هوش مصنوعی جای ما را میگیرد؟ معمای ۷۵ درصد کار و استخدام بیشتر

خودکارشدن بخش بزرگی از کار، بهتنهایی تعداد شغلهای حذفشده را مشخص نمیکند. در نظرسنجی انتروپیک، کارکنان این شرکت بهطور میانگین انتظار دارند هوش مصنوعی تا سال ۲۰۳۰ بتواند ۷۵ درصد ساعات کار فعلیشان را انجام دهد؛ بااینحال ۹۵ درصد پاسخدهندگان انتظار افزایش تعداد کارکنان شرکت در دوازده ماه آینده را دارند. این تضاد ظاهری، تفاوت مهمی را آشکار میکند: توانایی انجام وظیفه، تصمیم به استخدام و تقاضای مشتری سه موضوع جدا هستند.
برای کسی که در ایران بابت یادگیری یک مهارت، خرید اشتراک یا تغییر مسیر کاری هزینه میکند، پرسش عملی این است: کدام بخش کار من آسانتر میشود و برای کدام بخش هنوز مشتری حاضر است پول بدهد؟ از اعداد یک شرکت خارجی نمیتوان نرخ بیکاری یا آینده درآمد در ایران را استخراج کرد.
فهرست مطالب
عدد ۷۵ درصد از کجا آمده است؟
گزارش «شکاف انتظارات هوش مصنوعی» در ۱۶ اکتبر ۲۰۲۶ منتشر شده و دادههای نظرسنجی آن مربوط به اوت است؛ خبر تازه امروز نیست. میانگین انتظار کارکنان انتروپیک برای سهم قابلانجام کارشان در ۲۰۳۰، ۷۵ درصد و برای شاغلان پاسخدهنده آمریکایی ۲۸ درصد بود.
این اعداد باور پاسخدهندگان درباره آینده هستند، نه اندازهگیری توان فعلی مدل و نه پیشبینی قطعی پژوهشگران. انتروپیک نیز تصریح میکند انتظار رشد استخدام، دیدگاه شخصی کارکنان است و برنامه رسمی شرکت محسوب نمیشود. نظرسنجی کارکنان ۱۳۳۴ پاسخ داشت و وزندهی نشده بود؛ نمونه عمومی آمریکا ۱۰۹۸۰ نفر بود و برای جمعیت بزرگسال وزندهی شد. تفاوت نمونهها و نزدیکی کارکنان یک سازنده AI به فناوری، تعمیم نتیجه را محدود میکند.
چرا انجام وظایف با حذف یک شغل برابر نیست؟
یک شغل معمولاً مجموعهای از کارهای ریز و درشت است. تهیه پیشنویس، انتخاب اطلاعات درست، گفتوگو با مشتری، گرفتن تصمیم و پاسخگویی بابت نتیجه ممکن است در یک عنوان شغلی جمع شوند. سریعشدن یکی از آنها الزاماً بقیه را حذف نمیکند؛ گاهی هم باعث میشود فرد بتواند سفارش بیشتری بپذیرد.
از طرف دیگر، این تفکیک نباید به اطمینان کاذب تبدیل شود. اگر تقاضا ثابت بماند، مشتری خروجی ارزانتر را بپذیرد و بخش بزرگی از مسئولیت واقعاً قابل واگذاری شود، فشار روی قیمت خدمات یا تعداد نیرو میتواند بالا برود. نتیجه برای همه مشاغل یکسان نیست و با دیدن یک نمایش موفق از ابزار نمیتوان درباره آن حکم داد.

