همیشه هم مثبت نیست
مخاطرات استفاده از هوش مصنوعی برای حذف مشاغل سطح پایه
سید محمدجواد فیاض
- ۳۱ مرداد ۱۴۰۵
احتمالاً تاکنون شنیدهاید و شاید حتی شخصاً تجربه کرده باشید که هوش مصنوعی در حال دگرگونکردن شیوه کارکردن ما است. اگر یک متخصص ارشد با جایگاه حرفهای تثبیتشده، سرمایه اعتباری کافی و شبکهای گسترده از روابط حرفهای باشید، احتمالاً دستکم در حال حاضر، تا حد زیادی از خطر جایگزینشدن با هوش مصنوعی در امان هستید.
بااینحال، شواهد نشان میدهد که وضعیت برای کارکنان مشاغل سطح پایه به این شکل نیست. مطالعهای از سوی دانشگاه استنفورد نشان داده است که اشتغال کارکنان تازهکار در ایالات متحده، در حوزههایی که بیشترین مواجهه را با هوش مصنوعی دارند (از جمله توسعه نرمافزار و خدمات مشتریان) در سالهای اخیر به طور قابلتوجهی کاهش یافته است. همچنین پژوهشهای مجمع جهانی اقتصاد نشان میدهد که هوش مصنوعی هماکنون قادر است بین ۵۰ تا ۶۰ درصد از وظایف متداول کارکنان سطح پایه مانند تهیه پیشنویس گزارشها، تلفیق و جمعبندی پژوهشها، اصلاح کد، زمانبندی فعالیتها و پاکسازی دادهها را انجام دهد.
چرا سازمانها باید مشاغل سطح پایه را بازطراحی کنند؟
حذف گسترده مشاغل سطح پایه صرفاً با هدف کاهش هزینهها، اقدامی بهشدت کوتهبینانه و خطرناک است؛ هم برای شرکتها و هم برای جامعه. دلایل محکمی وجود دارد که نشان میدهد سازمانها میبایست در برابر وسوسه حذف انبوه این مشاغل مقاومت کنند و بهجای آن، آنها را بازطراحی کنند. دستکم چهار دلیل قانعکننده برای این رویکرد وجود دارد.
پرورش مدیران و متخصصان میانی و رهبران آینده
هر مدیر توانمند و هر متخصص برجسته، مسیر شغلی خود را از نقطهای آغاز کرده است. بهترین رهبران و برجستهترین متخصصان، مهارتها و دیدگاههایی که برای هدایت سازمان و حل مسائل مهم به آن نیاز دارند را از طریق یادگیری تدریجی حرفه خود از پایینترین سطوح کسب میکنند.
در هر حرفه یا فعالیتی، افراد بهتدریج از مرحله «ناآگاهی از ناتوانی» به «شایستگی آگاهانه» و سپس به «شایستگی ناخودآگاه» در مجموعهای از مهارتهای ارزشمند میرسند. در این مرحله، آنها قادرند تصویر کلان را بهتر ببینند و تصمیمهای حساس و سرنوشتساز را اثربخشتر اتخاذ کنند. حذف مشاغل سطح پایه، این مسیر رشد را از بین میبرد.
تصور کنید مدیرانی را استخدام کنید که هرگز در خط مقدم فعالیت نکردهاند، شکایت مشتریان را مدیریت نکردهاند، صورتجلسات نشستهای مهم را ننوشتهاند یا با جزئیات و پیچیدگیهای کارهای عملیاتی دستوپنجه نرم نکردهاند. در چنین شرایطی، رهبری به مفهومی انتزاعی، دور از واقعیت و بهشدت سادهانگارانه تبدیل خواهد شد.
به لحظات تحولآفرین حرفهای خود فکر کنید؛ زمانی که مشاهده تکرار الگوهای مشابه باعث شد یک رابطه علتومعلولی مهم را کشف کنید و همین بینش، اثربخشی شما را در حرفهتان افزایش داد. به بیان ساده، اغلب مشاغل سطح پایه امروزی، دو کارکرد اساسی دارند:
- انجامدادن وظایف جاری
- پرورش افرادی که این وظایف را انجام میدهند تا به اعضایی توانمندتر برای سازمان و جامعه تبدیل شوند.
تقویت نوآوری از پایینبهبالا
نوآوری اغلب از سوی افرادی شکل میگیرد که نزدیکترین فاصله را با فرایندهای اجرایی دارند. کارکنان جوان و تازهکار که هنوز درگیر الگوهای ذهنی تثبیتشده و سنتی نشدهاند، موقعیت منحصربهفردی برای شناسایی ناکارآمدیها و ارائه راهکارهای خلاقانه دارند.
