هوش مصنوعی، کار و سه آینده ممکن

از کارهای داخل یک شغل شروع کنیم

عنوان شغلی، واحد مناسبی برای تصمیم‌گیری درباره خودکارسازی نیست. یک حسابدار ممکن است فاکتور تکراری را پیدا کند، ابهام قرارداد را رفع کند، با تأمین‌کننده تماس بگیرد و مانده مورد اختلاف را توضیح دهد. ورودی‌ها، پیامدها و معیار پایان این کارها با هم فرق دارند. سامانه‌ای که اطلاعات را درست استخراج می‌کند، لزوماً مذاکره‌کننده قابل اعتمادی نیست.

جست‌وجوی شغل بر اساس وظایف در اُنت نقطه شروع مفیدی برای تفکیک فعالیت‌ها فراهم می‌کند. در استقرار واقعی، این فهرست باید با کمک افرادی که کار را انجام می‌دهند بررسی شود. تکرار، زمان، نرخ استثنا و مسئول پذیرش خروجی هر فعالیت را ثبت کنید. بازبینی هم کار است: خودکارشدن ورود اطلاعات ممکن است صف تازه‌ای از موارد دشوار برای کارشناسان ارشد بسازد.

روایت تصویری زیر، مثال پرستار در مقاله آنتروپیک را از ترکیب وظایف امروز تا کمک هوش مصنوعی، خودکارسازی و مسئولیت‌های تازه دنبال می‌کند. مربع‌ها دسته‌های کار را توضیح می‌دهند، نه توزیع آماری وظایف پرستاران. با بهترشدن ابزار، تغییر ورودی یا افزایش اختیار سامانه، یک فعالیت ممکن است از گروهی به گروه دیگر برود. این جابه‌جایی را ثبت کنید؛ برای یک حرفه کامل، برچسب دائمی نسازید.

پنج فرض، پنج پرسش جداگانه

سناریوها مقیاس‌های تاریخی متفاوتی دارند. حالت محدود، بهبود تدریجی بهره‌وری در اندازه فناوری‌های دیجیتال گذشته را توصیف می‌کند. در حالت چشمگیر، توانایی فنی تقریباً نیمی از وظایف دانشی را پوشش می‌دهد، اما استفاده واقعی فقط بخشی از آن ظرفیت است. حالت شدید، پذیرش سریع، استقلال عمل بسیار بالا و تقریباً نبود وظایف دانشی تازه برای انسان را فرض می‌کند. منبع، مسیر آخر را با هوش مصنوعی خودبهبوددهنده مرتبط می‌داند؛ این یک آزمایش مشروط است، نه ادعای حتمی‌بودن چنین آینده‌ای.

کاوشگر اصلی درباره توانایی، پذیرش، استقلال عمل، بهره‌وری و سازگاری پرسش می‌کند. ارزش این تفکیک در آن است که با تصمیم‌های متفاوتی روبه‌رو هستیم. موفقیت یک سامانه در نمایش آزمایشی، به معنای استفاده گسترده نیست. حتی یک دستیار فراگیر هم ممکن است برای هر مرحله حساس به تأیید انسان نیاز داشته باشد.

در تفسیر ژرف، تیم برنامه‌ریزی باید این ابعاد را به شواهد قابل بررسی تبدیل کند. توانایی به آزمون پذیرش نماینده کار واقعی نیاز دارد. پذیرش با سهم کار واجد شرایطی سنجیده می‌شود که واقعاً با ابزار انجام شده است. استقلال عمل، به فهرست تصمیم‌هایی وابسته است که هنوز انسان می‌گیرد. بهره‌وری، کل تلاش تا رسیدن به نتیجه پذیرفته‌شده را می‌سنجد. سازگاری نیز به شواهدی درباره مسیر افراد پس از حذف وظایف قبلی نیاز دارد.

بهترشدن امتیاز یک مدل، دلیل کافی برای خوش‌بینانه‌کردن هم‌زمان همه فرض‌ها نیست. پاسخ‌های دستیار اسناد ممکن است بهتر شود، اما دسترسی نداشتن به پرونده‌ها پذیرش آن را محدود کند. تیم خدمات هم ممکن است سریع ابزار را بپذیرد، در حالی که هزینه بازبینی تمام وقت ذخیره‌شده را مصرف می‌کند. مقایسه زیر مربوط به سناریوهای منتشرشده است. با ابزار پنج‌پرسشی همین صفحه می‌توانید فرض‌های خود را تغییر دهید، همه نتیجه‌ها را دوباره محاسبه کنید و پاسخ‌هایتان را کنار نظرسنجی منبع ببینید.

تولید: اندازه اقتصاد با نرخ رشد فرق دارد

«تولید بیشتر در ۲۰۳۰» با «رشد سالانه سریع‌تر در آستانه ۲۰۳۰» دو پرسش متفاوت است. اداره تحلیل اقتصادی آمریکا، تولید ناخالص داخلی را معیاری برای تولید توضیح می‌دهد؛ مقایسه تعدیل‌شده با تورم، تغییر مقدار تولید را از تغییر قیمت جدا می‌کند. مبنای مبالغ دلاری در مقایسه ما، قیمت‌های ۲۰۲۵ در منبع است.

هنگام ارائه سناریو به هیئت‌مدیره، مبنای مقایسه و تاریخ را کنار عدد بنویسید. افزایش انباشته نسبت به یک مسیر اقتصادی جایگزین، بازده سالانه سرمایه‌گذاری در هوش مصنوعی نیست. تولید ملی هم پیش‌بینی فروش شرکت شما نیست؛ رقابت، قیمت‌گذاری، ظرفیت و دسترسی به بازار میان این دو قرار دارند.

برای توجیه اقتصادی درون سازمان، مدل عملیاتی جداگانه بسازید. از واحد کار پذیرفته‌شده، تقاضای محقق‌شده و منابع لازم برای تحویل آغاز کنید. اگر تیم دو برابر پیش‌نویس تولید کند، اما مشتری همان تعداد محصول نهایی بخرد، ظرفیت بیشتر نوشتن به‌خودی‌خود درآمد را دو برابر نکرده است. این تفاوت باید هم در داشبورد و هم در بودجه باقی بماند.

اشتغال: مواجهه با فناوری، نرخ بیکاری نیست

مخرج نمودار شاخه‌ای با نمودار بیکاری فرق دارد: افراد شاغل در ۲۰۲۶ را برابر صد در نظر می‌گیرد. در سناریوی چشمگیر، گروه کار دانشی از ۶۲٫۲ به ۵۹٫۷ می‌رسد. از ۲٫۵ فرد جابه‌جاشده، ۱٫۸ نفر به گروه دیگر می‌روند و ۰٫۷ نفر تا ۲۰۳۰ همچنان در انتظار انتقال‌اند. این اعداد، تغییرات کلان‌اند و مسیر تک‌تک افراد را دنبال نمی‌کنند. گردش معمول بازار کار کنار گذاشته شده تا انتقال اضافه ناشی از این تغییر روشن بماند.

مهارت و فرصت استخدام در هر دو سوی انتقال اهمیت دارند. ممکن است یک نقش پیش از ایجاد فرصت مناسب در کارفرمای دیگر حذف شود. کارمند قبلی یک دفتر شاید به آموزش، گواهی حرفه‌ای یا جابه‌جایی محل زندگی نیاز داشته باشد. به همین دلیل، مدل میان تقاضا برای کار و سرعت رسیدن افراد به شغل‌های موجود فرق می‌گذارد.

وظیفه در معرض تغییر، موقعیت حذف‌شده، فرد در حال تغییر حرفه و فرد بیکار، چهار مفهوم متفاوت‌اند. در چارچوب سنجش اداره آمار کار آمریکا، بیکاری به افراد بدون کاری مربوط می‌شود که آماده کار و فعالانه در جست‌وجوی آن هستند، با استثناهای تعریف‌شده. افراد خارج از نیروی کار در گروه دیگری قرار می‌گیرند. یک وظیفه در معرض خودکارسازی، یک فرد بیکار محسوب نمی‌شود.

این تمایز، شاخص‌های کارفرما را تغییر می‌دهد. انتقال به نقش دیگری در سازمان را جدا از خروج، کاهش ساعت و خالی‌ماندن موقعیت‌ها بشمارید. پیگیری را پس از پایان دوره آموزشی ادامه دهید. گذراندن دوره، ورودی فرایند است؛ رسیدن به نقشی پایدار با دستمزد و شرایط مناسب، نتیجه آن است.

