آیا اتوماسیون هوش مصنوعی باعث از دست رفتن شغل‌ها می‌شود؟

در یکی از پروژه‌های اتوماسیون که سال‌ها پیش اجرا کردم، مدیر عملیات شرکت با نگرانی پرسید: «یعنی بعد از این پروژه، چند نفر از تیم را باید کنار بگذاریم؟» این سؤال، پرتکرارترین سؤال در هر جلسه اتوماسیون است و پاسخ صادقانه‌ام همیشه یکسان بوده: به‌جای پرسیدن «چند شغل حذف می‌شود»، باید بپرسیم «کدام وظایف جابجا می‌شوند و انسان‌ها به کجا منتقل می‌شوند؟» این تفکیک، در بحث‌های عمومی درباره اتوماسیون هوش مصنوعی به‌شدت نادیده گرفته می‌شود. در این مقاله، با تکیه بر داده‌های واقعی بازار کار و دیدگاه اقتصاددانان برجسته، این تفکیک را باز می‌کنم.

هراس عمومی و واقعیت آماری

در چند سال گذشته، دوگانه‌ای عجیب در بحث اتوماسیون هوش مصنوعی شکل گرفته است. از یک سو، تیترهای خبری از «آخرالزمان شغلی» می‌گویند و از سوی دیگر، داده‌های بازار کار نشان می‌دهد که اقتصادهای بزرگ هنوز با بحران بیکاری گسترده ناشی از هوش مصنوعی روبرو نشده‌اند. برای فهم این تناقض، باید به چند لایه داده نگاه کنیم.

مطالعه استنفورد در آگوست ۲۰۲۶ با عنوان «Canaries in the Coal Mine» به‌روزرسانی مهمی از داده‌های قبلی منتشر کرد: «ما شاهد جابجایی گسترده و در سطح کل اقتصاد ناشی از هوش مصنوعی نیستیم». این نتیجه‌گیری، بر پایه داده‌های واقعی حقوق و دستمزد شرکت ADP و با بررسی دقیق تفاوت‌ها بر اساس سن و میزان مواجهه با هوش مصنوعی به دست آمده است.

در سطح شرکتی نیز، مطالعه فدرال رزرو آتلانتا با نظرسنجی از نزدیک به ۷۵۰ مدیر ارشد، «شواهد کمی از کاهش استخدام در سطح کلان ناشی از هوش مصنوعی» پیدا کرد، هرچند شرکت‌های بزرگ‌تر کاهش نیروی انسانی ناشی از هوش مصنوعی را پیش‌بینی می‌کنند، در حالی که شرکت‌های کوچک‌تر انتظار افزایش اندک نیرو دارند. اگر می‌خواهید بدانید این داده‌ها چگونه در عمل جمع‌آوری می‌شوند، اتوماسیون با هوش مصنوعی چیست و چه مزایایی دارد تصویر عملیاتی این فرآیندها را نشان می‌دهد.

آمارها می‌گویند بحران بیکاری گسترده هنوز شروع نشده؛ اما زیر پوست آمار کلی، تغییرات عمیقی در جریان است.

اعداد کلیدی: چه اتفاقی دارد می‌افتد؟

برای فهم تصویر کامل، باید هم آمار اخراج و هم آمار استخدام را در کنار هم دید. در ادامه، اعداد کلیدی از معتبرترین گزارش‌ها را مرور می‌کنم.

آمار اخراج‌های مرتبط با هوش مصنوعی

بر اساس داده‌های شرکت Challenger, Gray and Christmas، بیش از ۱۸۰٬۰۰۰ مورد از دست دادن شغل در شرکت‌های بزرگ از می ۲۰۲۳ تاکنون به هوش مصنوعی مرتبط شده است؛ از جمله ۱۱۲٬۰۰۰ مورد فقط در سال ۲۰۲۶. در ماه می ۲۰۲۶، ۹۷٬۰۰۰ مورد اخراج اعلام شد که بالاترین رقم ماه می از زمان شروع پاندمی کووید بود و نزدیک به ۴۰ درصد آن به بازسازی مرتبط با هوش مصنوعی نسبت داده شد. در پنج ماه اول ۲۰۲۶، ۸۷٬۷۱۴ مورد اخراج مرتبط با هوش مصنوعی ثبت شده است.

آمار استخدام و شغل‌های جدید

در سمت دیگر، گزارش مجمع جهانی اقتصاد (WEF) نشان می‌دهد که تا سال ۲۰۳۰، حدود ۹۲ میلیون شغل جابجا خواهد شد، اما ۱۷۰ میلیون شغل جدید ایجاد می‌شود؛ یعنی رشد خالص ۷۸ میلیون شغل. داده‌های لینکدین که توسط WEF منتشر شده نشان می‌دهد هوش مصنوعی تاکنون ۱.۳ میلیون نقش جدید در سطح جهانی ایجاد کرده است. در سال ۲۰۲۶ به‌تنهایی ۶ میلیون شغل مرتبط با هوش مصنوعی در سطح جهانی ایجاد شده و این روند تا ۱۳ میلیون در سال تا ۲۰۳۰ ادامه خواهد یافت.

شکاف میان پذیرش و استقرار

مکینزی در گزارش خود اشاره می‌کند که ۸۸ درصد سازمان‌ها از هوش مصنوعی در حداقل یک کارکرد کسب‌وکار استفاده می‌کنند، اما تنها ۷ درصد آن را به‌طور کامل در مقیاس سازمانی مستقر کرده‌اند. این شکاف، نشان می‌دهد که بسیاری از پیش‌بینی‌های بحران شغلی، بر پایه فرض استقرار کامل استوارند، در حالی که واقعیت فعلی بسیار محدودتر است.

