وقتی هوش مصنوعی دستمزدها را تعیین می‌کند، چه اتفاقی برای فریلنسرها می‌افتد؟

با افزایش نقش هوش مصنوعی در ارائه پیشنهادهای قیمت‌گذاری، رهبران کسب‌وکار با یک پرسش اساسی روبه‌رو شده‌اند. آیا مدل‌های زبانی بزرگ (LLM) این تصمیم‌های قیمتی را به شکلی عادلانه اتخاذ می‌کنند؟ یا اینکه همان سوگیری‌ها و نابرابری‌هایی را که سال‌ها گریبان‌گیر بازارهای کار انسانی بوده‌اند، بازتولید می‌کنند؟

مروری بر پژوهش

در پژوهشی جدید از HBR، یک آزمایش گسترده طراحی شده که در آن ۶۰ هزار پروفایل فریلنسر در اختیار هشت مدل زبانی بزرگ پرکاربرد قرار داده شده و از هر مدل خواسته شده نرخ دستمزد ساعتی مناسبی را پیشنهاد کند. سپس بررسی شد که رویکردهای مختلف در طراحی پرامپت چگونه بر احتمال بروز سوگیری تأثیر می‌گذارند. برای این منظور، در برخی پرامپت‌ها به مدل‌ها دستور داده شد ویژگی‌های غیرمرتبط با مهارت، مانند جنسیت، محل سکونت و سن را در نظر بگیرند و در برخی دیگر از خواسته شد این ویژگی‌ها را نادیده بگیرند. در مجموع، از طریق درخواست‌های مبتنی بر API، نزدیک به ۴ میلیون تصمیم هوش مصنوعی درباره تعیین دستمزد تولید شد.

دامنه مطالعه

در این پژوهش از ۶۰ هزار پروفایل متعلق به یکی از بزرگ‌ترین بازارهای آنلاین فریلنسری استفاده شده که شش حوزه شغلی را در بر می‌گرفت:

1. حسابداری و دفترداری
2. توسعه فول‌استک
3. دستیار مجازی عمومی
4. تحلیل داده
5. طراحی گرافیک
6. بازاریابی شبکه‌های اجتماعی

هر پروفایل شامل اطلاعاتی درباره خدمات ارائه‌شده، مهارت‌ها، سابقه کاری و محل سکونت فرد بود.

مدل‌های مورد بررسی

هشت مدل زبانی بزرگ زیر مورد ارزیابی قرار گرفتند:

1. GPT-4o
2. GPT-4o mini
3. Gemini 1.5 Flash
4. Gemini 2.5 Flash
5. Claude 3.7 Sonnet
6. GPT-5 mini
7. DeepSeek-R1
8. Llama 3.1 405B

در پرامپت پایه، از مدل‌ها خواسته شد بر اساس جزئیات هر پروفایل، نرخ دستمزد ساعتی مناسب را بر حسب دلار آمریکا پیشنهاد کنند.

طراحی آزمایش

پژوهشگران برای کنترل دقیق متغیرها، نسخه‌های تکراری از هر پروفایل ایجاد کردند که در هر بار تنها یکی از ویژگی‌های غیرمهارتی جنسیت، موقعیت جغرافیایی یا سن تغییر می‌کرد و سایر اطلاعات کاملاً ثابت می‌ماند. سپس چند نسخه مختلف از پرامپت طراحی کردند که در آن‌ها از مدل خواسته می‌شد:

1. ویژگی موردنظر را در تصمیم خود لحاظ کند؛
2. آن ویژگی را نادیده بگیرد؛
3. به طور صریح و با تأکید فراوان یکی از دو رویکرد فوق را رعایت کند.

