مطالعه استنفورد: استخدام برنامه‌نویسان تازه‌کار در مشاغل حساس به هوش مصنوعی ۲۰٪

اگر امروز فارغ‌التحصیل رشته علوم کامپیوتر هستید، احتمالاً متوجه شده‌اید که درهای ورود به صنعت به‌شدت تنگ‌تر شده است. طبق گزارش آزمایشگاه اقتصاد دیجیتال استنفورد (Stanford Digital Economy Lab)، که سوابق پرداخت میلیون‌ها کارگر را ردیابی کرده است، حدود ۲۰٪ از فرصت‌های شغلی برنامه‌نویسان ۲۲ تا ۲۵ سال در نقش‌های حساس به هوش مصنوعی از اواخر سال ۲۰۲۲ ناپدید شده است.

این کاهش، نتیجه‌ی رکود کلی اقتصاد نیست، بلکه یک تصمیم مدیریتی آگاهانه است: شرکت‌ها ترجیح داده‌اند کارهای سطح پایین را به‌جای ارتقای نیروی انسانی، کاملاً خودکار کنند. در حالی که متخصصان باسابقه در همین حوزه‌ها جایگاه خود را حفظ کرده‌اند، برنامه‌نویسان تازه‌کار به «قناری‌های معدن زغال‌سنگ» تبدیل شده‌اند؛ یعنی اولین کسانی که هشدار می‌دهند ساختار شغلی در حال فروپاشی است.

سال‌هاست که صنعت فناوری، تیم‌های کوچک متشکل از متخصصان ارشد را نماد بهره‌وری می‌بیند. وقتی به تیمی می‌روید که به‌طور بی‌صدا استخدام تازه‌کارها را متوقف کرده است، همه چیز عالی به نظر می‌رسد: سرعت بیشتر، هزینه کمتر، تیمی کاملاً ارشد و نبودِ نیاز به آموزش. اما این وضعیت یک «بدهی ساختاری» پنهان ایجاد می‌کند که تنها زمانی آشکار می‌شود که متخصصان ارشد شروع به بازنشستگی کنند و هیچ‌کس پشت سر آن‌ها نباشد. این مشکل ده سال زمان می‌برد تا شکل بگیرد، اما در یک فصل قابل حل نیست.

این تغییر بخشی از یک روند گسترده‌تر است که در آن «پله‌ی اول» نردبان شغلی در حال حذف شدن است. این موضوع دیگر یک حس کلی یا «وایب» نیست، بلکه اکنون از طریق سوابق پرداخت و آگهی‌های شغلی اندازه‌گیری شده است. در تمام کارهای دانشی، ورودی‌های سطح پایین نه تنها در حال کاهش هستند، بلکه از دسترس خارج شده‌اند. این تحولات در راستای پیش‌بینی‌های کلان‌تری است که مجمع جهانی اقتصاد درباره تغییر یا جایگزینی میلیون‌ها شغل تا سال ۲۰۲۷ مطرح کرده است.

درهای بسته

بر اساس گزارش PwC در سال ۲۰۲۶، تحلیل بیش از یک میلیارد آگهی شغلی نشان می‌دهد که نقش‌های تازه‌کار در حوزه‌های حساس به هوش مصنوعی، اکنون ۷ برابر بیشتر از گذشته، مهارت‌هایی را می‌طلبند که پیش‌تر در اواخر مسیر شغلی یک فرد ظاهر می‌شد.

داده‌های این گزارش صریح است:

• ۵۲٪ از مهارت‌های جدید مورد نیاز برای تازه‌کارها، پیش‌تر مختص متخصصان باسابقه بود.
• تنها ۷٪ از این مهارت‌ها در حوزه‌هایی که کمتر تحت تأثیر هوش مصنوعی هستند دیده شد.
• جایگاه‌های سنتی سطح پایین از سال ۲۰۱۹ تاکنون ۱۰٪ کوچک‌تر شده‌اند.

این یعنی درها نه با حذف عنوان شغلی، بلکه با اضافه کردن پیش‌نیازهایی بسته می‌شوند که هیچ تازه‌کاری نمی‌تواند داشته باشد. این یک سد سیستمی است که نسل بعدی را از ورود به حرفه باز می‌دارد.