در صنعت فناوری، این رویکرد با اصطلاح Dogfooding شناخته میشود؛ یعنی استفاده از محصول توسط خود سازمان. شرکت مایکروسافت نسخههای اولیه Word و Excel را پیش از عرضه عمومی، بهصورت داخلی در اختیار کارکنان خود قرار داد و با استفاده از بازخورد آنها، این محصولات را بهبود بخشید. کارکنان سطح پایه نیز ارزش مشابهی خلق میکنند. آنها با آزمودن مداوم فرایندها، نقاط ضعف و اشکالات سیستم را آشکار میکنند. برخلاف هوش مصنوعی که خروجیهایی یکنواخت و قابلپیشبینی تولید میکند، نیروی انسانی تنوع و تغییرپذیری وارد فرایندها میکند؛ ویژگیای که اگرچه گاهی موجب بینظمی میشود، اما اغلب منشأ شکلگیری ایدههای نو، پیشنهادهای بهبود و حتی نوآوریهای تحولآفرین است.
اگر راهبرد نوآوری شما این باشد که ایدهپردازی را به همان ابزار یا مدل هوش مصنوعی بسپارید که همه رقبا نیز از آن استفاده میکنند و تقریباً خروجی مشابهی دریافت میکنند، نباید انتظار داشته باشید که مزیت رقابتی پایداری ایجاد کنید.
رشد فرهنگ سازمانی
نیروی کار امروزی بیش از هر زمان دیگری چندنسلی است؛ بهگونهای که ممکن است پنج نسل مختلف همزمان در یک سازمان فعالیت کنند. این تنوع سنی و تجربی، فرهنگ سازمان را غنیتر کرده و خلاقیت را تقویت میکند. حذف نیروهای جوان، انرژی تازه را از سازمان میگیرد و دامنه دیدگاهها را محدود میکند. نتیجه، شکلگیری فرهنگی یکنواخت و فاقد پویایی خواهد بود؛ فرهنگی که در آن کارکنان باسابقه عمدتاً با یکدیگر تعامل دارند و چرخه طبیعی نوسازی و انتقال تجربه از بین میرود.
حفاظت از جامعه
کار صرفاً وسیلهای برای کسب درآمد نیست؛ بلکه به زندگی افراد معنا، ساختار و احساس تعلق میبخشد. اگر مشاغل سطح پایه حذف شوند، میلیونها جوان در معرض بیکاری و انفعال قرار خواهند گرفت. تاریخ بارها نشان داده است که وقتی گروه بزرگی از جوانان توانمند از اشتغال معنادار محروم شوند، جامعه هزینه آن را با افزایش احساس بیگانگی، ناآرامیهای اجتماعی و حتی جرم و جنایت خواهد پرداخت. بنابراین، حفاظت از مشاغل سطح پایه نهتنها یک مسئولیت سازمانی، بلکه یک مسئولیت اجتماعی و مدنی نیز محسوب میشود.
چگونه باید مشاغل سطح پایه را بازطراحی کرد؟
اگر قرار است مشاغل سطح پایه حفظ شوند، باید بهگونهای بازآفرینی شوند که همچنان در محیطهای کاری مبتنی بر هوش مصنوعی ارزشآفرین باشند. این تحول مستلزم چهار اقدام اساسی است.
بازاندیشی در وظایف شغلی
ازاینپس، نقشهای سطح پایه نباید بر پایه وظایف تکراری و قابل خودکارسازی تعریف شوند؛ زیرا وظایفی هستند که هوش مصنوعی آنها را سریعتر و دقیقتر انجام میدهد. در عوض، این مشاغل باید بهگونهای طراحی شوند که افراد را با چرایی و منطق پشت فعالیتها آشنا کنند.
برای مثال در حسابداری، هوش مصنوعی میتواند تطبیق تراکنشها و تهیه صورتهای مالی را انجام دهد. به همین دلیل، بسیاری از شرکتهای حسابداری از انواع سامانههای هوش مصنوعی استفاده میکنند تا نیروهای تازهکار را به فعالیتهایی با ارزش افزوده بالاتر مانند شناسایی ناهنجاریها، کشف تقلب و مشاوره به مشتریان هدایت کنند. بهاینترتیب، کارکنان جوان همچنان با سازوکارهای فنی کار آشنا میشوند، اما وظیفه اصلی آنها تفسیر و تحلیل خروجیهای تولیدشده توسط ماشین است.
