کارها به شکلی که می‌شناسیم به خاطره تبدیل خواهند شد: ایجنت‌های هوش مصنوعی و آینده شغل‌ها

کارهای روزمره به شکلی که امروز می‌شناسیم، به زودی به خاطره‌ای از گذشته تبدیل خواهند شد.

تصور کنید از خواب بیدار می‌شوید، قهوه‌ای می‌ریزید و به یک جلسه آنلاین می‌پیوندید. ده دقیقه اول به بحث درباره این می‌گذرد که چرا یکی از همکاران در سلول B4 فایل اسپردشیت مشترک، عدد ۱۵۲۴ را تایپ کرده است؛ در حالی که مسلماً باید ۱۷۵۹ می‌بود.

بعد از ظهر، برای سومین بار پیش‌نویس یک پیشنهاد برای مشتری جدید را بازنویسی می‌کنید. درست در لحظه‌ای که کار تمام می‌شود، پیامی دریافت می‌کنید که دامنه پروژه دوباره تغییر کرده است.

این روند برای بیشتر کارکنان دانشی یک روز کاری کاملاً عادی محسوب می‌شود. اما تا پنج سال آینده، چنین روزهایی بسیار قدیمی و منسوخ به نظر خواهند رسید؛ و هرچند عجیب به نظر می‌رسد، احتمالاً دلمان برایشان تنگ خواهد شد.

ما پیش از این نیز چنین تغییراتی را تجربه کرده‌ایم؛ زمانی که کشاورزی جای خود را به کار در کارخانه داد و سپس کارخانه‌ها به کارهای دانشی و دفتری امروز تبدیل شدند. ابزارهای جدید مشاغل قدیمی را خودکار کردند و ماهیت کار نیز همراه با آن‌ها تغییر یافت. اکنون، ایجنت‌های هوش مصنوعی (AI agents) در حال ایجاد همین تحول در مشاغل دفتری هستند.

نویسنده: مهندس ارشد راهکارها در Ninox.

هم‌زمان درخشان و بی‌فایده

به‌تازگی دریافته‌ایم که چگونه هوش مصنوعی را از یک ماشین پرسش‌وپاسخ ساده، به ابزاری تبدیل کنیم که کارهای واقعی انجام می‌دهد. کدنویسی یک نمونه بارز است. دو سال پیش، برنامه‌نویسی با هوش مصنوعی عمدتاً به تکمیل خودکار کدها و نوشتن اسکریپت‌های کوچک محدود می‌شد. اما امروز، مهندسان شرکت Anthropic گزارش می‌دهند که هوش مصنوعی تا ۹۰ درصد کدهای آن‌ها را می‌نویسد و برخی از آن‌ها دیگر اصلاً به‌صورت دستی کدنویسی نمی‌کنند.

پس چرا هنوز هم توهمات و خطاهای پیش‌پاافتاده رخ می‌دهند؟ هر چند هفته یک‌بار نمونه جدیدی در شبکه‌های اجتماعی دست‌به‌دست می‌شود: یک مدل زبانی نمی‌تواند تعداد حروف R را در کلمه strawberry (توت‌فرنگی) بشمارد؛ مدلی دیگر اصرار دارد که پیاده به داخل کارواش بروید زیرا تنها ۵۰ متر با شما فاصله دارد (که قدم زدن میان کف، آب‌پاش‌ها و غلتک‌ها اصلاً ایده خوبی به نظر نمی‌رسد). آزمایشگاه‌ها هر خطا را برطرف می‌کنند، اما روز بعد اشتباه خجالت‌آور جدیدی نمایان می‌شود.

آندری کارپاتی (Andrej Karpathy)، پژوهشگر هوش مصنوعی، این پدیده را «هوش ناهموار» (Jagged Intelligence) می‌نامد. مدل‌های هوش مصنوعی گاهی مسائل بسیار پیچیده را حل می‌کنند، اما بلافاصله روی سوالی که یک کودک هم می‌تواند به درستی پاسخ دهد، گیر می‌افتند. درس مهم این است که شما از قبل نمی‌دانید با کدام روی این فناوری روبه‌رو خواهید شد.

به عبارت دیگر، نمی‌توانید انسان را به‌طور کامل از فرآیند کار حذف کنید، یک ایجنت هوشمند را جایگزین او کنید و انتظار داشته باشید که خروجی همیشه بی‌نقص باشد.

چه کارهایی را می‌توان واگذار کرد؟

اینکه به یک ایجنت تا چه حد می‌توان اعتماد کرد، به دو سوال اساسی بستگی دارد: هزینه یک اشتباه چقدر است؟ و هزینه بررسی و ارزیابی صحت آن کار چقدر است؟

هزینه خطا به میزان آسیبی اشاره دارد که در صورت اشتباه مدل ایجاد می‌شود. استنادهای توهمی و دروغین در یک پرونده قضایی بسیار گران تمام می‌شود و جریمه‌ها و آسیب‌های اعتباری سنگینی به همراه دارد. اما اشتباه در پیش‌نویس اولیه خلاصه یک جلسه، چندان پرهزینه نیست.

از سوی دیگر، هزینه تایید صحت نشان می‌دهد که بررسی درستی کار تولیدشده توسط ایجنت چقدر آسان است. ریاضیات در سمت ارزان این طیف قرار دارد، زیرا اثبات‌ها را می‌توان به‌صورت برنامه‌نویسی‌شده بررسی کرد. اما تدوین یک استراتژی تجاری در بالاترین سطح هزینه قرار می‌گیرد، چرا که ارزیابی دقیق آن به تخصص و تجربه عمیق انسانی نیاز دارد.

وظایف خود را بر اساس این دو معیار بسنجید. هرچه امتیاز یک کار در هر یک از این دو سوال بالاتر باشد، به نظارت، تخصص و تایید انسانی بیشتری نیاز است.

نکته‌ای که باید به خاطر داشت این است که آنچه ما به عنوان یک وظیفه واحد می‌بینیم، معمولاً شامل چندین کار کوچکتر است. پشتیبانی مشتریان ممکن است در نگاه اول یک وظیفه به نظر برسد؛ اما بین تعاملات روتین سطح اول (که هزینه بررسی پایین‌تر و مسیرهای ارجاع مشخصی دارند) و تعاملات پیچیده‌تر سطح دوم و سوم (که هزینه خطا و تایید آن‌ها بسیار بالاتر است)، تفاوت چشمگیری وجود دارد.

شرکت کلارنا (Klarna) این موضوع را به شکل کاملاً علنی تجربه کرد؛ آن‌ها به‌شدت به سمت خودکارسازی رفتند، اما پس از افت کیفیت خدمات، مجبور شدند دوباره نیروهای انسانی استخدام کنند. نتیجه‌گیری سباستین سیمیاتکوفسکی، مدیرعامل این شرکت، این بود که مشتریان باید بدانند در صورت نیاز، همیشه یک انسان برای پاسخگویی حضور دارد.

چرا خودکارسازی نسبی، انسان‌ها را ارزشمندتر می‌کند؟

دستگاه‌های خودپرداز در دهه ۱۹۷۰ در سیستم بانکی گسترش یافتند و در حال حاضر تنها در ایالات متحده بیش از ۴۰۰ هزار دستگاه فعال وجود دارد. پیش‌بینی بدیهی این بود که تعداد متصدیان بانک کاهش می‌یابد. اما در عوض، تعداد کارمندان بانک و همچنین دستمزد آن‌ها افزایش یافت.

رادیولوژی نمونه مدرن همین پدیده است. ابزارهای هوش مصنوعی اکنون برخی اسکن‌ها را بهتر از انسان‌ها می‌خوانند. با این حال، بخش‌های رادیولوژی بیکار ننشسته‌اند؛ موقعیت‌های شغلی خالی مانده‌اند و تقاضا برای نیروی متخصص بیش از هر زمان دیگری است.

مایکل کرمر (Michael Kremer)، اقتصاددان برنده جایزه نوبل، در نظریه O-Ring توضیح می‌دهد که کارهای دانشی مدرن به جای اینکه ماهیت «جمعی» داشته باشند، ماهیت «ضرب‌شونده» دارند. به عبارت دیگر، یک مرحله اشتباه و معیوب، ارزش کل خروجی را به صفر می‌رساند.

در فرآیند خودکارسازی، یک حلقه ضعیف می‌تواند کل نتیجه را از بین ببرد، مگر اینکه یک انسان آن را متوجه شود و اصلاح کند. این امر باعث می‌شود انسان‌های باقی‌مانده در سیستم، ارزش بیشتری پیدا کنند، نه کمتر؛ زیرا آن‌ها اکنون نگهبان حجم بسیار بیشتری از کارهای باکیفیت هستند. تقاضا برای نیروی انسانی تنها زمانی کاهش می‌یابد که کل زنجیره کاملاً خودکار شود؛ اتفاقی که تا زمان وجود «هوش ناهموار» و پدیده توهم در مدل‌ها، تصور آن بسیار دشوار است.

اثر تمرکز

خودکارسازی، زمان ما را آزاد می‌کند و اینکه این زمان چگونه صرف می‌شود، تعیین می‌کند که آیا کل این فرآیند ارزشش را داشته است یا خیر. اگر این زمان آزاد به درستی مدیریت شود، باید صرف کارهای گلوگاهی شود؛ مانند ایجاد ارتباط موثر با مشتریان بالقوه، درک نیازهای واقعی آن‌ها و گرفتن تصمیمات کلیدی. این امر می‌تواند کیفیت خروجی نهایی را بهبود بخشد و استانداردهای کارهایی را که قرار است در آینده خودکار شوند، ارتقا دهد.

اما برای تحقق این امر، مدیران باید به‌دقت مشخص کنند که ایجنت‌ها چه کارهایی می‌توانند انجام دهند، آن وظایف را به‌طور فعال واگذار کنند و سپس فرآیندها را به گونه‌ای بازطراحی کنند که کارمندان به جای مراقبت دائمی از ماشین‌ها، به سمت انجام کارهای باارزش‌تر حرکت کنند.

پنج سال آینده

چنین سناریویی را تصور کنید: ده‌ها ایجنت هوش مصنوعی به صورت موازی در حال کار هستند؛ پیش‌نویس پیشنهادها را می‌نویسند، سرنخ‌های فروش را ارزیابی می‌کنند و تیکت‌های پشتیبانی را پاسخ می‌دهند. کارهای خسته‌کننده و تکراری از بین رفته‌اند. اما بار شناختی و ذهنی شما بیشتر شده است، زیرا باید به لحاظ ذهنی تمام این فرآیندها را مدیریت کنید، بازخورد بدهید و مطمئن شوید که هیچ‌چیز از قلم نمی‌افتد.

از پهنای باند ذهنی خود محافظت کنید؛ اجازه دهید ایجنت‌ها برای شما کار کنند، نه برعکس. زمان و انرژی آزادشده خود را صرف کارهایی کنید که تنها از عهده شما به عنوان یک انسان برمی‌آید.

در غیر این صورت، در سال‌های آینده به گذشته نگاه خواهیم کرد و آرزو می‌کنیم که کاش می‌توانستیم دوباره درباره سلول B4 با همکارمان بحث کنیم.