پیشنهاد ما این است که هر تغییر فرایند، مسئول انتقال کارکنان و تاریخ بازبینی داشته باشد. مهارت‌های نقش مقصد، فرصت تمرین زیر نظر فرد باتجربه و ظرفیت جذب نیرو در آن نقش را مشخص کنید. برنامه انتقال بدون کار واقعی در مقصد، هنوز برنامه عملیاتی نیست. این‌ها توصیه‌های سازمانی ژرف‌اند، نه نتایجی که آنتروپیک اندازه گرفته باشد.

دستمزد: میانگین، تجربه‌های متضاد را پنهان می‌کند

منبع، این واگرایی را با تغییر تقاضا و زمان لازم برای تغییر حرفه توضیح می‌دهد. طراحی و صدور مجوز سریع‌تر می‌تواند پروژه‌های ساختمانی بیشتری ایجاد کند؛ در نتیجه، تقاضا برای کارگران ساخت‌وساز بالا می‌رود، حتی اگر بعضی فعالیت‌های دفتری به نیروی کمتری نیاز داشته باشند. تا زمانی که افراد کافی وارد حرفه‌های رو به رشد نشده‌اند، دستمزد آن‌ها افزایش می‌یابد. در سناریوی چشمگیر، دستمزد کارکنان دانشی تقریباً ثابت است؛ در حالت شدید، ۱۱٫۵٪ کاهش می‌یابد، در حالی که مزد گروه دیگر ۳۳٫۶٪ بیشتر می‌شود.

گزارش فنی، مشاغل شناختی یا دانشی را از سایر کارها جدا می‌کند. در سناریوی شدید، علامت تغییر دستمزد این دو گروه متفاوت است. در مقایسه ما هر دو حفظ شده‌اند، چون یک میانگین واحد، توزیع اثر را پنهان می‌کند. جدول ۳ مقاله پژوهشی منبع نرخ‌ها، تغییر دستمزد و سهم‌های درآمدی است.

در شرکت، پیامدهای پرداخت را بر اساس نقش و سابقه هم بررسی کنید. اگر موقعیت‌های تازه‌کار حذف شوند و متخصصان پردرآمدتر بمانند، میانگین حقوق می‌تواند بالا برود، بدون اینکه حقوق هیچ فرد باقی‌مانده‌ای افزایش یافته باشد. اگر همان متخصصان مسئول استثناهای بیشتری شوند، بهبود ظاهری پرداخت نیز ممکن است با دشوارترشدن کار همراه باشد.

ساعت کار و تعداد شاغلان را کنار دستمزد گزارش کنید. فردی که مزد ساعتی بالاتری می‌گیرد ولی ساعات کمتری کار دارد، ممکن است در مجموع درآمد کمتری داشته باشد. همچنین، مزد فرد شاغل درباره درآمد کسی که بین دو شغل مانده اطلاعات زیادی نمی‌دهد. این مسئله دلیل حفظ چند شاخص کنار هم است، نه کنارگذاشتن هر نوع میانگین.

توزیع: ارزش بیشتر چگونه به مردم می‌رسد؟

مدل با سهم ۶۰٪ برای نیروی کار و ۴۰٪ برای سرمایه آغاز می‌شود. سهم نیروی کار در ۲۰۳۰ به‌ترتیب در سه حالت به ۵۹٫۴٪، ۵۶٫۱٪ و ۴۵٫۲٪ می‌رسد. خودکارسازی، کاربرد و تقاضا برای سرمایه را افزایش می‌دهد و مالک سرمایه می‌تواند سهم بیشتری از منافع دریافت کند. در حالت شدید، بزرگ‌ترشدن ۳۲٫۴٪ اقتصاد تقریباً افت سهم نیروی کار را جبران می‌کند؛ کل درآمد نیروی کار، با وجود اقتصاد بسیار بزرگ‌تر، نزدیک به سطح مسیر بدون هوش مصنوعی می‌ماند. به همین دلیل، تولید ناخالص داخلی به‌تنهایی تصویر کاملی از رفاه نیست.

سهم نیروی کار، کسری از کل درآمد است. برای فهم آن باید صورت و مخرج را با هم دید. اگر کل تولید به اندازه کافی افزایش پیدا کند، سهم کمتر می‌تواند با درآمد بیشتر نیروی کار همراه شود. این حساب به‌تنهایی نمی‌گوید کدام خانوار سود می‌برد، قدرت چانه‌زنی کارکنان چقدر می‌ماند یا درآمدشان تا چه اندازه پایدار است.

در برنامه‌ریزی سازمانی، مسیر استفاده از بهبود کارایی را بنویسید: کاهش قیمت برای مشتری، کوتاه‌شدن ساعات، گسترش خدمت، جبران خدمات کارکنان، سرمایه‌گذاری یا بازده مالک. پیش از گفتن اینکه «همه سود می‌برند»، باید این انتخاب‌ها روشن شوند. ممکن است چند مسیر هم‌زمان وجود داشته باشد، با زمان‌بندی و دریافت‌کنندگان متفاوت.

یک تمرین مدیریتی مفید، افزودن یادداشت توزیع منافع به پیشنهادهای بزرگ خودکارسازی است. مشخص کنید کار تکراری چه کسی کمتر می‌شود، قضاوت بیشتری به چه کسی سپرده می‌شود، هزینه انتقال را چه کسی می‌پردازد و منفعت مالی نصیب چه کسی خواهد شد. پس از استقرار، این یادداشت را با بازخورد کارکنان و شواهد عملیاتی بازبینی کنید. این پیشنهاد ژرف برای تصمیم‌گیری است، نه سیاستی که مدل تولید کرده باشد.

نظرسنجی، باورها را می‌سنجد؛ نه احتمال وقوع را

به گزارش منبع، پاسخ‌های معمول نظرسنجی به حدود ۱۰٪ تولید بیشتر در ۲۰۳۰ و بیکاری نزدیک ۵٪ منجر می‌شوند؛ انتظارهای حدود یک نفر از هر ده پاسخ‌دهنده با حالت شدید هم‌خوان بوده است. پنج توزیع بالاتر، نمونه عموم مردم و بازدیدکنندگان منبع را جدا نگه می‌دارند. با تغییر یک پاسخ در ابزار همین صفحه، نشانگر خود را روی آن توزیع‌ها جابه‌جا کنید. مجموعه بازدیدکنندگان، تصویری ثابت از ۲۴ سپتامبر است و نظرسنجی زنده وب‌سایت ما نیست.

آنتروپیک از ۱۰٬۹۸۰ بزرگسال آمریکایی نظرسنجی کرده است؛ پاسخ‌های معمول، خروجی‌هایی نزدیک به سناریوی چشمگیر ساخته‌اند. انتظار پاسخ‌دهنده، ورودی مدل است، نه مشاهده اقتصادی که قبلاً رخ داده باشد. بازدیدکنندگان پاسخ‌دهنده به یک ابزار اینترنتی هم جمعیتی متفاوت از نمونه نماینده عموم مردم هستند.

در شرکت می‌توان از تمرین مشابهی برای آشکارکردن اختلاف نظر استفاده کرد. پیش از بحث جمعی، از عملیات، مهندسی و کارکنان بخواهید مستقل پاسخ دهند. سپس اختلاف را تا فرضی دنبال کنید که قابل بررسی باشد. شاید یک گروه، ورودی دیجیتال تمیز را فرض کرده و گروه دیگر می‌داند چه تعداد پرونده با عکس یا پیام ناقص آغاز می‌شود.

محبوب‌ترین سناریو را تعهد سازمان ندانید. خروجی مفید، فهرست فرض‌ها، مسئولان و نشانه‌های قابل مشاهده‌ای است که برنامه را تغییر می‌دهند. حفظ این سابقه کمک می‌کند تیم از انتظارهای قبلی خود یاد بگیرد، به‌جای اینکه پس از رخدادها داستان اولیه را از نو بنویسد.

چه چیزهایی بیرون از قاب مدل مانده‌اند؟

مقاله، کانال‌های مهمی مانند چرخه‌های تجاری، پاسخ‌های سیاستی، اختلال مالی و رباتیک پیشرفته را کنار می‌گذارد. گروه‌بندی شغل‌ها نیز کلی است. این حدود، مرز تحلیل را مشخص می‌کنند؛ مدل نمی‌تواند همه پرسش‌های پیامد اجتماعی هوش مصنوعی را پاسخ دهد.

در تفسیر ما، پاسخ مناسب داشتن دفتر جداگانه ریسک‌هاست، نه فرض بی‌اهمیت‌بودن عوامل حذف‌شده. اختلال عرضه، ضعف تقاضا، اعتماد مشتری و شکست اجرا را هرجا برای کسب‌وکار مهم‌اند ثبت کنید. اصلاح عددی ساختگی به سناریوهای منتشرشده اضافه نکنید و سپس نتیجه را همچنان مدل آنتروپیک ننامید.

نام سناریوها هم می‌تواند دقت کاذب بسازد. «شدید» به معنای ناممکن نیست؛ «محدود» برای تک‌تک کارکنان به معنای بی‌خطر نیست؛ حالت میانی نیز خودبه‌خود محتمل‌ترین حالت نمی‌شود. تصمیم مسئولانه باید حتی برای خواننده‌ای که با آینده انتخاب‌شده موافق نیست، قابل فهم باشد. سرمایه‌گذاری‌هایی را ترجیح دهید که در چند وضعیت معقول مفید می‌مانند و مشخص کنید چه شواهدی شما را به توقف وامی‌دارد.

داوران چه پرسش‌هایی مطرح کرده‌اند؟

بازبینی بیرونی به کامل‌ترشدن نقش بازده سرمایه و تفاوت مسیر دستمزد دو گروه شغلی کمک کرده است. از داوران خواسته نشده بود نتایج را تأیید کنند. اختلاف‌های باقی‌مانده نیز بخشی از داستان پژوهش‌اند: شاید مشاغل در معرض فناوری به‌جای کوچک‌شدن گسترش یابند؛ دو گروه کلی نمی‌توانند هزینه انتقال تک‌تک افراد را نشان دهند؛ و شاید شدیدترین حالت، بیشتر آزمایشی فکری باشد تا سناریوی مرکزی برنامه‌ریزی.

پرسش‌های باز دیگر به اندازه اثر بهره‌وری قابل مشاهده امروز، تقاضای ناشی از ساخت مراکز داده و احتمال شتاب‌گرفتن نوآوری بیش از حد فرض‌شده مربوط‌اند. مدلی که بی‌ثباتی مالی، شوک تقاضای کل، واکنش سیاستی و رباتیک پیشرفته را کنار می‌گذارد، با تغییر یک لغزنده نمی‌تواند به این پرسش‌ها پاسخ دهد. آنتروپیک این چارچوب را نسخه ۱٫۰ می‌نامد و انتظار دارد با انباشت شواهد تغییر کند. شماره نسخه و مرزهای آن باید همراه هر تفسیر عددی باقی بمانند.

خواندن یک مدل آمریکایی از ایران

کالیبراسیون آمریکا، پیش‌بینی اشتغال، حقوق یا تولید ایران نیست. تحلیل محلی مفید به شواهد محلی درباره شغل‌ها، دستمزد، پذیرش، دسترسی و نهادهای مؤثر بر انتقال نیاز دارد. ترجمه رابط به فارسی، کالیبراسیون را بومی نمی‌کند.

برای سازمان ایرانی، از فرایندی محدود و ابزارهای واقعاً در دسترس شروع کنید. اسناد فارسی، ترکیب رقم‌ها، پرونده‌های ناقص و مجوزهای واقعی محیط اجرا را بیازمایید. هزینه را با ارز و شرایط پرداختی ثبت کنید که سازمان واقعاً با آن روبه‌روست. فرض‌های دسترسی را صریح نگه دارید؛ برنامه را به موجودشدن تأییدنشده یک خدمت در آینده وابسته نکنید.

مقاله‌های سنجش بهره‌وری تا پایان بازبینی و اصلاح و خودکارسازی مبتنی بر شواهد، جنبه عملیاتی این روش را توضیح می‌دهند. با کمک آن‌ها می‌توان پرسش اقتصادی را به آزمون پذیرش وصل کرد، بدون اینکه ادعا شود یک آزمایش محلی، سناریوی کلان ملی را اعتبارسنجی می‌کند.

