولویت دارند (استخدام بر اساس قضاوت). این تغییر، راه را برای جذب افراد مستعد بدون مدارک دانشگاهی نیز باز میکند.
از سوی دیگر، حالا که این نیروهای باهوش وارد میشوند، مدیران باید نقش مربی را ایفا کنند تا بستر کسبوکار، از جمله نحوه تعامل با مدیران، رفتارهای انسانی و درک نبض فضا را به آنها آموزش دهند. کارمند جدید باید یاد بگیرد که آمار و دادهها را خشک و خالی ارائه ندهد، بلکه با درک بستر کسبوکار، علت پشت اعداد را نیز تحلیل کند. نیروهای تازهکار خیلی سریعتر وارد تعامل با مدیران ارشد میشوند، پس نیازمند آموزش در زمینه مهارتهای انسانی مثل ارتباطات، هوش هیجانی و نحوه ارائه تحلیلها هستند.
برای نهادینهسازی این نوع مربیگری، میتوان از مدل «رزیدنتی پزشکی» الگوبرداری کرد. در این مدل، مدیران ارشد مستقیما بر نحوه مواجهه و تصمیمگیری نیروهای جدید در رابطه با خروجیهای هوش مصنوعی نظارت کرده و به جای پاسخ به سوالات، نحوه قضاوت را به آنها میآموزند.
منبع: McKinsey