نمونه مشابهی در صنعت جذب و استخدام انبوه وجود دارد. در این صنعت، هوش مصنوعی سالها است که برای غربال میلیونها رزومه، نامه درخواست همکاری و مصاحبههای ویدئویی ضبطشده به کار گرفته میشود تا استخدامکنندگان بتوانند متقاضیان مستعد را سریعتر شناسایی کنند. بااینحال، حتی استخدامکنندگان تازهکار نیز همچنان در آخرین و مهمترین حلقه زنجیره ارزش نقش کلیدی دارند؛ زیرا زمانی را که پیشتر صرف انجام وظایف تکراری میکردند، اکنون برای تعاملات انسانی ارزشمندتر با گزینههای نهایی و مشتریان اختصاص میدهند.
چنین تغییراتی با برآورد مؤسسه مککنزی نیز همراستا است؛ برآوردی که نشان میدهد اگرچه دستکم یکسوم وظایف در حدود ۶۰ درصد از مشاغل قابلیت خودکارسازی دارند، اما تعداد بسیار اندکی از مشاغل را میتوان به طور کامل خودکار کرد. فرصت واقعی در بازطراحی مشاغل نهفته است؛ بهگونهای که انسانها زمان بیشتری را صرف فعالیتهایی کنند که به قضاوت، همکاری و خلاقیت نیاز دارند. در چنین شرایطی، هوش مصنوعی تواناییهای انسانی را تقویت میکند، نه اینکه جایگزین آنها شود.
تمرکز بر تقویت مهارتها
هوش مصنوعی تنها زمانی ارزشمند است که در کنار تفکر انتقادی قرار گیرد. افزایش بهرهوری زمانی بیمعنا خواهد بود که به بهای تضعیف قدرت قضاوت حرفهای به دست آید. مطالعهای که در نشریه Science منتشر شده نشان میدهد هوش مصنوعی مولد میتواند بهرهوری در وظایف نگارشی را تا ۴۰ درصد افزایش دهد؛ اما افراد کمتجربهای که بدون ارزیابی انتقادی پیشنهادهای مدل را میپذیرند، عملکرد ضعیفتری نسبت به افرادی دارند که خودشان درباره مسئله استدلال میکنند.
بهعنوانمثال در صنعت بانکداری، بسیاری از تحلیلگران از هوش مصنوعی مولد برای تهیه پیشنویس گزارشها و ارائهها استفاده میکنند. در کنار این موضوع، آموزشهای جدید شامل تمرینهایی موسوم به «تیم قرمز» است که در آن از کارکنان تازهکار خواسته میشود فرضیات را به چالش بکشند، نقاط ضعف را شناسایی کنند و توضیح دهند که چرا ممکن است خروجی هوش مصنوعی نادرست باشد.
هدف این تمرینها صرفاً افزایش سرعت نیست، بلکه تقویت قدرت قضاوت حرفهای است. تحلیلگران جوان باید خروجی هوش مصنوعی را همانگونه ارزیابی کنند که یک منتقد یا رقیب ارزیابی میکند؛ یعنی فرضیات نادرست، دادههای ازدسترفته و اشکالات منطقی را شناسایی کرده و سپس نقد خود را در برابر همکاران ارشد دفاع کنند. در نتیجه، هوش مصنوعی بهنوعی شریک تمرینی فکری تبدیل میشود؛ ابزاری سریع و توانمند، اما خطاپذیر.
بازطراحی شیوه انجام کار
رایجترین شیوه استفاده از هوش مصنوعی، جایگزینی انسان است؛ یعنی ماشین کار را انجام دهد و تعداد کارکنان کاهش یابد. اما رویکرد هوشمندانهتر آن است که جریانهای کاری بهگونهای بازطراحی شوند که هوش مصنوعی اجرای وظایف تکراری را برعهده بگیرد و انسانها بر تعریف مسئله، طرح پرسشهای بهتر و ایجاد روابط انسانی تمرکز کنند.
در شرکتهای مشاوره، هوش مصنوعی میتواند گزارشهای بازار را خلاصه و تحلیل کند، اما همچنان مشاوران تازهکار در کارگاهها و مصاحبههای حضوری حضور مییابند تا مهارتهای ارتباطی و درک زمینهای خود را توسعه دهند؛ قابلیتهایی که هیچ الگوریتمی قادر به جایگزینی آنها نیست.
