داده‌های حقوق و دستمزد دانمارک: هوش مصنوعی تنها ۲.۸٪ در ساعات کاری صرفه‌جویی

تصور کنید ابزاری دارید که سرعت نوشتن ایمیل‌های شما را نصف می‌کند، اما در پایان ماه، حتی یک ریال اضافه به حقوق شما اضافه نشده است. این تضاد میان «سرعت در تک‌وظیفه‌ها» و «واقعیت فیش حقوق‌بوم»، هسته مرکزی یک مطالعه گسترده در دانمارک است. یک پیوند داده‌ای عظیم میان نظرسنجی‌های مربوط به هوش مصنوعی و سوابق واقعی پرداخت‌های حقوق و دستمزد، شکافی تکان‌دهنده را آشکار می‌کند: هوش مصنوعی تقریباً ۲.۸٪ از کل ساعات کاری را ذخیره می‌کند، اما تقریباً هیچ‌یک از این زمان‌ها به پول بیشتر تبدیل نمی‌شود. این یافته نشان می‌دهد که در حالی که AI برای تکالیف مجزا مانند یک «موشک» عمل می‌کند، اما برای یک مسیر شغلی تمام‌وقت، شبیه به یک «سطل سوراخ» است.

پژوهش‌ها نشان می‌دهند که صرفه‌جویی در زمان واقعی است اما بسیار ناچیز است؛ یعنی تقریباً یک ساعت در هفته. همچنین چت‌بات‌ها هیچ تأثیر معناداری بر درآمد یا ساعات ثبت‌شده در هیچ‌یک از مشاغل نداشته‌اند. بیشتر ادعاهای مربوط به بهره‌وری از محیط‌های کنترل‌شده آزمایشگاهی می‌آیند. در آن محیط‌ها، AI می‌تواند سرعت یک کارکن را ۱۵٪ تا ۵۵٪ افزایش دهد. اما دنیای واقعی پر از «نویز» است؛ دنیایی مملو از جلسات، تغییر مداوم زمینه کار (Context-switching) و حجم عظیمی از کارهایی که هوش مصنوعی اصلاً نمی‌تواند به آن‌ها دست بزند. این امر باعث ایجاد یک تفاوت عظیم میان یک دموی ۲۰ دقیقه‌ای و یک چک حقوق ماهانه می‌شود. در آزمایشگاه، AI یک موشک است؛ اما در یک شغل واقعی، در طول یک ماه واقعی و در یک سیستم پرداخت واقعی، تنها یک سود کوچک و نشت‌کننده است که عمدتاً پیش از آنکه به خط سود برسد، تبخیر می‌شود.

اندرز هوملوم (Anders Humlum) و امیلی وسترجارد (Emilie Vestergaard)، دو اقتصاددان، مطالعه‌ای بی‌سابقه را با متصل کردن نظرسنجی‌های پذیرش AI از ۲۵,۰۰۰ کارکن در ۷,۰۰۰ محیط کاری در دانمارک به سوابق واقعی پرداخت‌های آن‌ها انجام دادند. این یک گام حیاتی است که اکثر مطالعات بهره‌وری AI از آن چشم‌پوشی می‌کنند، زیرا این روش به‌جای سرعت تکالیف، تأثیر مستقیم بر سود و زیان (P&L) را اندازه‌گیری می‌کند. سؤالی که آن‌ها به آن پاسخ می‌دهند این نیست که «آیا AI کارهای دانشی را سریع‌تر می‌کند؟»، بلکه این است که «آیا زمانی که ذخیره می‌کنید، به پول تبدیل می‌شود؟»

پیروزی در سطح تک‌وظیفه‌ها

این پژوهش تأیید می‌کند که هوش مصنوعی واقعاً در کارهای خاص و ساختاریافته برتری دارد. وقتی کاربران AI را روی تکالیفی متمرکز می‌کنند که ابزار در آن‌ها واقعاً مهارت دارد، دستاوردهای اندازه‌گیری شده بزرگ هستند:

• نوشتن و پیش‌نویس: در یک آزمایش تصادفی با ۴۵۳ متخصص، استفاده از ChatGPT برای متون سطح متوسط — مانند بیانیه‌های مطبوعاتی، گزارش‌های کوتاه و ایمیل‌های حساس — زمان انجام کار را ۴۰٪ کاهش و کیفیت ارزیابی شده را ۱۸٪ افزایش داد.
• پشتیبانی مشتری: یک مطالعه میدانی روی ۵,۱۷۹ اپراتور نشان داد که دستیارهای AI تعداد مشکلات حل‌شده در هر ساعت را به‌طور متوسط ۱۴٪ افزایش دادند. برای تازه‌کارترین اپراتورها که کمترین تجربه را داشتند، این جهش تا ۳۴٪ بود.

این نتایج ثابت می‌کند که برای کارهای ساختاریافته، متنی و با حجم بالا، افزایش سرعت صرفاً یک تبلیغ یا توهم نیست. با این حال، این مطالعات یک «تکلیف» را اندازه می‌گیرند، نه یک «چک حقوق». آن‌ها یک Assignment بیست دقیقه‌ای را که سریع‌تر انجام شده یا یک تیکت را که زودتر بسته شده اندازه‌گیری می‌کنند، اما نمی‌سنجند که آیا آن زمان ذخیره‌شده در نهایت به درآمد تبدیل شده است یا خیر.

مرز دندانه‌دار شکست

با وجود این پیروزی‌ها، توانمندی AI شکل عجیبی دارد و خروج از لبه این توانمندی، هزینه‌بر است. یک آزمایش میدانی توسط دانشگاه هاروارد و شرکت BCG روی ۷۵۸ مشاور، مفهوم «مرز دندانه‌دار» (Jagged Frontier) را برجسته کرد.

در تکالیفی که در محدوده توان AI بودند، افرادی که از GPT-4 استفاده می‌کردند ۱۲.۲٪ تکالیف بیشتر را به پایان رساندند، ۲۵.۱٪ سریع‌تر کار کردند و خروجی‌هایی تولید کردند که کیفیت آن‌ها بیش از ۴۰٪ بالاتر ارزیابی شد. اما وقتی محققان تکلیفی را به مشاوران دادند که دقیقاً بیرون از محدوده توان AI بود، نتایج کاملاً برعکس شد. مشاورانی که از AI استفاده می‌کردند، ۱۹ درصد کمتر از کسانی که بدون AI کار می‌کردند، توانستند به پاسخ درست برسند.

هوش مصنوعی هرگز اعلام نمی‌کند که یک تکلیف از لبه توانایی‌اش خارج شده است. او با همان تسلط و اعتمادبه‌نفس پاسخ می‌دهد، فارغ از اینکه پاسخ درست باشد یا غلط. از آنجا که شناسایی و اصلاح یک پاسخ غلطِ با اعتمادبه‌نفس، هزینه‌برتر از زمانی است که با یک پاسخ درست ذخیره شده، مهارتی که واقعاً سودآور است، دیگر مهندسی پرامپت (Prompt Engineering) نیست؛ بلکه این است که بدانید در کدام طرف این مرز ایستاده‌اید.

اثر رقیق‌شدگی

همین «مرز دندانه‌دار» و سربارهای اداری یک شغل واقعی توضیح می‌دهد که چرا اعداد آزمایشگاهی در دنیای واقعی شکست می‌خورند. یک شغل واقعی تپه‌ای از جلسات است و نیاز دائمی به بررسی آنچه AI تولید کرده است.

افزایش سرعت ۴۰ درصدی در یک تکلیف نوشتاری مجزا، وقتی با تمام چیزهایی که AI نمی‌تواند به آن‌ها دست بزند ترکیب می‌شود، رقیق می‌شود. در داده‌های پرداخت دانمارک، این پیروزی‌های با درصد بالا در سطح تکلیف، به تنها ۲.۸٪ از کل ساعات هفتگی فشرده می‌شوند. این یک تناقض با مطالعات آزمایشگاهی نیست، بلکه بازتابی از این است که یک پیروزی بزرگ در یک تکلیف، پس از رقیق شدن در کل یک شغل واقعی، چگونه به نظر می‌رسد. مگر اینکه AI را روی کارهای با حجم بالا و تکرارپذیر استقرار دهید، در غیر این صورت سود حاصل عملاً به صفر گرد می‌شود. در حوزه توسعه نرم‌افزار نیز این وضعیت دیده می‌شود، جایی که افزایش بهره‌وری در سطح کدنویسی لزوماً به معنای کاهش فشار کاری نیست و حتی می‌تواند با فرسودگی شغلی نیروهای ارشد همراه باشد.

نشت پول

حتی این سود ساعتی کوچک نیز به ندرت به جیب کارکنان می‌رسد. مطالعه دانمارکی دریافت که تنها ۳٪ تا ۷٪ از افزایش بهره‌وری واقعاً به درآمد کسی تبدیل شده است. سود به کسی می‌رسد که آگاهانه آن را ذخیره کند و در حال حاضر، بیشتر افراد چنین نمی‌کنند.

این روند بازتابی از شکست‌های گسترده‌تر سازمانی در کل اقتصاد است:

• بازگشت سرمایه شرکتی (Corporate ROI): گزارش سال ۲۰۲۵ پروژه NANDA در MIT نشان داد که با وجود هزینه‌های ۳۰ تا ۴۰ میلیارد دلاری سازمان‌ها، ۹۵٪ آن‌ها «بازگشت سرمایه صفر» داشتند. اکثریت قریب به اتفاق پروژه‌های آزمایشی بدون هیچ تأثیر قابل اندازه‌گیری بر سود و زیان (P&L) متوقف شدند و تنها ۵٪ توانستند ارزش واقعی استخراج کنند.
• تأثیر کلان اقتصادی: دارون عجم‌اوغلو (Daron Acemoglu)، اقتصاددان MIT، تخمین می‌زند که AI بهره‌productivity کل عوامل تولید را در ۱۰ سال آینده حداکثر حدود ۰.۶۶٪ افزایش دهد و احتمالاً این عدد زیر ۰.۵۳٪ باشد. این در مقایسه با رشد سالانه ۱.۵٪ تا ۳٪ که بانک‌ها پیش‌بینی می‌کردند، تنها یک خطای گرد کردن ساده است.

این الگو در هر مقیاسی تکرار می‌شود: دستاوردهای واقعی در سطح تکلیف، دستاوردهای کوچک‌تر در سطح شغلی، و دستاوردهای نزدیک به صفر در چک حقوق و سود شرکت. زمان در حال ذخیره شدن است، اما جذب نمی‌شود.

چگونه ارزش را جذب کنیم؟

هیچ‌کدام از این‌ها به معنای بی‌فایده بودن AI نیست. بلکه به این معناست که ارزش، واقعی، کوچک و نشت‌کننده است؛ یعنی برنده کسی است که آگاهانه آن را جذب کند. برای یک سازنده مستقل (Solo Builder)، مزیت رقابتی در این است که کسی باشد که این ارزش را جذب می‌کند. اگر نرخ تبدیل بهره‌وری به پرداخت تنها ۳٪ تا ۷٪ است، طراحی یک جریان کاری (Workflow) که در آن این سود به شما برسد، شما را بسیار جلوتر از میانگین قرار می‌دهد.

پژوهش‌ها سه گام مشخص را برای متخصصان پیشنهاد می‌کنند تا این ۳٪ را به جیب بزنند:

• هدف‌گذاری بر نقاط قوت: AI را روی پیش‌نویس‌های اولیه، خلاصه‌سازی، نوشتارهای ساختاریافته، پاسخ به مشتریان و متون کلیشه‌ای (Boilerplate) متمرکز کنید. آن را از تکالیفی که در آن‌ها با اعتمادبه‌نفس شکست می‌خورد، دور نگه دارید.
• تجمع برای حجم: AI را روی کارهایی اعمال کنید که با حجم بالا انجام می‌دهید، تا چند درصد سود در هر تکلیف، به ساعت‌های واقعی و قابل بازیابی تبدیل شود.
• تبدیل زمان: زمان ذخیره‌شده خودبه‌خود به پول تبدیل نمی‌شود. شما باید آگاهانه آن ساعت‌ها را صورت‌حساب کنید (Bill)، محصولات بیشتری عرضه کنید، مشتری جدیدی بگیرید یا یک هزینه خاص را حذف کنید.

اگر آگاهانه این دقایق را تبدیل نکنید، آن‌ها صرفاً به عنوان «پرکننده‌های اداری» در روز شما نشت می‌کنند و گم می‌شوند. انتظار نداشته باشید که ابزار، حقوق یا حاشیه سود شما را به طور خودکار افزایش دهد.

برای کسانی که محصولات AI می‌سازند (به‌جای استفاده از آن‌ها)، همین انضباط در مورد هزینه‌ها نیز صادق است: دستاوردهایی که جذب آن‌ها برای مشتری سخت است، همان‌هایی هستند که ارزش پرداخت مبلغی بالاتر برای ارائه آن‌ها را ندارند. به‌طور خاص در کدنویسی، افزایش سرعت واقعی است اما هزینه (Bill) خاص خود را دارد.

هوش مصنوعی شما را سریع‌تر می‌کند، اما به تنهایی شما را ثروتمندتر نخواهد کرد. آن ۳٪ واقعی است. «بانک کردن» یا ذخیره کردن آن، اصلِ شغل است. چه یک سازنده مستقل باشید و چه یک مدیر شرکتی، شغل شما دیگر پرامپت‌نویسی نیست، بلکه «جذب کردن» (Capturing) است. شما باید اکنون جریان کاری هفتگی خود را بازبینی کنید تا دقیقاً شناسایی کنید کدام ساعات «ذخیره‌شده» صرف خروجی‌های با ارزش شده‌اند و کدام‌ها صرف پر کردن‌های بی‌هدف روز کاری.

همان‌طور که در تحلیل قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، فاصله میان محیط آزمایشگاهی و دنیای واقعی همیشه عمیق است. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.