اگر امروز در یکی از مشاغل تخصصی یا برنامهنویسی فعالیت میکنید، باید بدانید که ریسک کاهش دستمزد شما تا سال ۲۰۳۰ در سناریوی رشد سریع هوش مصنوعی، بیش از ۱۰٪ برآورد شده است. این یک هشدار ساده نیست، بلکه نتیجهی یک مدلسازی ریاضی است که نشان میدهد رشد اقتصادی لزوماً به معنای رفاه کارکنان نیست.
طبق گزارش فنی آنتروپیک (Anthropic)، در حالی که هوش مصنوعی زاینده (Generative AI) در تمام سناریوها باعث رشد تولید ناخالص داخلی (GDP) میشود، اما توزیع این ثروت بهشدت تغییر میکند. تیم اقتصاد این شرکت هشدار میدهد که در حالی که هوش مصنوعی موتور رشد GDP در تمام آیندههای احتمالی خواهد بود، توزیع این ثروت ممکن است بهطور drastical از نیروی کار انسانی فاصله بگیرد.
این تحلیل در حالی منتشر میشود که صنعت از چتباتهای ساده به سمت عاملهای (Agents) خودمختاری حرکت میکند که قادر به استدلالهای پیچیده هستند. در حالی که بحثهای قبلی بر این متمرکز بود که آیا هوش مصنوعی میتواند شغلها را جایگزین کند یا خیر، آنتروپیک اکنون در حال کمیسازی مقیاس اقتصاد کلان این گذار است. برای یک متخصص فنی، این به معنای تغییر از «ترس کیفی» به یک «ارزیابی ریسک مدلسازی شده» از نوسانات بازار کار است.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن و اثرات آنها بر بازار کار اشاره کردیم، اکنون بحث از ترسهای کیفی عبور کرده و به ارزیابیهای کمی ریسک رسیده است.
کاوشگر سناریوهای اقتصادی
تیم اقتصاد آنتروپیک این مدل را برای ایجاد دید و شفافیت در مورد نحوه بازسازی مشاغل، رشد و بیکاری در ایالات متحده توسط هوش مصنوعی طراحی کرده است. هدف نهایی این است که با شناسایی اختلالات احتمالی پیش از وقوع، اطمینان حاصل شود که این گذار برای جامعه و کارکنان سودمند خواهد بود.
این تحلیل بر اساس گزارش فنی با عنوان «سناریوهای اقتصادی برای هوش مصنوعی تحولآفرین» (توسط کورینک و همکاران، ۲۰۲۶) تدوین شده است. برخلاف «شاخص اقتصادی» شرکت که میزان استفاده فعلی از هوش مصنوعی را میسنجد، این کاوشگر سناریو یک ابزار آیندهنگر است که برای پیشبینی وضعیت اقتصاد تا سال ۲۰۳۰ طراحی شده است.
هدف از ایجاد شفافیت
آنتروپیک با فراهم کردن دید بهتر نسبت به آیندههای اقتصادی احتمالی، قصد دارد گامهای پیشدستانهای بردارد تا اطمینان یابد همه از این گذار بهرهمند میشوند. این مدل به کاربران اجازه میدهد انتظارات شخصی خود را در مورد قابلیتهای هوش مصنوعی و نرخ پذیرش آن وارد کنند تا نتایج اقتصادی استنباط شده برای سال ۲۰۳۰ را مشاهده کرده و پیشبینیهای خود را با دیگران مقایسه کنند.
دامنه و هدف مدل
این کاوشگر برای آزمایش این موضوع طراحی شده است که مسیرهای مختلف توسعه هوش مصنوعی — از حالت «روند معمول» (Business as usual) تا نرخهای رشدی که دو برابر نرخ نرمال است — چگونه بر بازار کار تأثیر میگذارند. این مدل بهطور خاص تنش بین «افزایش بهرهوری» (Task Augmentation - یعنی کمک به انسان برای بهرهوری بیشتر) و «اتوماسیون» (Automation - یعنی جایگزینی کامل وظایف انسانی) را بررسی میکند.