یافته‌های پژوهش

هوش مصنوعی دستمزدها را افزایش می‌دهد

در تمامی مدل‌های بررسی‌شده، هوش مصنوعی نرخ دستمزد بالاتری نسبت به انسان پیشنهاد کرد. میانگین نرخ تعیین‌شده توسط انسان‌ها ۲۳٫۶۰ دلار در ساعت بود، درحالی‌که پیشنهادهای تولیدشده توسط هوش مصنوعی، بسته به مدل بین ۳۰ تا نزدیک به ۴۶ دلار در ساعت متغیر بود. این افزایش قیمت، یک تناقض راهبردی ایجاد می‌کند. در نگاه نخست، دستمزدهای بالاتر ممکن است به نفع فریلنسرها به نظر برسد؛ اما افزایش قیمت الزاماً به معنای نتایج بهتر نیست. اگر کارفرمایان این نرخ‌های بالاتر را نپذیرند، ممکن است فرصت‌های شغلی کمتری نصیب فریلنسرها شود. ازسوی‌دیگر، برای کارفرمایان نیز استفاده از ابزارهای مبتنی بر هوش مصنوعی برای تعیین دستمزد می‌تواند ناخواسته هزینه‌های استخدام را افزایش دهد یا سبب دورشدن انتظارات بازار از سطح واقعی شود.

سوگیری جنسیتی مشاهده نشد

یکی از پرسش‌های اصلی پژوهشگران این بود که آیا هوش مصنوعی ارزش کار زنان را کمتر از مردان برآورد می‌کند یا خیر. نتیجه، برخلاف انتظار، منفی بود. در صدها هزار آزمایش، هیچ شکاف معناداری در نرخ دستمزد پیشنهادی بر اساس جنسیت مشاهده نشد. حتی زمانی که به‌صراحت از مدل‌ها خواسته شد جنسیت را در تصمیم خود لحاظ کنند، همچنان تفاوت معناداری میان زنان و مردان دیده نشد.

تنها زمانی که دستورهایی آشکارا جانبدارانه به مدل‌ها داده شد، تفاوت‌هایی مبتنی بر جنسیت ایجاد شد؛ آن هم نه به زیان زنان، بلکه برعکس، مدل‌ها با نوعی «جبران بیش از حد» دستمزد بیشتری برای زنان نسبت به مردان پیشنهاد کردند. این یافته یکی از معدود نتایج امیدوارکننده پژوهش بود. دست‌کم در زمینه جنسیت به نظر می‌رسد مدل‌های زبانی بزرگ امروزی تا حد زیادی برای اجتناب از تبعیض جنسیتی تنظیم شده‌اند.

موقعیت جغرافیایی همچنان عامل ایجاد شکاف‌های بزرگ است

اما درباره محل سکونت، داستان کاملاً متفاوت بود. دو پروفایل کاملاً یکسان را در نظر بگیرید؛ تنها تفاوت آن‌ها این بود که یکی در ایالات متحده و دیگری در فیلیپین قرار داشت.

• فریلنسر مستقر در آمریکا به طور متوسط ۷۱ دلار در ساعت پیشنهاد دریافت کرد.
• همان فریلنسر با محل سکونت فیلیپین تنها ۳۳ دلار در ساعت پیشنهاد گرفت؛ یعنی بیش از ۵۰ درصد کمتر.

نکته قابل‌توجه‌تر اینکه اگر فقط محل سکونت همان فریلنسر فیلیپینی را به «ایالات متحده» تغییر می‌دادیم، نرخ پیشنهادی بیش از دو برابر می‌شد. این الگو در کشورهای مختلف نیز تکرار شد. افراد ساکن مناطق ثروتمند با وجود برخورداری از مهارت و تجربه مشابه، همواره دستمزدهای بالاتری از سوی هوش مصنوعی دریافت می‌کردند.

بااین‌حال، مداخله در طراحی پرامپت توانست این شکاف را تا حدی کاهش دهد. هنگامی که به‌صراحت به مدل‌ها دستور داده شد موقعیت جغرافیایی را در تصمیم‌گیری دخیل نکنند، اختلاف دستمزدها به‌شدت کاهش یافت. در برخی موارد، فاصله دستمزد میان فریلنسرهای آمریکایی و فیلیپینی بیش از ۵۰ درصد کمتر شد.