گزارش گلدمن ساکس نیز پیش‌بینی می‌کند که هوش مصنوعی می‌تواند حدود ۹ درصد از نیروی کار آمریکا، معادل حدود ۱۵ میلیون کارگر، را در طول یک دوره ده‌ساله جابجا کند. این رقم، بسیار بزرگ به نظر می‌رسد، اما نکته کلیدی این است که جابجایی در طول ده سال پخش می‌شود؛ یعنی در هر سال، افزایش نرخ بیکاری کمتر از یک درصد خواهد بود.

اگر می‌خواهید بدانید این جابجایی شغلی در سطح سازمانی چگونه مدیریت می‌شود، اتوماسیون فرآیندهای فروش با هوش مصنوعی و هوش مصنوعی در اتوماسیون پشتیبانی مشتری نمونه‌های عملی را نشان می‌دهند.

بحران نیروی کار جوان

در حالی که آمار کلی، تصویری آرام از بازار کار نشان می‌دهد، زیر این سطح، یک شکاف جدی در حال شکل‌گیری است: نیروی کار جوان. مطالعه استنفورد نشان می‌دهد که اشتغال کارگران ۲۲ تا ۲۵ ساله در مشاغل با مواجهه بالا با هوش مصنوعی، حدود ۱۹ درصد پایین‌تر از سطحی است که اگر با همتایان کم‌مواجهه‌شان هم‌گام پیش می‌رفت، باید باشد. این شکاف از ۱۵ درصد در جولای ۲۰۲۵ به ۱۹ درصد در ژوئن ۲۰۲۶ رسیده است.

نکته مهم‌تر این است که این کاهش از طریق «کاهش استخدام» رخ می‌دهد، نه «افزایش اخراج». یعنی شرکت‌ها نیروهای جوان کمتری استخدام می‌کنند، اما نیروهای موجود را اخراج نمی‌کنند. این الگو در مطالعه مکینزی نیز تایید شده است: ۵۱ درصد سازمان‌ها گزارش کرده‌اند که هوش مصنوعی مولد، نیاز آن‌ها به نقش‌های سطح ورودی را کاهش داده است. داده‌های دفتر آمار کار آمریکا نیز نشان می‌دهد نرخ بیکاری فارغ‌التحصیلان دانشگاهی ۲۳ تا ۲۷ ساله از ۳.۲۵ درصد در سال ۲۰۱۹ به ۴.۵۹ درصد در سال ۲۰۲۵ رسیده است.

چرا نیروی کار جوان؟

مطالعه استنفورد توضیح مهمی برای این پدیده ارائه می‌دهد: تمایز میان «دانش مدون» و «دانش تجربی». اشتغال در مشاغلی که به‌شدت بر دانش مدون، یعنی دانش رسمی، استانداردشده و قابل‌آموزش از طریق کتاب و مستندات، متکی هستند، کاهش یافته است. در مقابل، اشتغال در مشاغلی که به دانش تجربی حاصل از تمرین، مربی‌گری و تجربه موقعیت‌های واقعی وابسته‌اند، افزایش یافته است.

این تفکیک، منطق روشنی دارد: مدل‌های مولد در بازتولید و به‌کارگیری دانشی که در متن و سایر اطلاعات دیجیتال کدگذاری شده، بسیار موثرند، در حالی که دانش مبتنی بر تجربه، برای آن‌ها سخت‌تر قابل تکرار است. یعنی کارمندان جوان که هنوز تجربه کافی برای ساختن دانش تجربی خود نداشته‌اند، بیشترین آسیب را می‌بینند.

بحران شغلی امروز، بحران «نبود شغل» نیست؛ بحران «نبود مسیر ورود به شغل» است.

این مسئله در حوزه‌هایی مانند مهندسی نرم‌افزار و پشتیبانی مشتری واضح‌تر است. داده‌ها نشان می‌دهد که استخدام برای مشاغل مهندسی نرم‌افزار در Q1 ۲۰۲۶ حدود ۲۲ درصد کاهش یافته، در حالی که استخدام برای نقش‌های دارای عنوان AI در همین بازه ۱۷۳ درصد جهش کرده است. برای دیدن تصویر کامل‌تر از این تغییرات در حوزه برنامه‌نویسی، آیا هوش مصنوعی جایگزین برنامه‌نویسان می‌شود؟ را بخوانید.

جایگزینی وظیفه در برابر حذف شغل

مهم‌ترین تفکیک در این بحث، تمایز میان «وظیفه» و «شغل» است. این تفکیک در ادبیات اقتصادی با نام «مدل مبتنی بر وظیفه» شناخته می‌شود و چارچوب اصلی تحلیل اثر هوش مصنوعی بر بازار کار است.

اریک برینجولفسون، اقتصاددان استنفورد و مدیر آزمایشگاه اقتصاد دیجیتال، این مفهوم را به‌سادگی توضیح می‌دهد: «یک شغل، مجموعه‌ای از وظایف مختلف است. هوش مصنوعی می‌تواند به برخی از آن‌ها کمک کند». او مثال رادیولوژیست‌ها را می‌آورد: یک رادیولوژیست ده‌ها وظیفه مختلف دارد — از گرفتن تاریخچه بیمار تا تفسیر تصویر و مشاوره با پزشک معالج. هوش مصنوعی می‌تواند در تفسیر تصویر کمک کند، اما نمی‌تواند تمام این مجموعه را یک‌جا انجام دهد.

