فهرست مشاغلی که هوش مصنوعی آن را تغییر می‌دهد

نگار علی- در حالی که بیم و امیدها در خصوص حذف مشاغل توسط هوش مصنوعی زایشی (Generative AI) در سرتاسر جهان گسترش یافته، نتایج یک پژوهش کلان و عمومی توسط شرکت مایکروسافت که بر روی داده‌های ابزار محبوب «بینگ کوپایلوت» (Bing Copilot) انجام شده، خبر از یک رویکرد جدید می‌دهد. این گزارش که برای اولین بار به صورت یک مخزن تحقیقاتی عمومی منتشر شده، بر خلاف تصور رایج، تأکید می‌کند که معیارهای سنجش کاربردپذیری هوش مصنوعی در مشاغل، نباید به اشتباه برای پیش‌بینی «جایگزینی شغل» تعبیر شوند. هدف اصلی این پژوهش، اندازه‌گیری میزان سودمندی و کارایی هوش مصنوعی در وظایف کاری است، نه توانایی آن در حذف کامل نیروی انسانی.

محققان به صراحت اعلام کرده‌اند: «یک شغل فراتر از مجموع وظایف آن است.»

تفاوت کلیدی؛ چرا کاربردپذیری با جایگزینی فرق دارد؟

پژوهشگران مایکروسافت یک تمایز حیاتی را مطرح کرده‌اند که اساس این تحقیق را تشکیل می‌دهد. اندازه‌گیری کاربردپذیری هوش مصنوعی به دنبال ارزیابی این است که مدل‌های زبان بزرگ (LLM) مانند کوپایلوت تا چه حد می‌توانند در فعالیت‌های موجود یک شغل مفید و مثمر ثمر باشند.

سه معیار اصلی کاربردپذیری:

1. سهم استفاده: مدل زبان بزرگ (LLM) برای انجام چه کارهایی استفاده می‌شود.

2. میزان تکمیل اهداف: کدام یک از این استفاده‌ها در تکمیل اهداف کاربر، موفق‌تر بوده‌اند.

3. دامنه اثرگذاری: مشاغل مختلف تا چه حد هوش مصنوعی را در وظایف خود، کاربردی‌تر می‌یابند.

نکته قابل توجه این است که پژوهشگران تأکید می‌کنند این معیارها قادر به پیش‌بینی جایگزینی شغل نیستند. دلیل این امر، پیچیدگی ماهیت یک شغل است. به عنوان مثال، حتی اگر هوش مصنوعی بتواند بسیاری از وظایف جزئی (مانند جمع‌آوری اطلاعات یا نگارش پیش‌نویس) را با موفقیت انجام دهد، ابعاد کلی شغل نظیر قضاوت تخصصی، تعاملات پیچیده انسانی، و مسئولیت‌های اخلاقی و حقوقی توسط این معیارها سنجیده نشده‌اند. به بیان ساده، سنجش کاربردپذیری هوش مصنوعی در یک وظیفه، به این معنی نیست که کل نقش آن فرد از بین می‌رود.

نحوه محاسبه «امتیاز کاربردپذیری هوش مصنوعی»

این گزارش شامل داده‌هایی برای محاسبه یک معیار دقیق به نام «امتیاز کاربردپذیری هوش مصنوعی» در سطح کدهای طبقه‌بندی شغلی (SOC) است. این نمره از طریق جمع‌آوری و وزن‌دهی معیارهای کاربرد در سطح «فعالیت‌های کاری واسط» (IWA) به دست می‌آید.

اجزای حیاتی نمره نهایی:

نمره نهایی، میانگین‌گیری از دو نمره اصلی است: نمره کاربردپذیری سمت کاربر (هدف کاربر) و نمره کاربردپذیری سمت عمل هوش مصنوعی. برای هر فعالیت کاری، سه عامل کلیدی در نظر گرفته شده‌اند:

• میزان تکمیل هدف (Completion): کسری از مکالمات که هدف کاربر توسط LLM تکمیل شده است.

• دامنه تأثیر (Impact Scope): سهمی از مکالمات که تأثیر هوش مصنوعی در کار «متوسط یا بالاتر» ارزیابی شده است.

• پوشش‌دهی (Coverage): سهم استفاده از هوش مصنوعی در آن فعالیت کاری به حدی بالا باشد که در تحلیل مورد بررسی قرار گیرد.

داده‌ها از کجا آمده‌اند؟ 

مبنای داده‌ای این تحقیق، مکالمات کاربران با ابزار هوش مصنوعی بینگ کوپایلوت (Bing Copilot) است که بین ژانویه تا سپتامبر ۲۰۲۴ در ایالات متحده جمع‌آوری شده‌اند. این داده‌ها، که با هدف حذف اطلاعات حساس و قابل شناسایی پالایش شده‌اند، نشان می‌دهند کوپایلوت چند بار و با چه میزانی از موفقیت در فعالیت‌های کاری مختلف مورد استفاده قرار گرفته است.

نقشه کاربردپذیری هوش مصنوعی در مشاغل مختلف 

پژوهش مایکروسافت با استفاده از فعالیت‌های واقعی ۲۰۰ هزار مکالمه کوپایلوت در ۷۸۵ عنوان شغلی، نشان می‌دهد که هوش مصنوعی زایشی بازار کار را به صورت نامتوازن دگرگون می‌کند. نمره‌ای که محققان با عنوان «امتیاز کاربردپذیری هوش مصنوعی» معرفی کرده‌اند، نشان‌دهنده این است که هوش مصنوعی با چه سهولت و سهمی می‌تواند وظایف روزمره یک شغل را پشتیبانی کند.

مشاغل با بیشترین و کمترین آمادگی AI

برخی گروه‌های شغلی، به ویژه آن‌هایی که ماهیت اداری و ذهنی دارند، نمرات بسیار بالاتری کسب کرده‌اند؛ به این معنا که هوش مصنوعی از همین حالا می‌تواند بخش قابل توجهی از حجم کاری آن‌ها را تسهیل کند. در مقابل، مشاغلی که به تعاملات فیزیکی، مراقبت حضوری، یا کارهای غیرقابل پیش‌بینی متکی هستند، کمترین میزان کاربردپذیری را دارند.

مایکروسافت مجدداً هشدار داده است که این نمرات صرفاً میزان کمک و پشتیبانی هوش مصنوعی از یک نقش را در حال حاضر اندازه‌گیری می‌کنند و پیش‌بینی‌کننده خطر جایگزینی یا از بین رفتن مشاغل نیستند. این نمرات فقط نشان می‌دهند که تا چه حد هوش مصنوعی می‌تواند امروز به یک نقش کمک کند.