هوش مصنوعی در حال نابودی کارهای تکراری است؛ تجدیدنظر شرکت‌ها در استخدام نیروهای تازه‌کار

در آژانس تبلیغاتی Catalyst مستقر در لندن، اکنون یک نیروی تازه‌کار می‌تواند پنج حساب مشتری مختلف را به تنهایی مدیریت کند.

به گفته توبیاس گرین، بنیان‌گذار این آژانس، پیش از این برای انجام چنین کاری به چندین نفر نیاز بود. اما حالا ابزارهای هوش مصنوعی وظایفی مانند تحقیق، نوشتن نسخه اولیه متن‌ها و گردآوری داده‌ها را بر عهده گرفته‌اند.

او با تشبیه این ساختار به «ترک مکانیکی معکوس» می‌گوید: «در این شرایط به شخصی نیاز دارید که وارد عمل شود و کارها را اصلاح و نهایی کند.» در واقع هوش مصنوعی در پشت صحنه کار می‌کند، در حالی که انسان چهره‌ای است که به مشتری ارائه می‌شود.

هوش مصنوعی روزبه‌روز در تحقیق، پیش‌نویس‌سازی، کدنویسی و کارهای اداری مهارت بیشتری پیدا می‌کند؛ تمام وظایفی که به طور سنتی در صنایع مختلف به کارمندان تازه‌کار سپرده می‌شد.

این فناوری در حال تغییر دیدگاه آژانس‌ها و شرکت‌ها نسبت به نقش‌های سطح پایین است. گرین در این باره توضیح می‌دهد: «اگر هوش مصنوعی کارهای طاقت‌فرسا و تکراری را حذف کند، دیگر نیازی به انجام آن‌ها نیست. نیروهای جدید نیازی به یادگیری آن مهارت‌ها ندارند؛ بلکه آن‌ها باید نحوه استفاده و بهره‌برداری از هوش مصنوعی را بیاموزند.»

هوش مصنوعی به شکلی فزاینده در حال تسلط بر کارهای تحقیقاتی، نگارش، کدنویسی و امور اداری است؛ وظایفی که معمولاً به کارمندان جوان و تازه‌کار سپرده می‌شوند.

این امر می‌تواند بهره‌وری را به شدت افزایش دهد، اما کارشناسان نگرانی‌هایی را درباره تاثیر آن بر پیشرفت شغلی و اینکه کارگران جوان چگونه می‌توانند مهارت‌های مورد نیاز را از ابتدا توسعه دهند، مطرح کرده‌اند.

گزارش Business Barometer دانشگاه Open University در سال ۲۰۲۶ با نظرسنجی از ۱۵۰۰ رهبر کسب‌وکار در بریتانیا، نشان داد که ۵۱ درصد از پاسخ‌دهندگان معتقدند هوش مصنوعی در حال تغییر روش‌های استخدام آن‌هاست. حدود ۱۹ درصد از کاهش استخدام نیروهای تازه‌کار خبر دادند که ۴۲ درصد از آن‌ها، پذیرش و ادغام هوش مصنوعی را دلیل اصلی این موضوع عنوان کرده‌اند.

نقش‌های تازه‌کار؛ زمین تمرین و کسب تجربه

لوسی بومونت، معاون ارشد محصول در شرکت ارزیابی استعداد SHL، می‌گوید برخی از استخدام‌کنندگان بزرگِ فارغ‌التحصیلان، در حال ارزیابی این موضوع هستند که آیا اصلاً به نقش‌های ورودی نیاز دارند یا خیر، و به همین دلیل افراد کمتری را استخدام می‌کنند.

بومونت توضیح می‌دهد: «اگر تا پیش از این ساختار سازمان‌ها هرمی شکل بود، اکنون شاهد ساختاری لوزی‌شکل هستیم که افراد بیشتری در سطح میانی آن قرار دارند.» او افزود که این یک راه‌حل کوتاه‌مدت است که می‌تواند در آینده، بحرانی جدی برای کارفرمایان ایجاد کند.

اگر تا پیش از این ساختار سازمان‌ها هرمی شکل بود، اکنون شاهد ساختاری لوزی‌شکل هستیم.

لوسی بومونت

SHL

بومونت می‌افزاید: «این نقش‌های ابتدایی، زمین تمرین شما هستند؛ جایی که اشتباه می‌کنید، تجربه می‌اندوزید و یاد می‌گیرید که چگونه در یک محیط شرکتی فعالیت کنید. اگر این فرصت را از بین ببرید، پیامدهای مخربی برای تمامی سطوح شغلی به همراه خواهد داشت.»

استخدام بر اساس پتانسیل و استعداد

با این حال، نقش‌های سطح پایین به طور کامل در حال نابودی نیستند. در یک نظرسنجی از ۵۰۰ رهبر بازار میانی در بریتانیا و ایرلند توسط شرکت مشاوره فناوری Klarus، ۴۵ درصد اعلام کردند که از هوش مصنوعی برای کمک به کارمندان تازه‌کار جهت انجام بهتر و سریع‌تر کارها استفاده می‌شود. در همین حال، تقریباً یک‌چهارم از پاسخ‌دهندگان گفتند که این فناوری در حال خلق نقش‌ها و فرصت‌های جدید است.

این موضوع به ویژه در توسعه نرم‌افزار مشهود است. شیلا فلاول، مدیر عملیات شرکت مشاوره تجارت و فناوری FDM Group، می‌گوید ابزارهایی مانند Claude Code و Codex باعث شده‌اند که توسعه‌دهندگان بیش از پیش مسئولیت نظارت بر پروژه‌هایی را بر عهده بگیرند که به صورت مشترک توسط انسان‌ها و ایجنت‌های هوش مصنوعی پیش می‌روند.

ابزارهایی مانند Claude Code و Codex به این معنا هستند که توسعه‌دهندگان به طور فزاینده‌ای مسئول نظارت بر پروژه‌هایی هستند که توسط انسان‌ها و ایجنت‌های هوش مصنوعی تکمیل می‌شوند.

او در ادامه اشاره کرد: «مهارت‌هایی که به شدت اهمیت پیدا می‌کنند، درک نحوه کار و تعامل با دیگران است.» بنابراین، هوش مصنوعی می‌تواند کارمندان تازه‌کار را بسیار زودتر از گذشته به سمت نظارت بر کارها سوق دهد.

اما استخدام برای این روش جدیدِ کار می‌تواند چالش‌برانگیز باشد. بومونت می‌گوید برخی کارفرمایان در حال فاصله گرفتن از استخدام فارغ‌التحصیلان برای نقش‌های از پیش تعریف‌شده هستند و در عوض، افراد را بر اساس توانمندی‌های گسترده و تفکر منعطف استخدام کرده و سپس تصمیم می‌گیرند که آن‌ها را در چه بخشی به کار گیرند.

او معتقد است: «این یک استخدام مبتنی بر پتانسیل است. آیا شما پتانسیل یادگیری مهارت‌های جدید را دارید؟ آیا می‌توانیم حوزه‌های متفاوتی را به شما آموزش دهیم؟ در این سیستم، دیگر اهمیت چندانی ندارد که از چه پیش‌زمینه‌ای آمده‌اید.»

بومونت به عنوان مثال به یک بانک خرده‌فروشی بزرگ و جهانی اشاره کرد که فراتر از استخرهای استعدادیابی سنتی، به دنبال استخدام فارغ‌التحصیلان در رشته‌هایی مانند روانشناسی و حقوق است. استدلال این بانک این است که مهارت‌های فنی قابل آموزش هستند، در حالی که ایجاد توانمندی‌هایی مانند تفکر انتقادی از پایه، بسیار دشوارتر است.

هوش مصنوعی حداقل سطح تولید یک نیروی تازه‌کار را بالا می‌برد، اما به او قدرت تشخیصی برای درک زمان نادرست بودن خروجی نمی‌دهد.

چنی همیلتون

Bloor

برای چنی همیلتون، مدیر شرکت تحقیقاتی Bloor، سوال اصلی این است که آیا کارمندان تازه‌کار می‌توانند قدرت قضاوت و تشخیصی را برای نظارت بر کاری که خودشان هرگز یاد نگرفته‌اند انجام دهند، به دست آورند یا خیر.

او استدلال می‌کند که «کارهای طاقت‌فرسا و تکراری» هرگز فقط یک کار ساده نبودند، بلکه مکانیزمی به شمار می‌رفتند که از طریق آن، افراد به مرور زمان تجربه، دانش زمینه‌ای و قدرت قضاوت را انباشته می‌کردند.

همیلتون که هدایت بخش تحقیقات تحول محیط کار را بر عهده دارد، می‌افزاید: «هوش مصنوعی حداقل سطح تولید یک نیروی تازه‌کار را بالا می‌برد، اما به او قدرت تشخیصی برای درک زمان نادرست بودن خروجی نمی‌دهد؛ قدرتی که از نظر تاریخی از طریق تکرار و تجربه پیامدها به دست می‌آمد.»

کسب «تجربه» به جای تولید «خروجی»

البته این بدان معنا نیست که باید کارهای پیش‌پاافتاده را صرفاً به خاطر آموزش حفظ کرد. همیلتون معتقد است شرکت‌ها به جای تمرکز بر «خروجی»، باید کارهای سطح پایین را به عنوان فرصتی برای کسب «تجربه» در نظر بگیرند؛ به طوری که نیروهای تازه‌کار کار تولیدشده توسط هوش مصنوعی را بررسی و اصلاح کنند و در عین حال، همکاران ارشد به طور هدفمند قدرت قضاوت و تحلیل را به آن‌ها آموزش دهند.

شرکت مشاوره FDM Group نیز در حال آزمایش رویکرد مشابهی است. فلاول می‌گوید این شرکت اکنون افراد را با استفاده از مشکلات واقعی کسب‌وکار آموزش می‌دهد و از آن‌ها می‌خواهد تا با بهره‌گیری از مهندسی مبتنی بر ایجنت (Agentic Engineering)، راه‌حل‌هایی پیدا کنند، نه اینکه صرفاً نحوه کار با ابزارهای هوش مصنوعی را به آن‌ها بیاموزد؛ رویکردی سطحی که می‌تواند شرکت‌ها را در سال‌های آینده با کمبود شدید نیروهای متخصص و باتجربه مواجه کند.

همیلتون در پایان هشدار می‌دهد: «به همین دلیل است که استدلال می‌کنم مسئله واقعی مدت زمان سپری‌شده در اوایل مسیر شغلی نیست، بلکه 'دانش اولیه' است. آیا ما به طور آگاهانه در حال ایجاد دانش زمینه‌ای و قدرت قضاوتی هستیم که در گذشته به صورت تدریجی و خودبه‌خود به دست می‌آمد؟ اگر این‌طور نباشد، خطر پرورش نسلی مجهز به هوش مصنوعی را به جان می‌خریم که دانش آن‌ها گستره زیادی دارد، اما فاقد هرگونه عمق است.»