یک ساعت زودتر تمام‌شدن کار، لزوماً به معنی یک ساعت زودتر رفتن به خانه نیست. ممکن است همان فاصله با سفارش تازه، کمک به همکار یا بررسی خروجی‌های بیشتر پر شود. وقتی درباره آینده کار با هوش مصنوعی حرف می‌زنیم، این فاصله میان «سرعت انجام یک وظیفه» و «شکل یک روز کاری» تعیین‌کننده است. ابزار می‌تواند زمان لازم برای یک کار را کم کند؛ اما تصمیم درباره استفاده از آن زمان، در رابطه میان آدم‌ها و سازمان گرفته می‌شود.
این پرسش با اطلاعیه تازه Wellhub دوباره مطرح شده است. متن اطلاعیه تاریخ ۲ نوامبر ۲۰۲۶ دارد، هرچند بالای صفحه زمان آخرین ویرایش ۲۹ اکتبر درج شده است. شرکت از نظرسنجی آنلاین بیش از پنج هزار شاغل تمام‌وقت در ده کشور خبر می‌دهد؛ پاسخ‌ها در ۱۲ تا ۱۹ ژوئن جمع‌آوری شده‌اند. پس با داده‌های روز گذشته روبه‌رو نیستیم. اطلاعیه و روش نظرسنجی Wellhub
پشت عدد تازه، چه کسانی قرار دارند؟
در گروهی که Wellhub آن را «پیشگامان AI» نامیده، ۴۰ درصد گفته‌اند هوش مصنوعی حجم کارشان را بیشتر کرده است. این گروه ۲۰۷۷ نفر دارد و با ترکیبی از استفاده، احساس راحتی و اتکا به AI تعریف شده؛ نه با آزمون مستقل مهارت. خود Wellhub فروشنده خدمات رفاه کارکنان است و این اطلاعیه، گزارش تجاری نظرسنجی محسوب می‌شود، نه آزمایش علت‌ومعلولی. اطلاعیه و روش نظرسنجی Wellhub
از این عدد نمی‌توان نتیجه گرفت که هوش مصنوعی برای هر کارمند الزاماً کار بیشتری می‌سازد. شاید افرادی که از قبل مسئولیت بیشتری دارند بیشتر سراغ ابزارها رفته باشند. شاید سازمان‌هایی با فشار کاری بالاتر، استفاده بیشتری را تشویق کنند. ممکن است ابزار نیز بخشی از فرایند را تغییر داده باشد. برای جداکردن این توضیح‌ها، مقایسه وضعیت افراد در طول زمان و اطلاعات دقیق‌تری درباره کارشان لازم است. یک پاسخ در نظرسنجی، همه این مسیرها را از هم تفکیک نمی‌کند.
گزارش دیگری از گالوپ، منتشرشده در ۶ اکتبر، زمینه مقایسه می‌دهد. در میان ۷۸۴۵ کارمند آمریکایی که طی سال گذشته دست‌کم چند بار در شغل خود از AI استفاده کرده بودند، ۶۳ درصد انجام سریع‌تر کار و ۳۱ درصد درخواست مسئولیت بیشتر از سوی کارفرما را گزارش کردند. گردآوری داده‌ها از ۲۶ ژانویه تا ۲۴ مارس ۲۰۲۶ انجام شده بود. گالوپ تصریح می‌کند که اینها ارزیابی خود کارکنان‌اند. گالوپ؛ منافع گزارش‌شده AI در محیط کار
این دو درصد را نباید مقابل هم گذاشت و از تفاضلشان سهم «برندگان» را حساب کرد. یک نفر می‌تواند هم سریع‌تر کار کند و هم مسئولیت بیشتری بگیرد. همچنین جمعیت و پرسش‌های دو نظرسنجی یکسان نیست؛ کنار هم قرارگرفتن آنها یک روند زمانی یا نتیجه مشترک برای تمام کشورهای جهان نمی‌سازد. برای خواننده فارسی‌زبان، ارزششان بیشتر در روشن‌کردن پرسشی قابل بررسی است تا پیش‌بینی وضعیت قطعی محل کار خودش.
یک عصر کاری، با سه پایان متفاوت
فرض کنیم هماهنگ‌کننده یک فضای نمایشگاهی، پاسخ‌های اولیه درباره زمان بازدید و شرایط غرفه‌ها را با کمک AI آماده می‌کند. بعد از بررسی متن‌ها، بخشی از بعدازظهر آزاد می‌شود. این یک سناریوی فرضی است و به محصول مشخص یا نتیجه اندازه‌گیری‌شده اشاره ندارد. تا این لحظه، تنها می‌دانیم یک وظیفه زودتر تمام شده است؛ هنوز نمی‌دانیم روز کاری بهتر شده یا فقط ظرفیت انجام کار بیشتر شده است.
در پایان اول، همان مقدار زمان با درخواست‌های بیشتری پر می‌شود. تعداد پاسخ‌ها بالا می‌رود، اما فرد همچنان تا ساعت قبلی مشغول است. این نتیجه ممکن است برای سازمان ارزش داشته باشد؛ بااین‌حال، نباید آن را بدون بررسی به کاهش فشار کارکنان تعبیر کرد. اگر تعداد تعهدها زیاد شود، هماهنگی‌های بعدی نیز می‌تواند بیشتر شود، حتی وقتی نوشتن هر پاسخ سریع‌تر شده است.
در پایان دوم، بخشی از زمان صرف آموختن برنامه‌ریزی رویداد و همراهی با همکار باتجربه می‌شود. خروجی روز شاید از نظر تعداد پیام تغییر زیادی نکند، ولی نوع کار فرد عوض می‌شود. این فرصت خودبه‌خود از ابزار بیرون نمی‌آید؛ باید در برنامه جا داشته باشد و هنگام ارزیابی کار هم دیده شود. اگر یادگیری فقط به ساعات پس از پایان کار منتقل شود، اسم تازه‌ای روی اضافه‌کاری گذاشته‌ایم.
در پایان سوم، زمان آزادشده برای بررسی دقیق‌تر نیاز غرفه‌داران و گفت‌وگوی مستقیم استفاده می‌شود. هدف اینجا تولید پیام بیشتر نیست؛ هدف، کمترشدن ابهام پیش از برگزاری رویداد است. ممکن است نتیجه در کیفیت هماهنگی دیده شود، نه در سرعت پاسخ. این سه پایان پیش‌بینی نیستند؛ نشان می‌دهند یک قابلیت فنی واحد می‌تواند با تصمیم‌های متفاوت، پیامدهای انسانی متفاوتی داشته باشد.
کمک به دیگران هم کار است
وقتی یک نفر استفاده از ابزار تازه را یاد می‌گیرد، ممکن است به مرجع غیررسمی پرسش‌های همکاران تبدیل شود. پاسخ‌دادن به سؤال، توضیح خطا و کمک به اصلاح متن، زمان می‌گیرد. در فضای نمایشگاهی فرضی، هماهنگ‌کننده شاید علاوه بر وظایف خودش، هر روز متن چند همکار را هم بررسی کند. اگر این کمک در تقسیم مسئولیت ثبت نشود، جدول وظایف سبک‌تر به نظر می‌رسد، درحالی‌که تجربه واقعی فرد چیز دیگری است.
نوع دیگری از کار تازه، تصمیم‌گیری درباره پیشنهادهای آماده است. در بررسی تغییر نقش انسان با Claude Duet، توضیح داده‌ایم چرا آماده‌شدن پیشنهاد، مسئولیت تأیید را حذف نمی‌کند. آن بحث درباره یک دستیار مشخص است؛ اینجا همان تمایز کمک می‌کند بررسی و تصمیم‌گیری را در حجم کار حساب کنیم.
برای روشن‌شدن وضع، می‌توان در یک گفت‌وگوی کاری سه نوع زمان را از هم جدا کرد: کاری که واقعاً حذف شده، کاری که هنوز به بازبینی نیاز دارد و مسئولیت تازه‌ای که به فرد سپرده شده است. این پیشنهاد تحریریه یک ابزار ساده گفت‌وگوست، نه مقیاس علمی فرسودگی. مزیتش این است که عبارت مبهم «با AI سریع‌تر شده‌ایم» را به تغییرهای مشخص و قابل توضیح برمی‌گرداند.
آینده کار در تقویم و معیار ارزیابی هم ساخته می‌شود
در مطلب ۷ اکتبر مؤسسه HAI استنفورد، آرویند کاروناکاران بر فراهم‌کردن زمان و منابع واقعی برای یادگیری تأکید می‌کند؛ به گفته او، وعده بهترشدن شغل بدون چنین پشتیبانی‌ای کافی نیست. او همچنین هشدار می‌دهد که حجم استفاده از ابزار، به‌تنهایی معیار ارزش کار نیست. این دیدگاه پژوهشگر درباره طراحی کار است، نه تضمین موفقیت برای هر سازمان. استنفورد؛ طراحی کار و پشتیبانی از یادگیری
برای سناریوی نمایشگاه، پرسش عملی این می‌شود: پس از ورود ابزار، چه چیزی از فرد انتظار داریم که قبلاً انتظار نداشتیم؟ اگر پاسخ، انجام کار پیچیده‌تر است، باید فرصت یادگیری و شیوه ارزیابی آن هم روشن شود. اگر انتظار، پاسخ بیشتر است، لازم است ظرفیت هماهنگی و بازبینی نیز دیده شود. حتی تصمیم به حفظ بخشی از زمان خالی باید صریح باشد؛ وگرنه ممکن است نخستین درخواست فوری آن را مصرف کند.
بنابراین نشانه تغییر مثبت فقط کوتاه‌شدن زمان یک وظیفه نیست. باید دید پایان روز، فرد چه کاری انجام داده، کدام مسئولیت تازه را پذیرفته و چه فرصتی برای یادگیری یا بازیابی انرژی باقی مانده است. داده‌های فعلی پاسخ واحدی برای آینده همه شغل‌ها نمی‌دهند. اما پرسش روشنی پیش روی ما می‌گذارند: وقتی فناوری زمان آزاد می‌کند، چه کسی درباره مصرف آن تصمیم می‌گیرد و آیا کارکنان در این تصمیم سهمی دارند؟
تصاویر این مقاله تصویرسازی مفهومی تولیدشده با هوش مصنوعی‌اند؛ فرد تصویر شاخص شرکت‌کننده واقعی نظرسنجی نیست.
منابع
- اطلاعیه و روش نظرسنجی Wellhub؛ تاریخ اعلام یا انتشار: 2026-11-02؛ بررسی ۳ نوامبر ۲۰۲۶.
- گالوپ؛ منافع گزارش‌شده AI در محیط کار؛ تاریخ اعلام یا انتشار: 2026-10-06؛ بررسی ۳ نوامبر ۲۰۲۶.
- استنفورد؛ طراحی کار و پشتیبانی از یادگیری؛ تاریخ اعلام یا انتشار: 2026-10-07؛ بررسی ۳ نوامبر ۲۰۲۶.
نظر شما چیست؟