تصور کنید در سال ۲۰۴۵، هیچ انسانی در سازمانها وجود نداشته باشد که بداند یک گزارش مالی پیچیده یا یک کد نرمافزاری از پایه چگونه نوشته میشود. اگر امروز برای کاهش هزینهها، جایگزینی نیروهای تازهکار با هوش مصنوعی را جشن میگیرید، در واقع در حال تخریب زیربنای تخصص حرفهای در آینده هستید.
نولان لاوت، پژوهشگر دانشگاه عملیات ویژه ناتو، در مقالهای در مجله Human Resource Development Review، این وضعیت را «تراژدی مشترکات شناختی» مینامد. او استدلال میکند که با حذف نقشهای ورودی — جایی که مهارتها در اثر اشتباه و اصلاح شکل میگیرند — ما در واقع مسیر تولید متخصصان ارشد را میبندیم و همان تخصصی را نابود میکنیم که برای نظارت بر این سامانهها ضروری است. همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن دیدیم، اتکای بیش از حد به ابزارهای خودکار بدون داشتن دانش پایه، ریسکهای سیستمی جبرانناپذیری ایجاد میکند.
دنیایی را تصور کنید که در آن هر شرکتی از هوش مصنوعی برای انجام کارهای پایه استفاده میکند تا میلیونها دلار در هزینههای حقوق و دستمزد امروز صرفهجویی کند. وقتی شرکتی جایگاههای سطح ورودی را با AI جایگزین میکند، ۱۰۰ درصد بهرهوری حاصل از این تغییر را به نفع خود جذب میکند. اما هزینه فرسایش تخصص، بین تمام سازمانهایی که از یک استخر استعداد مشترک تغذیه میکنند، توزیع میشود. چون کارکنان جونیور دیگر «کارهای سخت و خستهکننده» (Grunt Work) را انجام نمیدهند — جایی که معمولاً اشتباه میکنند و یاد میگیرند چگونه آنها را اصلاح کنند — خط لوله تولید متخصصان ارشد آینده خشک میشود. این امر شکاف خطرناکی در توانمندی انسانی ایجاد میکند که ممکن است تا سالها بهطور کامل قابل مشاهده نباشد. این روند با آمارهای اخیر همخوانی دارد؛ برای مثال، مطالعهای از استنفورد نشان داد که استخدام برنامهنویسان تازهکار در مشاغل حساس به هوش مصنوعی ۲۰٪ کاهش یافته است که گویای بحران در ورود نیروهای جدید به بازار کار است.
سازوکارهای تخریب تخصص
به نقل از لاوت، هوش مصنوعی از دو مسیر اصلی رشد حرفهای را مختل میکند. نخست، حذف مستقیم جایگاههای شغلی سطح پایین است؛ یعنی سامانههای هوش مصنوعی بهسادگی کارهایی را بر عهده میگیرند که پیشتر سهم یادگیری نیروهای تازهکار بود.
دوم، ایجاد «توهم بهرهوری» است. حتی اگر شغلهای تازهکار باقی بمانند، نیروهای جوان با کمک هوش مصنوعی زاینده (Generative AI) — که مثل دستیاری است که پاسخها را سریعاً میسازد اما لزوماً آنها را نمیفهمد — به سطح خروجیهایی میرسند که پیشتر سالها تجربه میطلبید تا به آنها دست یابند. در این حالت، تلاش ذهنی که منجر به ایجاد دانش عمیق در حوزه (Domain Knowledge) میشود، هرگز رخ نمیدهد.
این وضعیت منجر به چیزی میشود که لاوت آن را «بند اعتبارسنجی» (Validation Tether) مینامد. توانایی نظارت مؤثر بر سامانههای هوش مصنوعی دقیقاً به همان دانش عمیقی وابسته است که استفاده از این ابزارها در حال از بین بردن آن است. شناسایی خطاهای تخصصی در خروجیهای هوش مصنوعی که در ظاهر متقاعدکننده به نظر میرسند، به چیزی فراتر از شناسایی تضادهای آشکار نیاز دارد. بدون این دانش، متخصصان رفلکسِ پرسشگری را از دست میدهند و تنها به بررسیهای سطحی اکتفا میکنند که قادر به شناسایی خطاهای جدی و تخصصی نیست.
حوزههای پرخطر و دادههای آماری
بر اساس این پژوهش، همه رشتهها به یک اندازه در خطر نیستند. لاوت دستههای آسیبپذیر را بر اساس قابلیت جایگزینی وظایف، مقررات قانونی و ساختار ماژولار تقسیم میکند:
- بیشترین ریسک: مهندسی نرمافزار، تحلیل مالی و پژوهشهای حقوقی. این حوزهها جایگزینی بالایی در وظایف دارند، ساختاری ماژولار هستند و نظارتهای قانونی نسبتاً کمتری بر آنهاست.
- ریسک متوسط: پزشکی و مهندسی. این رشتهها به دلیل الزامات قانونی سختگیرانه و انجمنهای حرفهای قویتر، تا حدی محافظت شدهاند، هرچند کاملاً مصون نیستند.
دادههای اقتصادی سالهای ۲۰۲۵ و ۲۰۲۶ تصویر نگرانکنندهای را ترسیم میکنند. طبق گزارش یک مطالعه در تابستان ۲۰۲۵، نرخ اشتغال در مشاغل متأثر از هوش مصنوعی، بهویژه در میان جوانان، کاهش یافته است، در حالی که اشتغال متخصصان باسابقه ثابت مانده یا رشد کرده است. این تغییرات گسترده در بازار کار را به یاد پیشبینیهای مجمع جهانی اقتصاد میاندازد که هشدار داده بود ۸۳ میلیون شغل تا سال ۲۰۲۷ تغییر میکنند، هرچند اکنون تمرکز از بیکاری مطلق به تغییر ماهیت تخصص منتقل شده است.
همچنین، مطالعهای از فدرال رزرو نشان داد که رشد مشاغل برنامهنویسی پس از عرضه ChatGPT تقریباً نصف شد. علاوه بر این، گزارش Anthropic در مارس ۲۰۲۶ اشاره کرد که نرخ یافتن شغل برای کارکنان ۲۲ تا ۲۵ سال در نقشهای در معرض هوش مصنوعی، نیم درصد کاهش یافته است. البته مطالعهای در ژانویه ۲۰۲۶ اشاره کرد که این بحران شغلی حتی پیش از عرضه ChatGPT و به دلیل عوامل دیگری مانند سیاستهای پولی سختگیرانه و استخدامهای بیش از حد در حوزه تکنولوژی در دوران پاندمی آغاز شده بود.
هزینهٔ شناختی و «پوسیدگی مغز»
پژوهشها درباره اثرات ذهنی فوری هوش مصنوعی صریحتر هستند. مطالعهای از MIT با استفاده از اندازهگیریهای EEG نشان داد که استفاده کوتاه از هوش مصنوعی، اتصالات عصبی را تضعیف میکند؛ بهطوری که بیش از ۸۰٪ شرکتکنندگان در یادآوری محتوایی که با کمک AI نوشته بودند، دچار مشکل شدند.
شواهد تکمیلی از Anthropic نشان داد توسعهدهندگان نرمافزاری وقتی از هوش مصنوعی صرفاً به عنوان «ماشین پاسخگو» استفاده کردند، در آزمونهای دانش ۱۷٪ ضعیفتر عمل کردند. در مقابل، کسانی که از AI برای دریافت توضیحات استفاده کردند، یادگیری بهتری داشتند. همچنین مطالعهای در سوئیس روی ۶۶۶ شرکتکننده، رابطهای منفی و قوی بین استفاده از AI و تفکر انتقادی یافت که این اثر در گروه سنی ۱۷ تا ۲۵ سال شدیدتر بود. خود دانشجویان نیز نگرانیهایی را درباره «پوسیدگی مغز» (Brain Rot) ابراز کردهاند، زیرا هوش مصنوعی به آنها اجازه میدهد بسیاری از فرآیندهای یادگیری را دور بزنند.
در چین، این الگو در بازه زمانی طولانیتری مشاهده شد. با وجود اینکه نمرات تکالیف ۱۸٪ بهبود یافت، اما عملکرد در امتحانات تا ۲۴٪ افت کرد و اثر کامل این روند تنها پس از حدود دو سال نمایان شد.
این وضعیت «پارادوکس ذخیره انسانی» را میسازد. سازمانها برای اعتبارسنجی، مدیریت بحران و موقعیتهایی که هوش مصنوعی در آنها ناتوان است، به تخصص عمیق در حالت ذخیره نیاز دارند، اما هیچ شرکتی انگیزه اقتصادی ندارد که هزینه نگهداری این ذخیره انسانی گرانقیمت را بهتنهایی بپذیرد. حتی کسانی که از این مسیر عبور میکنند، تخصص کمعمقتری خواهند داشت چون دوران کاری خود را صرف «هماهنگسازی AI» کردهاند، نه کار شناختی مستقل. این فشار روانی و تغییر نقشها باعث شده تا در میان متخصصان، ترس از افزایش فشار کاری و حجم وظایف جایگزین ترس سنتی از بیکاری شود.
لاوت معتقد است اثرات کامل موج پذیرش هوش مصنوعی سال ۲۰۲۳، احتمالاً بین سالهای ۲۰۳۰ تا ۲۰۴۵ ظاهر میشود. او برای جلوگیری از این اتفاق، ایجاد محیطهای یادگیری بدون AI، معرفی مرحلهبندیشده ابزارها و تعیین یک سطح پایه از عملکرد انسانی پیش از ورود هوش مصنوعی را پیشنهاد میکند. او همچنین توصیه میکند انجمنهای حرفهای، صلاحیتهای تخصصی را از طریق گواهینامههایی مستقل از مهارتهای AI بسنجند و سیاستگذاران، آموزش را جذابتر کنند. او هرگز پیشنهاد ممنوعیت یا محدود کردن استفاده از AI را نداده است.
برای متخصصان امروز، این بدان معناست که ارزش شما دیگر در «خروجی» نیست، بلکه در توانایی اثبات این است که میتوانید بدون پرامپت، آن خروجی را تولید کنید. مزیت رقابتی از «مدیریت AI» دوباره به «کار شناختی مستقل» بازمیگردد.
برای جلوگیری از «پوسیدگی مغز»، باید از هوش مصنوعی به جای موتور پاسخدهی، به عنوان ابزاری برای توضیح استفاده کنید. کسانی که از AI میپرسند «چرا» این راهکار درست است، تواناییهای شناختی خود را بسیار بهتر از کسانی که صرفاً نتیجه را کپی میکنند، حفظ میکنند.
گام بعدی شما
- در یادگیری مهارتهای جدید، ابتدا یک بازه زمانی «بدون AI» را برای درک مفاهیم پایه تعریف کنید.
- از مدلهای زبانی بخواهید به جای دادن پاسخ نهایی، مراحل استدلال و «چرایی» راهکار را توضیح دهند.
- اگر مدیر هستید، مسیرهای رشد برای نیروهای جونیور را بازتعریف کنید تا کارهای کلیدی را صرفاً به AI نسپارید.
اما داستان سختافزاری این تحول و تأثیر تراشههای جدید بر سرعت این جایگزینی حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو