6 واقعیت درباره آثار هوش مصنوعی

نسخه بازبینی‌شده گزارش «قناری‌ها در معدن زغال‌سنگ؟ ۶   واقعیت درباره آثار اخیر هوش مصنوعی بر اشتغال» منتشر شده است. 

در این گزارش، با استفاده از داده‌های حقوق و دستمزد شرکت ADP، ۶   واقعیت درباره روند اشتغال پس از عرضه چت‌جی‌پی‌تی بررسی شده است؛ تمرکز ویژه این بررسی بر تفاوت‌های میان گروه‌های سنی و میزان مواجهه مشاغل مختلف با هوش مصنوعی است.

داده‌های به‌روزشده چندین الگویی را که نخستین‌بار در اوت۲۰۲۵ شناسایی کردیم، تقویت می‌کنند. مهم‌ترین نکته این است که شکاف اشتغال میان جوانانی که در مشاغل با میزان بالای مواجهه با هوش مصنوعی فعالیت می‌کنند و سایر جوانان، تا اواسط سال۲۰۲۶ همچنان افزایش یافته است. شش یافته اصلی بهارات چاندار**

۱. شواهدی از جابه‌جایی گسترده نیروی کار در سراسر اقتصاد که بتوان آن را به هوش مصنوعی نسبت داد، مشاهده نمی‌کنیم.

۲. بااین‌حال، جوانانی که در مشاغل در معرض هوش مصنوعی فعالیت می‌کنند، بیش از پیش از همتایان خود که کمتر در معرض این فناوری هستند، عقب می‌مانند. 

نرخ اشتغال افراد ۲۲ تا ۲۵ساله در مشاغلی که بیشترین میزان مواجهه با هوش مصنوعی را دارند، اکنون حدود ۱۹درصد پایین‌تر از سطحی است که در صورت همگامی با اشتغال افراد همسن خود در مشاغل با میزان مواجهه کمتر با هوش مصنوعی انتظار می‌رفت. در میان کارکنان باتجربه، شکاف مشابهی مشاهده نمی‌شود.  رویو چن***

۳. واگرایی از زمانی که نخستین‌بار آن را در اوت۲۰۲۵ شناسایی کردیم، به‌طور پیوسته افزایش یافته است.

بر اساس همین معیار، میزان عقب‌ماندگی در داده‌های مربوط به ژوئیه۲۰۲۵، ۱۵درصد بود و در ژوئن۲۰۲۶ به ۱۹درصد رسید.

۴. به نظر می‌رسد این تعدیل بازار کار عمدتا از مسیر کاهش استخدام جوانان رخ داده است، نه افزایش قطع همکاری با کارکنان.

۵. کاهش اشتغال عمدتا در مشاغلی متمرکز است که در آنها استفاده از هوش مصنوعی بیشتر به خودکارسازی وظایف انسانی منجر می‌شود. در مشاغلی که هوش مصنوعی در آنها بیشتر نقش مکمل نیروی کار را ایفا می‌کند، اشتغال ثابت مانده یا افزایش یافته است؛ این روند به‌ویژه در میان کارکنان باتجربه‌تر مشاهده می‌شود.

۶. تاکنون، آثار این تعدیل عمدتا در سطح اشتغال نمایان شده است، نه در دستمزد پایه.

 اینها الگوهای توصیفی هستند، نه برآوردهای علّی از اثر هوش مصنوعی. زمان‌بندی و ساختار این تغییرات می‌تواند حاکی از وجود ارتباطی معنادار باشد، اما داده‌های موجود به‌تنهایی نمی‌توانند مشخص کنند چه میزان از این واگرایی ناشی از هوش مصنوعی مولد بوده و چه میزان به سایر عوامل موثر بر بازار کار مربوط می‌شود.

چه چیزهایی در این نسخه جدید است؟

علاوه بر آنکه داده‌های این پژوهش تا اواسط سال۲۰۲۶ به‌روزرسانی شده‌اند، نسخه بازبینی‌شده شواهد تازه‌ای درباره سازوکارهایی ارائه می‌کند که ممکن است در شکل‌گیری این الگوها نقش داشته باشند. 

یکی از تمایزهایی که به نظر می‌رسد اهمیت زیادی دارد، تفاوت میان دانش مدون و دانش ضمنی است.

اشتغال جوانان در مشاغلی که به‌شدت به دانش مدون متکی هستند، کاهش یافته است. 

دانش مدون، دانشی رسمی، استانداردشده و مستند است که می‌توان آن را از طریق آموزش، کتاب‌های درسی یا دستورالعمل‌های مکتوب فراگرفت. در مقابل، اشتغال کارکنان باتجربه در مشاغلی که بیش از همه به دانش ضمنی متکی هستند افزایش یافته است؛ دانشی که از طریق تجربه عملی، راهنمایی و آموزش از سوی افراد باتجربه‌تر و مواجهه مکرر با موقعیت‌های واقعی به‌دست می‌آید.

این تمایز با جهانی سازگار است که در آن هوش مصنوعی مولد به‌ویژه در بازتولید و به‌کارگیری دانشی توانمند است که پیش‌تر در قالب متن و دیگر اطلاعات دیجیتال ثبت و مدون شده است؛ درحالی‌که بازتولید دانش مبتنی بر تجربه همچنان دشوارتر است. همچنین دریافتیم که زنان، به‌طور متوسط، بیشتر در معرض هوش مصنوعی قرار دارند. این تفاوت مهمی میان گروه‌های مختلف است که قصد داریم با ادامه تغییر داده‌ها، آن را زیر نظر داشته باشیم.

 هوش مصنوعی عامل این تغییرات است؟

هنوز نمی‌توانیم با قطعیت به این پرسش پاسخ دهیم؛ چند توضیح جایگزین مهم نیز به نظر نمی‌رسد برای توضیح این الگو کافی باشند. 

این واگرایی حتی زمانی که شرکت‌های فناوری و مشاغل رایانه‌ای را از نمونه حذف می‌کنیم، زمانی که میزان مواجهه با افزایش نرخ بهره و دورکاری را کنترل می‌کنیم، زمانی که شرکت‌هایی را که وارد نمونه می‌شوند یا از آن خارج می‌شوند در نظر می‌گیریم و زمانی که از معیارهای دیگری برای سنجش میزان مواجهه با هوش مصنوعی استفاده می‌کنیم، همچنان مشاهده می‌شود.

در عین حال، دلایلی نیز وجود دارد که نشان می‌دهد هوش مصنوعی ممکن است نقش معناداری در این روند داشته باشد: واگرایی تا اواسط سال ۲۰۲۶ همچنان افزایش یافته است؛ یعنی مدت‌ها پس از آنکه نرخ‌های بهره به اوج خود رسیدند.

 تا نوامبر۲۰۲۲، وضعیت نسبی جوانانی که در معرض هوش مصنوعی قرار داشتند، تقریبا به سطح پیش از همه‌گیری بازگشته بود. بنابراین، کاهش بعدی باعث شده شکاف اشتغال این گروه از سطح پیش از همه‌گیری نیز پایین‌تر برود و صرفا به معنای معکوس شدن یک اختلال ایجادشده در دوران همه‌گیری نباشد. کاهش اشتغال به‌طور مشخص در مشاغلی متمرکز است که در آنها استفاده واقعی از هوش مصنوعی بیشتر به خودکارسازی وظایف منجر می‌شود تا تکمیل توانایی‌های کارکنان. این کاهش همچنین رابطه‌ای روشن با سن دارد. چنین ترکیبی را نمی‌توان به‌طور طبیعی صرفا با عواملی مانند نرخ بهره، سطح تحصیلات یا دورکاری توضیح داد.  داده‌های اداری دولت ایالات متحده نیز در مجموع، الگوهای توصیفی خام مشابهی را برحسب سن و صنعت نشان می‌دهند (تاکر، ۲۰۲۶، اداره سرشماری ایالات متحده).  بااین‌حال، دلایل مهمی برای احتیاط وجود دارد؛ هنگامی که سطح تحصیلات را در تحلیل وارد می‌کنیم، شکاف میان جوانانی که بیشتر و کمتر در معرض هوش مصنوعی هستند، کاهش می‌یابد. 

برخی تفاوت‌ها در روند اشتغال نیز پیش از رواج گسترده هوش مصنوعی مولد قابل مشاهده بوده‌اند. همچنین، شکاف‌های برآوردشده در نمونه مورد بررسی ADP از مقادیری که در پیمایش‌های ملی به‌عنوان معیار مقایسه به دست می‌آیند، بزرگ‌تر هستند. علاوه بر این، بهبود فرآیند پردازش و آماده‌سازی داده‌های ما به الگوهای خامی منجر شد که از نظر کیفی مشابه بودند؛ اما برآوردهایی که تغییرات کلی در استخدام شرکت‌ها را نیز در نظر می‌گیرند، اگرچه از نظر جهت‌گیری با یافته‌های قبلی سازگارند، نسبت به نحوه انتخاب مشخصات مدل حساس‌تر شده‌اند. 

این موضوع پرسش‌های موجهی را هم درباره میزان واقعی تاثیر هوش مصنوعی بر این الگو و هم درباره میزان تعمیم‌پذیری نتایج حاصل از نمونه مورد بررسی ADP به کل اقتصاد مطرح می‌کند. به همین دلیل، این مقاله یا هر پژوهش منفرد دیگری را نمی‌توان شواهد قطعی درباره آثار هوش مصنوعی بر بازار کار دانست. 

از زمان انتشار نخستین نسخه این پژوهش، مطالعات بیشتری در این زمینه منتشر شده‌اند و در نهایت، شواهد انباشته حاصل از مجموعه این مطالعات بیش از هر نتیجه منفرد دیگری می‌تواند برای ارزیابی آثار هوش مصنوعی بر بازار کار راهگشا باشد.  گام بعدی چیست؟

نمی‌دانیم الگوهایی که در این پژوهش شناسایی شده‌اند، در آینده شتاب خواهند گرفت، تثبیت خواهند شد یا معکوس خواهند شد. همین عدم قطعیت یکی از دلایلی است که باعث شده ما به‌جای اتکا به بررسی‌های مقطعی و دوره‌ای، زیرساخت لازم برای سنجش مستمر این تغییرات را ایجاد کنیم.

آزمایشگاه اقتصاد دیجیتال دانشگاه استنفورد اخیرا «شاخص‌های اقتصادی هوش مصنوعی» را راه‌اندازی کرده است که معیارهایی با بسامد بالا برای سنجش تغییرات ناشی از هوش مصنوعی در اقتصاد ارائه می‌دهد. 

هدف این نیست که بگوییم آثار هوش مصنوعی بر بازار کار مشخص و نهایی شده است؛ هدف این است که بتوان این آثار را اندازه‌گیری کرد. اگر هوش مصنوعی مولد پیش از آنکه آثارش در آمارهای کلی اشتغال نمایان شود در حال تغییر فرصت‌های شغلی برای گروه‌های خاصی از نیروی کار باشد، می‌خواهیم این تغییرات را در همان مراحل اولیه شناسایی کنیم، سازوکارهای پشت آنها را بشناسیم و بررسی کنیم که آیا این آثار به گروه‌های دیگر نیز سرایت می‌کنند یا نه.

* پژوهشگر ارشد موسسه هوش مصنوعی انسان‌محور استنفورد

** پژوهشگر پسادکتری

*** پژوهشگر علمی این مطلب برایم مفید است 0 نفر این مطلب را پسندیده اند کپی شد