اگر تصور میکنید هوش مصنوعی در حال جایگزینی سریع میلیونها شغل است، دادههای جدید گوگل شما را به واقعیت بازمیگرداند. بر اساس مستندات پروژه ATLAS، این فناوری با اینکه در اکثر مشاغل نفوذ کرده، اما در عمل کمترین میزان جایگزینی را در وظایف روزمره داشته است.
طبق اعلام گوگل، ابزارهای هوش مصنوعی اکنون در ۶۸٪ از تمام مشاغل ایالات متحده حضور دارند و ۹۰٪ از کل اشتغال را پوشش میدهند. اما این نفوذ «گسترده اما سطحی» است؛ به این معنا که در یک شغل معمولی، هوش مصنوعی تنها برای حدود ۲۱٪ از وظایف استفاده میشود.
این پژوهش در زمانی منتشر میشود که اقتصاد جهانی برای محاسبه بهرهوری واقعی مدلهای زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — در تکاپو است. در حالی که روایتهای شرکتی اغلب بر عاملهای خودمختاری متمرکز است که نقشها را جایگزین میکنند، واقعیت میدانی بسیار همکاریمحورتر است. گوگل این یافتهها را برای ایجاد یک خطکشی دادهمحور برای سیاستگذاران و کسبوکارها منتشر کرده تا نشان دهد پتانسیل هوش مصنوعی برای تغییر اقتصاد چشمگیر است، اما نتایج آن برای زندگی مردم خودبهخود تضمین نشده است. این رویکرد دادهمحور برای بهبود خدمات عمومی پیش از این در کشورهای مختلف مورد استفاده قرار گرفته است؛ برای مثال دولت بریتانیا با بهرهگیری از ابزارهای AI گوگل در شهرسازی، فرآیندهای اداری و برنامهریزی خود را به شدت بهینه کرد.
مقیاس و ابعاد دادهها
برای رسیدن به این نتایج، گوگل پروژه ATLAS (مطالعه فعالیت، وظیفه، چشمانداز و پذیرش) را به عنوان یک پایش مستمر و در مقیاس بزرگ از تعاملات بدون شناسیت (de-identified) اجرا کرد. نسخه اول این مطالعه، ATLAS v1.0، از مجموعهای عظیم شامل ۱۵ میلیون تعامل تجمیعی ساخته شده است. این تعاملات شامل استفاده از Gemini App، حالت AI Mode و Gemini API است؛ ابزارهایی که مجموعاً ماهانه بیش از یک میلیارد نفر را پشتیبانی میکنند.
دامنه این مطالعه بسیار وسیع است و بینشهای تجربی را در بیش از ۱۵۰ کشور و ۱۴۰ زبان مختلف ارائه میدهد. این پژوهش الگوهای استفاده در ۸۰۰ شغل منحصربهفرد و ۴۰۰۰ وظیفه مجزا را رصد کرده است. این سطح از تحلیل، ATLAS را به جامعترین نگاه فعلی به کاربردهای واقعی هوش مصنوعی در مقیاس جهانی تبدیل میکند.
شکاف همکاری و اتوماسیون
به گزارش این مطالعه، اکثریت تعاملات محیط کار بر ایدهپردازی، استراتژی، بازیابی اطلاعات و یادگیری متمرکز است. تفاوت چشمگیری در نوع وظایف مشاهده میشود:
- وظایف شناختی غیرروتین: مواردی مثل تست فرضیه و طراحی خلاق با نرخ ۶۵٪ در تعاملات هوش مصنوعی دیده میشوند، در حالی که این رقم در کل اقتصاد تنها ۳۵٪ است.
- اتوماسیون پایین: خودکارسازی کامل وظایف همچنان نادر است و کمتر از ۱۰٪ تعاملات به یک گردشکار کاملاً خودکار منجر شده است. این نشان میدهد که هوش مصنوعی هنوز قادر به مدیریت کامل زنجیرهای از وظایف بدون نظارت نیست.
- تمرکز: هدف فعلی استفاده از هوش مصنوعی در محیط کار، همکاری و دستیاری است، نه جایگزینی کامل نیروی انسانی.
فراتر از میز کار: ورود به مشاغل فنی
یکی از غافلگیرکنندهترین یافتهها، پذیرش هوش مصنوعی در مشاغل دستی و فنی است. استفاده از این ابزارها تنها به کارهای اداری و دانشبنیان محدود نمیشود و فعالانه به کارکنان در مشاغل عمدتاً فیزیکی در انجام وظایف جانبی کمک میکند. تکنسینهای خودرو و مکانیکهای صنعتی از هوش مصنوعی زایده به عنوان یک همکار زنده برای تشخیصهای لحظهای، عیبیابی و یادگیری سریع (on-the-fly) استفاده میکنند.
رفتار این کاربران با کارمندان دفتری متفاوت است و الگوهای منحصربهفردی را نشان میدهند:
- پذیرش چندوجهی: تکنسینهای فنی ۲ برابر بیشتر از مدلهای چندوجهی (Multimodal) — مدلی که همزمان متن، عکس و صدا را میفهمد و تحلیل میکند — برای خلق یا تحلیل تصاویر و ویدیوها استفاده میکنند.
- کاربردهای عملی: تکنسینهای خودرو و مکانیکهای صنعتی از این ابزارها برای تفسیر نتایج پیچیده تستهای فنی، عیبیابی سیمکشیهای الکتریکی و بازرسی دقیق ماشینآلات برای شناسایی نقاط استهلاک بهره میبرند.
اقتصاد نامرئی خانگی
دادههای ATLAS افشا میکند که ۸۶٪ از تمام تعاملات با ابزارهای هوش مصنوعی خارج از محیط کار رخ میدهد. این یعنی حجم عظیمی از ارزش در حوزههایی خلق میشود که معیارهای استاندارد اقتصادی مثل تولید ناخالص داخلی (GDP) معمولاً نادیده میگیرند. این «اقتصاد خانگی» در دو سطح اصلی ظاهر میشود:
- فعالیتهای بهرهور خانگی: کاربران از هوش مصنوعی برای تحقیق در مورد خرید محصولات و دریافت راهنمایی در مورد نحوه کار با لوازم خانگی و ابزارهای مختلف استفاده میکنند تا کارایی زندگی روزمره خود را بالا ببرند.
- اداریات پرزحمت: استفاده از هوش مصنوعی برای پیمودن مسیرهای پیچیده خدمات دولتی. این شامل مدیریت امور مالیاتی، اخذ مجوزهای قانونی و رسیدگی به جریمهها است تا اصطکاک اداری کاهش یابد.
توزیع جهانی و شکاف ثروت
استفاده از هوش مصنوعی به بیش از ۱۵۰ کشور و منطقه گسترش یافته که نماینده ۹۹٪ جمعیت جهان است. این روند تنها انگلیسیمحور نیست و زبان انگلیسی تنها حدود یکسوم گفتگوهای جهانی را تشکیل میدهد. نکته مهم این است که کاربران هنگام انجام کارهای پیچیده، به طور سیستماتیک زبان مادری خود را رها نمیکنند و ترجیح میدهند با زبان خود تعامل کنند.
با این حال، یک الگوی نگرانکننده در مورد شکاف دیجیتال ظاهر شده است:
- دنبال کردن ثروت: در مقیاس سرانه، میزان استفاده از هوش مصنوعی دقیقاً با سطح ثروت نسبی کشورها همسو است و ثروتمندتر بودن کشور با نرخ پذیرش بالاتر مرتبط است.
- استثناهای منطقهای: این یک قانون جهانی مطلق نیست؛ برخی کشورهای با درآمد متوسط در آمریکای جنوبی و خاورمیانه، نرخ پذیرشی را نشان میدهند که با کشورهای با درآمد بالا قابل مقایسه است.
موتور فنی پردازش دادهها
برای پردازش این حجم عظیم از داده، Google DeepMind از ابزاری به نام OCTO (سازماندهی تاکسونومی و خوشهبندی مشاهدات) استفاده کرد. OCTO برای تبدیل حجم انبوهی از متنهای بدون ساختار در گفتگوهای LLM و تبدیل آنها به موجودیتهای سازمانیافته و دستهبندی شده طراحی شده است.
به دلیل حساسیت بالای دادهها، ATLAS با چندین لایه حفاظتی برای حفظ حریم خصوصی توسعه یافت:
- پاکسازی PII: سیستم به طور خودکار اطلاعات شناسایی شخصی (Personally Identifiable Information) را شناسایی و حذف میکند.
- حذف مراجع: لایههای اضافی برای حذف هرگونه اشاره احتمالی به اطلاعات حساس یا خصوصی به کار گرفته شده است.
- قطع پیوند: تمام پیوندهای بین دادههای بدون شناسیت ATLAS و لاگهای اصلی و زیربنایی کاربران به طور کامل قطع شده است.
- تجمیع: دادههای متنی ابتدا خلاصهسازی شده و سپس در گروههایی که نماینده چندین کاربر هستند، تجمیع میشوند تا شناسایی فردی غیرممکن شود.
این مطالعه با مشارکت دایان کویل (Dame Diane Coyle) از دانشگاه کمبریج و دکتر دیوید اتور (Dr. David Autor) از MIT تدوین شده تا اطمینان حاصل شود که چارچوبهای اقتصادی مورد استفاده، دقیق، سختگیرانه و علمی هستند. این اثر بخشی از برنامه گستردهتر «تحقیق هوش مصنوعی و اقتصاد» است که توسط اسکات استرند (رهبر AI & Economy در دفتر اقتصاددان ارشد) و رئیس عملیات استراتژیک و پروژههای ویژه برای فناوری و جامعه هدایت میشود.
برای یک متخصص معمولی، این یافتهها به این معناست که هوش مصنوعی فعلاً یک دستیار است، نه جایگزین. جابجایی ارزش از «دانستن پاسخ» به سمت «دانستن نحوه همکاری با مدل» برای اصلاح و بهینهسازی یک استراتژی در حال رخ دادن است. ما شاهد ظهور «تکنسین تقویتشده با هوش مصنوعی» هستیم، جایی که مهارت فیزیکی با هوشمندی دیجیتال لحظهای جفت میشود. در این مسیر، توسعهدهندگان میتوانند از پلتفرمهای ابری تخصصی برای تبدیل مهارتهای هوش مصنوعی خود به مدلهای درآمدی بهره ببرند تا ارزش خلقشده در این همکاریهای انسان-ماشین را تجاریسازی کنند.
در نگاه به آینده، گوگل قصد دارد ATLAS را گسترش دهد تا دادههای محصولات فعالشده با هوش مصنوعی را که دارای میلیاردها تعامل هستند، شامل شود؛ محصولاتی مانند Google Workspace, Google Translate و AI Overviews. آنها همچنین پلتفرمهای سازمانی مانند Gemini for Google Cloud و Gemini Enterprise را وارد این مطالعه خواهند کرد. سیگنال اصلی بعدی که باید رصد شود این است که آیا «کدنویسی عاملمحور» (agentic coding) و مدلهای جهانی (world models) میتوانند نرخ اتوماسیون ۱۰ درصدی را به سمت بالا جابهجا کنند یا خیر.
گفتگو