مطالعه مشترک MIT و IDE در این زمینه صریح است: «از دست دادن وظیفه و از دست دادن شغل، یک چیز نیستند». این تفکیک، پایه تحلیل‌های دقیق‌تر است. دارون عجم‌اوغلو، برنده جایزه نوبل اقتصاد، در این زمینه تحقیق گسترده‌ای انجام داده است. او استدلال می‌کند که هوش مصنوعی در خودکارسازی وظایف خاص خوب عمل می‌کند، اما بسیاری از مشاغل کاملاً سالم باقی می‌مانند.

عجم‌اوغلو در مصاحبه با MIT Technology Review مثال ملموسی می‌آورد: یک تکنسین اشعه ایکس، ۳۰ وظیفه مختلف را مدیریت می‌کند، از یادداشت‌برداری از سابقه بیمار تا سازماندهی آرشیو تصاویر ماموگرافی. یک انسان می‌تواند به‌طور طبیعی بین فرمت‌ها، پایگاه‌داده‌ها و سبک‌های کاری جابجا شود، اما هوش مصنوعی برای انجام همین کار به چند ابزار یا پروتکل جداگانه نیاز دارد. این تفاوت، دلیل اصلی این است که جایگزینی کامل یک شغل با هوش مصنوعی، بسیار سخت‌تر از جایگزینی یک وظیفه است.

گلدمن ساکس در گزارش خود تخمین می‌زند که حدود ۹ درصد از نیروی کار آمریکا در طول ده سال آینده جابجا خواهد شد، اما این جابجایی به‌معنای بیکاری دائمی نیست. جوزف بریگز، اقتصاددان گلدمن ساکس، تصریح می‌کند که این جابجایی «از نوع شوک‌های اتوماسیون و تخصیص مجددی است که در اواخر دهه ۹۰ و اوایل دهه ۲۰۰۰ دیده‌ایم» و اگر به‌اندازه کافی در طول زمان پخش شود، تأثیر آن بر نرخ بیکاری در هر سال کمتر از یک درصد خواهد بود.

دیدگاه اقتصاددانان برجسته

در این حوزه، دیدگاه اقتصاددانان برجسته از دو قطب متفاوت شکل گرفته است: کسانی که هشدار می‌دهند و کسانی که آرامش می‌دهند. برای درک درست، باید هر دو طرف را شنید.

اریک برینجولفسون: خوش‌بین با اخطار

برینجولفسون که از پیشگامان مطالعات اثر هوش مصنوعی بر بازار کار است، موضعی متعادل دارد. او می‌گوید: «هنوز هیچ نشانه‌ای از تخریب شغل در سطح کل اقتصاد وجود ندارد». اما در همان مصاحبه هشدار می‌دهد: «من یک شکاف بزرگ می‌بینم، یک عدم تطابق بزرگ، و نگرانم که برای سونامی‌ای که در راه است آماده نباشیم».

برینجولفسون بر اساس داده‌های حقوق و دستمزد ADP نشان می‌دهد که کارگران در مشاغل با مواجهه بالا با هوش مصنوعی، به‌ویژه در حوزه‌هایی مثل مهندسی نرم‌افزار و پشتیبانی مشتری تلفنی، کاهش استخدام را تجربه کرده‌اند. اما نکته کلیدی این است که این کاهش در «استخدام» رخ می‌دهد، نه در «اخراج».

او یک هشدار مهم خطاب به مدیران مالی نیز دارد: «بیشتر مدیران ارشد بر جایگزینی انسان در راستای کاهش هزینه تمرکز بیش‌ازحد دارند. این کار اشتباه است... در بیشتر موارد، آن‌ها واقعاً بهتر است به دنبال فرصت‌ها باشند». این جمله، اشاره به استراتژی‌ای دارد که او «استراتژی تنبل» می‌نامد: کاهش نیرو برای صرفه‌جویی فوری، بدون ساختن چیزی برای فردا.

دارون عجم‌اوغلو: شک‌گرای سنجیده

عجم‌اوغلو که در سال ۲۰۲۴ جایزه نوبل اقتصاد را دریافت کرد، موضعی متفاوت دارد. او پیش از دریافت جایزه، مقاله‌ای منتشر کرد که در سیلیکون‌ولی طرفداران زیادی برایش پیدا نکرد: او تخمین زد که هوش مصنوعی فقط افزایش کوچکی به بهره‌وری آمریکا خواهد داد و نیازی به کار انسانی را از بین نخواهد برد.

عجم‌اوغلو در تحلیل خود، تنها ۵ درصد از مشاغل جهان را تا سال ۲۰۳۵ در معرض تهدید هوش مصنوعی می‌بیند، در حالی که تحلیل OECD این رقم را یک‌چهارم و تحلیل IMF آن را ۴۰ درصد تخمین می‌زند. او در مورد کارمندان اداری می‌گوید: «این به تعداد زیادی از مشاغل اداری که درباره خلاصه‌سازی داده، تطبیق بصری و تشخیص الگو هستند، تأثیر می‌گذارد. و این‌ها اساساً حدود ۵ درصد اقتصاد هستند. ما هنوز روزنامه‌نگار خواهیم داشت، هنوز تحلیلگر مالی خواهیم داشت».