سوگیری سنی به نفع افراد مسن‌تر است

سن نیز یکی دیگر از منابع سوگیری بود. یک فریلنسر ۶۰ساله، با وجود داشتن همان پروفایل، تقریباً ۴۶ درصد دستمزد بیشتری نسبت به یک فریلنسر ۲۲ساله و ۸٫۱ درصد بیشتر از فردی ۳۷ساله دریافت کرد. برخلاف سوگیری جغرافیایی، تغییر پرامپت تقریباً هیچ تأثیری بر این شکاف نداشت. حتی زمانی که از مدل خواسته شد «سن را نادیده بگیرد»، اختلاف دستمزدها تقریباً بدون تغییر باقی ماند. این موضوع نشان می‌دهد که احتمالاً فرضیات مرتبط با سن، عمیقاً در داده‌های آموزشی مدل‌ها ریشه دوانده‌اند و صرفاً با طراحی بهتر پرامپت نمی‌توان آن‌ها را حذف کرد.

پرامپت‌ها چه کارهایی می‌توانند انجام دهند و چه کارهایی نمی‌توانند؟

یکی از امیدوارکننده‌ترین نتایج پژوهش از آزمایش شیوه‌های مختلف پرامپت‌دهی به مدل‌ها به دست آمد. زمانی که به مدل‌ها گفته شد موقعیت جغرافیایی را در نظر نگیرند، اختلاف‌ها به‌شدت کاهش یافت. در برخی موارد، شکاف دستمزد میان آمریکا و فیلیپین از بیش از ۱۰۰ درصد به تنها ۲۵ درصد رسید.

اما در مورد سن، حتی تأکید مکرر در پرامپت نیز تغییری در نتایج ایجاد نکرد. این یافته پیام مهمی برای مدیران دارد: پرامپت‌ها می‌توانند رفتار هوش مصنوعی را شکل دهند، اما فقط تا حدی و تنها در برخی موقعیت‌ها. برخی سوگیری‌ها آسان‌تر از سایرین قابل‌کاهش هستند.

برای کارفرمایان و پلتفرم‌ها، این بدان معناست که طراحی پرامپت صرفاً یک جزئیات فنی نیست، بلکه ابزاری برای حکمرانی بر سامانه‌های هوش مصنوعی است که می‌تواند نابرابری را کاهش دهد یا برعکس، آن را تشدید کند.

فراتر از بازار فریلنسری

پژوهشگران در مطالعه‌ای تکمیلی بررسی کردند که آیا همین الگوها در تعیین حقوق سالانه کارکنان تمام‌وقت نیز مشاهده می‌شود یا خیر. نتایج درباره جنسیت و موقعیت جغرافیایی تقریباً مشابه بود؛ یعنی همچنان سوگیری جنسیتی ساختاریافته مشاهده نشد، اما اختلاف‌های مبتنی بر محل سکونت پابرجا ماند.

بااین‌حال، درباره سن، الگو تغییر کرد. درحالی‌که فریلنسرهای ۶۰ساله دستمزد بیشتری نسبت به افراد ۳۷ و ۲۲ساله دریافت می‌کردند، مدل‌های زبانی بزرگ در مورد کارکنان تمام‌وقت، افراد حدود ۳۷ساله را نسبت به دو گروه سنی دیگر ترجیح می‌دادند. یکی از توضیح‌های احتمالی این است که هوش مصنوعی بسته به نوع رابطه استخدامی، دستمزد را متفاوت تفسیر می‌کند.

در بازار فریلنسری، پرداخت دستمزد بیشتر به‌عنوان هزینه‌ای مقطعی تلقی می‌شود؛ بنابراین تجربه بیشتر ارزش افزوده ایجاد می‌کند. اما در استخدام تمام‌وقت، حقوق نوعی سرمایه‌گذاری بلندمدت محسوب می‌شود. از این منظر، کارکنان میانسال می‌توانند هم تجربه کافی داشته باشند و هم سال‌های بیشتری برای همکاری پیش رو داشته باشند و در نتیجه گزینه جذاب‌تری برای کارفرمایان باشند.