پاسخ عملی در شرایط نامطمئن

برای نخستین دوره بازبینی، سه خروجی پیشنهاد می‌کنیم: فهرست وظایف، آزمایش اندازه‌گیری‌شده و برنامه انتقال کارکنان. هرکدام باید مسئول داشته باشد. فهرست، دامنه تغییر را مشخص می‌کند؛ آزمایش می‌سنجد که آیا کار پذیرفته‌شده بهتر شده است؛ برنامه انتقال توضیح می‌دهد برای افراد درگیر چه اتفاقی می‌افتد.

مجموعه کوچکی از نتایج را کنار هم منتشر کنید: کار تکمیل‌شده، خطاهای کیفیت، کل تلاش انسانی، اثر بر مشتری و تغییر نقش یا ساعات. فاصله بازبینی را پیش از آغاز آزمایش تعیین کنید. موارد ناموفق و شرط‌های توقف را حفظ کنید؛ وگرنه جلسه بعد، مجموعه‌ای از نمایش‌های موفق بدون مخرج خواهد بود.

بحث سیاست عمومی، موضوع جداگانه‌ای است. چارچوب سیاستی آنتروپیک در ژوئن ۲۰۲۶ درباره پایش و پاسخ‌های متناسب با شدت اختلال، از جمله حمایت از انتقال و درآمد، بحث می‌کند. این‌ها پیشنهاد هستند، نه اقدام‌های تصویب‌شده یا اثبات کارآمدی یک مداخله در همه کشورها. این پرونده، تفسیر پژوهش است و توصیه شخصی سرمایه‌گذاری ارائه نمی‌کند.

یادداشت منابع — بازبینی ۲۴ سپتامبر ۲۰۲۶

مقایسه بر نسخه ۱٫۰ منبع در سپتامبر ۲۰۲۶ استوار است. نرخ‌های دقیق از جدول ۳، صفحه چاپی ۳۱، گرفته شده‌اند و وضعیت ابتدای ۲۰۳۰ را نشان می‌دهند؛ رشد سالانه مربوط به دوازده ماه پیش از آن است. مبالغ دلاری از مقاله تعاملی آمده‌اند. مسیرهای متحرک از خروجی ماهانه مدل منتشرشده آنتروپیک گرفته شده‌اند و با دقت اعداد جدول ۳ تطبیق داده شده‌اند؛ محاسبه‌گر محلی، معادلات و کالیبراسیون منتشرشده را بازپیاده‌سازی می‌کند و خروجی سناریوهای مبنا و ورودی‌های سفارشی آن با موتور منبع تطبیق داده می‌شود. هر پنج پرسش، نتایج سفارشی، مسیر جابه‌جایی کارکنان و مقایسه نظرسنجی در همین مقاله در دسترس‌اند. این تطبیق، اعتبارسنجی مستقل نظریه اقتصادی نیست. مثال حسابداری و توصیه‌های سازمانی، تحلیل مستقل ما هستند.

• مقاله سناریوهای اقتصادی و کاوشگر اصلی آنتروپیک: معرفی سناریوها، تولید دلاری، مرور نظرسنجی، تصویر جلد و نشان‌های رنگی وظایف. از پدیدآورندگان طراحی اصلی: کلسی نانان، نیکی ماکاگیانسار و مونیکا توخوفسکا. جلد فهرست مقاله بدون تغییر بازنشر شده است. حرکت ترسیم و روایت هنگام پیمایش با نشان‌های اصلی منبع و توضیحات فارسی بازسازی شده‌اند.
• کورینک، جونز، ساخر، کاتر و مک‌کروری: سناریوهای اقتصادی برای هوش مصنوعی دگرگون‌ساز، سپتامبر ۲۰۲۶: مدل، فرض‌ها، جدول ۳ و محدودیت‌ها. بازخورد داوران بیرونی به معنای تأیید نتایج نیست.
• آنتروپیک: چارچوب سیاستی اثر هوش مصنوعی بر کار، ژوئن ۲۰۲۶: پیشنهادهای سیاستی جداگانه.
• جست‌وجوی شغل بر اساس وظایف در اُنت: واژگان وظایف و تطبیق شغل‌ها.
• اداره تحلیل اقتصادی آمریکا: تولید ناخالص داخلی: تولید و سنجش تعدیل‌شده با تورم.
• اداره آمار کار آمریکا: دولت چگونه بیکاری را اندازه می‌گیرد؟: تعریف وضعیت اشتغال.