عجم‌اوغلو نگرانی اصلی خود را نه بیکاری، بلکه کاهش ارزش مهارت‌ها می‌داند: «آنچه ما نگران آن هستیم این است که مهارت‌های تعداد زیادی از کارگران بسیار کم‌ارزش‌تر شود. بنابراین درآمد آن‌ها هم‌گام پیش نخواهد رفت». این دیدگاه، توجه را از «از دست دادن شغل» به «کاهش کیفیت شغل» جلب می‌کند.

کای‌فو لی: هشدار درباره اختلالات اجتماعی

کای‌فو لی، سرمایه‌گذار هوش مصنوعی و رئیس سابق گوگل چین، در مصاحبه‌ای با بلومبرگ می‌گوید: «مشاغل تغییر خواهند کرد. در پنج سال، نمودار سازمانی شرکت‌های معمولی متفاوت خواهد بود؛ افرادی که مهم‌ترین جایگاه‌ها را اشغال می‌کنند، متفاوت خواهند بود». او معتقد است که کارگران هوش مصنوعی بهتر، ارزان‌تر و سریع‌تر می‌شوند و سازمان‌ها نمی‌توانند آن‌ها را در ساختارهای سلسله‌مراتبی سنتی جای دهند: «کارگران هوش مصنوعی به سلسله‌مراتب نیاز ندارند. آن‌ها به افرادی نیاز دارند که بدانند چگونه مسئله درست را طراحی کنند، هوش مصنوعی را برای حل آن سازماندهی کنند و — مهم‌تر از همه — در صورت بروز مشکل، پاسخگو باشند. هوش مصنوعی نمی‌تواند پاسخگو باشد».

کای‌فو لی در جای دیگری هشدار شدیدتری می‌دهد: «این تهدید بنیادین اتوماسیون است: تحولات اجتماعی گسترده، ناآرامی‌های عمومی و فروپاشی سیاسی ناشی از بیکاری و نابرابری فاحش». این هشدار، از سوی کسی است که خودش سرمایه‌گذاری سنگینی در هوش مصنوعی انجام داده و به‌عنوان یکی از پیش‌بینان اصلی این حوزه شناخته می‌شود.

هشدارهای جفری هینتون

جفری هینتون، برنده جایزه نوبل فیزیک و یکی از پدران یادگیری عمیق، بی‌پرده‌ترین هشدارها را درباره اثر هوش مصنوعی بر اشتغال داده است. او در مصاحبه‌ای می‌گوید: «آنچه واقعاً اتفاق خواهد افتاد این است که ثروتمندان از هوش مصنوعی برای جایگزینی کارگران استفاده خواهند کرد. این باعث بیکاری گسترده و افزایش عظیم سود می‌شود. تعداد کمی از افراد بسیار ثروتمندتر و اکثر مردم فقیرتر خواهند شد. این تقصیر هوش مصنوعی نیست؛ تقصیر سیستم سرمایه‌داری است».

هینتون در CNBC TV18 نیز تصریح می‌کند: «به نظر می‌رسد برای بسیاری از مردم بسیار محتمل است که ما شاهد بیکاری گسترده ناشی از هوش مصنوعی باشیم». او استدلال می‌کند که شرکت‌های فناوری مبالغ هنگفتی روی هوش مصنوعی خرج می‌کنند چون معتقدند می‌تواند به آن‌ها در جایگزینی کارگران و کاهش هزینه‌ها کمک کند.

هشدارهای هینتون از جنس فنی نیستند؛ از جنس انگیزه‌های اقتصادی هستند. او نگران است که سیستم اقتصادی، هوش مصنوعی را در جهت جایگزینی نیروی کار هدایت کند، نه تقویت آن.

این هشدارها در کنار داده‌های واقعی که کاهش استخدام جوانان را نشان می‌دهند، تصویری پیچیده می‌سازند: بیکاری گسترده فعلاً رخ نداده، اما انگیزه‌های ساختاری برای جایگزینی نیروی کار قوی هستند. برای بررسی عمیق‌تر این ریسک‌ها، ریسک‌های عامل‌های هوش مصنوعی خودمختار و اخلاقیات استفاده از هوش مصنوعی مولد را بخوانید.

کدام صنایع بیشترین آسیب را می‌بینند؟

بر اساس داده‌ها و تحلیل‌های مختلف، چهار صنعت بیشترین مواجهه را با اتوماسیون هوش مصنوعی دارند.

پشتیبانی مشتری

بخش پشتیبانی مشتری یکی از پرریسک‌ترین حوزه‌هاست. فورستر پیش‌بینی می‌کند که ۴۹ درصد از مشاغل فعلی پشتیبانی مشتری تا سال ۲۰۳۰ از بین خواهد رفت. در شرکت‌های دیجیتال‌محور، هوش مصنوعی بین ۶۸ تا ۸۰ درصد استعلام‌ها را مدیریت می‌کند. مایکروسافت نیز نیروی پشتیبانی مشتری خود را از ۵۰٬۰۰۰ به ۴۰٬۰۰۰ کاهش داده است.

اما این تصویر کامل نیست. نظرسنجی گارتنر نشان می‌دهد که تنها ۲۰ درصد از رهبران پشتیبانی مشتری کاهش نیروی انسانی ناشی از هوش مصنوعی را گزارش کرده‌اند و ۴۲ درصد سازمان‌ها در حال استخدام برای نقش‌های جدید متمرکز بر هوش مصنوعی هستند. این تفکیک نشان می‌دهد که اتوماسیون در حال تغییر ترکیب نقش‌هاست، نه حذف کامل آن‌ها.