در توسعه نرمافزار نیز پلتفرمهای هوش مصنوعی مولد به طور گسترده برای تولید کدهای تکراری مورد استفاده قرار میگیرند، اما مهندسان جوان به سمت فعالیتهایی مانند دیباگینگ، طراحی سامانه و برنامهنویسی دونفره (Pair Programming) هدایت میشوند؛ حوزههایی که همکاری و حل مسئله در آن اهمیت اساسی دارد.
تا اینجا، اغلب پژوهشهای مربوط به جریانهای کاری ترکیبی انسان و هوش مصنوعی نشان دادهاند که بالاترین سطح عملکرد نه از الگوی «ابتدا هوش مصنوعی، سپس انسان»، بلکه از تقسیم کاری دقیق میان انسان و ماشین حاصل میشود؛ مدلی که در آن ماشینها وظایف روتین را تسریع میکنند و انسانها بر عدمقطعیت، موقعیتهای جدید و متقاعدسازی تمرکز دارند. این نتیجه با پژوهشهای «راوین جسوتاسان« و «جان بودرو» درباره مفهوم «کار بدون شغل» (Work Without Jobs) نیز همخوانی دارد؛ رویکردی که سازمانها را تشویق میکند بهجای تمرکز بر عناوین شغلی، مدلهای عملیاتی سیالتر، مهارتمحور و مبتنی بر ماهیت کار را اتخاذ کنند.
توسعه نیروی انسانی
شاید مهمترین اصل این باشد که مشاغل سطح پایه باید علاوه بر انجام کار، به رشد و توسعه افراد نیز کمک کنند. مواجهه زودهنگام با فشار، ابهام و حتی شکست، همان چیزی است که تابآوری و قدرت قضاوت حرفهای را شکل میدهد.
برای مثال در پزشکی، رزیدنتها همچنان شیفتهای طولانی و طاقتفرسا را پشت سر میگذارند. هرچند ممکن است هوش مصنوعی در آینده ثبت سوابق پزشکی یا زمانبندی فعالیتها را خودکار کند، اما بیمارستانها همچنان پزشکان جوان را در خط مقدم نگه میدارند، زیرا این تجربهها شهود بالینی و همدلی آنها را در شرایط پراسترس تقویت میکند.
در روزنامهنگاری نیز هوش مصنوعی قادر است پیشنویس خبر یا گزارش تولید کند، اما خبرنگاران جوان همچنان برای پوشش جلسات و رویدادها یا پیگیری سرنخهای دشوار حاضر میشوند؛ زیرا پشتکار و مهارت مصاحبه فقط از طریق تجربه عملی به دست میآید.
به همان اندازه نیز لازم است ارزش تابآوری و استقامت دوباره موردتوجه قرار گیرد. اگر ماشینها تمام موانع را حذف کنند، کار بیش از حد آسان میشود و از چالشهایی که یادگیری را معنادار میکنند، تهی خواهد شد. پیشرفت از دل «شکستهای هوشمندانه» حاصل میشود؛ یعنی شکستها، لغزشها و ناکامیهایی که هنگام مواجهه با مسائل دشوار و نامطمئن رخ میدهند. مشاغل سطح پایه که محیطی نسبتاً امن برای آزمودن، شکستخوردن و دوباره تلاشکردن فراهم میکنند که پیامد اشتباهها نسبت به سطوح مدیریتی کمتر است؛ نقشی حیاتی در پرورش متخصصانی انعطافپذیر و بااعتمادبهنفس دارند.
میتوان این موضوع را با نظام آموزشی مقایسه کرد. اگر دانشجویان نگارش تمام مقالههای خود را به هوش مصنوعی مولد واگذار کنند، از همان فرایند دشوار فکری که یادگیری عمیق را شکل میدهد، عبور خواهند کرد. این کار مانند گرمکردن ایدهها در مایکروویو است؛ سریع، راحت، اما فاقد عمق و رضایت.
تلاش ذهنی، حتی دشواری اندیشیدن مستقل، همان چیزی است که ظرفیت یادگیری فرد را گسترش میدهد. همین اصل در محیط کار نیز صادق است. اگر فشار و دشواریهای مشاغل اولیه را حذف کنیم، رهبران آینده را از تجربههای شکلدهندهای محروم خواهیم کرد که آنها را برای تحمل فشارها و پیچیدگیهای نقشهای رهبری آماده میکند.
یک دگرگونی اجتماعی فراتر از سازمان
نزدیک به یک قرن پیش، «جان مینارد کینز» پیشبینی کرده بود که پیشرفت فناوری تا سال ۲۰۳۰، هفته کاری را به ۱۵ ساعت کاهش خواهد داد. شاید زمان در نهایت حق را به او بدهد، اما هنوز هم درباره این موضوع بحث میشود که آیا حتی هفته کاری چهارروزه نیز بیش از حد کوتاه است یا خیر. شواهد مربوط به مزایای هفته کاری چهارروزه از جمله افزایش بهرهوری، بهبود رفاه کارکنان و ارتقای نرخ ماندگاری نیروی انسانی بسیار قوی است، اما هنجارها و ذهنیتهای سازمانی هنوز با این واقعیت همگام نشدهاند.
هوش مصنوعی فرصتی برای بازتعریف این وضعیت فراهم میکند. سازمانها بهجای آنکه مانند ماشینهای ساعتی، حداکثر ارزش اقتصادی را از کارکنان استخراج کنند، میتوانند تعریف جامعتری از ارزش ارائه دهند؛ تعریفی که کیفیت خروجی، سهم افراد در فرهنگ سازمانی و ظرفیت آنها برای نوآوری را نیز در بر بگیرد. تحقق چنین تغییری صرفاً به کاهش ساعات کار نیاز ندارد، بلکه مستلزم طراحی کارهایی هوشمندانهتر و اثربخشتر است و نقطه آغاز این تحول، بازطراحی مشاغل سطح پایه است.
تمایل به حذف این مشاغل از طریق خودکارسازی قابلدرک است، اما رویکردی کوتاهبینانه محسوب میشود. این نقشها ناکارآمدیهایی نیستند که باید حذف شوند؛ بلکه سرمایهگذاریهایی برای آینده رهبری، نوآوری، فرهنگ سازمانی و خود جامعه به شمار میروند. با تحول دنیای کار بهواسطه هوش مصنوعی، وظیفه ما کاهش نقش انسان نیست؛ بلکه حداکثرسازی ارزش مشارکت انسانی است. این مسیر با حفاظت از مشاغل سطح پایه، بازطراحی آنها و بازگرداندن شأن و منزلت حرفهای به این نقشها آغاز میشود.
نکته مهم دیگر این است که بخشی از دشواری این مسیر و یکی از دلایلی که استادان دانشگاه هنوز برنامههای آموزشی خود را متناسب با دگرگونیهای بنیادین ناشی از هوش مصنوعی تغییر ندادهاند این است که هیچکس واقعاً نمیداند آینده دقیقاً چگونه رقم خواهد خورد.
اگر هدف نهایی آموزش عالی، آمادهسازی افراد برای ایفای نقش مؤثر در جهان باشد، انجام این مأموریت بدون در اختیار داشتن تصویری روشن از نیازهای آینده تقریباً غیرممکن است. محتوایی که امروز آموزش داده میشود ممکن است بهزودی منسوخ شود، اما ویژگیهایی مانند سختکوشی، خودانضباطی و تفکر سیستمی مهارتهایی هستند که مستقل از محتوای آموزشی در آینده نیز ارزش خود را حفظ خواهند کرد.
همین موضوع درباره شرکتها نیز صدق میکند. سازمانها بدون قطعیت درباره اینکه ۵ یا ۱۰ سال آینده چه نقشها، چه مهارتها یا حتی چه مدلهای کسبوکاری عامل موفقیت خواهند بود، فعالیت میکنند. هیچیک از ما شناخت کافی از آیندهای که برای آن آماده میشویم نداریم تا بتوانیم همه تصمیمها را کاملاً درست بگیریم. به همین دلیل، جمله مشهور «بهترین راه برای پیشبینی آینده، ساختن آن است»؛ امروز بیش از هر زمان دیگری معنا پیدا میکند و دقیقاً همین، مهمترین مسئولیتی است که پیش روی ما قرار دارد.
حفاظت از مشاغل سطح پایه به معنای دفاع از سنتهای گذشته نیست؛ بلکه به معنای مشارکت فعال در شکلدادن آیندهای است که در آن، کار همچنان بستری برای رشد، تابآوری و دستاوردهای مشترک انسانی باقی بماند. اگر این فرصت را با تخیل، دوراندیشی و شجاعت مغتنم بشماریم، عصر هوش مصنوعی نه پایان فرصتها؛ بلکه آغاز جهانی هوشمندتر، عادلانهتر و رضایتبخشتر برای کار خواهد بود.
گزارش حاضر در نسخه March-April 2026 نشریه Harvard Business Review منتشر شده است.
