۱۰ گروه شغلي كه هوش مصنوعي جاي آنها را ميگيرد
تصوير كلاسيك از اتوماسيون بر حذف كارهاي يدي، تكراري و مبتني بر مهارت اندك استوار بود. بر اساس برآورد كارشناسان، موج كنوني هوش مصنوعي اين جغرافياي ريسك را تغيير داده است.
تصوير كلاسيك از اتوماسيون بر حذف كارهاي يدي، تكراري و مبتني بر مهارت اندك استوار بود. بر اساس برآورد كارشناسان، موج كنوني هوش مصنوعي اين جغرافياي ريسك را تغيير داده است. به گزارش مهر؛ تصوير كلاسيك از اتوماسيون بر حذف كارهاي يدي، تكراري و مبتني بر مهارت اندك استوار بود. بر اساس براورد كارشناسان، موج كنوني هوش مصنوعي اين جغرافياي ريسك را تغيير داده است. توانايي مدلهاي جديد در نوشتن، تحليل، كدنويسي، خلاصهسازي، جستوجوي اسناد و توليد توصيه، اتوماسيون را به قلمرويي كشانده كه پيشتر برخورداري از تحصيلات دانشگاهي و مهارت شناختي براي آن نوعي سپر حفاظتي محسوب ميشد. در همين راستا، مطالعه مشترك موسسه بيمه فرانسوي «Coface» و ديدهبان مشاغل در معرض تهديد و نوظهور (OEM) بر همين گسست تأكيد دارد و نشان ميدهد فعاليتهاي شناختي، پيچيده و مهارت محور به مرز جديد اتوماسيون تبديل شدهاند. اهميت اين تحول زماني آشكارتر ميشود كه واحد تحليل را از عنوان شغلي به مجموعه وظايف تشكيلدهنده هر شغل تغيير دهيم. مطالعه «Coface» تعداد ۹۲۳ حرفه را به وظايف و سپس به كنشهاي پايه تجزيه كرده و ميزان قابليت اتوماسيون آنها را بر اساس قواعد صريح و قابل بازبيني سنجيده است. اين تمايز اهميت بنيادي دارد. قرار گرفتن يك حرفه در معرض هوش مصنوعي معادل حذف آن حرفه نيست. شاخص مطالعه ظرفيت فني اتوماسيون را اندازه ميگيرد و عواملي مانند تقاضاي نيروي كار، ايجاد وظايف تازه و موانع استقرار فناوري را در بر نميگيرد.
از كارمند ورود داده تا برنامهنويس جوان
در ميان مشاغل مورد بررسي، يك ويژگي مشترك مرتب تكرار ميشود. هرجا بخش بزرگي از كار را بتوان به گردش كاري ساختاريافته، پردازش اطلاعات، اجراي قواعد و توليد خروجي استاندارد فروكاست، قابليت جايگزيني يا كاهش نياز به نيروي انساني افزايش مييابد. بر همين اساس، گزارش مركز آموزش فني و حرفهاي «Edoxi» امارات 10 گروه را در معرض توجه ويژه قرار ميدهد: كاركنان ورود داده، كاركنان خدمات مشتري، بازاريابان تلفني، كاركنان دفترداري و حسابداري، نمونهخوانها و ويراستاران، تحليلگران تحقيقات بازار، دستياران حقوقي و پژوهشگران حقوقي، مترجمان، صندوقداران خردهفروشي و توسعهدهندگان نرمافزار در سطوح ابتدايي. دادههاي «Coface» تصوير كلانتري از همين تحول ارايه ميكنند. در سناريوي استقرار هوش مصنوعي عاملمحور، حدود يك حرفه از هر هشت حرفه بررسيشده از آستانه ۳۰ درصد وظايف قابل اتوماسيون عبور ميكند. پژوهش اين آستانه را سطحي ميداند كه ميتواند بازآرايي عميق حرفه و جابهجايي قابل توجه وظايف را در پي داشته باشد. تمركز اصلي ريسك نيز در مهندسي، فناوري اطلاعات، امور اداري، مالي، حقوقي و شماري از مشاغل خلاق و تحليلي قرار دارد. همچنين، بيش از يكچهارم محتواي كاري در مديريت و امور اداري، حرفههاي خلاق، حقوق و مالي و همچنين مهندسي و فناوري اطلاعات قابليت اتوماسيون دارد. در مقابل، خدمات حضوري و فعاليتهاي فني و صنعتي زير آستانه ۱۰ درصد باقي ميمانند. اين الگو در سطح وظايف نيز قابل مشاهده است. ابزارهاي تشخيص متن و هوش مصنوعي مولد ميتوانند استخراج، اعتبارسنجي