مهندسی نرم‌افزار

استخدام برای مشاغل مهندسی نرم‌افزار در Q1 ۲۰۲۶ حدود ۲۲ درصد کاهش یافته، در حالی که استخدام برای نقش‌های دارای عنوان AI در همین بازه ۱۷۳ درصد جهش کرده است. داده‌های شرکت‌های فناوری بزرگ نشان می‌دهد که استخدام کدگذاران در سال ۲۰۲۵ نسبت به ۲۰۱۹ حدود ۶۵ درصد کاهش یافته، اما مهندسان نرم‌افزار ۵۵ درصد از کل استخدام‌های جدید را تشکیل می‌دهند، در مقایسه با ۴۶ درصد در ۲۰۱۹.

این داده‌ها نشان می‌دهد که هوش مصنوعی در حال تغییر ماهیت کار مهندسی نرم‌افزار است، نه حذف آن. تقاضا برای مهندسان ارشد که بتوانند معماری طراحی کنند و خروجی هوش مصنوعی را بازبینی کنند، بالا رفته است. برای درک دقیق‌تر این تحول، تولید کد با هوش مصنوعی چه مزایا و معایبی دارد و هوش مصنوعی در بازبینی کد چگونه عمل می‌کند را بخوانید.

مشاغل اداری و پشتیبانی

مکینزی در گزارش خود اشاره می‌کند که مشاغل اداری روتین و نقش‌های پشتیبانی، از جمله دستیاران اجرایی، در حال کاهش هستند. شرکت‌هایی مانند PwC و McKinsey هزاران نقش پشتیبانی را کاهش داده یا جابجا کرده‌اند تا بودجه را به سمت هوش مصنوعی هدایت کنند. داده‌ها نشان می‌دهد که دفاتر با مواجهه بالا با اتوماسیون، از سال ۲۰۱۹ حدود ۴۵۰٬۰۰۰ موقعیت شغلی باز را از دست داده‌اند.

نقش‌های خلاقانه و طراحی

برخلاف تصور رایج، نقش‌های خلاقانه نیز در معرض خطر هستند. گزارش‌ها نشان می‌دهد که بخش‌هایی از طراحی گرافیک در لیست نقش‌های تحت تأثیر هوش مصنوعی قرار دارند. اگر در این حوزه کار می‌کنید، مقایسه ابزارهای هوش مصنوعی برای طراحی گرافیک و محدودیت‌های ابزارهای هوش مصنوعی تولید تصویر تصویر دقیق‌تری از فرصت‌ها و تهدیدهای این حوزه می‌دهند.

شغل‌های جدیدی که ساخته می‌شوند

در سمت دیگر معادله، هوش مصنوعی در حال ساختن نقش‌های جدیدی است که تا چند سال پیش وجود نداشتند. این نقش‌ها معمولاً از سطح حقوق و دستمزد بالاتری برخوردارند و به مهارت‌های تخصصی نیاز دارند.

بر اساس داده‌های PwC، مشاغل نیازمند مهارت‌های خاص هوش مصنوعی حدود ۶۹ درصد سریع‌تر از کل بازار کار رشد می‌کنند. حق‌الزحمه اضافه برای مهارت‌های هوش مصنوعی به ۶۲ درصد رسیده است، در حالی که این رقم در سال ۲۰۲۵ حدود ۵۷ درصد بود. این ارقام نشان می‌دهد که مهارت‌های هوش مصنوعی، یک مزیت رقابتی جدی در بازار کار امروز هستند.

حوزه‌های شغلی جدید شامل مهندسی هوش مصنوعی، طراحی مکالمه، ارزیابی ایمنی هوش مصنوعی، مدیریت داده برای آموزش مدل، و معماری سیستم‌های عاملی است. همچنین نقش‌های ترکیبی که هوش مصنوعی را با تخصص دامنه‌ای ترکیب می‌کنند، از رشد بالایی برخوردارند. برای آشنایی با این نقش‌ها، کاربردهای عامل‌های هوش مصنوعی در کسب‌وکار و چگونه یک عامل هوش مصنوعی بسازیم مسیرهای عملی را نشان می‌دهند.

گزارش WEF نشان می‌دهد که سریع‌ترین مشاغل در حال رشد تا پایان دهه شامل متخصصان داده‌های بزرگ، مهندسان فین‌تک و متخصصان هوش مصنوعی و یادگیری ماشین است. این داده‌ها نشان می‌دهد که برنده‌های اصلی بازار کار آینده، کسانی هستند که مهارت‌های فنی مرتبط با هوش مصنوعی را با تخصص دامنه‌ای ترکیب می‌کنند.

آمارها می‌گویند بحران بیکاری گسترده هنوز شروع نشده؛ اما زیر پوست آمار کلی، تغییرات عمیقی در جریان است.

اخراج‌ها: واقعیت یا روایت سازمانی؟

یکی از نکات مهمی که در تحلیل اخراج‌های مرتبط با هوش مصنوعی باید در نظر گرفت، انگیزه‌های سازمانی برای نسبت دادن اخراج‌ها به هوش مصنوعی است. کارل-بندیکت فری، استاد دانشگاه آکسفورد، در این زمینه می‌گوید: «من هیچ شواهد قانع‌کننده‌ای از این روایت که این شرکت‌ها در حال خودکارسازی حجم زیادی از کار هستند، ندیده‌ام».

