تصور کنید مدیری هستید که دیگر برای خلاصه‌سازی جلسات به دستیار خود تکیه نمی‌کند یا توسعه‌دهنده‌ای که کدهای تکراری (boilerplate) را به جای سپردن به برنامه‌نویسان جونیور، به ماشین می‌سپارد. این دیگر یک سناریوی آینده‌نگرانه نیست؛ طبق گزارش Epoch AI و Ipsos، ۲۰ درصد از بزرگسالان شاغل در آمریکا اکنون مسئولیت‌های خاصی را از همکاران یا پیمانکاران خارجی گرفته و به هوش مصنوعی واگذار کرده‌اند. در واقع، یک‌پنجم کارکنان اکنون حداقل یک وظیفه کاری را که پیش‌تر توسط انسان انجام می‌شد، به AI می‌سپارند.
این تغییر در بازه زمانی ۱۰ تا ۱۹ ژوئیه ۲۰۲۶ و طی نظرسنجی نمایندگی از ۱۱۰۶ نفر از بزرگسالان شاغل در ایالات متحده انجام شده است. این روند نشان می‌دهد هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — از یک ابزار تفننی به بخشی ساختاری از اقتصاد دانش‌بنیان تبدیل شده است. در واقع، بحث اینجا جایگزینی کامل شغل نیست، بلکه بازتوزیع بار کاری روزانه در یک نقش شغلی است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اتوماسیون جریان‌های کاری اشاره کردیم، مرز بین «ابزار» و «همکار» در حال محو شدن است.
زمینه و بستر مطالعه
پژوهشگران برای این مطالعه، ۱۰ وظیفه کاری رایج را بر اساس داده‌های وزارت کار آمریکا انتخاب کردند. این وظایف به‌گونه‌ای برگزیده شدند که بازتاب‌دهنده کارهای متداول در حوزه دانش‌بنیان باشند. اگرچه کارکنان گزارش کردند که در هر ۱۰ مورد از این وظایف از AI استفاده می‌کنند، اما نرخ پذیرش بسته به ماهیت هر کار تفاوت چشم‌گیری دارد.
جزئیات پذیرش وظایف
میزان پذیرش هوش مصنوعی در حوزه‌های مختلف به‌شدت متغیر است:
- توسعه سیستم‌های کامپیوتری و نرم‌افزار: ۵۷٪ (بالاترین نرخ پذیرش در میان وظایف مورد مطالعه). این تسریع در تولید کد، در راستای تغییری است که در آن حاکمیت داده‌ها جایگزین سرعت صرف کدنویسی در تیم‌های توسعه شده است.
- تحلیل داده‌ها: ۴۶٪ نرخ استفاده.
- مطالعه اسناد کاری: ۳۹٪ نرخ استفاده.
- ثبت سوابق و بایگانی: ۲۵٪ (پایین‌ترین نرخ پذیرش در میان وظایف مورد مطالعه).
مکانیسم‌های جایگزینی
با وجود این اعداد، AI به‌ندرت یک شغل را به‌طور کامل می‌بلعد. طبق اعلام Epoch AI، تکمیل کامل یا تقریباً کامل وظایف توسط AI تنها در توسعه نرم‌افزار به ۱۰٪ می‌رسد و در سایر دسته‌ها زیر ۷٪ است. اکثر کارکنان از این فناوری به عنوان یک پشتیبان جزئی استفاده می‌کنند، نه اتوماسیون کامل.
جایگزینی مستقیم انسان با ماشین در این حوزه‌ها مشهودتر است:
- تحلیل داده‌ها: ۷.۱٪ پاسخ‌دهندگان می‌گویند AI وظایفی را بر عهده گرفته است که پیش‌تر توسط انسان‌ها مدیریت می‌شد.
- مطالعه اسناد: ۵.۷٪ نرخ جایگزینی.
- ثبت سوابق: ۵.۳٪ نرخ جایگزینی.
بهره‌وری و زمان
صرفه‌جویی در زمان مستقیماً با سطح واگذاری رابطه دارد. وقتی AI بیشتر یا تمام یک وظیفه را بر عهده می‌گیرد، ۵۳٪ کارکنان گزارش داده‌اند که در زمان صرفه‌جویی کرده‌اند. این عدد در حالت پشتیبانی جزئی به ۳۷٪ کاهش می‌یابد.
اما این بهره‌وری همگانی نیست؛ حدود یک‌ششم وظایفِ AI-assisted در واقع زمان بیشتری نسبت به قبل می‌گیرند. تحلیلگران معتقدند دلیل این اتفاق یا زمان‌بر بودن تعامل با مدل است یا اینکه کارکنان از ظرفیت آزاد شده برای تولید کارهای باکیفیت‌تر و دقیق‌تر استفاده می‌کنند.
خروجی و ویرایش
کنترل کیفیت برای بسیاری از کاربران در اولویت دوم قرار دارد. داده‌های Epoch AI نشان می‌دهد ۶۶٪ خروجی‌های AI با ویرایش بسیار کم یا بدون ویرایش استفاده می‌شوند. تنها ۶٪ خروجی‌ها کاملاً بدون تغییر پذیرفته شده‌اند و ۵٪ به‌طور گسترده بازنویسی شده‌اند.
این موضوع نشان‌دهنده اعتمادی رو به رشد — یا شاید وابستگی شدید — به خروجی‌های خام است. پژوهشگران هشدار می‌دهند که ویرایش کم لزوماً به معنای کیفیت بالا نیست و رابطه‌ای مستقیم و سازگار بین صرفه‌جویی در زمان و میزان ویرایش انجام شده پیدا نشده است.
روندهای گسترده‌تر صنعت
این یافته‌ها با داده‌های پیشین همسو است. نظرسنجی Gallup در اوت ۲۰۲۵ نشان داد ۴۵٪ کارکنان آمریکایی از AI در محیط کار استفاده می‌کنند، هرچند استفاده روزانه تنها ۱۰٪ بود. همچنین نظرسنجی Anthropic از حدود ۹۷۰۰ کاربر Claude حاکی از آن بود که نیمی از این گروه خاص معتقدند AI می‌تواند ۵۰٪ یا بیشتر از حجم کاری‌شان را مدیریت کند.
در نهایت، Epoch AI این فناوری را ابزاری «همه‌کاره اما معمولاً غیرمستقل» می‌نامد. داده‌ها به جای اتوماسیون کامل شغل‌ها، به بازتوزیع وظایف اشاره دارند. برای یک متخصص، مزیت رقابتی از «دانستن نحوه انجام کار» به «دانستن نحوه واگذاری کار به ماشین» تغییر کرده است. ریسک اصلی دیگر فقط حذف شغل نیست، بلکه فرسایش مهارت‌های ویرایشی است که برای شناسایی خطاهای AI ضروری هستند.
باید منتظر آمار upcoming نیروی کار بود تا ببینیم آیا این جابجایی وظایف منجر به کاهش قابل اندازه‌گیری در استخدام پیمانکاران یا تغییر در شرح وظایف شغلی سطح ورودی (entry-level) می‌شود یا خیر.
گام بعدی شما
- تحلیل کنید کدام بخش از وظایف تکراری شما قابلیت واگذاری به AI دارد بدون اینکه کیفیت نهایی آسیب ببیند.
- یک سیستم «بازبینی انسانی» (Human-in-the-loop) برای خروجی‌های AI طراحی کنید تا دچار تله‌ی اعتماد کورکورانه نشوید.
- مهارت‌های مدیریت و نظارت بر خروجی‌های ماشین را جایگزین مهارت‌های اجرای دستی کنید.
اما اثر این تغییرات بر استخدام نیروهای تازه‌کار و تغییر شرح وظایف شغلی در سال ۲۰۲۷ حتی تکان‌دهنده‌تر خواهد بود — به تحلیل ما درباره آینده بازار کار در عصر عامل‌ها مراجعه کنید.
گفتگو