اتوماسیون در برابر توانمندسازی

داده‌ها تفاوت حیاتی در نحوه استقرار هوش مصنوعی را فاش می‌کنند. در بخش‌هایی که از هوش مصنوعی برای «خودکارسازی» (Automation) وظایف کارگر استفاده شده، استخدام تازه‌کارها سقوط کرد. اما در بخش‌هایی که از این فناوری برای «توانمندسازی» (Augmentation) کارگر استفاده شده، نرخ استخدام ثابت مانده است. تکنولوژی یکی است، اما دو انتخاب متفاوت در استقرار، به دو نتیجه کاملاً متفاوت برای یک نسل از کارکنان منجر شده است.

برخی منتقدان استدلال می‌کنند که نرخ بهره بالا و اصلاحات پس از پاندمی باعث این فشار شده است. روزنامه فایننشال تایمز (Financial Times) اخیراً استدلال کرد که هوش مصنوعی بیش از آنکه کارهای سطح پایین را نابود کند، در حال تغییر آن‌هاست و به کارفرمایان آمریکایی اشاره کرد که انتظار دارند امسال حدود ۵.۶٪ فارغ‌التحصیلان جدید بیشتری استخدام کنند.

اما هر دو روایت می‌توانند درست باشند. ممکن است استخدام کلی فارغ‌التحصیلان بالا برود، اما نقش‌های خاصِ حساس به هوش مصنوعی سقوط کنند. پژوهشگران استنفورد با کنترل متغیرهای اقتصادی دریافتند که مشاغل حساس به هوش مصنوعی در واقع نسبت به نرخ بهره حساسیت کمتری دارند تا میانگین سایر مشاغل. بنابراین، افزایش نرخ بهره توضیح نمی‌دهد که چرا این مشاغل خاص، تازه‌کارهای خود را از دست داده‌اند. این کاهش مستقیماً به تکنولوژی و انتخاب نحوه استفاده از آن گره خورده است، نه به چرخه تجاری.

تنگنای تخصص

این وضعیت یک تهدید دوطرفه و خطرناک برای تخصص حرفه‌ای ایجاد می‌کند. در یک سو، پدیده‌ای به نام «هرگز-نرسیدن به مهارت» (Never-skilling) شکل می‌گیرد. این اصطلاحی است که در پژوهش‌هایی (مانند Ke et al. 2026 در مجله Nature Medicine) برای توصیف تازه‌کارهایی به کار رفته که نمی‌توانند قضاوت‌های بنیادی را یاد بگیرند، چون کارهایی که این قضاوت را می‌سازد، پیش از رسیدن آن‌ها خودکار شده است.

در سوی دیگر، متخصصان فعلی با «زنگ‌زدگی شهود» (Intuition Rust) مواجه‌اند. مطالعه‌ای روی متخصصان سرطان در سال ۲۰۲۶ نشان داد که افزایش اولیه بهره‌وری با هوش مصنوعی، باعث کاهش تدریجی قدرت قضاوت پزشکان شد. تخصص بدون هیچ علامتی فرسوده شد تا زمانی که کاملاً از بین رفت. این مکانیسم مختص یک تخصص خاص نیست؛ هر مهارتی وقتی تمرین نشود تحلیل می‌رود و هوش مصنوعی در حذف نیاز به تمرین، بسیار استاد است. در همین راستا، پژوهشی میان ۶۰۰۰ متخصص نشان داد که ترس از فشار کاری مضاعف جایگزین ترس سنتی از بیکاری شده است.

این تنگنا به این شکل عمل می‌کند:

• پایین: متخصصان جدید وارد نمی‌شوند چون پله اول حذف شده است. این «فکِ هرگز-نرسیدن» است.
• بالا: متخصصان فعلی لبه‌ی تیز مهارت خود را به‌طور بی‌صدا از دست می‌دهند چون ماشین کارشان را انجام می‌دهد. این «فکِ زنگ‌زدگی شهود» است.

این فشار به‌قدری آرام است که در آمارهای فصلی دیده نمی‌شود، اما نتیجه‌اش یک سازمان توخالی است.

اشتباه محاسباتی اقتصادی

حذف تازه‌کارها یک برد مالی کوتاه‌مدت اما یک شکست اقتصادی بلندمدت است. مطالعه‌ای توسط هاروارد و BCG نشان داد افرادی که بیشترین پیشرفت را با هوش مصنوعی داشتند، کم‌تجربه‌ترین‌ها بودند؛ یعنی «کفِ» توانمندی سریع‌تر از «سقف» بالا رفت.

چون هوش مصنوعی کفِ توانایی را سریع‌تر بالا می‌برد، منطقی‌ترین حرکت این است که یک تازه‌کار را با هوش مصنوعی جفت کنند. این کار به شرکت اجازه می‌دهد خروجیِ نزدیک به یک متخصص ارشد را با هزینه یک تازه‌کار به دست آورد. این همان مسیر «توانمندسازی» است که داده‌های استنفورد آن را محافظت‌کننده می‌دانند. جایگزینی کامل انسان با ماشین، انتخابی است برای اولویت دادن به بودجه این فصل بر توانمندی دهه آینده. این یک انتخاب «ارزان برای این فصل» است، نه یک انتخاب «بهره‌ور».

در کشاورزی اصطلاحی هست به نام «خوردن دانه‌های بذر». وقتی شرایط سخت می‌شود، می‌توانید دانه‌هایی را که برای کاشت سال بعد نگه داشته‌اید بخورید. این کار امروز شما را سیر می‌کند، اما تضمین می‌کند که سال بعد چیزی برای برداشت نباشد. خودکارسازی تازه‌کارها و سپردن قضاوت ارشد به ماشین، دقیقاً خوردن بذرِ یک حرفه است و نامیدنِ این شکمِ سیر، «افزایش بهره‌وری» است.

رهبری به مثابه زیرساخت

مدیران باید به جای دیدن خط استخدامی تازه‌کارها به عنوان یک «هزینه»، آن را به عنوان «زیرساخت توانمندی» ببینند. محافظت از تمرین‌های آگاهانه و حتی ناکارآمد برای یادگیری — هم برای تازه‌کارها و هم برای ارشدها — تنها راه ساختن قضاوتی است که هیچ مدلی ندارد. برخی کندی‌ها اتلاف وقت نیستند، بلکه روش ساخت تخصص هستند و اولین چیزی هستند که در یک موج «بهره‌وری» حذف می‌شوند.

یک پرسش حیاتی باقی می‌ماند: متخصصان ارشد سال ۲۰۳۵ از کجا می‌آیند؟ ارشدهای امروز با انجام کارهای تازه‌کار — ابتدا بد و سپس خوب — متخصص شدند. اگر این پله را حذف کنید، مکانیسم تولید هر متخصص آینده را از بین برده‌اید.

علاوه بر این، کسانی که قرار است بر هوش مصنوعی نظارت کنند — آخرین خط دفاعی در برابر ماشینی که «با اطمینان اشتباه می‌گوید» — دقیقاً همان کسانی هستند که در حال تجربه زنگ‌زدگی شهودند. وقتی قضاوت ناظر انسانی از بین برود، خطاهای ماشین بدون بررسی باقی می‌مانند.

هوش مصنوعی به مدیران «گزینه» می‌دهد، نه «نتیجه». می‌تواند ضعیف‌ترین‌ها را بالا بکشد یا قوی‌ترین‌ها را توخالی کند. می‌تواند کار را به گونه‌ای بسازد که فرد احساس مالکیت کند یا آن را به «پرستاری از یک ماشین» تبدیل نماید. می‌تواند سازمانی توانمند بسازد یا یک صف انتظار. می‌تواند نسل بعدی متخصصان را پرورش دهد یا بذری را که قرار بود آن‌ها را بسازد، بخورد. هر یک از این‌ها توسط یک انسان تصمیم گرفته می‌شود، نه توسط تکنولوژی. هزینه‌ها واقعی است، شواهد روشن است و انتخاب، در هر بار، بر عهده شماست.

گام بعدی شما

• اگر مدیر هستید، استراتژی استخدام خود را از «جایگزینی» به «جفت‌سازی» (Pairing) تغییر دهید تا زنجیره تخصص قطع نشود.
• اگر تازه‌کار هستید، روی مهارت‌های «نظارت و بازبینی» تمرکز کنید؛ جایی که هوش مصنوعی هنوز نمی‌تواند جایگزین قضاوت انسانی شود.
• برای جلوگیری از زنگ‌زدگی شهود، بخشی از کارهای حساس را به‌صورت دستی و بدون کمک مدل‌های زبانی انجام دهید تا عضله تفکرتان تحلیل نرود.

اما داستان سخت‌افزاری این تحول و تأثیر تراشه‌های جدید بر سرعت این اتوماسیون حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.