سازوکارهای تغییر اقتصادی
برای تعیین این نتایج، مدل چندین مکانیسم کلیدی را تحلیل میکند که تعیین میکنند چه سهمی از «کیک اقتصادی» به دست کارکنان میرسد:
- افزایش بهرهوری در برابر اتوماسیون: آیا هوش مصنوعی به انسان کمک میکند تا وظایف را بهتر انجام دهد یا بهطور کامل جایگزین انسان میشود؟
- خلق وظایف جدید: میزان گسترشی که هوش مصنوعی دستههای کاملاً جدیدی از کار را ایجاد میکند.
- سرعت پذیرش: سرعت ادغام این ابزارها در شرکتها و توسط کارکنان.
- بهرهوری کلی: مجموع افزایش خروجی ناشی از ادغام هوش مصنوعی در سیستمهای تولید.
انتظارات عمومی و دادههای نظرسنجی
در ماه اوت، آنتروپیک از بیش از ۱۰,۰۰۰ آمریکایی نظرسنجی کرد تا دیدگاههای آنها را درباره قابلیتهای هوش مصنوعی، نرخ پذیرش و سهولت یافتن شغل جدید بسنجد. نتایج نشاندهنده تفاوتهای گسترده در انتظارات مردم است.
دیدگاههای پاسخدهندگان معمولی بهطور نزدیکی با سناریوی «تغییر قابلتوجه» همسو است. این به معنای آیندهای است که در آن GDP ایالات متحده تا سال ۲۰۳۰ حدود ۱۰٪ بیشتر از حالتی باشد که هوش مصنوعی وجود نداشت، در حالی که نرخ کلی بیکاری به حدود ۵٪ افزایش مییابد. با این حال، اقلیت کوچکی — حدود ۱۰٪ از پاسخدهندگان — دیدگاههایی دارند که با «سناریوی حداکثری» همسو است.
این نظرسنجی بر پنج بعد حیاتی از این گذار متمرکز بود:
- قابلیتها: هوش مصنوعی دقیقاً چه وظایفی را میتواند انجام دهد؟
- پذیرش: هوش مصنوعی تا چه حد بهطور گسترده مورد استفاده قرار میگیرد؟
- خودمختاری: هوش مصنوعی چه مقدار از کار را بهطور مستقل انجام میدهد؟
- بهرهوری: هوش مصنوعی یک فرد متوسط را چقدر بهرهورتر میکند؟
- تعدیل: چقدر زمان میبرد تا یک کارکن جابهجا شده، شغل جدیدی پیدا کند؟
پارادوکس رشد GDP
بر اساس گزارشی که در ۹ سپتامبر ۲۰۲۶ منتشر شد، هوش مصنوعی در تمام سناریوهای مدلسازی شده باعث رشد اقتصاد آمریکا میشود، اگرچه مقیاس آن بهشدت متفاوت است. مدل سه مسیر اصلی برای GDP ایالات متحده تا سال ۲۰۳۰ (محاسبه شده با قیمتهای سال ۲۰۲۵) شناسایی کرده است:
- سناریوی ملایم: افزایش ۱.۶ درصدی که منجر به GDP ۳۴.۱ تریلیون دلاری میشود.
- سناریوی قابلتوجه: افزایش ۸.۳ درصدی که منجر به GDP ۳۶.۳ تریلیون دلاری میشود.
- سناریوی حداکثری: افزایش ۳۲.۴ درصدی که منجر به GDP ۴۴.۴ تریلیون دلاری میشود.
با این حال، گزارش تأکید میکند که این رشد بهطور خودکار به رفاه کارکنان تبدیل نمیشود. در تحولآفرینترین سناریوها، سهم بزرگتری از «کیک» اقتصادی به سمت سرمایه — یعنی منابع و فناوریهایی که برای خلق ثروت استفاده میشوند — جریان مییابد، نه به سمت چکهای حقوق کارکنان.
جابهجایی در بازار کار
آنتروپیک شکاف عمیقی را بین «کارهای دانشی» (Knowledge Work) و سایر مشاغل شناسایی کرده است. در سناریوهای قابلتوجه و حداکثری، کارکنان دانشی — از جمله برنامهنویسان و اپراتورهای مراکز تماس — با اتوماسیون و جابهجایی گستردهای روبرو میشوند. این روند میتواند فراتر از بیکاری ساده باشد و منجر به تخریب سرمایه شناختی انسان در حوزههایی مانند نویسندگی و برنامهنویسی شود که در تحلیلهای پیشین به آن پرداختیم.
این وضعیت منجر به بحران «تخصیص مجدد شغل» میشود. مدل پیشنهاد میکند که کارکنان دانشی جابهجا شده ممکن است مجبور شوند به نقشهایی نقل مکان کنند که کمتر در معرض هوش مصنوعی هستند، مانند پرستاری یا برقکاری. با این حال، این انتقال بهندرت بدون مشکل است. دشواری یادگیری مهارتهای جدید و اصطکاک تغییر مسیر شغلی به این معناست که بسیاری از کارکنان برای دورههای طولانی بیکار خواهند ماند.
جزئیات جابهجایی شغلی
چرخش شغلی (Job Churn) بخشی طبیعی از اقتصاد است، اما مقیاس جابهجاییهای ناشی از هوش مصنوعی با هنجارهای تاریخی متفاوت است:
- تغییر کارکنان دانشی: با حرکت از سال ۲۰۲۶ به ۲۰۳۰، تعداد مشاغل موجود در مشاغل متأثر از AI کاهش مییابد، در حالی که مشاغل در بخشهای غیرمتأثر افزایش مییابد.
- شکاف انتقال: کارکنان ممکن است تمایلی به تغییر شغل نداشته باشند یا فاقد آموزشهای لازم برای چرخش به سمت نقشهای دستی یا خدمات تخصصی باشند.
- نوسانات شدید: در سناریوی حداکثری، که با «بهبود بازگشتی خودکار» (Recursive Self-improvement) و پذیرش سریع شناخته میشود، بیکاری میتواند به سطوح تاریخی برسد، زیرا سرعت اتوماسیون از توانایی اقتصاد برای خلق نقشهای انسانی جدید پیشی میگیرد.
- حرکت شغلی: مدل جریان کارکنان را ردیابی میکند. تا سال ۲۰۳۰، بخشی از نیروی کار در دسته «جابهجا شده» یا کسانی که به بخشهای دیگر «عبور کردهاند» قرار میگیرند، در حالی که برخی دیگر در نقشهای اصلی خود باقی میمانند.
- روندهای کار دانشی: در اکثر سناریوها، بیکاری در کارهای دانشی افزایش مییابد در حالی که در سایر مشاغل کاهش مییابد.
واگرایی دستمزدها
روند دستمزدها بر اساس گروه شغلی بهشدت تغییر میکند. در سناریوی «قابلتوجه»، دستمزد کارکنان دانشی اساساً ثابت میماند. اما در سناریوی «حداکثری»، پیشبینی میشود این دستمزدها تا سال ۲۰۳۰ بیش از ۱۰٪ سقوط کنند.
در مقابل، مدل پیشبینی میکند که دستمزد کارکنان غیردانشی افزایش یابد. این اتفاق به این دلیل رخ میدهد که بهرهوری ناشی از هوش مصنوعی در کارهای دانشی، تقاضا برای زیرساختهای فیزیکی و خدمات دستی را افزایش میدهد. برای مثال، طراحیهای معماری و مجوزهای سریعتر تولید شده توسط AI منجر به پروژههای ساختوساز بیشتر میشود که به نوبه خود دستمزد کارگران ساختمانی را بالا میبرد.
سهم سرمایه در برابر نیروی کار
در حال حاضر حدود ۶۰٪ خروجی اقتصاد به کارکنان و ۴۰٪ به سرمایه میرسد. یافتههای آنتروپیک نشان میدهد این نسبت احتمالاً تغییر خواهد کرد. از آنجایی که هوش مصنوعی سرمایه را کاربردیتر و همهکارهتر میکند، تقاضا برای سرمایه افزایش یافته و قیمت و سهم آن از GDP بالا میرود.
در سناریوی حداکثری، درآمد کل نیروی کار تا سال ۲۰۳۰ علیرغم گسترش عظیم GDP کل، بهسختی تغییر میکند. این نشان میدهد که چالش اصلی عصر هوش مصنوعی تحولآفرین، دستیابی به رشد نیست، بلکه اطمینان از این است که مزایا بهطور گسترده توزیع شوند و نه اینکه تنها در میان مالکان سرمایه متمرکز گردند.
محدودیتهای مدل و بازبینی
این یافتهها از طریق بازبینی توسط اقتصاددانان برجستهای از جمله دارون عجماوغلو (Daron Acemoglu)، دیوید اتور (David Autor)، امی ناکامورا (Emi Nakamura) و دیوید رومر (David Romer) اصلاح شدهاند. مشارکتکنندگان دیگر شامل لوکاس آلتوف، تام کانینگهام، لوکاس فروند، جو هازل، بن جونز، پیت کلنو، دانیال لشکاری، کورت میتمن، بن مول، پاسکوال رستریپو، دیوید رومر، یون استینسون، کریس تونیتی، لودو ویسچرز و دیوید ویکزر بودند.
این بازبینان اشاره کردند که مدل یک سادهسازی است و چندین متغیر کلیدی را حذف کرده است:
- رباتیک: مدل توسعه رباتهای فوقپیشرفته را لحاظ نمیکند.
- سیاستگذاری: واکنشهای احتمالی سیاستگذاری، چرخههای تجاری یا مداخلات دولتی را نادیده میگیرد.
- بازارهای مالی: اثرات تقاضای کل یا اختلالات احتمالی در بازارهای مالی را کنار گذاشته است.
- زیرساخت: اثرات تقاضای کل ناشی از ساخت گسترده مراکز داده را شامل نمیشود.
- شتاب: ممکن است نحوه شتاب بخشیدن هوش مصنوعی به پیشرفت تکنولوژیک خودش را دستکم بگیرد.
بازخوردهای انتقادی و نسخههای آینده
بازبینها بازخوردهای صریحی ارائه کردند که مدل را بهبود بخشیده است. بهطور خاص، آنها تأکید کردند که AI ممکن است بازده سرمایه را افزایش دهد و دستمزدها در مشاغل متأثر از AI ممکن است از مشاغل غیرمتأثر واگرا شود. هر دو کانال اکنون در سناریوها ادغام شدهاند.
سایر انتقادات برای نسخههای آینده باز ماندهاند:
- جزئیات (Granularity): مدل کارکنان را بهصورت فردی دنبال نمیکند و تنها تصویری کلی از هزینههای جابهجایی ارائه میدهد.
- پتانسیل رشد: برخی پرسیدند که آیا مشاغل در معرض AI ممکن است بهجای کوچک شدن، رشد کنند؟
- کالیبراسیون سناریو: برخی احساس کردند سناریوی حداکثری بیشتر یک «آزمایش ذهنی» است، در حالی که برخی دیگر معتقد بودند سناریوی ملایم دادههای فعلی را دستکم میگیرد.
این مدل بیشتر ابزاری برای تفکر درباره پیامدها است تا نقشهای قطعی از واقعیت. آنتروپیک قصد دارد از این یافتهها برای اطلاعرسانی به پیشنهادات سیاستگذاری و تحقیق در مورد مداخلات برای اختلالات بازار کار استفاده کند، با این هدف که مزایا در سطح جهانی در سراسر جامعه به اشتراک گذاشته شود.
برای جامعه فنی، این تحلیل این فرض را میشکند که «رشد بیشتر یعنی شغل بیشتر». این تحلیل پیشنهاد میکند که در دنیایی با بهبود بازگشتی هوش مصنوعی، پیوند سنتی بین بهرهوری و رشد دستمزد برای متخصصان یقه-سفید ممکن است گسسته شود.
برای درک ریسک شخصی خود، میتوانید از کاوشگر سناریوی آنتروپیک استفاده کنید تا انتظارات خود را از قابلیتهای AI و نرخ پذیرش وارد کرده و نتیجه اقتصادی استنباط شده برای سال ۲۰۳۰ را مشاهده کنید.
گام بعدی شما
- از کاوشگر سناریوی آنتروپیک برای وارد کردن انتظارات خود از سرعت پذیرش AI و مشاهده اثر آن بر شغل خود استفاده کنید.
- مهارتهای خود را به سمتی ببرید که ترکیبی از تخصص دانشی و نظارت بر عاملهای هوشمند باشد.
- مدلهای درآمدی مبتنی بر «ساعت کاری» را بازبینی کنید و به سمت مدلهای «ارزشمحور» حرکت کنید.
اما داستان سختافزاری این تحول و فشار بر مراکز داده حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو