مجمع جهانی اقتصاد: هوش مصنوعی تا سال ۲۰۳۰ ۱۷۰ میلیون شغل جدید می‌سازد

تصور کنید شغلی که امروز انجام می‌دهید، تا سال ۲۰۳۰ کاملاً تغییر کند، اما همچنان جایگاه شما را در بازار کار حفظ کند. این سناریوی محتمل، بر خلاف روایت‌های رایج از «آخرالزمان شغلی»، بر اساس داده‌های جدید است.

مجمع جهانی اقتصاد (WEF) پیش‌بینی می‌کند که تا سال ۲۰۳۰، رشد خالص اشتغال ۸۵ میلیون شغل خواهد بود. این پیش‌بینی در واقع پاسخی است به روایت‌های بدبینانه‌ای که از نابودی کامل فرصت‌های شغلی سخن می‌گویند. طبق این گزارش، در حالی که اتوماسیون باعث حذف ۸۵ میلیون نقش می‌شود، ایجاد ۱۷۰ میلیون موقعیت شغلی جدید رخ می‌دهد. این تفاوت عددی نشان می‌دهد که ما با یک جابجایی ساختاری عظیم روبه‌رو هستیم، نه یک ناپدید شدن ساده‌ی کار. این داده‌ها که در گزارش آینده مشاغل ۲۰۲۵/۲۰۲۶ منتشر شده، هایلایت می‌کند که حقیقت پیچیده‌تر است: ما با یک جایگزینی توده‌ای مواجه نیستیم، بلکه با یک تحول غیریک‌نواخت در محتوای حرفه‌ای روبه‌رو هستیم که در آن ماهیت وظایف تغییر می‌کند و نابرابری‌ها بین کسانی که سازگار می‌شوند و کسانی که عقب می‌مانند، عمیق‌تر می‌شود.

این گذار در حالی رخ می‌دهد که اقتصادهای جهانی برای تعادل میان پذیرش سریع هوش مصنوعی و ثبات نیروی کار تلاش می‌کنند. برای یک کارمند معمولی، این به معنای جایگزینی او با یک ربات در میز کارش در فردا صبح نیست، بلکه به معنای تکامل وظایف روزمره است. این وضعیت مشابه زمانی است که نرم‌افزارهای صفحه‌گسترده (Spreadsheets) حسابداری را نکشتند، بلکه نقش حسابدار را از ورود دستی داده‌ها به تحلیل مالی تغییر دادند. صندوق بین‌المللی پول (IMF) نیز در گزارش چشم‌انداز اقتصادی جهان (آوریل ۲۰۲۵) این دیدگاه را تأیید کرده و تخمین زده است که هوش مصنوعی می‌تواند بهره‌وری جهانی را در سال‌های آینده ۲ تا ۳ درصد افزایش دهد، هرچند اثرات توزیعی آن نامتقارن خواهد بود. در کشورهایی با سطح دیجیتالی‌شدن پایین — از جمله ایتالیا — تأخیر در پذیرش فناوری و آموزش، شکاف آن‌ها را با اقتصادهای پیشرفته‌تر افزایش می‌دهد.

تحلیل کمی تغییرات

به نقل از گزارش WEF، تراز مثبت مشاغل یک عدد کلی است که نابرابری‌های عمیق منطقه‌ای، بخشی و سطح مهارت را پنهان می‌کند. گزارش مؤسسه مک‌کینزی (McKinsey Global Institute) در نوامبر ۲۰۲۵ با عنوان «عامل‌ها، ربات‌ها و ما»، تصریح می‌کند که ما شاهد یک بازسازی طولانی‌مدت در محتوای شغل‌ها هستیم، نه اخراج‌های دسته‌جمعی ناگهانی.

مک‌کینزی تخمین می‌زند که ۴۰ درصد از وظایف کاری فعلی تا سال ۲۰۳۰ قابل اتوماسیون هستند. اما نکته کلیدی این است که تعداد بسیار کمی از این وظایف، یک حرفه کامل را تشکیل می‌دهند. در عوض، نقش‌ها «ترکیبی» (Hybrid) می‌شوند. برای مثال، یک دستیار اداری ممکن است ورود داده‌ها را متوقف کند و در عوض نظارت بر گردش‌کارهای هوش مصنوعی را آغاز کند. به همین ترتیب، یک وکیل ممکن است ابزارهای خودکار بازبینی اسناد را در تمرینات حرفه‌ای خود ادغام کند. تمرکز اصلی بر هیبریداسیون نقش‌هاست، نه حذف کارکنان.

بخش‌های پرریسک در برابر بخش‌های مقاوم

طبق گزارش چشم‌انداز اشتغال ۲۰۲۴ سازمان همکاری و توسعه اقتصادی (OECD)، تأثیر هوش مصنوعی بسته به سطح مهارت متفاوت است. کارکنان در نقش‌های تکراری و با صلاحیت‌های پایین، بیشترین میزان مواجهه با ریسک را دارند. در مقابل، نقش‌هایی که نیازمند حل مسائل پیچیده، خلاقیت و همدلی انسانی هستند، از مقاومت ساختاری بالایی برخوردارند. OECD هشدار می‌دهد که بدون سیاست‌های تهاجمی برای بازآموزی (Reskilling)، ریسک افزایش نابرابری‌های دستمزدی و منطقه‌ای وجود دارد.

فعالیت‌های پرریسک به‌طور مشخص عبارتند از:

• تکرار ساختاریافته: ورود داده‌ها، بایگانی و طبقه‌بندی اطلاعات.
• قوانین پیش‌بینی‌پذیر: رویه‌های اداری استاندارد و قوانین صریح.
• تعاملات متنی ساده: پشتیبانی اولیه مشتریان، مدیریت سوالات متداول (FAQ) و سیستم‌های تیکتینگ پایه.

بخش‌هایی که سریع‌ترین و عمیق‌ترین تأثیر را می‌بینند شامل موارد زیر است:

• ادارات و امور اداری: حسابداری پایه، مدیریت مطب/دفتر، صدور فاکتور و لجستیک اسنادی.
• مراکز تماس و خدمات مشتریان: جایی که چت‌بات‌ها و دستیاران مجازی در حال حاضر خط اول ارتباط را مدیریت می‌کنند.
• تولیدات سنتی: جایی که ربات‌های همکار (Cobots) و هوش مصنوعی پیش‌بینانه، نیاز به کارگران در خطوط استاندارد را کاهش می‌دهند.
• خرده‌فروشی و لجستیک سطح پایه: شامل انبارداری، تحویل کالا، صندوق‌های خودکار و مدیریت موجودی.
• حمل‌ونقل: به‌ویژه رانندگی خودران برای مسیرهای طولانی و لجستیک داخلی.

در مقابل، مشاغلی که به هوش هیجانی و روابط انسانی نیاز دارند — مانند پرستاران، معلمان، درمانگران و مددکاران اجتماعی — مقاوم می‌مانند. همچنین نقش‌هایی که شامل کارهای فیزیکی غیرساختاریافته هستند (لوله‌کش‌ها، برق‌کارها، اپراتورهای بهداشت)، خلاقیت استراتژیک (طراحان، معماران، پژوهشگران، مدیران) و تصمیمات اخلاقی یا قانونی پیچیده (قضات، حسابرسان، وکلا) در معرض خطر کمتری هستند.

ظهور حرفه‌های جدید AI

نقش‌های جدید و پردرآمدی در حال ظهور هستند که یک دهه پیش وجود نداشتند. این مشاغل نیازمند مهارت‌های ترکیبی هستند و در حوزه‌های مالی، خرده‌فروشی و مدیریت دولتی رشد سریعی دارند:

• مربیان AI و مهندسان پرامپت: این متخصصان فراتر از نوشتن دستورات ساده، مجموعه‌داده‌های تنظیم دقیق (Fine-tuning) را طراحی می‌کنند، سیاست‌های رفتاری را تعریف می‌کنند، کیفیت پاسخ‌ها را ارزیابی می‌کنند و تراز بین مدل و اهداف تجاری را مدیریت می‌کنند. برای کسب‌وکارهای کوچک، تسلط بر این مهارت‌ها می‌تواند تحولی در بهره‌وری ایجاد کند، چنان‌که برخی چارچوب‌های عملیاتی مهندسی پرامپت اکنون برای بهینه‌سازی فرآیندهای تجاری معرفی شده‌اند. در ایتالیا، تقاضا هنوز کمتر از عرضه متخصص است، اما در بخش مالی و دولتی در حال رشد است.
• افسران حاکمیت AI و متخصصان تطبیق (Compliance): تحت تأثیر قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) در سال ۲۰۲۴، این نقش‌ها شفافیت، مستندسازی و کنترل انسانی بر سیستم‌های پرریسک را تضمین می‌کنند. افسر حاکمیت سیاست‌های داخلی را تعریف می‌کند، متخصص تطبیق انطباق قانونی را تأیید می‌کند و ارزیاب ریسک، خطرات الگوریتمی را ترسیم می‌کند. تخمین زده می‌شود تا سال ۲۰۲۷، هر شرکت با بیش از ۲۵۰ کارمند به حداقل یک نفر در این جایگاه نیاز داشته باشد.
• مهندسان MLOps: این مهندسان خط لوله‌هایی (Pipelines) را می‌سازند و نگهداری می‌کنند که مدل‌ها را به محیط تولید منتقل می‌کند و مدیریت نسخه‌ها، نظارت بر عملکرد و به‌روزرسانی‌های مستمر را بر عهده دارند. این نقش در دو سال اخیر ۷۰ درصد رشد داشته است.
• کیوریتورهای داده و متخصصان محتوای AI: کیوریتورهای داده، مجموعه‌داده‌های باکیفیت را انتخاب، پاک‌سازی و برچسب‌گذاری می‌کنند و به عنوان پلی بین علم داده و بایگانی عمل می‌کنند (به‌ویژه در بهداشت و درمان و مالی). متخصصان محتوای AI، محتوای تولید شده توسط هوش مصنوعی را بازبینی می‌کنند تا از لحن برند، دقت و انطباق با مقررات اطمینان حاصل کنند.
• متخصصان تیم قرمز (Red Team) و پژوهشگران ایمنی AI: در بخش‌های حیاتی مانند امنیت سایبری و پزشکی، متخصصان تیم قرمز به‌طور سیستماتیک به دنبال نقاط ضعف، سوگیری‌ها و رفتارهای غیرمنتظره می‌گردند. پژوهشگران ایمنی روی تئوری و عملِ «تراز کردن» (Alignment) از آزمایشگاه‌ها تا نهادهای نظارتی کار می‌کنند.

فراتر از این‌ها، نقش‌های هیبریدی در حال ظهور هستند: پزشکانی که از تشخیص‌های به کمک AI استفاده می‌کنند، وکلایی که تحلیل‌های پیش‌بینانه حقوقی را ادغام می‌کنند، روزنامه‌نگارانی که محتوای الگوریتمی را راستی‌آزمایی می‌کنند و مدیران پروژه‌ای که تیم‌هایی متشکل از انسان‌ها و عوامل (Agents) هوش مصنوعی را سازماندهی می‌کنند.

چشم‌انداز اروپا و چالش‌های ساختاری

اتحادیه اروپا با قانون EU 2024/1689 (Regulation EU 2024/1689) رویکردی تنظیم‌گرایانه را برگزیده است. این مقررات سیستم‌های AI را بر اساس ریسک طبقه‌بندی کرده و الزاماتی برای شفافیت و طراحی «انسان در حلقه» (Human-in-the-loop) وضع می‌کند. این امر در حال ایجاد یک بازار کار ثانویه برای حسابرسان AI، افسران اخلاق و طراحان Human-in-the-loop است. تخمین زده می‌شود تا سال ۲۰۳۰، ۵۰۰ هزار شغل جدید مرتبط با حاکمیت AI در اروپا ایجاد شود.

ایتالیا با مسیری دشوارتر و موقعیتی نامطلوب روبه‌رو است. گزارش سالانه بانک ایتالیا (۲۰۲۴) فاش می‌کند که کمتر از ۲۰ درصد شرکت‌های ایتالیایی از AI به‌طور ساختاری استفاده می‌کنند. گزارش Unioncamere Excelsior 2025 تأیید می‌کند که کارکنان بخش خدمات (Tertiary) و کارگران متخصص در فرآیندهای روتین بیشترین ریسک را دارند. علاوه بر این، CEDEFOP Skill Anticipation 2025 تخمین می‌زند که ۳ تا ۵ میلیون کارگر ایتالیایی تا سال ۲۰۳۰ شاهد تحول عمیق در نقش‌های خود خواهند بود.

یک گلوگاه فرهنگی قابل توجه در ایتالیا وجود دارد. تقریباً ۶۰ درصد کارکنان گزارش داده‌اند که هیچ شناختی از ابزارهای AI ندارند و تنها ۱۵ درصد به‌طور منظم از آن‌ها استفاده می‌کنند. این وضعیت ریسک ایجاد «گتوهای شغلی» (impiegificio) را به همراه دارد؛ سناریویی از تخفیف مهارت توده‌ای (de-qualification) که در آن کارگران به سمت مشاغل ناپایدار، کم‌تخصص و کم‌درآمد رانده می‌شوند و منجر به رکود دستمزدها و افزایش تعداد «فقرای شاغل» می‌شود.

نقش PNRR و رقابت جهانی

طرح ملی بهبودی و تاب‌آوری ایتالیا (PNRR) منابع بی‌سابقه‌ای را برای آموزش دیجیتال و تحقیقات AI فراهم می‌کند. با این حال، سرعت اجرا نگران‌کننده است؛ شرکت‌های کوچک و متوسط (SMEs) برای دسترسی به کمک‌های مالی دچار مشکل هستند و مسیرهای آموزشی اغلب با نیازهای بازار همسو نیستند. نیاز مبرمی به اکوسیستمی وجود دارد که در آن دانشگاه‌ها، مراکز تحقیقاتی و مناطق با یکدیگر همکاری کنند.

در سطح جهانی، اروپا با رقابت شدیدی از سوی ایالات متحده و چین روبه‌رو است که سرمایه‌گذاری‌های بسیار بیشتری در تحقیق و توسعه انجام می‌دهند. ریسک این است که اروپا صرفاً به مصرف‌کننده فناوری‌های خارجی تبدیل شود. جایگزین این وضعیت، تبدیل «تنظیم‌گری» به یک مزیت رقابتی است؛ یعنی استفاده از برند «هوش مصنوعی قابل اعتماد» برای جذب سرمایه‌گذاری در تحقیقات کاربردی و استارت‌آپ‌ها.

ریسک گذار نابرابر

هوش مصنوعی به‌طور یکنواخت اثر نمی‌گذارد. بزرگ‌ترین خطر، قطبی‌شدن در سه بعد است:

