هوش مصنوعی می‌تواند بعضی وظایف را خودکار کند و نیاز به نیروی انسانی را در بخش‌هایی کاهش دهد؛ اما انجام چند وظیفه توسط یک ابزار، به معنای حذف کامل یک شغل نیست. تأثیر هوش مصنوعی بر بازار کار به نوع وظایف، کیفیت خروجی، هزینه اجرا و تصمیم کارفرما بستگی دارد. برای سنجیدن آینده شغلی خود، بهتر است کارهای روزمره‌تان را بررسی کنید، نه فقط عنوان شغلتان را.
در این مقاله، آمار جهانی را از پیش‌بینی قطعی جدا می‌کنیم، چند مثال از کارهای واقعی می‌زنیم و یک برنامه چهار‌هفته‌ای برای شروع یادگیری پیشنهاد می‌دهیم. تمرکز بحث بر هوش مصنوعی مولد، یعنی ابزارهای تولید متن، تصویر و کد است؛ اثر این ابزارها با ربات‌های صنعتی و همه انواع اتوماسیون یکسان نیست.
هوش مصنوعی چگونه یک شغل را تغییر می‌دهد؟
یک کارشناس پشتیبانی فروشگاه را در نظر بگیرید. او درباره موجودی کالا پاسخ می‌دهد، وضعیت سفارش را پیگیری می‌کند، شکایت مشتری را می‌شنود و برای موارد خارج از روال تصمیم می‌گیرد. ممکن است یک دستیار هوشمند پیش‌نویس پاسخ پرسش‌های تکراری را آماده کند، اما برای اختلاف درباره ضمانت کالا یا درخواست خاص مشتری، هنوز بررسی و اختیار انسانی لازم باشد.
این مثال فرضی نشان می‌دهد چرا باید شغل را به وظایف کوچک‌تر تقسیم کنیم. سه پیامد ممکن است رخ دهد: ابزار فقط به فرد کمک کند، بخشی از وظایف خودکار شود، یا سازمان برای انجام همان حجم کار به افراد کمتری نیاز داشته باشد. نتیجه برای همه شرکت‌ها و کارکنان یکسان نخواهد بود.
گزارش‌های معتبر درباره آینده بازار کار چه می‌گویند؟
مطالعه مشترک سازمان بین‌المللی کار و NASK در مه ۲۰۲۵ برآورد کرده است که حدود یک‌چهارم اشتغال جهان در مشاغلی قرار دارد که تا حدی در معرض هوش مصنوعی مولد هستند. این عدد، میزان مواجهه بالقوه را نشان می‌دهد؛ به این معنا نیست که یک‌چهارم شغل‌ها حذف خواهند شد. در این مطالعه، تغییر وظایف برای بیشتر مشاغل محتمل‌تر از جایگزینی کامل ارزیابی شده است.
گزارش آینده مشاغل ۲۰۲۵ مجمع جهانی اقتصاد نیز بر اساس انتظار کارفرمایان، ایجاد ۱۷۰ میلیون نقش و جابه‌جایی یا حذف ۹۲ میلیون شغل را تا ۲۰۳۰ برآورد می‌کند. این برآورد به مجموعه‌ای از روندهای فناوری، اقتصادی، جمعیتی و گذار سبز مربوط است؛ نمی‌توان همه آن را به هوش مصنوعی نسبت داد یا به‌عنوان اتفاقی قطعی گزارش کرد.
