.png&w=1200&q=75)
مواجهه شغلی با هوش مصنوعی، پیش‌بینی حذف شغل نیست
شاخص‌های مواجهه نشان می‌دهند کدام وظایف ممکن است از فناوری تأثیر بگیرند؛ تعداد قطعی مشاغل حذف‌شده را تعیین نمی‌کنند. تصمیم سازمان درباره آموزش، تقسیم کار و توزیع منفعت، بخشی از نتیجه است.
یک گزارش می‌گوید بخشی از مشاغل در معرض هوش مصنوعی قرار دارند. در بازنشر خبر، «مواجهه» به «حذف» تبدیل می‌شود و برآوردی از قابلیت فناوری، شکل پیش‌گویی بازار کار می‌گیرد. این جابه‌جایی واژه، برای کارکنان اضطراب ایجاد می‌کند و برای مدیران ممکن است مبنای تصمیمی زودهنگام شود.
میان توانایی انجام یک وظیفه، صرفه اقتصادی خودکارسازی آن و تصمیم سازمان برای تغییر تعداد نیروها، چند مرحله فاصله وجود دارد. مقررات، کیفیت داده، تقاضا، هزینه نظارت و انتخاب مدیریتی نیز در این فاصله نقش دارند.
شاخص ILO چه چیزی را می‌سنجد؟
گزارش مشترک ILO و NASK در سال ۲۰۲۵، مواجهه وظایف شغلی با هوش مصنوعی مولد را با داده‌های وظیفه‌محور، نظر خبرگان و ارزیابی‌های مدل بررسی می‌کند. خود گزارش، تغییر ترکیب مشاغل را با توجه به باقی‌ماندن بسیاری از وظایف انسانی محتمل‌تر از خودکارسازی کامل می‌داند. این نتیجه یک برآورد مواجهه است؛ پیش‌بینی قطعی استخدام یا اخراج در هر کشور و بنگاه نیست.
مرز شواهد مهم است: رتبه مواجهه بالا به ما می‌گوید یک شغل را دقیق‌تر بررسی کنیم، نه اینکه فرد شاغل در آن حتماً قابل جایگزینی است. همچنین میانگین یک گروه شغلی، جزئیات کار در یک سازمان خاص را پنهان می‌کند.
از عنوان شغل به سبد وظایف برویم
در یک مثال فرضی، کارشناس اداری هم متن تهیه می‌کند، هم اطلاعات ناقص را از واحدها پیگیری می‌کند، هم تعارض‌ها را تشخیص می‌دهد و هم مسئولیت تحویل کار را می‌پذیرد. توان تولید پیش‌نویس، درباره همه این وظایف حکم یکسان نمی‌دهد.
پیشنهاد خرد این است که سازمان پیش از هر برآورد نیروی انسانی، وظایف را به سه گروه تقسیم کند: قابل کمک‌گرفتن از ابزار، قابل خودکارسازی در شرایط مشخص و نیازمند قضاوت یا تعامل انسانی. مرز این گروه‌ها ثابت نیست و باید با آزمون واقعی بازبینی شود.
منفعت به چه کسی می‌رسد؟
کاهش زمان یک وظیفه می‌تواند به خدمت بهتر، کاهش فشار کاری، افزایش حجم کار یا کاهش هزینه نیروی انسانی تبدیل شود. فناوری به‌تنهایی انتخاب میان این مسیرها را تعیین نمی‌کند. این بخش از تصمیم، به حکمرانی سازمان و قدرت چانه‌زنی طرف‌های متأثر مربوط است.
در تحلیل تحریریه، گزارش بهره‌وری بهتر است روشن کند زمان آزادشده چگونه مصرف شده است. اگر کارکنان صرفاً مسئول کنترل خروجی بیشتری شوند، ممکن است حجم کار ذهنی بالا برود؛ اگر فرصت آموزش و رسیدگی به موارد دشوار پیدا کنند، نتیجه متفاوت خواهد بود. هر دو امکان نیازمند مشاهده‌اند، نه فرض خوش‌بینانه یا بدبینانه.
آموزش را به کار واقعی وصل کنیم
یک دوره عمومی آشنایی با ابزار، پاسخ همه نیازها نیست. کارشناس باید بیاموزد خروجی همان وظیفه را چگونه کنترل کند، داده محرمانه را کجا وارد نکند و چه زمانی کار را به مسیر انسانی برگرداند. مدیر نیز باید بتواند زمان بازبینی و هزینه خطا را در محاسبه بهره‌وری لحاظ کند.
مشارکت کارکنان در طراحی آزمون، می‌تواند مواردی را آشکار کند که در توصیف رسمی شغل نیامده‌اند. فردی که هر روز یک فرایند را انجام می‌دهد، معمولاً استثناها و کارهای جبرانی آن را بهتر از نمودار کلی می‌شناسد. این مشارکت باید امکان اثرگذاری داشته باشد، نه فقط اطلاع‌رسانی درباره تصمیمی از پیش گرفته‌شده.
پیش از تصمیم درباره نیروها، چه بدانیم؟
برای یک دوره مشخص، کیفیت کار، زمان کل، میزان بازکاری، فشار کاری و نتیجه خدمت را ثبت کنید. تفاوت اثر بر گروه‌های کارکنان را هم ببینید؛ میانگین واحد ممکن است تجربه نیروهای تازه‌کار و باتجربه را یکسان نشان دهد.
پرسش تصمیم‌ساز این نیست که کدام عنوان شغلی زودتر ناپدید می‌شود. پرسش این است که کدام وظایف، با چه هزینه و چه کیفیتی تغییر می‌کنند و قواعد سازمان چگونه منفعت و ریسک این تغییر را میان افراد تقسیم می‌کند.
درباره این مطلب
این مطلب با کمک ابزارهای هوش مصنوعی تهیه شده و تحلیل‌ها و پیشنهادهای آن متعلق به تحریریه خرد است. منابع اصلی در پیوندهای زیر آمده‌اند؛ مثال‌های فرضی، گزارش رویداد واقعی نیستند.
منابع اصلی
برچسب‌ها
نظرها
هنوز نظری برای این مطلب منتشر نشده است.
نظر شما
نظرها پس از بررسی و تأیید نمایش داده می‌شوند. نظرهای حاوی توهین، تهمت یا تبلیغ منتشر نمی‌شوند.