سپر دفاعی مشاغل در برابر اتوماسیون: چرا وظایف یدی غیرتکراری و مسئولیت‌پذیری نهادی اهمیت دارند؟

زمانی که رونق رباتیک صنعتی در دهه ۱۹۹۰ بیش از ۴۰۰٬۰۰۰ کارگر کارخانه را در سراسر بخش تولید جهانی آواره کرد، خط مرزی بین مشاغل امن و آسیب‌پذیر کاملاً با تکرار فیزیکی تعریف می‌شد. اگر یک کار می‌توانست به عنوان یک توالی قابل پیش‌بینی از حرکات نقشه‌برداری شود، یک ماشین در نهایت می‌توانست آن را سریع‌تر و ارزان‌تر انجام دهد. امروزه، در شرایطی که هوش مصنوعی مولد هسته اقتصاد دانش‌بنیان را هدف قرار داده است، قوانین جابجایی نیروی کار اساساً تغییر کرده‌اند. دیوار آتش جدیدی که از نیروی کار انسانی محافظت می‌کند، دیگر پیچیدگی شناختی یا سطح تحصیلات نیست، بلکه غیرقابل پیش‌بینی بودن محیط و اصطکاک نهادی است. درک این تغییر برای متخصصانی که در تلاش برای هدایت مسیر خود در بازار کاری هستند که نشانگرهای سنتی امنیت شغلی در آن به سرعت در حال تبخیر است، حیاتی است.[5]

مقیاس این تغییر قریب‌الوقوع عظیم و از نظر گستردگی بی‌سابقه است و برآورد می‌شود بر ۱۰۰ میلیون شغل در سطح جهان تأثیر بگذارد. تحقیقات و پیش‌بینی‌های گروه مشاوره بوستون (BCG) نشان می‌دهد که «هوش مصنوعی مشاغل بیشتری را نسبت به آنچه جایگزین می‌کند، تغییر خواهد داد» و اساساً جریان‌های کاری روزانه و مسئولیت‌های اصلی تا ۷۰٪ از کارکنان دانشی را در دهه آینده دگرگون خواهد کرد. برخلاف امواج قبلی اتوماسیون که ورود داده‌ها، کارهای دفتری پایه و تولید در خط مونتاژ را به کالای مصرفی تبدیل کرد، موج فناوری کنونی مستقیماً بالاترین سطوح درآمدی بازار کار را هدف گرفته است. ابزارهایی که امروزه مستقر می‌شوند، فقط از دستورالعمل‌ها پیروی نمی‌کنند؛ آن‌ها اطلاعات را ترکیب می‌کنند، متن‌های بدیع تولید می‌کنند و الگوهای پیچیده را تشخیص می‌دهند و بدین ترتیب پایه‌های امنیت شغلی متخصصان یقه‌سفید را تهدید می‌کنند.[1]

برای درک مکانیسم این گذار، اقتصاددانان کار و استراتژیست‌های نیروی کار به شدت به یک ماتریس پایه ۲ در ۲ متکی هستند که در سال ۲۰۰۳ توسط پژوهشگرانی به نام‌های دیوید آتور (David Autor)، فرانک لوی (Frank Levy) و ریچارد مورنین (Richard Murnane) معرفی شد. این چارچوب نظری، تمام کار انسان را به دو محور متقاطع تقسیم می‌کند: وظایف شناختی در برابر یدی، و وظایف تکراری در برابر غیرتکراری. با دسته‌بندی اقدامات خاصی که یک شغل معین را تشکیل می‌دهند، اقتصاددانان می‌توانند دقیقاً ترسیم کنند که کدام بخش‌های بازار کار بیشتر در معرض جایگزینی فناوری قرار دارند و کدام بخش‌ها به طور منحصربه‌فردی وابسته به توانایی انسان باقی می‌مانند.[5]

برای نزدیک به دو دهه، این مدل مبتنی بر وظیفه، یک اجماع آرام‌بخش و پایدار برای مربیان و سیاست‌گذاران فراهم می‌کرد. وظایف یدی تکراری، مانند بسته‌بندی در انبار یا جوشکاری در خط مونتاژ، و وظایف شناختی تکراری، مانند دفترداری پایه یا ورود داده‌ها، به طور جهانی به عنوان وظایف بسیار مستعد کامپیوتری شدن شناخته می‌شدند. در همین حال، وظایف شناختی غیرتکراری - حل مسئله انتزاعی، برنامه‌ریزی استراتژیک و ترکیب خلاقانه‌ای که توسط وکلا، مهندسان نرم‌افزار و مشاوران مدیریت انجام می‌شود - به عنوان پناهگاه امن نهایی در نظر گرفته می‌شدند. توصیه غالب ساده بود: مدرک دانشگاهی بگیرید، وارد یک حرفه شناختی غیرتکراری شوید تا شغل شما از تهدید اتوماسیون مصون بماند.[5]

این اجماع دیرینه اکنون به طور قطعی زیر بار پیشرفت‌های هوش مصنوعی مولد فرو ریخته است. یک مطالعه جامع در سال ۲۰۲۴ که در arXiv توسط پلین اوزگول (Pelin Ozgul) و همکارانش منتشر شد، با تجزیه و تحلیل بیش از ۲٬۰۰۰ فعالیت کاری دقیق، نشان می‌دهد که «کارگران انسانی با مهارت بالا در مشاغل غیرتکراری مستعد اتوماسیون هوش مصنوعی هستند.» مدل‌های زبانی بزرگ با موفقیت به دژ شناختی نفوذ کرده‌اند و ثابت کرده‌اند که در ترکیب رویه‌های حقوقی پیچیده، نوشتن کدهای کامپیوتری کاربردی و تولید تحلیل‌های استراتژیک پیچیده بسیار توانمند هستند. وظایفی که زمانی اوج کار فکری انسان را تعریف می‌کردند، به طور فزاینده‌ای توسط الگوریتم‌ها در کسری از زمان انجام می‌شوند و ارزش اقتصادی انتزاع شناختی خالص را اساساً مختل می‌کنند.[6]

خطرات عملی برای مسیر شغلی یک متخصص و پتانسیل درآمدزایی بلندمدت او فوری و جدی است. اگر انتزاع شناختی و مدارک تحصیلی پیشرفته دیگر امنیت شغلی را تضمین نمی‌کنند یا پاداش‌های دستمزدی گذشته را به همراه ندارند، کارگران باید فوراً عوامل باقی‌مانده‌ای را که واقعاً از نیروی کار انسانی در برابر جایگزینی الگوریتمی محافظت می‌کنند، شناسایی کنند. چالش دیگر پیشی گرفتن از یک کامپیوتر در یک محیط ساختاریافته نیست؛ بلکه یافتن تقاطع‌های خاصی از توانایی‌های انسانی است که فناوری هنوز نمی‌تواند آن‌ها را تکرار کند و گره زدن مسیر شغلی به آن عملکردهای غیرقابل جایگزین است.[5]

پاسخ به این دوراهی شغلی مدرن در تقاطع سازگاری شناختی و هرج‌ومرج فیزیکی نهفته است. در حالی که هوش مصنوعی در پردازش اطلاعات دیجیتال ساختاریافته با سرعت‌های مافوق بشری برتری دارد، در فضاهای فیزیکی بدون ساختار به شدت با مشکل مواجه است. این محدودیت تجلی پارادوکس موراوک (Moravec's paradox) است، اصلی در علوم کامپیوتر که مشاهده می‌کند استدلال سطح بالا به محاسبات بسیار کمی نیاز دارد، اما مهارت‌های حسی-حرکتی سطح پایین به منابع محاسباتی عظیمی نیازمندند. در اصطلاح عملی، در حال حاضر خودکارسازی کار یک تحلیلگر مالی بسیار آسان‌تر از یک نجار ماهر است.[5]

