گزارش اچ پی؛
۱۰ گروه شغلی که هوش مصنوعی جای آنها را می گیرد چالشهای آینده بازار کار
به گزارش اچ پی، تصویر کلاسیک از اتوماسیون بر حذف کارهای یدی، تکراری و مبتنی بر مهارت اندک استوار بود. برمبنای براورد کارشناسان، موج فعلی هوش مصنوعی این جغرافیای ریسک را تغییر داده است.
به گزارش اچ پی به نقل از مهر؛ تصویر کلاسیک از اتوماسیون بر حذف کارهای یدی، تکراری و مبتنی بر مهارت اندک استوار بود. برمبنای براورد کارشناسان، موج فعلی هوش مصنوعی این جغرافیای ریسک را تغییر داده است. توانایی مدلهای جدید در نوشتن، تحلیل، کدنویسی، خلاصه سازی، جست وجوی اسناد و تولید توصیه، اتوماسیون را به قلمرویی کشانده که پیشتر برخورداری از تحصیلات دانشگاهی و مهارت شناختی برای آن نوعی سپر حفاظتی محسوب می شد. در همین جهت، مطالعه مشترک مؤسسه بیمه فرانسوی «Coface» و دیده بان مشاغل در معرض تهدید و نوظهور (OEM) بر همین گسست تاکید دارد و نشان میدهد کارهای شناختی، پیچیده و مهارت محور به مرز جدید اتوماسیون تبدیل گشته اند.
اهمیت این تحول زمانی آشکارتر می شود که واحد تحلیل را از عنوان شغلی به مجموعه وظایف تشکیل دهنده هر شغل تغییر دهیم. مطالعه «Coface» تعداد ۹۲۳ حرفه را به وظایف و سپس به کنش های پایه تجزیه کرده و میزان قابلیت اتوماسیون آنها را برمبنای قواعد صریح و قابل بازنگری سنجیده است. این تمایز اهمیت بنیادی دارد. قرار گرفتن یک حرفه در معرض هوش مصنوعی معادل حذف آن حرفه نیست. شاخص مطالعه ظرفیت فنی اتوماسیون را اندازه می گیرد و عواملی مانند تقاضای نیروی کار، ایجاد وظایف تازه و موانع استقرار فناوری را در بر نمی گیرد.
از کارمند ورود داده تا برنامه نویس جوان
در میان مشاغل مورد بررسی، یک خاصیت مشترک مرتب تکرار می شود. هرجا بخش بزرگی از کار را بتوان به گردش کاری ساختاریافته، پردازش اطلاعات، اجرای قواعد و تولید خروجی استاندارد فروکاست، قابلیت جایگزینی یا کاهش احتیاج به نیروی انسانی افزایش خواهد یافت. بر همین اساس، گزارش مرکز آموزش فنی و حرفه ای «Edoxi» امارات ده گروه را در معرض توجه ویژه قرار می دهد:
کارکنان ورود داده کارکنان خدمات مشتری بازاریابان تلفنی کارکنان دفترداری و حسابداری نمونه خوان ها و ویراستاران مفسرین تحقیقات بازار دستیاران حقوقی و محققان حقوقی مترجمان صندوق داران خرده فروشی توسعه دهندگان نرم افزار در سطوح ابتدایی
داده های «Coface» تصویر کلان تری از همین تحول ارایه می کنند. در سناریوی استقرار هوش مصنوعی عامل محور، حدود یک حرفه از هر هشت حرفه بررسی شده از آستانه ۳۰ درصد وظایف قابل اتوماسیون عبور می کند. پژوهش این آستانه را سطحی می داند که می تواند بازآرایی عمیق حرفه و جابه جایی قابل توجه وظایف را در پی داشته باشد. تمرکز اصلی ریسک هم در مهندسی، فناوری اطلاعات، امور اداری، مالی، حقوقی و شماری از مشاغل خلاق و تحلیلی قرار دارد. همچنین، بیشتر از یک چهارم محتوای کاری در مدیریت و امور اداری، حرفه های خلاق، حقوق و مالی و همین طور مهندسی و فناوری اطلاعات قابلیت اتوماسیون دارد. در مقابل، خدمات حضوری و کارهای فنی و صنعتی زیر آستانه ۱۰ درصد باقی می مانند.
این الگو در سطح وظایف هم قابل مشاهده می باشد. ابزارهای تشخیص متن و هوش مصنوعی مولد می توانند استخراج، اعتبارسنجی و ورود داده را با نظارت انسانی محدود انجام دهند. چت بات ها و عامل های صوتی بخش بزرگی از پرسش های استاندارد خدمات مشتری را پاسخ می دهند. در حسابداری، تطبیق حساب ها، طبقه بندی تراکنش ها و ثبت های پایه قابلیت بالایی برای اتوماسیون دارند. ابزارهای نگارشی هم بخشی از ویرایش زبانی را خودکار کرده اند. ارزش نیروی انسانی در همین حرفه ها به طرف حل اختلاف، مذاکره، تشخیص موقعیت های استثنایی، قضاوت تخصصی و نظارت بر خروجی ماشین حرکت می کند.
حقوق و برنامه نویسی دو نمونه مهم از نفوذ اتوماسیون به مشاغل تخصصی هستند. هوش مصنوعی مولد حال قادر به خلاصه سازی آرای قضایی، مرور قراردادها، بازیابی سوابق و تهیه پیشنویس اسناد استاندارد است. در توسعه نرم افزار هم دستیارهای کدنویسی تولید کدهای متعارف، آزمون و مستندسازی را برعهده می گیرند. در هر دو حوزه، نقطه لطمه پذیر بیشتر در لایه وظایف مقدماتی قرار دارد، در صورتیکه تحلیل حقوقی، مذاکره، مشاوره، قضاوت اخلاقی و هدایت و ارزیابی خروجی هوش مصنوعی بازهم به تخصص انسانی وابسته است.
بحران پنهان در اولین پله نردبان شغلی
پیامد مهم تر شاید در جایی رخ دهد که آمار کلی اشتغال با تاخیر بیشتری آنرا آشکار می کند. خیلی از وظایفی که هوش مصنوعی به بهترین شکل انجام می دهد همان وظایفی هستند که ورود نیروی جوان به یک حرفه را امکانپذیر می کردند. تهیه پیشنویس اولیه، پژوهش مقدماتی، خلاصه سازی اسناد، یادداشت برداری جلسات، تحلیل های ساده، بازنگری مدارک، کدنویسی پایه و آزمون نرم افزار همگی در مشاغل ورودی تمرکز دارند. این وظایف در عین تکراری بودن، سازوکار انباشت تجربه هم محسوب می شوند. تحلیلگر جوان هنگام پاک سازی داده با ناسازگاری ها آشنا می شود، کارآموز حقوقی از خواندن پرونده ها تشخیص مشکلات را می آموزد و برنامه نویس تازه کار از رفع خطاهای کوچک به فهم معماری سیستم می رسد.
مسئله از این جا به یک چالش سازمانی طولانی مدت تبدیل می شود. حذف موقعیت های ابتدائی می تواند هزینه نیروی انسانی امروز را کم کند، اما همان سازمان چند سال بعد امکان دارد با کمبود اشخاصی مواجه شود که تجربه موردنیاز برای تبدیل شدن به تحلیلگر ارشد، مهندس، حقوقدان یا مدیر را کسب کرده اند.
شکاف تازه میان نیروی کار، سرمایه و آموزش
پیامدهای این دگرگونی به بازار کار محدود نمی ماند. برآورد «Coface» نشان میدهد میزان مواجهه کشورها با این چالش بر حسب ساختار اقتصادی آنها تفاوت محسوسی دارد و ماهیت کار از حدود ۱۲ درصد در ترکیه تا نزدیک ۲۰ درصد در بریتانیا تغییر می کند. اقتصادهای ثروتمند و خدمات محور که سهم بیشتری از مشاغل شناختی و مبتنی بر اطلاعات را دارند هم با مواجهه بالاتری مواجه هستند.
علاوه بر موارد ذکر شده، یک مسئله توزیعی هم درحال تشکیل است. اتوماسیون بخشی از وظایف مشاغل ماهر و پردرآمد می تواند سهم بیشتری از ارزش افزوده را از نیروی کار به سرمایه منتقل کند. چنین تغییری برای دولت هایی که درآمد مالیاتی و تامین اجتماعی آنها به اشتغال و دستمزد وابستگی بالایی دارد، فشار دوگانه بوجود می آورد. کاهش برخی پایه های درآمدی امکان دارد همزمان با بالارفتن هزینه بیمه بیکاری و بازآموزی نیروی کار رخ دهد. تمرکز تراشه ها، مدلهای زبانی و مراکز داده در شمار محدودی از شرکتها و کشورها هم وابستگی فناورانه را به لایه دیگری از مسئله اشتغال پیوند می زند.
از سوی دیگر، آموزش عالی هم با پرسشی بنیادی مواجه می باشد. هنگامی که بخش قابل توجهی از وظایفی که دانش آموخته برای انجام آنها سال ها آموزش دیده قابل اتوماسیون شود، رابطه سنتی میان مدرک، دستمزد و امنیت شغلی تضعیف می شود و وزن مهارت هایی مانند قضاوت، سازگاری و نظارت بر سیستم های هوشمند افزایش خواهد یافت. این چالش از مرحله نظری عبور کرده است. بر همین اساس، پیمایش موسسه آموزشی «HEPI» بریتانیا در سال ۲۰۲۶ نشان داد ۹۵ درصد دانشجویان کارشناسی بریتانیا از هوش مصنوعی استفاده می نمایند و ۹۴ درصد آنرا در تکالیف به کار می برند، در صورتیکه کمتر از نیمی احساس می کنند اعضاء هیأت علمی آنها را برای مهارت های هوش مصنوعی مورد نیاز بازار کار آماده می کنند.
جمع بندی
موج جدید اتوماسیون را باید در سطح وظیفه، مسیر حرفه ای و ساختار سازمانی تحلیل کرد. حرفه هایی که گردش کار استاندارد، پردازش اطلاعات و تولید خروجی قابل پیش بینی سهم بزرگی از فعالیت آنها را تشکیل می دهد در خط مقدم تغییر قرار گرفته اند. در مقابل، قضاوت در وضعیت مبهم، تعامل انسانی پیچیده، مسئولیت حرفه ای، مهارت فیزیکی و ترکیب دانش تخصصی با تصمیم گیری بازهم مقاومت بالایی در مقابل جایگزینی دارند.
چالش تعیین کننده از همین نقطه شروع می شود. سازمانی که وظایف ابتدائی را خودکار می کند باید مسیر دیگری برای تولید تجربه و انتقال دانش بسازد. به عنوان مثال، مطالعه میدانی دفتر ملی پژوهش اقتصادی آمریکا (NBER)، افزایش متوسط ۱۴ درصدی راندمان کارکنان پشتیبانی مشتری با هوش مصنوعی مولد را گزارش کرده و بیشترین منفعت را برای کارکنان کم تجربه یافته است. فناوری در این الگو به جای حذف نقطه ورود، دانش انباشته سازمان را سریع تر در اختیار شاغلان کم تجربه قرار می دهد.
بنابراین پرسش راهبردی بازار کار آینده از شمار مشاغلی که هوش مصنوعی قادر به انجام آن هاست فراتر می رود. مسئله اصلی اینست که دولت ها، دانشگاه ها و بنگاه ها چه طور افزایش راندمان را بگونه ای مدیریت می کنند که زنجیره کسب تجربه، تربیت متخصص، توزیع درآمد و ظرفیت انسانی طولانی مدت از میان نرود.
به اجمال، مسئله از این جا به یک چالش سازمانی طولانی مدت تبدیل می شود. علاوه بر موارد ذکر شده، یک مسئله توزیعی هم در حال تشکیل است. این چالش از مرحله نظری عبور کرده است.
منبع: newhp.ir
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب