تصور کنید در محیط کاری هستید که همه از ابزارهای پیشرفته استفاده میکنند، اما هیچکس دقیقاً نمیداند چطور از آنها بهینه استفاده کند. این وضعیت امروز بسیاری از سازمانهای بزرگ است؛ جایی که فشار برای تولید نتیجه با ابزارهای جدید، بسیار سریعتر از سرعت آموزش کارکنان پیش میرود. طبق گزارشی که در ۲۳ سپتامبر ۲۰۲۶ توسط Workera منتشر شد، حدود ۶۸٪ از متخصصان حقوقبگیر، چندین روز در هفته از ابزارهای هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که میلیاردها صفحه متن خوانده و حالا میتواند هر متنی را تولید کند — فراتر از ChatGPT استفاده میکنند. با این حال، سازمانها در تخصیص زمان لازم برای تسلط بر این ابزارها شکست خوردهاند. این شکاف بین پذیرش ابزار و توسعه مهارت، محیطی با استرس بالا برای نیروی کار مدرن ایجاد کرده است.
این تغییر در حالی رخ میدهد که هوش مصنوعی از یک کنجکاوی فناورانه به یک ضرورت عملیاتی تبدیل شده است. هوش مصنوعی دیگر یک فناوری نوظهور نیست؛ بلکه همین حالا در دفاتر کاری حضور دارد و بهسرعت نحوه عملکرد کسبوکارها، کارکنان و منافع متقابل آنها را شکل میدهد. برای اکثر متخصصان کسبوکار، فشار از «دسترسی به ابزار» به «ارائه نتایج و اقدامات قابل اندازهگیری» تغییر کرده است. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، سرعت پذیرش ابزارها همیشه از سرعت ایجاد استانداردهای مدیریتی پیشی میگیرد. این وضعیت دقیقاً شبیه روزهای آغازین رایانش ابری بود؛ زمانی که نرمافزارها خیلی زودتر از مهارتهای مدیریت آنها به دست کاربران رسیدند.
وضعیت آمادگی در سازمانها
به گزارش Workera، یک خوشبینی کاذب در لایههای مدیریتی وجود دارد که با تجربه واقعی کارکنان در تضاد است. یک مطالعه جدید نشان میدهد ۸۰٪ شرکتها معتقدند در مسیر درست برای رسیدن به آیندهای مبتنی بر هوش مصنوعی در سال ۲۰۲۶ هستند؛ عددی که نسبت به ۶۷٪ سال گذشته رشد چشمگیری داشته است. اما دادهها نشان میدهند مدیران احتمالاً حیاتیترین بخش این گذار، یعنی «انسانها» را نادیده گرفتهاند و در حال از دست دادن فرصت سرمایهگذاری روی نیروی انسانی هستند.
برای درک این گسست، Workera در جولای ۲۰۲۶ با استفاده از ابزار تحقیقات بازار Pollfish، نظرسنجی گستردهای انجام داد. این پژوهش بر روی ۱۰۰۰ متخصص حقوقبگیر متمرکز بود که در سازمانهای بزرگ آمریکایی با بیش از ۵۰۰۰ کارمند فعالیت میکنند. برای ردیابی دقیق پیشرفتها و تغییرات، نتایج این نظرسنجی با دادههای مشابهی که در مارس ۲۰۲۵ جمعآوری شده بود، مقایسه شد تا روند تغییرات در بازه زمانی یک سال مشخص شود.
گلوگاه ارتقای مهارتها
گزارش «وضعیت هوش مصنوعی ۲۰۲۶» (Workera 2026 State of Skills Intelligence Report) نشان میدهد که با وجود پذیرش ضرورت مهارتهای جدید توسط هر دو طرف (مدیران و کارکنان)، اجرای عملی آموزشها بسیار کند است و یک تضاد آشکار در نحوه حمایت شرکتها از کارکنانشان دیده میشود:
- فقر زمانی: ۵۶.۴٪ کارکنان گزارش میدهند که هیچ زمانی در ساعات کاری برای ارتقای مهارتها (Upskilling) اختصاص داده نشده است.
- کمبود منابع: ۴۲.۵٪ نبود مطالب آموزشی مرتبط و کاربردی را به عنوان مانع اصلی یادگیری ذکر کردهاند.
- سرمایهگذاری حداقلی: ۸۴.۳٪ کارکنان در هفته ۵ ساعت یا کمتر را صرف آموزش میبینند که نشاندهنده سرمایهگذاری بسیار پایین زمانی است.
- جهش پذیرش: استفاده از ابزارهای متنوع هوش مصنوعی (فراتر از ChatGPT) از ۳۹.۹٪ سال گذشته به ۶۷.۸٪ رسیده است؛ این یعنی یک رشد نزدیک به ۳۰ درصدی در پذیرش ابزارها در یک سال.
کیان کاتانفوروش، بنیانگذار و مدیرعامل Workera، هشدار میدهد که مدیران نباید تصور کنند کارکنان «خودبهخود» یا به صورت تجربی راه استفاده از این ابزارها را پیدا میکنند. او استدلال میکند که اختصاص زمان مشخص برای یادگیری، تنها بحث بهرهوری نیست، بلکه درباره ایجاد «امنیت روانی» است؛ وضعیتی که در آن کارکنان بتوانند بدون ترس از شکست یا جریمه شدن، با هوش مصنوعی آزمایش کنند. کاتانفوروش اشاره میکند که ۱۲ ماه گذشته چشمانداز را بهطور بنیادی تغییر داده است؛ اگر سال گذشته محوریت بر «پذیرش و دسترسی» بود، تمرکز فعلی بر «نتایج» است و این فشار، نیروی کاری را در وضعیتی قرار داده که احساس میکند برای یادگیری و اجرا «تنگنفس» و تحت فشار است.
ظهور یادگیری سایه
به دلیل ناکارآمدی کانالهای رسمی آموزشی در سازمانها، کارکنان خودشان دست به کار شدهاند و به دنبال راههای جایگزین میگردند. ۴۶.۵٪ پاسخدهندگان اعتراف کردند که برای توسعه مهارتهای خود از ابزارهایی استفاده میکنند که توسط کارفرمایشان ارائه نشده است. در میان این «یادگیرندگان سایه» (Shadow Learners)، ۷۴.۶٪ برای پر کردن شکاف دانشی خود به مدلهای جریان اصلی مانند ChatGPT، Claude و Gemini تکیه میکنند.
این روند یک ریسک حاکمیتی (Governance Risk) جدی ایجاد میکند. در حالی که کارکنان پیشدستانه عمل میکنند، نبود یک استاندارد شرکتی تعریفشده برای اینکه «آمادگی در هوش مصنوعی» دقیقاً به چه معناست، باعث میشود کارکنان در حال حدس زدن باشند. کاتانفوروش پیشنهاد میکند تنها راه افزایش سرعت یادگیری، تعریف یک استاندارد شفاف است که با سیستمهای اندازهگیری و مشوقهای مادی و معنوی همراه باشد. او معتقد است اگر سازمانها استاندارد را تعریف کنند و به افراد اجازه دهند پیشرفت خود را نسبت به آن بسنجند، مشوقهای حاصل از این مقایسه، افراد را به تسریع یادگیری شخصی سوق میدهد.
ارزش انسانی در برابر توانمندی ماشین
با وجود عجله برای یادگیری، کارکنان همچنان به ارزش منحصربهفرد خود ایمان دارند و اعتماد به نفس بالایی در برابر ماشینها نشان میدهند. نظرسنجی نشان داد ۷۶.۶٪ پاسخدهندگان معتقدند میتوانند شغلشان را بهتر از هوش مصنوعی انجام دهند. همچنین تنها ۹.۵٪ باور دارند که یک عامل (Agent) — سیستمی که میتواند بهطور مستقل برای رسیدن به هدف برنامهریزی و اقدام کند — امروز بتواند بیش از نیمی از حجم کاری فعلی آنها را بهطور مؤثر مدیریت کند.
این اعتماد در ارزیابی مهارتها نیز دیده میشود. تنها ۷٪ متخصصان فکر میکنند هوش مصنوعی در حال حاضر میتواند مهارتهای انسانی را بهتر از یک انسان ارزیابی کند و ۳۸.۵٪ معتقدند ماشینها هرگز در این ظرفیت خاص از انسان پیشی نخواهند گرفت. این نتایج نشان میدهد که اگرچه کارکنان ابزارها را میپذیرند، اما همچنان میخواهند توسط انسانها مدیریت و ارزیابی شوند.
مسیر اندازهگیری مستمر
برای حل این گسست، Workera در حال آزمایش ابزاری به نام Ambient است. این ابزار ارزیابی بومی هوش مصنوعی (AI-native) تلاش میکند مهارتها را «در جریان کار» (In the flow of work) اندازهگیری کند، نه از طریق آزمونهای ایزوله و جداگانه. این ابزار با تحلیل دادههای ساختارنیافته، یادگیری و کار را به یک فرآیند واحد تبدیل میکند؛ رویکردی که کاتانفوروش معتقد است به افراد اجازه میدهد بهطور نمایی بیشتر از گذشته یاد بگیرند.
علاقه به این فناوری بسیار بالاست و بیش از ۱۰ هزار نفر در لیست انتظار ثبتنام کردهاند. اشتیاق برای این فناوری در دادههای نظرسنجی نیز مشهود است:
- علاقه به مشارکت: ۴۱.۱٪ کارکنان مورد بررسی گفتند که اگر مالک دادههای خود باشند و کنترل کنند چه چیزی به اشتراک گذاشته شود، حاضرند از ابزارهای اندازهگیری مستمر مهارت مانند Ambient استفاده کنند.
- مرددان: ۳۱.۲٪ پاسخدهندگان در مورد اندازهگیری مستمر مهارتها هنوز مردد هستند.
هزینه «زبالههای هوش مصنوعی»
این شکاف آموزشی هزینه مالی و عملیاتی مستقیم برای کسبوکارها دارد. کاتانفوروش اشاره میکند که گسترش «زبالههای هوش مصنوعی» (AI Slop) — یعنی خروجیهای بیکیفیت، توهمآمیز (Hallucinated) یا کلیشهای — مستقیماً با این موضوع در ارتباط است که آیا افراد میدانند چگونه از هوش مصنوعی استفاده کنند یا خیر. شرکتهایی که در آموزش کارکنان خود شکست میخورند، در واقع هزینه ناکارآمدیِ پرامپتهای ضعیف و خروجیهای بیکیفیت را میپردازند. آموزش کارکنان پیش از موج، در نهایت با کاهش مقدار «زبالههای» موجود در خروجیهای تجاری، سودآوری میکند.
برای فرد، ریسکها حتی بیشتر است. در بازاری که «سرعت یادگیری» (Learning Velocity) به برتری جدید تبدیل شده، کسانی که نمیتوانند زمانی برای تکامل پیدا کنند، با خطر منسوخ شدن روبرو هستند. کاتانفوروش اشاره میکند هر کسی که سرعت یادگیری بالایی را حفظ کند، در یافتن شغل راحتتر خواهد بود. از نظر تاریخی، شرکتها با یافتن خطوط پایه از طریق اندازهگیری و بستن شکافهای مهارتی در سریعترین زمان ممکن، این بهرهوری را به حداکثر میرساندند.
این وضعیت یک پارادوکس ایجاد میکند: کارکنان از جایگزینی توسط ماشین میترسند، اما آنقدر غرق در کارهای روزمره و فشار کاری هستند که وقتی برای یادگیری ابزارهایی که میتواند آیندهشان را تضمین کند، ندارند. در حالی که تقریباً ۶ نفر از هر ۱۰ کارمند میگویند در ۱۲ ماه گذشته به آنها آموزشهای خاص هوش مصنوعی پیشنهاد شده است، اما نبود منابع و زمان به این معناست که آنها نمیتوانند آن آموزشها را در عمل پیاده کنند.
در نهایت، هوش مصنوعی تنها به اندازه کسی که آن را هدایت میکند هوشمند است. تا زمانی که سازمانها زمان یادگیری را یک «سرمایهگذاری سرمایهای» ببینند و نه یک «تجمل»، بهرهوری هوش مصنوعی توسط استرس و درماندگی انسانی محدود خواهد ماند.
گام بعدی شما
- اگر مدیر هستید، به جای خرید لایسنسهای بیشتر، «ساعت یادگیری» را به عنوان بخشی از KPI هفتگی تیم تعریف کنید.
- اگر کارمند هستید، از مدلهای استدلالی برای تحلیل شکافهای مهارت خود در شغل فعلیتان استفاده کنید و یک نقشه راه شخصی بسازید.
- ابزارهای اندازهگیری مهارت در جریان کار (مثل Ambient) را دنبال کنید تا متوجه شوید بازار چه مهارتهای عملی را میسنجد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو