تصور کنید مسیر شغلی شما پیش از آنکه حتی وارد آن شوید، توسط یک الگوریتم نصف شود. این دیگر یک پیشبینی تاریک نیست، بلکه واقعیت آماری بازار کار ایالات متحده است.
فدرال رزرو (Federal Reserve Board) در گزارشی تکاندهنده اعلام کرده است که رشد مشاغل برنامهنویسی از نوامبر ۲۰۲۲ — یعنی زمان عرضه ChatGPT — دچار سقوط شده است. به نقل از این مطالعه، بخشهایی که به شدت به کدنویسی وابسته هستند، پس از سالها رشد سریع، اکنون به بنبست رسیدهاند.
قبل از انفجار هوش مصنوعی زاینده (Generative AI)، نقشهای متمرکز بر برنامهنویسی سالانه نزدیک به ۵ درصد رشد میکردند. اما طبق گزارش پژوهشگران، این سرعت رشد پس از معرفی چتبات OpenAI تقریباً نصف شده است. این تحلیل بر اساس دادههای نظرسنجی خانگی و پایگاه دادههای شغلی وزارت کار آمریکا انجام شده است.
نکات کلیدی این سقوط عبارتند از:
- حذف احتمالی ۵۰۰,۰۰۰ موقعیت شغلی در بازه زمانی سه ساله.
- کاهش ۳ درصدی سالانه در نرخ استخدام برنامهنویسان.
- تمرکز ضربه بر شرکتهای پیمانکاری IT (سرویسهای فناوری اطلاعات) که ۴۰ درصد برنامهنویسان آمریکا در آنها مشغولاند.
در پوشش پیشین ما از تحولات مدلهای زبانی، دیدیم که چگونه ابزارهای کدنویسی خودکار در حال بلعیدن وظایم تکراری هستند؛ حالا دادههای فدرال رزرو ثابت میکند این تغییر از سطح ابزار به سطح اقتصاد رسیده است. جالب این است که این شکاف استخدامی از اواسط ۲۰۲۴ به شکل واضح ظاهر شد؛ یعنی ۱۸ ماه پس از عرضه اولیه، تا شرکتها زمان کافی برای تست مدلها و اطمینان از جایگزینی انسان داشته باشند.
با این حال، این وضعیت لزوماً به معنای اخراجهای دستهجمعی نیست. دادههای Indeed نشان میدهد که بسیاری از برنامهنویسان به نقشهای مجاور کوچ کردهاند؛ جایی که کدنویسی تنها یکی از چندین وظیفه آنهاست. در واقع، مدلهای زبانی بزرگ (Large Language Models - LLM) در حال باز تعریف «شغل برنامهنویس» هستند.
به گزارش پژوهشگران ستانفورد و کارنگی ملون، تمرکز فعلی عاملهای هوشمند (AI Agents) تقریباً بهطور کامل بر وظایف کدنویسی است. این یعنی موج بعدی تخریب خلاق، دقیقاً کسانی را هدف میگیرد که فکر میکردند شوک اولیه را پشت سر گذاشتهاند.
این تنها آغاز ماجراست؛ اثر موجگونهی این تصمیم بر اکوسیستم متنباز و مدلهای بازوزن را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- مهارتهای خود را از «نوشتن کد» به «معماری سیستم» و «مدیریت عاملهای هوشمند» تغییر دهید.
- بر یادگیری مهندسی پرامپت (Prompt Engineering) برای بهینهسازی جریانهای کاری پیچیده تمرکز کنید.
- ابزارهای جایگزین برای تحلیل دادههای بازار کار را دنبال کنید تا نقاط امن شغلی را شناسایی کنید.
گفتگو