۱۳ اکتبر ۲۰۲۶، شرکت Bullhorn و انجمن تأمین نیروی انسانی آمریکا، ASA، همکاری تازه‌ای با نام AI Job Impact معرفی کردند. قرار است این ابزار، روند جذب نیرو را در گروه‌های شغلی با میزان متفاوت تأثیرپذیری از هوش مصنوعی دنبال کند. خبر برای کسی که تازه وارد بازار کار می‌شود یا به تغییر مسیر فکر می‌کند مهم است؛ اما فاصله زیادی میان «تغییر الگوی استخدام» و «پیش‌بینی از دست رفتن شغل من» وجود دارد. اعلام رسمی Bullhorn از به‌روزرسانی ماهانه خبر می‌دهد، نه اندازه‌گیری لحظه‌ای سرنوشت شاغلان.
برای خواندن چنین خبری، باید سه چیز را جدا نگه داریم: وظیفه‌ای که AI در انجامش نقش دارد، فردی که در یک موقعیت کاری جذب می‌شود و کل افرادی که همین حالا شاغل‌اند. اگر این سه را یکی بگیریم، حتی عدد درست هم می‌تواند ما را به نتیجه نادرست برساند. اهمیت شاخص تازه در بازکردن راه پرسش‌های دقیق‌تر درباره آینده کار است؛ نه دادن پاسخ قطعی به نگرانی همه کارکنان.
یک شغل، مجموعه‌ای از کارهای متفاوت است
طبق توضیح ASA درباره شاخص پایه، داده‌های استفاده از هوش مصنوعی Anthropic با اطلاعات وظایف شغلی پایگاه O*NET ترکیب می‌شود. اهمیت وظایف در محاسبه وزن دارد. بنابراین، موضوع صرفاً این نیست که نام یک شغل در فهرست مشاغل «در معرض AI» قرار بگیرد؛ باید دید کدام بخش از آن شغل با استفاده از فناوری ارتباط دارد. جزئیات بخشی از ابزار ASA به عضویت نیاز دارد و این مقاله ادعای بررسی بخش غیرعمومی را ندارد.
یک مثال فرضی را در نظر بگیریم: فردی تازه‌کار مسئول آماده‌سازی اطلاعات محصولات یک فروشگاه لوازم سفر است. نوشتن توضیح اولیه برای یک کوله‌پشتی فقط یکی از کارهای اوست. او همچنین باید مشخصات دو تأمین‌کننده را با هم تطبیق دهد، تفاوت ظرفیت و وزن را تشخیص دهد و وقتی اطلاعات بسته‌بندی با برگه محصول نمی‌خواند، از فرد مسئول سؤال کند. ابزار متنی ممکن است پیش‌نویس توضیح را آماده کند؛ این امکان به‌خودی‌خود نشان نمی‌دهد مسئولیت حل اختلاف اطلاعات هم از بین رفته است.
از زاویه آینده کار، پرسش مفید این است که پس از تغییر یک وظیفه، بقیه کار چگونه سازمان‌دهی می‌شود. ممکن است زمان آزادشده صرف بررسی دقیق‌تر شود، حجم کار افزایش پیدا کند یا کارفرما ترکیب نیروها را عوض کند. این‌ها سناریوهای متفاوت‌اند و هیچ‌کدام را نمی‌توان فقط از وجود قابلیت تولید متن نتیجه گرفت. برای فهم تغییر شغل، باید مسیر کار و مسئولیت باقی‌مانده را هم ببینیم.
آنچه در داده‌ها کم شده، دقیقاً چیست؟
نسخه بررسی‌شده داشبورد Bullhorn و روش محاسبه آن، داده‌های منتهی به ۳۰ سپتامبر ۲۰۲۶ را با تاریخ به‌روزرسانی ۱۲ اکتبر نشان می‌دهد؛ این دو تاریخ با اعلام همکاری در ۱۳ اکتبر متفاوت‌اند. Bullhorn گزارش می‌کند که از ژانویه ۲۰۲۳، جذب نیرو در گروه‌های کم‌تأثیرتر حدود ۱۳ درصد و در گروه‌های بیشتر تحت تأثیر حدود ۱۷ تا ۱۸ درصد کاهش داشته است. این ارقام متعلق به داده‌های جذب نیروی همان مجموعه‌اند، نه درصد کارکنانی که AI اخراج کرده است.
روش اعلام‌شده از سوابق مشتریان سامانه جذب نیروی Bullhorn استفاده می‌کند که با تجمیع داده موافقت کرده‌اند؛ برای ورود مشتریان به محاسبات نیز شرط‌هایی درباره استمرار یا پوشش گروه‌ها وجود دارد. در نتیجه، نمونه را نباید معادل همه کارفرمایان آمریکا گرفت. خود گزارش نیز تغییر سهم مشاغل بیشتر تحت تأثیر را محدود توصیف می‌کند و نقش احتمالی عوامل اقتصادی دیگر را کنار نمی‌گذارد. این نتیجه، تحلیل منتشرکنندگان شاخص است و تأیید مستقل رابطه علت و معلولی محسوب نمی‌شود.
برای روشن‌شدن تفاوت جذب نیرو و تعداد شاغلان، یک مثال عددی کاملاً فرضی کافی است. مجموعه‌ای را تصور کنید که در یک دوره ده نفر و در دوره بعد هشت نفر جذب می‌کند. تعداد جذب‌ها بیست درصد کمتر شده، اما از این دو عدد نمی‌دانیم چند نفر قبلاً در مجموعه کار می‌کردند، چند نفر خارج شده‌اند یا تعداد کل کارکنان افزایش یافته است یا کاهش. حتی علت کمترشدن جذب نیز هنوز معلوم نیست. بررسی کاهش سفارش‌ها، تغییر روش کاریابی یا پایان یک پروژه می‌تواند به یافتن علت کمک کند.
برای مقایسه، گزارش رسمی اشتغال سپتامبر اداره آمار کار آمریکا، منتشرشده در ۲ اکتبر از دو پیمایش مجزا استفاده می‌کند: پیمایش خانوار وضعیت اشتغال و بیکاری افراد را می‌سنجد و پیمایش بنگاه‌ها اشتغال، ساعات و درآمد را بررسی می‌کند. این مرجع مستقل، شاخص اختصاصی Bullhorn را تأیید یا رد نمی‌کند؛ فقط نشان می‌دهد پاسخ پرسش‌های متفاوت، اندازه‌گیری‌های متفاوت می‌خواهد. آمار کلی اشتغال نیز به‌تنهایی سهم AI در تغییرات را مشخص نمی‌کند.
دو آینده ممکن برای کسی که تازه وارد کار می‌شود
به همان مسئول فرضی اطلاعات محصولات برگردیم. در یک مسیر ممکن، شرکت پیش‌نویس‌های ساده را به ابزار می‌سپارد و از نیروی تازه‌کار انتظار دارد از روز اول تناقض‌های دشوار را تشخیص دهد. اگر فرصت تمرین و بازخورد هم‌زمان کمتر شود، ورود به کار سخت‌تر خواهد شد؛ نه لزوماً چون عنوان شغلی محو شده، بلکه چون مرحله یادگیری کوتاه یا حذف شده است. این یک سناریوی تحلیلی است، نه نتیجه اثبات‌شده شاخص تازه.
مسیر دیگری هم ممکن است. شرکت می‌تواند پیش‌نویس ماشینی را کنار اطلاعات اصلی بگذارد و از فرد تازه‌کار بخواهد دلیل هر اصلاح را توضیح دهد. سرپرست ابتدا موارد مبهم را همراه او بررسی کند و سپس اختیار بیشتری بدهد. در این حالت، همان ابزار می‌تواند بخشی از محیط تمرین باشد. تفاوت دو مسیر تنها در مدل هوش مصنوعی نیست؛ به تصمیم سازمان درباره آموزش، نظارت و تقسیم مسئولیت هم مربوط می‌شود.
این مقایسه برای خواننده فارسی‌زبان کاربرد دارد، اما ارقام آمریکا را نباید به بازار کار ایران منتقل کرد. شکل استخدام، دسترسی به ابزارها، هزینه نیروی انسانی و نوع مشتریان باید در محیط واقعی بررسی شود. از یک نمودار خارجی نمی‌توان احتمال شخصی بیکاری یا بهترین رشته برای همه را استخراج کرد. آنچه می‌توان از آن گرفت، شیوه پرسیدن درباره وظایف در حال تغییر و شواهد موردنیاز برای قضاوت است.
در گفت‌وگوی بعدی درباره شغل، جای چه پرسشی خالی است؟
اگر یک آگهی استخدام بر «توانایی کار با AI» تأکید می‌کند، می‌توان پرسید خروجی قابل‌قبول دقیقاً چیست و چه کسی آن را ارزیابی می‌کند. در مثال فروشگاه، تهیه متن روان با تأیید مشخصات محصول یکی نیست. نمونه‌کاری که نشان بدهد فرد چگونه یک اختلاف اطلاعات را پیدا و پیگیری کرده، درباره مسئولیت‌پذیری او توضیح بیشتری می‌دهد تا صرفاً نام‌بردن از چند ابزار. این پیشنهاد، راهی برای روشن‌کردن انتظار کاری است و تضمین استخدام نیست.
شاخص تازه، موضوع اثر هوش مصنوعی بر استخدام را قابل پیگیری‌تر می‌کند؛ ارزش آن با انتشار دوره‌های بعد و روشن‌ماندن روش محاسبه بیشتر مشخص خواهد شد. تا آن زمان، پرسش آینده‌نگرانه فقط این نیست که چه کاری سریع‌تر انجام می‌شود. باید پرسید وقتی بخش‌های ساده‌تر خودکار می‌شوند، همکار تازه‌وارد از کجا فرصت پیدا می‌کند قضاوت حرفه‌ای را یاد بگیرد. پاسخ هر محیط کار به همین پرسش، یکی از تفاوت‌های مهم میان دو آینده ممکن خواهد بود.
هر دو تصویر مقاله با هوش مصنوعی تولید شده‌اند و تصویرسازی مفهومی هستند؛ عکس رویداد، نمودار داده یا نمای واقعی داشبورد نیستند.
نظر شما چیست؟