• نابرابری منطقه‌ای: شمال ایتالیا با ساختار صنعتی و بافت پویای SMEs، در موقعیت بهتری قرار دارد. جنوب با بخش‌های سنتی‌تر و زیرساخت‌های دیجیتال ضعیف‌تر، ریسک تحمل هزینه‌های گذار بدون بهره‌مندی از مزایای آن را دارد که می‌تواند شکاف شمال-جنوب را عمیق‌تر کند.
• شکاف‌های نسلی و جنسیتی: کارکنان بالای ۵۰ سال با مهارت‌های دیجیتال محدود، آسیب‌پذیرترین گروه هستند. زنان که در بخش‌های اداری و خدماتی (در معرض اتوماسیون) حضور بیشتری دارند، ممکن است تأثیر نامتناسبی را تجربه کنند. در حال حاضر، نقش‌های جدید AI عمدتاً توسط جوانان و مردان اشغال شده است.
• فشار بر دستمزدها: بدون حاکمیت درست، AI می‌تواند به جای ابزاری برای رشد، به ابزاری برای کاهش دستمزدها تبدیل شود و کارگران جابجا شده را به سمت نقش‌های کم‌درآمد سوق دهد. تاریخ نشان می‌دهد انقلاب‌های تکنولوژیک تنها در صورتی ثروت ایجاد می‌کنند که با سرمایه‌گذاری در سرمایه انسانی همراه باشند.

استراتژی‌های سازگاری

برای جلوگیری از این پیامدها، یک تغییر سیستماتیک به سمت «یادگیری مادام‌العمر» ضروری است.

برای افراد:

• آموزش مستمر: به‌روزرسانی مهارت‌ها هر ۳ تا ۵ سال یک‌بار از طریق پلتفرم‌هایی مانند Coursera یا Udacity و ابتکارات PNRR.
• شایستگی‌های ترکیبی: ترکیب تخصص در حوزه کاری (مثلاً حسابداری که AI را برای حسابرسی می‌آموزد یا معلمی که ابزارهای AI را در پداگوژی ادغام می‌کند) با ابزارهای هوش مصنوعی.
• سواد نرم AI: یادگیری ارزیابی خروجی‌ها، شناسایی سوگیری‌های الگوریتمی و مدیریت تعامل انسان-ماشین بدون نیاز به تبدیل شدن به یک دانشمند داده.

برای شرکت‌ها:

• پذیرش مشارکتی: مشارکت دادن کارکنان در طراحی گردش‌کارهای جدید برای کاهش مقاومت و افزایش ارزش تحول.
• بازآموزی داخلی: سرمایه‌گذاری روی کارکنان فعلی برای تضمین نرخ پذیرش بالاتر و کاهش نرخ جابجایی نیرو.
• اولویت با حاکمیت: تعریف مسئولیت‌ها، سیاست‌ها و کنترل‌ها پیش از پیاده‌سازی سیستم‌های پرریسک.

برای سیاست‌گذاری‌های عمومی:

• گواهینامه‌های خرد (Micro-credentials): سیستم‌های صدور گواهینامه سریع و منعطف برای مهارت‌های AI که بین مناطق و کشورها قابل تبادل باشند.
• حساب‌های یادگیری مادام‌العمر: صندوق‌های شخصی برای آموزش که توسط دولت و شرکت‌ها تأمین مالی شوند.
• سیاست‌های فعال بازار کار: حمایت‌های درآمدی در طول دوره بازآموزی و ایجاد مشوق‌هایی برای استخدام‌های استراتژیک.
• تحقیقات کاربردی: افزایش سرمایه‌گذاری عمومی در AI برای بخش‌های سنتی ایتالیا مانند کشاورزی دقیق، گردشگری و بهداشت و درمان.

این تحول به این معناست که آینده کار، تقابل «انسان در برابر ماشین» نیست، بلکه «انسان همراه با ماشین» است. خطر واقعی خودِ تکنولوژی نیست، بلکه گذاری است که بی‌سوادان دیجیتال را پشت سر بگذارد. مدیریت این گذار نیازمند مهارت‌های گسترده، قوانین روشن و سرمایه‌گذاری‌های شجاعانه است. ایتالیا فرصت دارد تا از AI برای پر کردن شکاف‌های ساختاری استفاده کند، اما تنها در صورتی که این گذار را به عنوان یک پروژه جمعی ببیند، نه مجموعه‌ای از انتخاب‌های فردی.

اما داستان سخت‌افزاری این تحول و نیاز به تراشه‌های قدرتمند برای اجرای این مدل‌ها حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.