تحقیقات در حال انجام سازمان همکاری و توسعه اقتصادی (OECD) در مورد آینده کار دقیقاً همین پویایی را برجسته می‌کند و خاطرنشان می‌سازد که ماشین‌ها دهه‌ها با تکرار مهارت‌های دستی، آگاهی فضایی و سازگاری در لحظه که برای حرکت در محیط‌های فیزیکی غیرقابل پیش‌بینی لازم است، فاصله دارند. لوله‌کشی که یک نشتی پیچیده را در داخل یک دیوار در حال فروریختن متعلق به قرن نوزدهم تشخیص می‌دهد، در حال انجام یک کار یدی غیرتکراری است که کاملاً توانایی‌های اتوماسیون فعلی را به چالش می‌کشد. محیط کاملاً بدون ساختار است، متغیرها تا زمانی که دیوار باز نشود ناشناخته هستند، و اجرای فیزیکی به سطحی از بازخورد لمسی نیاز دارد که در حال حاضر هیچ رباتی از آن برخوردار نیست.[2]

با این حال، مقاوم‌ترین مشاغل با بالاترین دستمزدها در دهه آینده فقط مشاغل کاملاً یدی نخواهند بود؛ بلکه نقش‌هایی خواهند بود که تریاژ شناختی سطح بالا را با غیرقابل پیش‌بینی بودن فیزیکی ترکیب می‌کنند. این مجموعه مهارت ترکیبی - توانایی تصمیم‌گیری‌های پیچیده و انتزاعی در حالی که همزمان در یک فضای فیزیکی پر هرج‌ومرج حرکت می‌کنید - مانعی غیرقابل عبور برای فناوری فعلی ایجاد می‌کند. این نشان‌دهنده ترکیب نهایی ربع‌های شناختی غیرتکراری و یدی غیرتکراری است که سپر محکمی در برابر الگوریتم‌های نرم‌افزاری و رباتیک فیزیکی ارائه می‌دهد.[5]

برای درک بهتر این پویایی، تفاوت فاحش در میزان قرار گرفتن در معرض اتوماسیون بین یک رادیولوژیست تشخیصی و یک پرستار اورژانس را در نظر بگیرید. هر دو نقش به سال‌ها آموزش پزشکی پیشرفته نیاز دارند، دستمزدهای بالایی دریافت می‌کنند و شامل وظایف شناختی غیرتکراری مرتبط با مرگ و زندگی هستند. با این حال، هنگامی که از دریچه ساختار محیطی و تعامل فیزیکی به آن‌ها نگاه می‌شود، آسیب‌پذیری‌های مربوطه آن‌ها در برابر هوش مصنوعی بسیار متفاوت است که قوانین جدید بازار کار خودکار را برجسته می‌کند.[5]

کار رادیولوژیست، در حالی که غیرقابل انکار پیچیده و از نظر فکری سخت است، کاملاً دیجیتال و بسیار ساختاریافته است. ورودی‌ها فایل‌های تصویربرداری پزشکی استاندارد شده هستند و خروجی‌ها گزارش‌های تشخیصی مبتنی بر متن می‌باشند. از آنجا که این کار کاملاً در یک محیط دیجیتال بسته انجام می‌شود، مدل‌های هوش مصنوعی اکنون می‌توانند در تشخیص ناهنجاری‌های خاص در این مجموعه داده‌های ساختاریافته با دقت انسان برابری کنند یا حتی از آن فراتر روند. وظیفه شناختی اصلی - تشخیص الگو در یک محیط دیجیتال محدود - مستقیماً در تیررس الگوریتم‌های یادگیری ماشین مدرن قرار دارد.[5]

در مقابل، پرستار اورژانس در یک محیط فیزیکی پر هرج‌ومرج، بدون ساختار و بسیار غیرقابل پیش‌بینی فعالیت می‌کند. این نقش نیازمند تحلیل شناختی همزمان، مانند تفسیر علائم حیاتی در حال نوسان و اولویت‌بندی مراقبت از بیمار، در کنار مداخلات یدی غیرتکراری، مانند ایمن‌سازی مسیر داخل وریدی در یک بیمار پرخاشگر یا در حال افت علائم حیاتی است. هیچ الگوریتم یا سیستم رباتیکی در حال حاضر وجود ندارد که بتواند این ترکیب یکپارچه ذهن و بدن را در یک محیط پرخطر و از نظر فیزیکی غیرقابل پیش‌بینی تکرار کند، که این امر نقش را در برابر اتوماسیون بسیار مقاوم می‌سازد.[5]

این پویایی در حال تغییر از هم‌اکنون شروع به تغییر شکل تقاضای کار در سطح اقتصاد کلان کرده است. داده‌های گسترده از کتابخانه الکترونیکی صندوق بین‌المللی پول (IMF eLibrary) که ۱۵ سال داده‌های اشتغال را تا رکود پس از کووید-۱۹ بررسی می‌کند، تغییر پیچیده و در حال تحولی را در تقاضا برای مشاغل دیجیتال در سراسر ایالات متحده نشان می‌دهد. در حالی که نقش‌های کاملاً دیجیتال در طول دوره دورکاری همه‌گیری با افزایش عظیمی روبرو شدند، پاداش دستمزد بلندمدت به تدریج به سمت نقش‌هایی در حال تغییر است که با موفقیت شکاف دیجیتال-فیزیکی را پر می‌کنند و به کارگرانی پاداش می‌دهند که می‌توانند بینش‌های دیجیتال را در کاربردهای نامنظم دنیای واقعی به کار گیرند.[4]

علاوه بر این، تحقیقات دقیقی که در سال ۲۰۲۳ در انجمن اقتصادی آمریکا (American Economic Association) ارائه شد، نشان می‌دهد که چگونه روتین‌سازی محیط کار بر مشاغل غیردانشگاهی تأثیر می‌گذارد و ساختارهای سنتی دستمزد را تغییر می‌دهد. از آنجا که وظایف تکراری به طور سیستماتیک از اقتصاد خودکار می‌شوند، کارگران به طور فزاینده‌ای به سمت نقش‌هایی سوق داده می‌شوند که به سطوح بالایی از سازگاری بین فردی، حضور فیزیکی و حل مسئله در لحظه نیاز دارند. این گذار، ارزش اقتصادی فزاینده انعطاف‌پذیری انسان را در محیط‌هایی که قوانین الگوریتمی سفت و سخت به ناچار شکست می‌خورند، برجسته می‌کند.[3]

فراتر از سد محافظ محیط فیزیکی، دومین سپر بزرگ در برابر دست‌اندازی اتوماسیون، مسئولیت نهادی است. یک سیستم هوش مصنوعی پیشرفته می‌تواند یک لایحه حقوقی جامع تولید کند، پیش‌نویس یک قرارداد شرکتی پیچیده را تهیه کند، یا یک طرح مهندسی سازه را در عرض چند ثانیه طراحی کند. با این حال، یک الگوریتم نمی‌تواند مجوز حرفه‌ای داشته باشد، بیمه قصور پزشکی بخرد، یا در صورت فروریختن یک ساختمان یا منجر شدن یک استراتژی حقوقی به یک زیان فاجعه‌بار شرکتی، به زندان برود.[5]

این واقعیت چیزی را ایجاد می‌کند که اقتصاددانان کار از آن به عنوان «پاداش انطباق» یاد می‌کنند. حتی در سناریوهایی که یک کار شناختی غیرتکراری ۹۹٪ توسط نرم‌افزار خودکار شده است، یک متخصص انسانی باید در چرخه باقی بماند تا ریسک حرفه‌ای، اخلاقی و قانونی مرتبط با خروجی نهایی را بپذیرد. ماهیت کار انسان اساساً تغییر می‌کند - از تولید اولیه به تأیید و صدور مجوز تغییر می‌یابد - اما نقش انسان از نظر قانونی و نهادی برای عملکرد کسب‌وکار ضروری باقی می‌ماند.[5]

تحلیل گروه مشاوره بوستون (BCG) به شدت بر این گذار خاص تأکید می‌کند و خاطرنشان می‌سازد که متخصصان بسیار ماهر به طور فزاینده‌ای به عنوان ویرایشگر، حسابرس و مدیر کارهای تولید شده توسط هوش مصنوعی عمل خواهند کرد تا سازندگان مستقیم. در این پارادایم جدید، ارزش اقتصادی کارگر از توانایی صرف برای تولید پاسخ صحیح دور می‌شود و به سمت اختیار نهادی برای تأیید آن حرکت می‌کند. این پاداش برای پاسخگویی، قضاوت و تمایل به پذیرش عواقب یک تصمیم پرداخت می‌شود.[1]

پیامدهای دستمزدی این تغییر ساختاری عمیق است و از هم‌اکنون در داده‌ها قابل مشاهده است. مطالعه سال ۲۰۲۴ در arXiv نشان داد که در حالی که کارگران با مهارت بالا به طور گسترده در معرض قابلیت‌های هوش مصنوعی قرار دارند، «مزایای دستمزدی بین مشاغل متفاوت است» که کاملاً بر اساس نحوه ادغام فناوری در جریان‌های کاری خاص آن‌هاست. کارگرانی که با موفقیت از هوش مصنوعی برای تسریع وظایف شناختی تکراری خود استفاده می‌کنند، در حالی که تلاش منحصربه‌فرد انسانی خود را بر تصمیم‌گیری‌های غیرتکراری و با مسئولیت بالا متمرکز می‌کنند، در بازار فعلی پاداش‌های دستمزدی ۱۲٪ تا ۱۵٪ را به دست می‌آورند.[6]

برعکس، متخصصانی که کل ارزش پیشنهادی آن‌ها بر تولید خروجی‌های شناختی ساختاریافته استوار است - بدون لنگر یک محیط فیزیکی یا سپر مسئولیت نهادی - با فشار شدید کاهش دستمزد مواجه هستند. از آنجا که وظایف اصلی آن‌ها توسط ابزارهای هوش مصنوعی مولد که به طور فزاینده‌ای ارزان و در دسترس هستند به کالا تبدیل می‌شود، آن‌ها قدرت چانه‌زنی خود را از دست می‌دهند. بدون توانایی چرخش به سمت اجرای فیزیکی پیچیده یا پاسخگویی در شرایط حساس، این نقش‌های شناختی کاملاً دیجیتال به شدت در برابر رکود دستمزد یا حذف کامل آسیب‌پذیر هستند.[5]

در نهایت، بازار کار مدرن صرفاً در حال توخالی شدن نیست؛ بلکه در حال گذراندن یک لایه‌بندی مجدد عظیم و پیچیده است. شکاف تعیین‌کننده اقتصاد قرن بیست و یکم دیگر شکاف سنتی بین کار یدی یقه‌آبی و کار شناختی یقه‌سفید نیست. در عوض، مرز جدید وظایفی را که می‌توانند با خیال راحت در یک محیط دیجیتال قابل پیش‌بینی ایزوله شوند، از وظایفی که باید از تماس با واقعیت‌های نامنظم و غیرقابل پیش‌بینی دنیای فیزیکی و نهادی جان سالم به در ببرند، جدا می‌کند.[5]

برای متخصصانی که فعالانه در حال برنامه‌ریزی مسیر شغلی و توسعه مهارت‌های خود در دهه آینده هستند، دستورالعمل استراتژیک کاملاً روشن است. برای محافظت از قدرت درآمدزایی بلندمدت خود و اطمینان از مرتبط بودن در یک اقتصاد اشباع شده از هوش مصنوعی، باید مهارت‌های شناختی خود را به دنیای فیزیکی، تعاملات انسانی پیچیده و ظریف، یا پاسخگویی نهادی در شرایط حساس گره بزنید. پرورش تخصص در زمینه‌هایی که الگوریتم‌ها از نظر قانونی یا فیزیکی نمی‌توانند در آن‌ها عمل کنند، تنها دفاع پایدار در برابر موج بعدی اتوماسیون است.[5]