به نقل از مهر، تصویر کلاسیک از اتوماسیون بر حذف کارهای یدی، تکراری و مبتنی بر مهارت اندک استوار بود. بر اساس براورد کارشناسان، موج کنونی هوش مصنوعی این جغرافیای ریسک را تغییر داده است. توانایی مدل های جدید در نوشتن، تحلیل، کدنویسی، خلاصه سازی، جست وجوی اسناد و تولید توصیه، اتوماسیون را به قلمرویی کشانده که پیش تر برخورداری از تحصیلات دانشگاهی و مهارت شناختی برای آن نوعی سپر حفاظتی محسوب می شد. در همین راستا، مطالعه مشترک مؤسسه بیمه فرانسوی Coface و دیده بان مشاغل در معرض تهدید و نوظهور (OEM) بر همین گسست تأکید دارد و نشان می دهد فعالیت های شناختی، پیچیده و مهارت محور به مرز جدید اتوماسیون تبدیل شده اند.

اهمیت این تحول زمانی آشکارتر می شود که واحد تحلیل را از عنوان شغلی به مجموعه وظایف تشکیل دهنده هر شغل تغییر دهیم. مطالعه Coface تعداد 923 حرفه را به وظایف و سپس به کنش های پایه تجزیه کرده و میزان قابلیت اتوماسیون آن ها را بر اساس قواعد صریح و قابل بازبینی سنجیده است. این تمایز اهمیت بنیادی دارد. قرار گرفتن یک حرفه در معرض هوش مصنوعی معادل حذف آن حرفه نیست. شاخص مطالعه ظرفیت فنی اتوماسیون را اندازه می گیرد و عواملی مانند تقاضای نیروی کار، ایجاد وظایف تازه و موانع استقرار فناوری را در بر نمی گیرد.

از کارمند ورود داده تا برنامه نویس جوان

در میان مشاغل مورد بررسی، یک ویژگی مشترک مرتب تکرار می شود. هرجا بخش بزرگی از کار را بتوان به گردش کاری ساختاریافته، پردازش اطلاعات، اجرای قواعد و تولید خروجی استاندارد فروکاست، قابلیت جایگزینی یا کاهش نیاز به نیروی انسانی افزایش می یابد. بر همین اساس، گزارش مرکز آموزش فنی و حرفه ای Edoxi امارات ده گروه را در معرض توجه ویژه قرار می دهد:

کارکنان ورود داده

کارکنان خدمات مشتری

بازاریابان تلفنی

کارکنان دفترداری و حسابداری

نمونه خوان ها و ویراستاران

تحلیلگران تحقیقات بازار

دستیاران حقوقی و پژوهشگران حقوقی

مترجمان

صندوق داران خرده فروشی

توسعه دهندگان نرم افزار در سطوح ابتدایی

داده های Coface تصویر کلان تری از همین تحول ارائه می کنند. در سناریوی استقرار هوش مصنوعی عامل محور، حدود یک حرفه از هر هشت حرفه بررسی شده از آستانه 30 درصد وظایف قابل اتوماسیون عبور می کند. پژوهش این آستانه را سطحی می داند که می تواند بازآرایی عمیق حرفه و جابه جایی قابل توجه وظایف را در پی داشته باشد. تمرکز اصلی ریسک نیز در مهندسی، فناوری اطلاعات، امور اداری، مالی، حقوقی و شماری از مشاغل خلاق و تحلیلی قرار دارد. همچنین، بیش از یک چهارم محتوای کاری در مدیریت و امور اداری، حرفه های خلاق، حقوق و مالی و همچنین مهندسی و فناوری اطلاعات قابلیت اتوماسیون دارد. در مقابل، خدمات حضوری و فعالیت های فنی و صنعتی زیر آستانه 10 درصد باقی می مانند.

این الگو در سطح وظایف نیز قابل مشاهده است. ابزارهای تشخیص متن و هوش مصنوعی مولد می توانند استخراج، اعتبارسنجی و ورود داده را با نظارت انسانی محدود انجام دهند. چت بات ها و عامل های صوتی بخش بزرگی از پرسش های استاندارد خدمات مشتری را پاسخ می دهند. در حسابداری، تطبیق حساب ها، طبقه بندی تراکنش ها و ثبت های پایه قابلیت بالایی برای اتوماسیون دارند. ابزارهای نگارشی نیز بخشی از ویرایش زبانی را خودکار کرده اند. ارزش نیروی انسانی در همین حرفه ها به سوی حل اختلاف، مذاکره، تشخیص موقعیت های استثنایی، قضاوت تخصصی و نظارت بر خروجی ماشین حرکت می کند.

حقوق و برنامه نویسی دو نمونه مهم از نفوذ اتوماسیون به مشاغل تخصصی هستند. هوش مصنوعی مولد اکنون قادر به خلاصه سازی آرای قضایی، مرور قراردادها، بازیابی سوابق و تهیه پیش نویس اسناد استاندارد است. در توسعه نرم افزار نیز دستیارهای کدنویسی تولید کدهای متعارف، آزمون و مستندسازی را برعهده می گیرند. در هر دو حوزه، نقطه آسیب پذیر بیشتر در لایه وظایف مقدماتی قرار دارد، در حالی که تحلیل حقوقی، مذاکره، مشاوره، قضاوت اخلاقی و هدایت و ارزیابی خروجی هوش مصنوعی همچنان به تخصص انسانی وابسته است.

بحران پنهان در نخستین پله نردبان شغلی

پیامد مهم تر شاید در جایی رخ دهد که آمار کلی اشتغال با تأخیر بیشتری آن را آشکار می کند. بسیاری از وظایفی که هوش مصنوعی به بهترین شکل انجام می دهد همان وظایفی هستند که ورود نیروی جوان به یک حرفه را امکان پذیر می کردند. تهیه پیش نویس اولیه، پژوهش مقدماتی، خلاصه سازی اسناد، یادداشت برداری جلسات، تحلیل های ساده، بازبینی مدارک، کدنویسی پایه و آزمون نرم افزار همگی در مشاغل ورودی تمرکز دارند. این وظایف در عین تکراری بودن، سازوکار انباشت تجربه نیز محسوب می شوند. تحلیلگر جوان هنگام پاک سازی داده با ناسازگاری ها آشنا می شود، کارآموز حقوقی از خواندن پرونده ها تشخیص مشکلات را می آموزد و برنامه نویس تازه کار از رفع خطاهای کوچک به فهم معماری سیستم می رسد.

مسئله از این جا به یک چالش سازمانی بلندمدت تبدیل می شود. حذف موقعیت های ابتدایی می تواند هزینه نیروی انسانی امروز را کاهش دهد، اما همان سازمان چند سال بعد ممکن است با کمبود افرادی روبه رو شود که تجربه لازم برای تبدیل شدن به تحلیلگر ارشد، مهندس، حقوقدان یا مدیر را کسب کرده اند.

شکاف تازه میان نیروی کار، سرمایه و آموزش

پیامدهای این دگرگونی به بازار کار محدود نمی ماند. برآورد Coface نشان می دهد میزان مواجهه کشورها با این چالش بر حسب ساختار اقتصادی آن ها تفاوت محسوسی دارد و ماهیت کار از حدود 12 درصد در ترکیه تا نزدیک 20 درصد در بریتانیا تغییر می کند. اقتصادهای ثروتمند و خدمات محور که سهم بیشتری از مشاغل شناختی و مبتنی بر اطلاعات را دارند نیز با مواجهه بالاتری روبه رو هستند.

علاوه بر موارد ذکر شده، یک مسئله توزیعی نیز در حال شکل گیری است. اتوماسیون بخشی از وظایف مشاغل ماهر و پردرآمد می تواند سهم بیشتری از ارزش افزوده را از نیروی کار به سرمایه منتقل کند. چنین تغییری برای دولت هایی که درآمد مالیاتی و تأمین اجتماعی آن ها به اشتغال و دستمزد وابستگی بالایی دارد، فشار دوگانه ایجاد می کند. کاهش برخی پایه های درآمدی ممکن است هم زمان با افزایش هزینه بیمه بیکاری و بازآموزی نیروی کار رخ دهد. تمرکز تراشه ها، مدل های زبانی و مراکز داده در شمار محدودی از شرکت ها و کشورها نیز وابستگی فناورانه را به لایه دیگری از مسئله اشتغال پیوند می زند.

از سوی دیگر، آموزش عالی نیز با پرسشی بنیادی مواجه است. هنگامی که بخش قابل توجهی از وظایفی که فارغ التحصیل برای انجام آن ها سال ها آموزش دیده قابل اتوماسیون شود، رابطه سنتی میان مدرک، دستمزد و امنیت شغلی تضعیف می شود و وزن مهارت هایی مانند قضاوت، سازگاری و نظارت بر سامانه های هوشمند افزایش می یابد. این چالش از مرحله نظری عبور کرده است. بر همین اساس، پیمایش موسسه آموزشی HEPI بریتانیا در سال 2026 نشان داد 95 درصد دانشجویان کارشناسی بریتانیا از هوش مصنوعی استفاده می کنند و 94 درصد آن را در تکالیف به کار می برند، در حالی که کمتر از نیمی احساس می کنند اعضای هیئت علمی آن ها را برای مهارت های هوش مصنوعی مورد نیاز بازار کار آماده می کنند.

جمع بندی

موج جدید اتوماسیون را باید در سطح وظیفه، مسیر حرفه ای و ساختار سازمانی تحلیل کرد. حرفه هایی که گردش کار استاندارد، پردازش اطلاعات و تولید خروجی قابل پیش بینی سهم بزرگی از فعالیت آن ها را تشکیل می دهد در خط مقدم تغییر قرار گرفته اند. در مقابل، قضاوت در شرایط مبهم، تعامل انسانی پیچیده، مسئولیت حرفه ای، مهارت فیزیکی و ترکیب دانش تخصصی با تصمیم گیری همچنان مقاومت بالایی در برابر جایگزینی دارند.

چالش تعیین کننده از همین نقطه آغاز می شود. سازمانی که وظایف ابتدایی را خودکار می کند باید مسیر دیگری برای تولید تجربه و انتقال دانش بسازد. به عنوان مثال، مطالعه میدانی دفتر ملی پژوهش اقتصادی آمریکا (NBER)، افزایش متوسط 14 درصدی بهره وری کارکنان پشتیبانی مشتری با هوش مصنوعی مولد را گزارش کرده و بیشترین منفعت را برای کارکنان کم تجربه یافته است. فناوری در این الگو به جای حذف نقطه ورود، دانش انباشته سازمان را سریع تر در اختیار شاغلان کم تجربه قرار می دهد.

بنابراین پرسش راهبردی بازار کار آینده از شمار مشاغلی که هوش مصنوعی قادر به انجام آن هاست فراتر می رود. مسئله اصلی این است که دولت ها، دانشگاه ها و بنگاه ها چگونه افزایش بهره وری را به گونه ای مدیریت می کنند که زنجیره کسب تجربه، تربیت متخصص، توزیع درآمد و ظرفیت انسانی بلندمدت از میان نرود.