شواهد مستقل درباره اشتغال چه میگویند؟
مرور شواهد سازمان بینالمللی کار، منتشرشده در اول ژوئن ۲۰۲۶، اثرها را ناهمگون توصیف میکند: جابهجایی گسترده نیروی کار در شواهد مرورشده محدود بوده و صرفهجویی زمانی گزارششده هنوز لزوماً به رشد قابلاندازهگیری درآمد یا اشتغال تبدیل نشده است. این گزارش هم خطر محدودشدن فرصت جوانان و تغییر کیفیت کار را مطرح میکند.
در تحلیل ۲۹ سپتامبر ۲۰۲۶ این سازمان نیز «مواجهه شغلی با فناوری» از حذف واقعی شغل جدا شده است. پژوهش مورد بحث، ۴۰ فناوری دیجیتال را در بیش از هزار منطقه از ۶۹ کشور بررسی میکند؛ بنابراین نتیجه آن را نباید فقط به هوش مصنوعی مولد نسبت داد. پیام کاربردی آن توجه به ترکیب مهارتهاست، نه معرفی یک مهارت جادویی که برای همه امنیت شغلی بسازد.
مثال آموزشی: گزارش سریعتر، درآمد بیشتر؟
فرض کنید یک تحلیلگر آزاد برای آمادهکردن گزارش هزینه یک فروشگاه، شش ساعت زمان میگذارد: دو ساعت مرتبسازی اطلاعات، دو ساعت تحلیل و دو ساعت کنترل و توضیح نتیجه. همه اعداد این مثال فرضیاند و نتیجه آزمایش واقعی نیستند.
اگر ابزار، مرحله مرتبسازی را به نیم ساعت کاهش دهد ولی یک ساعت کنترل اضافه لازم شود، کل کار پنجونیم ساعت طول میکشد. صرفهجویی خالص فقط نیم ساعت است. حالا دو وضعیت را جدا کنید:
- دستمزد ثابت برای هر گزارش: اگر کیفیت حفظ شود، زمان آزادشده میتواند ظرفیت پذیرش سفارش را بالا ببرد؛ اما فقط زمانی درآمد بیشتری میسازد که سفارش تازه وجود داشته باشد.
- دستمزد ساعتی: کوتاهترشدن زمانِ قابلصورتحساب ممکن است درآمد هر سفارش را کم کند. ارزش کار باید با نتیجه، مسئولیت و توافق واقعی مشتری سنجیده شود، نه صرفاً سرعت تولید متن.
همین تفاوت برای مترجم، طراح، برنامهنویس یا تهیهکننده گزارش بازار هم قابل بررسی است. قرار نیست نتیجه یک مثال را به همه تعمیم دهیم؛ هدف پیداکردن نقطهای است که زمان ذخیرهشده واقعاً به درآمد یا کیفیت تبدیل میشود. هزینه بازبینی خروجی هوش مصنوعی نیز باید در این محاسبه دیده شود.
پیش از هزینه برای تغییر مسیر کاری، چه چیزی را اندازه بگیریم؟
بهجای تصمیمگیری از روی یک درصد جهانی، چند نمونه از کار واقعی خودتان را با اطلاعات غیرمحرمانه بررسی کنید. وظایف مشابه انتخاب کنید تا سختی متفاوت سفارشها نتیجه را منحرف نکند. اگر فقط کارهای آسان را به AI بدهید، مقایسه منصفانهای ندارید.
- زمان کل تحویل: آمادهکردن ورودی، درخواستنویسی، انتظار، اصلاح و کنترل را جمع بزنید.
- کیفیت قابلقبول: پیش از استفاده از ابزار مشخص کنید چه خطاهایی خروجی را مردود میکنند.
- ارزش برای مشتری: آیا خروجی سریعتر واقعاً نیاز او را حل میکند یا فقط حجم بیشتری تولید شده است؟
- مسئولیت باقیمانده: چه کسی عدد، منبع، تعهد و نتیجه نهایی را تأیید میکند؟
- هزینه خالص: اشتراک، زمان آموزش و دوبارهکاری را در کنار درآمد واقعی قرار دهید؛ نرخ ارز فرضی وارد محاسبه نکنید.

برای انتخاب مهارت بعدی، به بخشهایی نگاه کنید که خودتان در آنها ضعیفید و مشتری بابتشان ارزش قائل است؛ مثلاً توضیح نتیجه، تشخیص داده نامعتبر یا طراحی آزمون. برای کارهای کدنویسی، تفاوت تولید کد با یادگیری رفع خطا اهمیت ویژه دارد. صرف داشتن اشتراک یک ابزار، شاهد تسلط حرفهای نیست.
آیا باید از هوش مصنوعی بترسیم یا روی آن حساب کنیم؟
تصمیم صفر و یکی کمک چندانی نمیکند. استفاده محدود و قابلسنجش، اطلاعات بهتری از وعده یک دوره آموزشی یا یک تیتر ترسناک به شما میدهد. اگر زمان کمتر شده ولی خطا یا هزینه بررسی بالا رفته، نتیجه هنوز روشن نیست. اگر کیفیت حفظ شده و سفارش بیشتری گرفتهاید، آن را با رسید و زمان ثبتشده بسنجید، نه با احساس سرعت.
توانایی مدل، پذیرفتهشدن خروجی و درآمد شما باید جداگانه سنجیده شوند. هیچیک از منابع بالا تضمین نمیکنند شغل مشخصی حذف میشود یا محفوظ میماند. برای تصمیمی که هزینه و آینده کاریتان را تغییر میدهد، شاهد نزدیک به کار خودتان از یک درصد دور و کلی مفیدتر است.









