تصور کنید ابزاری را در اختیار دارید که کار یک روزه شما را به چهار ساعت کاهش می‌دهد، اما پاداش این سرعت، چهار ساعت کار اضافی است. این همان کابوسی است که اکنون بسیاری از متخصصان فناوری با آن دست‌وپنجه نرم می‌کنند. این چرخه منجر به افزایش شدید فرسودگی شغلی و کاهش خوش‌بینی در سراسر این بخش شده است، تا جایی که بسیاری از متخصصان دیگر این مشاغل را به تازه‌واردانی که امروز وارد صنعت می‌شوند، توصیه نمی‌کنند.
باید بدانید که ترس از دست دادن شغل، دیگر دغدغه اصلی نیست؛ بلکه تهدید واقعی، فشار برای تولید محتوای بیشتر با همان دستمزد قبلی است. طبق نظرسنجی از ۶,۰۰۰ متخصص فناوری توسط نوام سگال (Noam Segal) و لنی راچیتسکی (Lenny Rachitsky)، بهره‌وری حاصل از هوش مصنوعی زاینده (Generative AI) — مثل دستیاری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — صرفاً باعث بالا رفتن استانداردهای خروجی شده است. یافته‌های این پژوهش نشان می‌دهد که هرگاه هوش مصنوعی کارایی را افزایش می‌دهد، پاداش کارکنان اغلب تنها افزایش حجم کار با همان جبران خدمات قبلی است.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اثرات مدل‌های زبانی بر بازار کار اشاره کردیم، ابزارهایی که برای صرفه‌جویی در زمان ساخته شدند، اکنون به ابزارهایی برای افزایش فشار تبدیل شده‌اند. این پارادوکس باعث می‌شود سرعت تولید پروتوتایپ‌ها، مستندات نیازمندی‌های محصول (PRD)، عامل‌ها (Agents) و به طور کلی خروجی‌های کلی افزایش یابد، اما فشار روانی بر متخصصان دوچندان شود.
شکاف عمیق در تجربه کاربران
بر اساس مستندات گزارش سگال و راچیتسکی، نیروی کار دقیقاً به دو گروه مساوی تقسیم شده است:
- تقویت‌شده‌ها: ۵۰٪ از پاسخ‌دهندگان احساس می‌کنند توانمندتر، بهره‌ورتر و نسبت به آینده خود هیجان‌زده‌تر شده‌اند. در حالی که این ابزارها فشار کاری را بالا برده‌اند، برخی سازمان‌ها همچنان در حال گسترش تیم‌های خود هستند؛ برای مثال، یافته‌های اخیر نشان می‌دهد شرکت‌های پیشرو در پذیرش هوش مصنوعی نرخ استخدام خود را ۱۰.۲٪ افزایش دادند که گویای تضاد میان فشار فردی و رشد سازمانی است.
- تضعیف‌شده‌ها: ۵۰٪ دیگر معتقدند نقش شغلی آن‌ها در حال بازتعریف، بی‌ثبات شدن یا حتی کمرنگ شدن است.
کان اسندمیر (Kaan Esendemir)، معمار اپلیکیشن‌های هوش مصنوعی در شرکت UPS، این واگرایی را به تصویر می‌کشد. او گزارش می‌دهد که برخی همکارانش انگیزه‌ی خود را از دست داده‌اند و این پیش‌فرض مشترک ایجاد شده است که هوش مصنوعی می‌تواند «همه چیز» را مدیریت کند. او اشاره می‌کند که کارکنان برای عقب نماندن از موج تکنولوژی و حفظ جایگاه خود، زودتر به سر کار می‌آیند، جلسات ناهار می‌گذارند و دیرتر محیط کار را ترک می‌کنند.
در موارد شدید، این فشار روانی منجر به ترک کامل این رشته شده است؛ اسندمیر از دوستی نزدیک می‌گوید که پیش از این مهندس نرم‌افزار ارشد بود، اما برای شروع دوباره‌ی زندگی، تحصیلات خود را تغییر داد تا به عنوان تکنسین رادیولوژی فعالیت کند.
خطر «پوسیدگی شناختی»
یک خطر پنهان اما حیاتی دیگر، «پوسیدگی شناختی» (Cognitive Rot) است. این وضعیت زمانی رخ می‌دهد که متخصصان، خروجی اولیه مدل هوش مصنوعی را می‌بینند و بدون اعمال قضاوت شخصی یا تحلیل انتقادی، آن را می‌پذیرند. در نتیجه، مهارت‌های تفکر انتقادی آن‌ها به‌تدریج تحلیل رفته و دچار تحلیل یا تحلیل می‌رود.
لورا اسپنسر (Laura Spencer)، مدیر ارشد آکادمیک پیشین در یک آکادمی نخبه، اشاره می‌کند که رهبران فناوری در مقطع K-12 (پیش‌دبستانی تا دبیرستان) با چالشی خاص و دشوار روبرو هستند. از این متخصصان انتظار می‌رود با سرعتی مشابه بخش خصوصی حرکت کنند، در حالی که دست‌وپای آن‌ها توسط قوانین FERPA (قانون آموزشی حقوق خانواده)، قوانین حریم خصوصی ایالتی و شوراهای مدرسه‌ای بسته است که ممکن است یک سال زمان ببرند تا محصول فروشنده‌ای را تأیید کنند که در واقعیت طی یک ماه عرضه شده است. اسپنسر استدلال می‌کند که این شکاف میان «سرعت مورد انتظار» و «سرعت مجاز»، باعث می‌شود افراد به‌طور خاموش از محیط کار جدا شوند یا کلاً محیط را ترک کنند.