و ورود داده را با نظارت انساني محدود انجام دهند. چتباتها و عاملهاي صوتي بخش بزرگي از پرسشهاي استاندارد خدمات مشتري را پاسخ ميدهند. در حسابداري، تطبيق حسابها، طبقهبندي تراكنشها و ثبتهاي پايه قابليت بالايي براي اتوماسيون دارند. ابزارهاي نگارشي نيز بخشي از ويرايش زباني را خودكار كردهاند. ارزش نيروي انساني در همين حرفهها به سوي حل اختلاف، مذاكره، تشخيص موقعيتهاي استثنايي، قضاوت تخصصي و نظارت بر خروجي ماشين حركت ميكند. حقوق و برنامهنويسي دو نمونه مهم از نفوذ اتوماسيون به مشاغل تخصصي هستند. هوش مصنوعي مولد اكنون قادر به خلاصهسازي آراي قضايي، مرور قراردادها، بازيابي سوابق و تهيه پيشنويس اسناد استاندارد است. در توسعه نرمافزار نيز دستيارهاي كدنويسي توليد كدهاي متعارف، آزمون و مستندسازي را برعهده ميگيرند. در هر دو حوزه، نقطه آسيبپذير بيشتر در لايه وظايف مقدماتي قرار دارد، در حالي كه تحليل حقوقي، مذاكره، مشاوره، قضاوت اخلاقي و هدايت و ارزيابي خروجي هوش مصنوعي همچنان به تخصص انساني وابسته است.
بحران پنهان در نخستين پله نردبان شغلي
پيامد مهمتر شايد در جايي رخ دهد كه آمار كلي اشتغال با تأخير بيشتري آن را آشكار ميكند. بسياري از وظايفي كه هوش مصنوعي به بهترين شكل انجام ميدهد همان وظايفي هستند كه ورود نيروي جوان به يك حرفه را امكانپذير ميكردند. تهيه پيشنويس اوليه، پژوهش مقدماتي، خلاصهسازي اسناد، يادداشتبرداري جلسات، تحليلهاي ساده، بازبيني مدارك، كدنويسي پايه و آزمون نرمافزار همگي در مشاغل ورودي تمركز دارند. اين وظايف در عين تكراري بودن، سازوكار انباشت تجربه نيز محسوب ميشوند. تحليلگر جوان هنگام پاكسازي داده با ناسازگاريها آشنا ميشود، كارآموز حقوقي از خواندن پروندهها تشخيص مشكلات را ميآموزد و برنامهنويس تازهكار از رفع خطاهاي كوچك به فهم معماري سيستم ميرسد. مساله از اين جا به يك چالش سازماني بلندمدت تبديل ميشود. حذف موقعيتهاي ابتدايي ميتواند هزينه نيروي انساني امروز را كاهش دهد، اما همان سازمان چند سال بعد ممكن است با كمبود افرادي روبرو شود كه تجربه لازم براي تبديل شدن به تحليلگر ارشد، مهندس، حقوقدان يا مدير را كسب كردهاند.
شكاف تازه ميان نيروي كار، سرمايه و آموزش
پيامدهاي اين دگرگوني به بازار كار محدود نميماند. برآورد «Coface» نشان ميدهد ميزان مواجهه كشورها با اين چالش بر حسب ساختار اقتصادي آنها تفاوت محسوسي دارد و ماهيت كار از حدود ۱۲ درصد در تركيه تا نزديك ۲۰ درصد در بريتانيا تغيير ميكند. اقتصادهاي ثروتمند و خدماتمحور كه سهم بيشتري از مشاغل شناختي و مبتني بر اطلاعات را دارند نيز با مواجهه بالاتري روبرو هستند. علاوه بر موارد ذكرشده، يك مساله توزيعي نيز در حال شكلگيري است. اتوماسيون بخشي از وظايف مشاغل ماهر و پردرآمد ميتواند سهم بيشتري از ارزش افزوده را از نيروي كار به سرمايه منتقل كند. چنين تغييري براي دولتهايي كه درآمد مالياتي و تأمين اجتماعي آنها به اشتغال و دستمزد وابستگي بالايي دارد، فشار دوگانه ايجاد ميكند. كاهش برخي پايههاي درآمدي ممكن است همزمان با افزايش هزينه بيمه بيكاري و بازآموزي نيروي كار رخ دهد. تمركز تراشهها، مدلهاي زباني و مراكز داده در شمار محدودي از شركتها و كشورها نيز وابستگي فناورانه را به لايه ديگري از مساله اشتغال پيوند ميزند. از سوي ديگر، آموزش عالي نيز با پرسشي بنيادي مواجه است.