کدام وظایف بیشتر تغییر می‌کنند؟ جدول مثال‌های کاربردی
وظایفی که ورودی دیجیتال، خروجی مشخص و امکان بررسی نتیجه دارند، نقطه شروع مناسبی برای ارزیابی ابزارها هستند. جدول زیر مثال آموزشی است و رتبه‌بندی خطر حذف شغل محسوب نمی‌شود.
| وظیفه روزمره | کمک احتمالی ابزار | مسئولیت انسانی |
|---|---|---|
| پاسخ به پرسش‌های تکراری مشتری | آماده‌کردن پاسخ از روی اطلاعات تأییدشده | بررسی درستی پاسخ و رسیدگی به موارد حساس یا خارج از روال |
| ورود اطلاعات فاکتور یا فرم | استخراج نام، مبلغ و تاریخ از سند | تطبیق با اصل سند و اصلاح اطلاعات مبهم |
| نوشتن متن معرفی محصول | تهیه پیش‌نویس با مشخصات داده‌شده | کنترل ادعاها، لحن برند و اطلاعات فنی محصول |
| تهیه گزارش فروش | خلاصه‌کردن داده‌ها و پیشنهاد نمودار | کنترل محاسبات و تشخیص علت تغییرات فروش |
| توسعه بخشی از نرم‌افزار | پیشنهاد کد، تست یا توضیح خطا | بررسی امنیت، معماری و رفتار کد در سامانه واقعی |
برای مثال، استخراج مبلغ از فاکتور با تأیید پرداخت یکی نیست. ابزار ممکن است عدد را اشتباه بخواند؛ بنابراین باید معلوم باشد چه کسی نتیجه را کنترل می‌کند و کدام مرحله اجازه اجرای خودکار دارد.
آیا این آمار برای بازار کار ایران هم صدق می‌کند؟
اعداد جهانی را نباید مستقیماً به درصد بیکاری در ایران تبدیل کرد. ساختار شغلی، دسترسی به ابزار، کیفیت داده فارسی، هزینه اتصال به سامانه‌ها و مهارت کارکنان در هر کسب‌وکار متفاوت است. گزارش‌های بالا به‌تنهایی برای پیش‌بینی تعداد مشاغل ازدست‌رفته در ایران کافی نیستند.
فرض کنید یک تولیدکننده در مازندران می‌خواهد زمان پاسخ به استعلام مشتریان را کم کند. پیش از انتخاب ابزار، باید روشن شود قیمت و موجودی کجا ثبت می‌شود، اطلاعات چقدر به‌روز است و چه کسی پاسخ نهایی را تأیید می‌کند. اگر داده‌ها نامرتب باشند، صرف خرید یک چت‌بات این مسئله را حل نمی‌کند.
برای آینده کار چه مهارت‌هایی یاد بگیریم؟
لازم نیست همه افراد متخصص یادگیری ماشین شوند. برای بسیاری از نقش‌ها، شروع از یک وظیفه آشنا و یادگرفتن روش ارزیابی خروجی، کاربردی‌تر از امتحان‌کردن پی‌درپی ابزارهای جدید است.
- تعریف دقیق مسئله: مشخص کنید ورودی چیست، چه خروجی می‌خواهید و نتیجه قابل قبول چه ویژگی‌هایی دارد.
- کنترل اطلاعات: نام‌ها، اعداد و منابع پاسخ را با داده اصلی تطبیق دهید. متن روان، دلیل درستی پاسخ نیست.
- کار با داده: مرتب‌کردن فایل‌ها، استفاده درست از جدول و تشخیص داده ناقص را تمرین کنید.
- تخصص شغلی: شناخت محصول، مشتری و قواعد کار به شما کمک می‌کند خطای ابزار را تشخیص دهید.
- مستندسازی: روش اجرا و خطاهای تکرارشونده را ثبت کنید تا نتیجه برای همکار دیگری هم قابل بررسی باشد.
چارچوب مدیریت ریسک هوش مصنوعی مولد NIST نیز به خطر تولید اطلاعات نادرست و اتکای بیش‌ازحد انسان به خروجی ابزار توجه می‌کند. در استفاده کاری، نحوه بازبینی پاسخ به اندازه روش تولید آن اهمیت دارد.