او برای مقابله با این وضعیت و جلوگیری از پذیرش کورکورانه، چهار پرسش کلیدی را پیشنهاد می‌کند که باید پیش از پذیرش هر ابزار از خود بپرسیم:
- این ابزار برای چه هدفی است؟
- چه چیزی را تقویت می‌کند؟
- جایگزین چه چیزی می‌شود؟
- چه کاری را اجازه می‌دهد «نابه‌جا و بی‌کیفیت» انجام دهیم؟
به باور اسپنسر، پرسش چهارم همان چیزی است که اکثر مردم از آن می‌گذرند، در حالی که این پرسش برای شناسایی ابزارهایی که مهارت‌ها را پیش از آنکه متوجه شویم از بین می‌برند، ضروری‌ترین است.
مقاومت استراتژیک و تمرکز بر عمق
کهنه‌کاران صنعت پیشنهاد می‌کنند تنها راه بقا در این سرعت سرسام‌آور، «نه» گفتن آگاهانه به برخی ابزارهاست. جوئل ماروتی (Joel Marotti)، شریک ارشد در Vertical Media Solutions، بین «ریز-موج‌ها» (روندهای موقت) و «موج‌های بزرگ» (تغییرات بنیادین در نحوه انجام کار) تفاوت قائل است. او خاطرنشان می‌کند که در سه دهه گذشته، شاید تنها پنج مورد از این موج‌های بزرگ وجود داشته است.
ماروتی استدلال می‌کند که موفقیت نیازی به دریافت گواهینامه‌های متعدد ندارد. در عوض، تنها یک پروژه واقعی که در آن ابزار جدید در یک حوزه عملی به کار گرفته شود، کافی است. این رویکرد به معنای حدود یک هفته تلاش متمرکز است، نه یک سال اضطراب دائمی. او تأکید می‌کند که «نه» گفتن به یک ابزار، در واقع یک اقدام تخصصی است؛ به‌ویژه در حوزه آموزش که ریسک‌ها به جای اعداد سه ماهانه، مستقیماً بر کودکان تأثیر می‌گذارد.
کامرون آدامز (Cameron Adams)، مدیر محصول و هم‌بنیان‌گذار Canva، معتقد است درمان فرسودگی، ایجاد فرصت برای اکتشاف ابزارها از طریق مسائل دنیای واقعی است. او از یادگیری ابزارهایی که هیچ مورد کاربردی تصادفی ندارند بیزار است و ترجیح می‌دهد ابزاری را به کار بگیرد که در حال حاضر مشکلی را با آن حس می‌کند.
آدامز تأکید می‌کند که کارکنان به آزادی برای تجربه نیاز دارند. از آنجا که کارکنان طبیعتاً مشغول هستند و به الگوهای قدیمی باز می‌گردند، کانوا به کارکنانش زمان می‌دهد تا 잠시 عقب بنشینند، ابزارهای همیشگی خود را کنار بگذارند و از روال «کارهای عادی» خارج شوند تا بتوانند ارزش واقعی آزمایش‌های هوش مصنوعی را بیابند.
در نهایت، دانیل بروس (Daniel Burrus) از دانشگاه High Point توصیه می‌کند که متخصصان از تعقیب هر اعلان محصول جدید دست بردارند. او پیشنهاد می‌کند تغییرات تکنولوژیکی را که قطعاً ادامه خواهند یافت شناسایی کرده و روی مهارت‌های مرتبط با آن تغییرات تمرکز کنند. بروس به چهار ستون اصلی برای آینده اشاره می‌کند:
- پیشرفت هوش مصنوعی و اتوماسیون گسترده
- مدیریت داده‌ها
- امنیت سایبری
- قضاوت انسانی
ریکن شاه (Riken Shah)، مدیرعامل OSP Labs، هم‌نظر است و می‌گوید تلاش برای به‌روز بودن با هر نسخه جدید، یک «بازی بازنده» است. او استدلال می‌کند که ارزش بلندمدت در داشتن عمق دانش در چند حوزه خاص، مانند تفکر سیستمی، معماری، امنیت و توانایی حل مسائل دشوار است. در این محیط جدید، هوش مصنوعی باید به عنوان اهرمی برای تقویت تخصص موجود و آگاهی سطحی دیده شود، نه جایگزینی برای آن.
گام بعدی شما
- به جای یادگیری ابزارهای پراکنده، یک پروژه واقعی را انتخاب کنید و ابزار مورد نظرتان را فقط در بستر آن آزمایش کنید. یک هفته تمرکز روی یک پروژه واقعی، ارزشمندتر از یک سال اضطراب است.
- در هر بار استفاده از هوش مصنوعی، از خود بپرسید: «این ابزار کدام‌یک از مهارت‌های تحلیل من را دارد تضعیف می‌کند؟» و به یاد داشته باشید که پذیرفتن خروجی بدون قضاوت، منجر به پوسیدگی شناختی می‌شود.
- روی تقویت «قضاوت انسانی» و «تفکر سیستمی» سرمایه‌گذاری کنید تا از سطح یک اپراتور ابزار به یک معمار راهکار تبدیل شوید که می‌تواند بین موج‌های بزرگ و روندهای موقت تفاوت قائل شود.
اما این فشار روانی تنها بخشی از ماجراست؛ تأثیر این تغییرات بر ساختار حقوق و دستمزدهای سال ۲۰۲۶ را در گزارش بعدی بررسی خواهیم کرد.
گفتگو