او معتقد است بسیاری از این اخراج‌ها با هدف «تحت‌تأثیر قرار دادن» سرمایه‌گذاران اعلام می‌شوند، نه خودکارسازی واقعی. شواهد نشان می‌دهد که شرکت‌هایی مانند Block و Cisco پس از اعلام کاهش نیرو با بهانه هوش مصنوعی، شاهد افزایش قیمت سهام خود بودند.

تحلیل فایننشال تایمز نشان می‌دهد که کمتر از نیمی از اعلام‌های کاهش نیرو در سال گذشته، به افزایش قیمت سهام در روز بعد منجر شد. شرکت‌هایی که هوش مصنوعی را به‌عنوان عامل کاهش نیرو معرفی کردند، در ۳۰ روز معاملاتی پس از اعلام، نزدک را تقریباً ۱۰ درصد پایین‌تر از خود جای دادند. این داده‌ها نشان می‌دهد که بازار نیز به این روایت‌ها با تردید نگاه می‌کند.

این پدیده را می‌توان «روایت‌سازی هوش مصنوعی» نامید: استفاده از هوش مصنوعی به‌عنوان بهانه‌ای برای توجیه تصمیم‌های سازمانی که ممکن است دلایل دیگری داشته باشند. این مسئله، تحلیل دقیق داده‌های اشتغال را دشوارتر می‌کند.

بازآموزی و مهارت‌های آینده

یکی از محتمل‌ترین راهکارها برای کاهش اثر منفی اتوماسیون، بازآموزی نیروی کار است. داده‌ها نشان می‌دهد که این مسئله در کانون توجه سازمان‌ها قرار گرفته است. بر اساس نظرسنجی IFSC AI Survey 2026، حدود ۳۲ درصد از نهادهای مورد بررسی انتظار دارند هوش مصنوعی به‌جای کاهش نیرو، به بازآموزی و تحول شغلی منجر شود.

مطالعه مکینزی نشان می‌دهد که ۷۰ درصد از مهارت‌هایی که کارفرمایان امروز به دنبال آن هستند، هم برای کارهای قابل‌اتوماسیون و هم برای کارهای غیرقابل‌اتوماسیون مرتبط هستند، در حالی که ۱۲ درصد مهارت‌ها کاملاً انسانی باقی می‌مانند. این داده‌ها نشان می‌دهد که بازآموزی، مسیری عملی برای سازگاری با تغییرات است.

برینجولفسون در این زمینه توصیه عملی دارد: «از هوش مصنوعی برای یادگیری استفاده کنید، نه فقط برای خودکارسازی. تحقیقات نشان می‌دهد اشتغال در بین کارگرانی که از هوش مصنوعی برای خودکارسازی وظایف استفاده می‌کنند کاهش می‌یابد، اما برای کسانی که هوش مصنوعی را برای یادگیری مهارت‌های جدید به کار می‌گیرند، رشد می‌کند».

سه استراتژی برای سازگاری

بر اساس داده‌های پژوهش‌ها و تجربه پروژه‌های واقعی، سه استراتژی برای سازگاری با تغییرات بازار کار وجود دارد. اول، تمرکز بر مهارت‌های مکمل هوش مصنوعی: توانایی طراحی مسئله، ارزیابی خروجی و تصمیم‌گیری در شرایط عدم قطعیت. دوم، توسعه دانش تجربی: مهارت‌هایی که از طریق تمرین و تجربه واقعی به دست می‌آیند و برای مدل‌های مولد سخت‌تر قابل تکرار هستند. سوم، یادگیری مستمر ابزارهای جدید: در بازاری که حق‌الزحمه اضافه برای مهارت‌های هوش مصنوعی ۶۲ درصد است، یادگیری این مهارت‌ها یک سرمایه‌گذاری با بازده بالا محسوب می‌شود.

نابرابری: برنده‌ها و بازنده‌ها

یکی از نگرانی‌های اصلی در بحث اتوماسیون، افزایش نابرابری است. داده‌ها نشان می‌دهد که این نگرانی بی‌پایه نیست. مطالعه استنفورد نشان می‌دهد که زنان به‌طور میانگین مواجهه بالاتری با هوش مصنوعی دارند، که این خود منبع مهمی از ناهمگونی است.

چارلز جونز، استاد اقتصاد دانشگاه استنفورد، در این زمینه می‌گوید: «دنیایی که رشد در آن منفجر می‌شود، به احتمال زیاد دنیایی با نابرابری بزرگ است». اما او معتقد است که این فراوانی می‌تواند به حل مشکلات مانند نابرابری شدید کمک کند، به شرطی که سیاست‌گذاری درستی وجود داشته باشد.

برینجولفسون نیز این نگرانی را جدی می‌گیرد: «من واقعاً نگرانم که [ثروت ایجادشده] به‌طور یکنواخت توزیع نشود و بسیاری از مردم به‌طور قابل‌توجهی آسیب ببینند». او بر نیاز به سیاست‌هایی تأکید می‌کند که اقتصاد را انعطاف‌پذیرتر کنند: «احساس می‌کنم ما کورکورانه پرواز می‌کنیم و زیرساخت‌هایی که نیاز داریم را ایجاد نمی‌کنیم».

سیاست‌گذاری و مسئولیت سازمانی

در سطح سیاست‌گذاری، سه رویکرد اصلی برای مدیریت اثر اتوماسیون بر اشتغال وجود دارد. اول، سرمایه‌گذاری در بازآموزی و آموزش مهارت‌های جدید. دوم، ایجاد زیرساخت‌های داده‌ای برای رصد دقیق اثر هوش مصنوعی بر بازار کار. سوم، سیاست‌های توزیع مجدد برای اطمینان از اینکه ثروت ایجادشده به‌طور عادلانه توزیع شود.

در سطح سازمانی، مسئولیت مدیران این است که به‌جای تمرکز صرف بر کاهش هزینه، روی بازآموزی و جابجایی نیروی کار سرمایه‌گذاری کنند. برینجولفسون این رویکرد را «استراتژی هوشمند» در مقابل «استراتژی تنبل» می‌نامد: «این کار پول را امروز ذخیره می‌کند و برای فردا چیزی نمی‌سازد».

کای‌فو لی نیز تأکید می‌کند که سازمان‌ها نیاز به بازطراحی ساختار خود دارند: «کارگران هوش مصنوعی به سلسله‌مراتب نیاز ندارند. آن‌ها به افرادی نیاز دارند که بدانند چگونه مسئله درست را طراحی کنند، هوش مصنوعی را برای حل آن سازماندهی کنند و پاسخگو باشند». این تغییر ساختاری، نیازمند سرمایه‌گذاری در آموزش و توسعه نیروی انسانی است.

سه سناریو برای دهه آینده

بر اساس همه آنچه بررسی کردیم، سه سناریو برای آینده اشتغال در عصر اتوماسیون هوش مصنوعی قابل تصور است.

سناریوی اول: جابجایی تدریجی

در این سناریو، جابجایی نیروی کار به‌تدریج و در طول یک دهه اتفاق می‌افتد. حدود ۹ درصد از نیروی کار — معادل ۱۵ میلیون نفر در آمریکا — جابجا می‌شوند، اما به‌دلیل پخش‌شدن در طول زمان، افزایش نرخ بیکاری در هر سال کمتر از یک درصد خواهد بود. این سناریو، مطابق با پیش‌بینی گلدمن ساکس و داده‌های فعلی بازار کار است. در این سناریو، نقش‌های جدید سریع‌تر از نقش‌های حذف‌شده ایجاد می‌شوند و اقتصاد به‌تدریج خود را تنظیم می‌کند.

سناریوی دوم: شکاف مهارتی

در این سناریو، جابجایی سریع‌تر از توانایی بازآموزی نیروی کار اتفاق می‌افتد. این سناریو با داده‌های فعلی درباره نیروی کار جوان همخوانی دارد: شکاف ۱۹ درصدی در اشتغال جوانان در مشاغل با مواجهه بالا با هوش مصنوعی نشان می‌دهد که حتی در شرایط فعلی، یک شکاف مهارتی در حال شکل‌گیری است. در این سناریو، نیروی کار مسن‌تر و باتجربه‌تر محافظت می‌شود، اما جوانان با موانع جدی برای ورود به بازار کار روبرو می‌شوند.

سناریوی سوم: تحول ساختاری

در این سناریو، پیشرفت‌های بنیادین در هوش مصنوعی به سطحی می‌رسد که تعداد زیادی از نقش‌ها به‌طور کامل خودکار می‌شوند. این سناریو، مطابق با هشدارهای جفری هینتون و کای‌فو لی است. هینتون هشدار می‌دهد که «بیکاری گسترده» محتمل است و کای‌فو لی از «تحولات اجتماعی گسترده، ناآرامی‌های عمومی و فروپاشی سیاسی» صحبت می‌کند. به‌نظر من، احتمال کامل شدن این سناریو در دهه آینده پایین است، اما نشانه‌های اولیه آن در صنایعی مانند پشتیبانی مشتری و مشاغل اداری دیده می‌شود.

پرسش‌های پرتکرار درباره اتوماسیون و اشتغال

آیا اتوماسیون هوش مصنوعی باعث بیکاری گسترده می‌شود؟ بر اساس داده‌های فعلی، بیکاری گسترده در سطح کل اقتصاد رخ نداده است. مطالعه استنفورد صریحاً می‌گوید «هیچ نشانه‌ای از تخریب شغل در سطح کل اقتصاد» وجود ندارد. اما در برخی بخش‌ها مانند پشتیبانی مشتری و نقش‌های سطح ورودی، تغییرات جدی در جریان است. برای بررسی این تغییرات، اتوماسیون با هوش مصنوعی چیست و چه مزایایی دارد را بخوانید.

چرا تعداد اخراج‌های مرتبط با هوش مصنوعی در حال افزایش است؟ بخشی از این افزایش واقعی است و بخشی نیز ناشی از روایت‌سازی سازمانی. کارل-بندیکت فری از دانشگاه آکسفورد معتقد است بسیاری از شرکت‌ها اخراج‌ها را به هوش مصنوعی نسبت می‌دهند تا سرمایه‌گذاران را تحت تأثیر قرار دهند. تحلیل فایننشال تایمز نیز نشان می‌دهد که کمتر از نیمی از این اعلام‌ها به افزایش قیمت سهام منجر شده است.

کدام گروه‌های سنی بیشترین آسیب را می‌بینند؟ نیروی کار جوان ۲۲ تا ۲۵ ساله. مطالعه استنفورد نشان می‌دهد که اشتغال این گروه در مشاغل با مواجهه بالا با هوش مصنوعی، حدود ۱۹ درصد پایین‌تر از سطح مورد انتظار است. این کاهش از طریق کاهش استخدام رخ می‌دهد، نه افزایش اخراج. برای درک بهتر این پدیده، آیا هوش مصنوعی جایگزین برنامه‌نویسان می‌شود؟ را بخوانید.

آیا شغل‌های جدیدی که ایجاد می‌شوند، جایگزین شغل‌های از دست رفته می‌شوند؟ بر اساس گزارش WEF، تا سال ۲۰۳۰ حدود ۹۲ میلیون شغل جابجا و ۱۷۰ میلیون شغل جدید ایجاد می‌شود؛ یعنی رشد خالص ۷۸ میلیون شغل. اما این جابجایی، برای افراد affected آسان نیست و نیاز به بازآموزی جدی دارد.

مهارت‌های هوش مصنوعی چقدر ارزش دارند؟ بر اساس داده‌های PwC، حق‌الزحمه اضافه برای مهارت‌های هوش مصنوعی به ۶۲ درصد رسیده است و مشاغل نیازمند این مهارت‌ها حدود ۶۹ درصد سریع‌تر از کل بازار کار رشد می‌کنند.

آیا بازآموزی می‌تواند مشکل را حل کند؟ بازآموزی یک راهکار ضروری است، اما کافی نیست. مطالعه استنفورد نشان می‌دهد که تمایز میان دانش مدون و تجربی مهم است: مدل‌های مولد در بازتولید دانش مدون قوی هستند، اما دانش تجربی سخت‌تر قابل تکرار است. بنابراین، بازآموزی باید بر توسعه دانش تجربی و مهارت‌های مکمل تمرکز کند.

آیا در ایران هم این اثرات دیده می‌شود؟ داده‌های دقیقی برای بازار کار ایران در دسترس نیست، اما الگوهای جهانی قابل تعمیم هستند. مشاغل تکراری در پشتیبانی، ورود داده و خدمات اداری، بیشترین مواجهه را خواهند داشت. با این حال، محدودیت‌های زیرساختی و مقرراتی در ایران، سرعت پذیرش را کندتر می‌کند.

آیا مدیران باید نیرو کاهش دهند؟ برینجولفسون صریحاً هشدار می‌دهد که این «استراتژی تنبل» است: «این کار پول را امروز ذخیره می‌کند و برای فردا چیزی نمی‌سازد». استراتژی هوشمند، سرمایه‌گذاری در بازآموزی و جابجایی نیروی کار به نقش‌های جدید است.

آیا هوش مصنوعی جایگزین انسان می‌شود یا مکمل آن؟ داده‌ها نشان می‌دهد که هر دو اتفاق می‌افتد. برینجولفسون می‌گوید اشتغال در بین کارگرانی که از هوش مصنوعی برای خودکارسازی استفاده می‌کنند کاهش می‌یابد، اما برای کسانی که از آن برای یادگیری استفاده می‌کنند رشد می‌کند. بنابراین، نتیجه به نحوه استفاده بستگی دارد.

چه سیاست‌هایی برای کاهش اثرات منفی لازم است؟ سه سیاست کلیدی وجود دارد: سرمایه‌گذاری در بازآموزی، ایجاد زیرساخت داده‌ای برای رصد دقیق اثر هوش مصنوعی بر بازار کار، و سیاست‌های توزیع مجدد برای اطمینان از توزیع عادلانه ثروت.

حرف آخر از نگاه یک مهندس

اگر بخواهم از این بررسی طولانی یک نتیجه عملی بنویسم که بشود رویش تصمیم گرفت، سه نکته را برجسته می‌کنم.

نکته اول، تفاوت میان جایگزینی وظیفه و حذف شغل را جدی بگیرید. داده‌های فعلی نشان می‌دهد که هوش مصنوعی وظایف را جایگزین می‌کند، اما مشاغل را نه. تمرکز بر توسعه مهارت‌هایی که در مرزهای بین وظایف قرار دارند — توانایی طراحی مسئله، ارزیابی خروجی و تصمیم‌گیری — بهترین استراتژی برای سازگاری است.

نکته دوم، نیروی کار جوان در معرض جدی‌ترین خطر است. شکاف ۱۹ درصدی در اشتغال جوانان در مشاغل با مواجهه بالا با هوش مصنوعی، زنگ خطری است که نباید نادیده گرفته شود. سازمان‌ها باید مسیرهای ورود به شغل را بازطراحی کنند و برنامه‌های کارآموزی و مربی‌گری را تقویت کنند.

نکته سوم، انتخاب استراتژی سازمانی اهمیت حیاتی دارد. برینجولفسون تفاوت میان «استراتژی تنبل» کاهش نیرو و «استراتژی هوشمند» سرمایه‌گذاری در بازآموزی را به‌خوبی نشان داده است. سازمان‌هایی که روی جابجایی نیروی کار سرمایه‌گذاری می‌کنند، در بلندمدت مزیت رقابتی خواهند داشت.

در پایان، اگر بخواهم یک جمله بنویسم که بشود آن را در تقویم تیم‌های مهندسی نوشت، این است: اتوماسیون هوش مصنوعی شغل‌ها را حذف نمی‌کند؛ اما مکان و ماهیت کار را به‌شدت جابجا می‌کند. برنده‌ها آن‌هایی هستند که این جابجایی را نه به‌عنوان تهدید، بلکه به‌عنوان فرصتی برای بازطراحی سازمان و ارتقای نیروی انسانی ببینند. اگر در پروژه‌ای با این جابجایی روبرو شده‌اید — مخصوصاً اگر تجربه‌ای از بازآموزی موفق یا ناموفق دارید — در دیدگاه‌ها بنویسید. کدام رویکرد در سازمان شما مؤثرتر بود: کاهش نیرو یا جابجایی؟ همان تجربه‌های میدانی، تصویر دقیق‌تری از این تحول می‌سازد. 💼