یک برنامه چهار‌هفته‌ای برای شروع
- هفته اول، انتخاب کار: پنج وظیفه پرتکرار خود را بنویسید. یکی را انتخاب کنید که کم‌ریسک باشد و بتوانید خروجی آن را بررسی کنید؛ مثلاً خلاصه‌کردن یک متن عمومی.
- هفته دوم، آزمون محدود: چند نمونه مشخص را با ابزار انجام دهید. زمان انجام، زمان اصلاح و خطاها را جداگانه یادداشت کنید. داده محرمانه مشتری یا شرکت را بدون مجوز وارد ابزار عمومی نکنید.
- هفته سوم، مقایسه: نتیجه را با روش قبلی مقایسه کنید. اگر اصلاح خروجی بیشتر از انجام مستقیم کار زمان می‌برد، ورودی، دستور یا خودِ وظیفه را تغییر دهید.
- هفته چهارم، تعیین روال: برای خروجی قابل قبول، مسئول بازبینی و شرایط توقف کار معیار بنویسید. فقط پس از این مرحله درباره استفاده گسترده‌تر تصمیم بگیرید.
این برنامه، تمرین یادگیری و ارزیابی است و تضمینی برای حفظ شغل یا افزایش درآمد نمی‌دهد. هدف آن است که بتوانید درباره فایده ابزار در کار خود با مثال و نتیجه مشخص صحبت کنید.
اگر مدیر کسب‌وکار هستید، از کجا شروع کنید؟
از یک فرایند محدود شروع کنید: چه کاری، با کدام داده و تحت مسئولیت چه کسی انجام می‌شود؟ در برآورد هزینه، زمان بازبینی کارکنان، خطاها، نگهداری و اتصال به نرم‌افزارهای فعلی را هم در نظر بگیرید. سرعت تولید پاسخ، به‌تنهایی معیار موفقیت نیست.
اگر مسئله شما پاسخ‌گویی از روی اسناد فارسی، تحلیل داده یا کاهش کارهای تکراری است، در صفحه خدمات هوش مصنوعی و اتوماسیون داپا می‌توانید حوزه‌های قابل بررسی را ببینید. برای بررسی فنی، شرح یک فرایند و چند نمونه داده بی‌نام را از طریق فرم تماس با داپا بفرستید تا درباره محدوده اجرای آزمایشی گفت‌وگو کنیم.
پرسش‌های رایج درباره هوش مصنوعی و اشتغال
آیا برنامه‌نویسی با هوش مصنوعی از بین می‌رود؟
تولید بخشی از کد، با تحلیل نیاز، طراحی معماری و نگهداری یک محصول کامل تفاوت دارد. گزارش ۲۰۲۵ مجمع جهانی اقتصاد، توسعه‌دهندگان نرم‌افزار و اپلیکیشن را در میان نقش‌های دارای انتظار رشد معرفی می‌کند؛ این برآورد تضمین استخدام برای هر فرد نیست. اگر با این حوزه آشنا نیستید، مقاله فرانت‌اند چیست و چه کاری انجام می‌دهد؟ نقطه شروع مناسبی است.
کدام شغل کاملاً در برابر هوش مصنوعی امن است؟
از گزارش‌های ذکرشده نمی‌توان فهرست قطعی «مشاغل همیشه امن» استخراج کرد. حتی در کاری که به تعامل انسانی یا حضور فیزیکی نیاز دارد، ممکن است ثبت اطلاعات، زمان‌بندی یا گزارش‌نویسی تغییر کند. وظایف و شرایط اجرای کار را جداگانه بررسی کنید.
آیا یادگیری چند ابزار هوش مصنوعی کافی است؟
آشنایی با ابزار شروع کار است. توان تشخیص خطا، دانش حوزه کاری و ارائه خروجی قابل اعتماد، تعیین می‌کند از آن ابزار چگونه استفاده می‌کنید. برای تمرین، یک نمونه کار کوچک بسازید و توضیح دهید کجا از ابزار کمک گرفته‌اید و چه بخش‌هایی را خودتان بررسی کرده‌اید.
