پدیدهای که در عصر هوش مصنوعی در حال رخ دادن است
مرگ «نردبان شغلی»
همچنان که نرمافزار بخش بیشتری از کار را در پایه به عهده میگیرد، ساختار شروع به شبیه شدن به یک الماس میکند؛ تعداد افراد مبتدی کمتر، تمرکز بیشتر کارگران باتجربه و رقابت شدید برای مدیران توانمند در هوش مصنوعی.
مشاهده شکاف استخدامی از همین حالا
یک مطالعهی بهروزشده توسط آزمایشگاه اقتصاد دیجیتال استنفورد، سوابق حقوق و دستمزد میلیونها کارگر آمریکایی را تا ژوئن ۲۰۲۶ بررسی کرد. این مطالعه هیچ مدرکی دال بر جابهجایی گسترده شغلی در سراسر اقتصاد پیدا نکرد، اما شکاف فزایندهای را در بین کارمندان جوانتر شناسایی کرد. اشتغال در میان افراد ۲۲تا ۲۵ساله در مشاغل در معرض هوش مصنوعی، ۱۹درصد پایینتر از سطحی بود که اگر با مشاغل کمتر در معرض هوش مصنوعی همگام میشد، به آن میرسید. کارمندان باتجربه هیچ شکاف قابلمقایسهای را نشان ندادند. این تفاوت در درجه اول ناشی از کاهش استخدام بود تا افزایش اخراجها. شرکتها جوانان کمتری را به مشاغلی وارد میکردند که هوش مصنوعی مولد میتواند بخش بزرگی از وظایف روتین را که زمانی به مبتدیان محول میشد، انجام دهد.
این کاهش در کارهایی متمرکز بود که در آنها هوش مصنوعی جایگزین فعالیت انسانی میشود. در مشاغلی که فناوری مکمل کارکنان است، اشتغال ثابت مانده یا افزایش یافته است، بهویژه در میان افراد باتجربه. استنفورد این یافتهها را بهعنوان شاخصهای اولیه توصیف کرد، نه اثبات اینکه هوش مصنوعی بهتنهایی باعث ایجاد هر تغییری شده است.
مشاغل سطح مبتدی اکنون به مهارتهای ارشد نیاز دارند
یک تحلیل جداگانه از بیش از یکمیلیارد آگهی شغلی نشان داد که موقعیتهای شغلی ردهپایین در حال بازنویسی و همچنین کاهش هستند. PwC، در حدود ۲.۴میلیون آگهی استخدام سطح مبتدی در ایالات متحده را بررسی کرد و دریافت که نقشهای شغلی با هوش مصنوعی بالا، هفت برابر بیشتر احتمال دارد که قابلیتهایی را که بهطور سنتی با کارمندان ارشد مرتبط هستند، درخواست کنند.
این الزامات شامل قضاوت، رهبری، خلاقیت و تعامل رودررو بود. فرصتهای شغلی برای این نقشهای «ارشد» در سطح مقدماتی بین سالهای ۲۰۱۹ تا ۲۰۲۵، ۳۵درصد افزایش یافته است، درحالیکه سایر فرصتهای شغلی برای افراد جوانتر ۱۰درصد کاهش یافته است. این امر آستانه دشواری ایجاد میکند.
یک کارمند جدید ممکن است با دانش فنی و آشنایی با ابزارهای هوش مصنوعی از راه برسد، اما کارفرمایان به طور فزایندهای از آن فرد انتظار دارند که اطلاعات نامشخص را ارزیابی کند، روابط را مدیریت کند و تصمیماتی را که توسط سالها سابقه حرفهای شکل گرفته است، اتخاذ کند. PwC میانگین حق بیمه دستمزد را در موقعیتهای شغلی که مهارتهای هوش مصنوعی را درخواست میکنند، ۶۲درصد اندازهگیری کرد. آگهیهای استخدامی با الزامات خاص هوش مصنوعی ۶۹درصد افزایش یافته است، در مقایسه با ۹درصد در کل بازار. پاداش به سمت افرادی سرازیر میشود که این مهارتها را با تخصص ترکیب میکنند، نه صرفا آشنایی با ابزار.
کارهایی که ناپدید میشوند، آموزش نیز بودند
تهیه پیشنویس اولین گزارش، بررسی یک صفحه گسترده، تحقیق در مورد یک مشتری یا تهیه یک تحلیل اولیه میتواند تکراری باشد. این تکالیف همچنین سازوکار یک حرفه را آموزش میدادند. یک کارمند تازهکار یاد میگرفت که چه اطلاعاتی قابل اعتماد است، کدام موارد استثنا شایسته توجه هستند و چگونه یک پاسخ نهایی به کسبوکار پیرامون آن مربوط میشود. اصلاحات همکاران باتجربه، اشتباهات را به قضاوت تبدیل میکرد. تکرار، سرعت و تشخیص الگو را قبل از اینکه کارمند مسوولیت بیشتری دریافت کند، افزایش میداد.
وقتی هوش مصنوعی این پایه را تکمیل میکند، شرکت فورا به بهرهوری دست مییابد، اما بخشی از سیستم کارآموزی خود را حذف میکند. درخواست از یک کارمند جدید برای نظارت بر یک گزارش تولیدشده توسط هوش مصنوعی، به معنای آموزش نحوه ساخت گزارش، نقاط ضعف آن یا شکل ظاهری یک خطای محتمل به آن شخص نیست.
هشدار KPMG بر این لایه توسعهایِ ازدسترفته متمرکز است. اگر سازمانها میزان جذب نیروی کار در سطح پایه را کاهش دهند و در عین حال به جذب استعدادهای باتجربه ادامه دهند، در نهایت برای جذب گروهی از کارکنانی اقدام خواهند کرد که برای تلاش کمتر با هم رقابت میکنند.
تسلط بر هوش مصنوعی تضمینکننده کار بهتر نیست
یک مطالعه میدانی که توسط KPMG و دانشگاه تگزاس در آستین انجام شد، ۵۲۳ متخصص تازهکار را که تکالیف واقعبینانهای را با یک عامل هوش مصنوعی انجام میدادند، دنبال کرد. محققان ابتدا مشخص کردند که این عامل بهتنهایی چه چیزی تولید میکند، سپس آن خط مبنا را با کار ایجادشده توسط کارمندانی که از همان سیستم استفاده میکنند، مقایسه کردند. کمی بیش از نیمی از شرکتکنندگان از نتیجه فقط هوش مصنوعی پیشی گرفتند. حدود ۲۶درصد کاری مشابه با خودِ نماینده ارائه دادند، درحالیکه ۲۴درصد عملکردی پایینتر از آن داشتند.
معیارهای سنتی دانش و مهارت، تفاوتها را توضیح نمیدادند. قویترین شرکتکنندگان، مسائل را چارچوببندی کردند، مدلهای حرفهای را به کار گرفتند، خروجی را بررسی کردند و آن را در چندین دور اصلاح کردند. برخی دیگر پاسخهای ظاهرا شایسته را با کمی بررسی پذیرفتند یا انتقاداتی مطرح کردند که سیستم را در جهتی غیرمولد سوق داد. این مطالعه نشان داد که آشنایی با هوش مصنوعی مرز جدایی نیست. عملکرد به هدایت سیستم، تشخیص آنچه نیاز به بهبود دارد و استفاده از دانش موضوعی برای تولید چیزی بهتر از پاسخ اولیه دستگاه بستگی داشت.
آموزش وارد جریان کار میشود
این دوره کارآموزی جدید، تمرکز خود را بر کار تحت نظارت هوش مصنوعی آغاز کرده است. کارمندان به تکالیف واقعی، نمونههایی از قضاوت قوی و همکاران باتجربهای نیاز دارند که بتوانند توضیح دهند چرا یک پاسخ موفق میشود یا شکست میخورد. KPMG شروع به استفاده از این مدل از طریق ارزیابیها، یادگیری شخصیسازیشده، شبیهسازیها و یک شبکه داخلی از متخصصان هوش مصنوعی کرده است. تمرینهای آن، تکالیف ارباب رجوع را منعکس میکند و نحوه برخورد کارکنان با مشکلات، ارزیابی مطالب تولیدشده و اصلاح نتایج را میسنجد.