این تفاوت ظریف همچنین نشان می‌دهد که مدل‌های زبانی بزرگ قادرند سن را از تجربه کاری تفکیک کنند؛ نشانه‌ای از اینکه این سامانه‌ها صرفاً در حال تقلید از الگوهای انسانی نیستند، بلکه نوعی استدلال وابسته به زمینه را به کار می‌گیرند که نیازمند بررسی و نظارت دقیق است.

پیامدهای این یافته‌ها برای فریلنسرها، کارفرمایان و پلتفرم‌ها

فریلنسرها می‌بایست این نکته را در نشر داشته باشند که هوش مصنوعی ممکن است نرخ‌های پیشنهادی آن‌ها را بیش از حد افزایش دهد. این موضوع می‌تواند در مذاکرات مزیت ایجاد کند، اما درعین‌حال این خطر را نیز به همراه دارد که قیمت بالاتر باعث ازدست‌رفتن فرصت‌های کاری شود. همچنین فریلنسرهایی که خارج از کشورهای توسعه‌یافته فعالیت می‌کنند، بهتر است با دقت بیشتری درباره میزان اطلاعات مکانی که در اختیار پلتفرم‌ها قرار می‌دهند تصمیم بگیرند.

کارفرمایان نیز باید پیشنهادهای دستمزدی هوش مصنوعی را صرفاً ابزاری مشورتی بدانند، نه مرجعی قطعی. در غیر این صورت، ممکن است به‌صورت ساختاریافته به برخی بیش از حد و به برخی دیگر کمتر از ارزش واقعی‌شان دستمزد پرداخت کنند؛ آن هم صرفاً بر اساس ویژگی‌های غیرمرتبط با مهارت.

پلتفرم‌هایی که هوش مصنوعی را در موتورهای قیمت‌گذاری خود به کار می‌گیرند نیز با تصمیم‌های دشوار طراحی مواجه خواهند شد. این پلتفرم‌ها به لایه‌هایی از حکمرانی نیاز دارند؛ از جمله ممیزی پرامپت‌ها، الزامات شفافیت و احتمالاً سازوکارهایی برای اعتراض کاربران در مواردی که نرخ‌های پیشنهادی هوش مصنوعی تبعیض‌آمیز به نظر می‌رسند.

سیاست‌گذاران نیز باید توجه داشته باشند که قیمت‌گذاری مبتنی بر مدل‌های زبانی بزرگ خنثی نیست. تداوم شکاف‌های مبتنی بر موقعیت جغرافیایی و سن نشان می‌دهد که این حوزه به مداخلات تنظیم‌گری نیاز دارد. الزام به افشای پرامپت‌ها، تعیین دقیق ویژگی‌های تحت حمایت قانون و ایجاد الزامات شفافیت برای کاربران، از جمله گزینه‌هایی هستند که می‌توانند در دستور کار قرار گیرند.

هوش مصنوعی مولد دیگر تنها در حال خودکارسازی تولید متن نیست؛ بلکه اکنون بر میزان حقوق و دستمزد، معیشت افراد و دسترسی آن‌ها به فرصت‌های شغلی اثر می‌گذارد. اگر این سامانه‌ها بدون نظارت رها شوند، ممکن است نابرابری‌های موجود در جهان را تثبیت یا حتی عمیق‌تر کنند.

جمع‌بندی این پژوهش روشن اما هشداردهنده است: سامانه‌های مبتنی بر هوش مصنوعی می‌توانند دستمزدها را منصفانه‌تر تعیین کنند، اما تنها در صورتی که طراحی و حکمرانی آن‌ها نیز بر پایه همین اصل انجام شود.

گزارش حاضر در نسخه March-April 2026 نشریه Harvard Business Review منتشر شده است.