حذف شغل‌های تازه‌کار به دست هوش مصنوعی؛ بحرانی که مسیر پرورش مدیران آینده را مسدود می‌کند

هوش مصنوعی می‌تواند سرعت انجام وظایف سطح مبتدی را به اوج برساند، اما با حذف فرصت یادگیری نهفته در این کارها، نیمکت رهبری شرکت‌ها روزبه‌روز خالی‌تر خواهد شد.

یک تحلیل‌گر تازه‌کار را تصور کنید که پیش‌بینی مالی‌اش با واقعیت همخوانی ندارد. آماده‌سازی آن جدول محاسباتی دو روز تمام از او زمان برده است، اما نقطه عطف واقعی و لحظه یادگیری او در همان جلسه بازبینی ۲۰ دقیقه‌ای رقم می‌خورد. مدیرش تک‌تک فرضیات مدل را مرور می‌کند، روی فرضیه مربوط به تمدید قرارداد مشتریان دست می‌گذارد و منبع آن را جویا می‌شود. تحلیل‌گر جوان پاسخ قانع‌کننده‌ای ندارد؛ اما دقیقاً در همین لحظه متوجه می‌شود که برای بار بعد باید به چه نکته‌ای دقت کند.

حالا همان کار را به یک ابزار هوش مصنوعی بسپارید؛ پیش‌نویس جدول پیش از ناهار آماده است. اگر مدیر دیگر از او نخواهد تا پای درستی فرضیات جدول بایستد و از آن‌ها دفاع کند، فرصت یادگیری نیز برای همیشه از بین می‌رود. صرفه‌جویی مالی این کار بلافاصله در ترازنامه شرکت خودنمایی می‌کند، اما جای خالی آن تجربه ازدست‌رفته سال‌ها بعد احساس می‌شود؛ زمانی که سازمان به این نیرو برای هدایت یک تیم نیاز دارد.

تارمان شانموگاراتنام، رئیس‌جمهور سنگاپور، در نشست‌های اخیر صندوق بین‌المللی پول و بانک جهانی در بانکوک به همین نگرانی اشاره کرد. او تأکید کرد که سرعت استخدام در «نخستین پله اشتغال، یعنی اولین شغل پس از فارغ‌التحصیلی» در حال کاهش است. به گفته او، دولت‌ها باید با کارفرمایان همکاری کنند تا فارغ‌التحصیلان بتوانند «اولین جای پای خود را در بازار کار محکم کنند و مسیر یادگیری را از همان‌جا پیش ببرند».

آمارهای استخدام نیروهای تازه‌کار چه می‌گویند؟

در حوزه‌هایی که هوش مصنوعی بیشترین نفوذ را در آن‌ها داشته، دسترسی به اولین پله شغلی دشوارتر شده است؛ هرچند شواهد کلی در بازار کار تصویری چندگانه ارائه می‌دهند. در یک مقاله پژوهشی، محققان اداره آمار آمریکا وضعیت فارغ‌التحصیلان رشته‌هایی را بررسی کردند که بیشترین آسیب‌پذیری را در برابر هوش مصنوعی داشتند؛ گروه‌هایی که عمدتاً شامل علوم کامپیوتر و مهندسی نرم‌افزار می‌شوند. پس از ظهور ChatGPT، شانس این فارغ‌التحصیلان برای یافتن شغل بلافاصله پس از دانشگاه کمتر شد و درآمد سه‌ماهه اولیه آن‌ها در مقایسه با هم‌دوره‌ای‌های رشته‌های کم‌خطرتر، حدود ۱۳ درصد افت کرد. پژوهشگران این افت را به فارغ‌التحصیلی در دوران یک رکود اقتصادی عمیق تشبیه می‌کنند؛ هرچند این شکاف به‌مرور زمان باریک‌تر می‌شود. حدود نیمی از این کاهش درآمد، ناشی از روی آوردن اجباری فارغ‌التحصیلان به مشاغلی با دستمزد پایین‌تر مانند خرده‌فروشی و خدمات غذایی بوده است.

آزمایشگاه اقتصاد دیجیتال دانشگاه استنفورد نیز در تحلیل خود روی داده‌های حقوق و دستمزد شرکت ADP به یافته‌های مشابهی رسید. بر اساس این گزارش، میزان اشتغال جوانان ۲۲ تا ۲۵ ساله در مشاغلی که بیشترین مواجهه را با هوش مصنوعی دارند، حدود ۱۹ درصد کمتر از وضعیتی بود که می‌توانست در صورت رشد همگام با مشاغل کمتر در معرض تهدید ثبت شود. بخش عمده این شکاف، ناشی از کاهش استخدام‌های جدید بود، نه افزایش اخراج نیروهای فعلی.

شرکت‌ها نیز دیگر این موضوع را پنهان نمی‌کنند. کارفرمایان در تعدیل ۱۲۰٬۱۳۶ موقعیت شغلی اعلام‌شده در آمریکا طی سال جاری، هوش مصنوعی را به‌عنوان دلیل اصلی نام برده‌اند؛ دلیلی که از هر عامل دیگری پرتکرارتر بوده است. حتی بسیاری از فرصت‌های شغلی جدید هرگز به مرحله انتشار آگهی هم نمی‌رسند. سال گذشته، توبی لوتکه، مدیرعامل شاپیفای (Shopify)، به تیم‌های خود اعلام کرد پیش از آنکه درخواست استخدام نیروی جدید داشته باشند، «باید اثبات کنند چرا انجام کار موردنظر با هوش مصنوعی غیرممکن است».

البته همه پژوهش‌ها الگوی مشابهی را نشان نمی‌دهند؛ برای نمونه، پژوهشگران در مطالعه‌ای تازه هیچ جهش محسوسی در نرخ بیکاری فارغ‌التحصیلان جدید دانشگاهی مشاهده نکرده‌اند. این یافته شایسته توجه است، هرچند آمار نرخ بیکاری محدودیت‌های خاص خود را دارد؛ برای مثال، فارغ‌التحصیلی که در فروشگاه به چیدمان قفسه‌ها مشغول است، فارغ از رشته تحصیلی‌اش شاغل محسوب می‌شود. از سوی دیگر، پژوهش‌های فعلی هنوز نمی‌توانند با قطعیت سهم دقیق هوش مصنوعی را در این کندی استخدام تعیین کنند؛ دانشگاه استنفورد نیز نتایج خود را «الگوهای توصیفی، نه برآوردهای علّی» توصیف کرده و تأکید می‌کند که با احتساب سطح تحصیلات، این شکاف کمتر می‌شود.

مشاغل سطح مبتدی دو بار برای شرکت‌ها سودآوری داشتند

اقتصاددانان این توافق نانوشته قدیمی را به زیبایی توصیف می‌کنند: نیروهای تازه‌کار هزینه بخشی از آموزش خود را با انجام کارهای روتین و روزمره پرداخت می‌کردند. در این معامله دوطرفه، شرکت به جدول محاسباتی نهایی می‌رسید و تحلیل‌گر جوان از جلسه بازبینی و نکات مدیر بهره‌مند می‌شد. مدل نظری این پژوهشگران به این پرسش می‌پردازد که با ورود هوش مصنوعی و تصاحب بخش عمده این کارهای روتین، چه بر سر این چرخه خواهد آمد؟ تحت شرایط خاص، این مسیر شغلی همچنان توجیه اقتصادی دارد؛ اما در شرایط دیگر، فرصت آموزش به‌شدت آب می‌رود. همه چیز به این بستگی دارد که ارزش یک کارشناس خبره چقدر بیشتر از نیروی مبتدی است که صرفاً آن‌قدر می‌داند که بتواند هوش مصنوعی را شکست دهد.

یکی از راه‌حل‌های پیشنهادی این است که وظیفه بررسی و اعتبارسنجی خروجی‌های هوش مصنوعی به نیروهای تازه‌کار سپرده شود. این ایده در نگاه اول منطقی به نظر می‌رسد، تا زمانی که بپرسید یک فرد تازه‌کار چگونه باید تشخیص دهد که یک فرض غلط به چه شکل است؟ همان تحلیل‌گر جوان را به خاطر بیاورید؛ او تنها به این دلیل توانست فرضیه اشتباه را بشناسد که مدیرش پیش‌تر نمونه‌ای از آن را در جدول خودش پیدا کرده بود. ارزیابی و بازبینی کاری که خودتان هرگز انجام دادن آن را یاد نگرفته‌اید، عملاً ناممکن است.

دقیقاً در همین نقطه، موضوع به یک بحران مدیریتی تبدیل می‌شود. تحلیل‌گری که یاد می‌گیرد فرضیات غلط را تشخیص دهد، در آینده به مدیری تبدیل خواهد شد که می‌تواند درباره ریسک‌پذیری فرضیات تیمش تصمیم بگیرد؛ و شاید روزی مدیرعاملی شود که باید تحلیلی را که خودش طراحی نکرده است زیر سؤال ببرد. نیکل لامورو، مدیر ارشد منابع انسانی آی‌بی‌ام (IBM)، هشدار می‌دهد که کاهش استخدام نیروهای در ابتدای مسیر شغلی، شاید در کوتاه‌مدت هزینه‌ها را کاهش دهد، اما در سال‌های بعد به کمبود شدید متخصصان میان‌رده منجر خواهد شد. در دنیای کسب‌وکار، بهترین مدیران اجرایی کسانی هستند که رد زخم‌های بالا رفتن از نردبان سازمانی را بر تن دارند؛ افرادی که دست به آزمودن روش‌های جدید زدند، در مواردی شکست خوردند و ناچار شدند خود را پس از اشتباه بازیابی کنند. انجام کارهای اولیه این فرصت را به کارمندان جوان می‌دهد تا دست به اشتباه بزنند، آن هم در شرایطی که فردی باتجربه بالای سر آن‌ها حضور دارد تا مانع از سقوطشان شود.

مسئولیت آموزش نیروی کار باید متولی مشخصی داشته باشد

دوره رزیدنتی پزشکی، نمونه‌ای موفق و جاافتاده از تمرین حرفه‌ای تحت نظارت است. دستیاران پزشکی در این دوره زیر نظر پزشکان ارشد تصمیمات واقعی می‌گیرند؛ در حالی که «پزشکان باتجربه موارد درمانی را گام‌به‌گام به آن‌ها آموزش می‌دهند، استدلال‌های پشت هر تصمیم را توضیح می‌دهند و به تدریج استقلال عمل بیشتری به آن‌ها می‌بخشند». هم‌زمان برنامه‌هایی نظیر مدیکر نیز به تأمین هزینه‌های آموزشی بیمارستان‌ها کمک می‌کنند. مولی کیندر، پژوهشگر ارشد اندیشکده بروکینگز، رویکرد مشابهی را برای مشاغل اداری و یقه‌سفید پیشنهاد می‌کند؛ با این تفاوت که هزینه‌های آن به‌جای مالیات‌دهندگان، باید توسط شرکت‌هایی پرداخت شود که بیشترین سود را از به‌کارگیری هوش مصنوعی می‌برند. تارمان شانموگاراتنام نیز معتقد است دولت‌ها هم باید در این فرآیند سهیم شوند.

شرکت IBM اکنون در حال بازطراحی جایگاه‌های شغلی سطح مبتدی خود است. لامورو در جریان اجلاس چارتر اعلام کرد که این شرکت استخدام نیروهای تازه‌کار را به سه برابر افزایش می‌دهد. به گفته او، برنامه‌نویسان جونیور در این شرکت همچنان به کدنویسی مشغولند، اما اکنون این کار را با کمک هوش مصنوعی انجام می‌دهند و «زمان بسیار بیشتری را به گفت‌وگو با تیم‌های بازاریابی اختصاص می‌دهند». با این حال، آزمون واقعی این است که آیا چنین نقش‌های بازطراحی‌شده‌ای به نیروهای تازه‌کار تمرین تحت نظارت کافی برای پرورش قدرت قضاوت را می‌دهد یا خیر. این اظهارات در حال حاضر صرفاً یک استراتژی را تشریح می‌کنند، نه نتایج ملموس آن را.

نگران‌کننده‌ترین خطرات هوش مصنوعی، ریسک‌هایی هستند که هیچ متولی مشخصی ندارند و آموزش نیروی انسانی به‌سادگی می‌تواند در این دسته قرار گیرد. پیش از آنکه سازمانی یک وظیفه سطح مبتدی را به هوش مصنوعی بسپارد، مدیران باید بدانند که یک تازه‌کار قبلاً چه مهارت‌هایی را از آن کار یاد می‌گرفت و حالا قرار است این مهارت‌ها را در کجا بیاموزد. موسسه مکنزی (McKinsey) رویکردی جالب در این زمینه پیشنهاد می‌دهد: ابتدا اجازه دهید کارمندان خودشان وظایف منتخب را انجام دهند و سپس تفاوت‌های میان استدلال شخصی خود و پاسخ هوش مصنوعی را با یک مدیر ارشد بررسی کنند. راهکار دیگر، همراه کردن نیروهای جونیور با همکاران باتجربه در جلسات با مشتریان و بحث و تحلیل تصمیمات پس از پایان جلسه است.

مدیری که مجوز اتوماسیون یک فرآیند را صادر می‌کند، باید هم‌زمان فردی را به‌عنوان مسئول آموزش و انتقال دانش تعیین کند. یک جدول محاسباتی ساخته‌شده با هوش مصنوعی نیز همچنان می‌تواند موضوع یک جلسه بازبینی ارزشمند باشد؛ تنها به این شرط که سازمان، حضور نیروی تازه‌کار را در آن اتاق حفظ کند.