آینده شغل‌ها در عصر هوش مصنوعی؛ وقتی پله اول نردبان شغلی کوتاه می‌شود

تا همین چند سال پیش، برای استخدام در یک شرکت مشاوره احتمالاً باید در مصاحبه درباره حل مسائل مشتری صحبت می‌کردید. حالا خودِ مشتری هم ممکن است هوش مصنوعی باشد.

طبق گزارشی که ۱۴ اکتبر ۲۰۲۶ منتشر شد، مؤسسه مشاوره مک‌کنزی در حال آزمایش مصاحبه‌ای است که در آن بعضی متقاضیان موقعیت‌های ابتدایی باید ده دقیقه با یک مشتری شبیه‌سازی‌شده با AI گفت‌وگو کنند. البته ارزیابی همچنان با مصاحبه‌کنندگان انسانی است.

این مثال کوچک، تصویر جالبی از آینده کار دارد: هوش مصنوعی فقط قرار نیست کارها را انجام دهد؛ کم‌کم وارد شیوه آموزش، ارزیابی و سازمان‌دهی نیروی انسانی هم می‌شود.

اما در میان انبوه پیش‌بینی‌های هیجان‌انگیز، واقعاً چه می‌دانیم؟ پژوهش‌های منتشرشده در سال ۲۰۲۶ تصویر پیچیده‌تری از دوگانه «AI همه را بیکار می‌کند» و «AI برای همه شغل جدید می‌سازد» ارائه می‌کنند.

عدد ۱۹ درصد؛ هشدار مهمی که نباید اشتباه خوانده شود

در اوت ۲۰۲۶، اریک برینیولفسون، بهارات چاندار و رویو چن از آزمایشگاه اقتصاد دیجیتال دانشگاه استنفورد، نتایج به‌روزشده پژوهشی را بر اساس داده‌های حقوق و دستمزد میلیون‌ها نیروی کار آمریکایی منتشر کردند.

نتیجه در نگاه اول عجیب است: پژوهشگران نشانه‌ای از حذف گسترده شغل‌ها در کل اقتصاد پیدا نکردند. بااین‌حال، وضعیت گروه سنی ۲۲ تا ۲۵ سال در مشاغلی که بیشتر در معرض AI هستند، نسبت به هم‌سالانشان در مشاغل کم‌مواجهه ضعیف‌تر شده است.

طبق این پژوهش، سطح اشتغال جوانان در مشاغل با مواجهه بالا با AI حدود ۱۹ درصد پایین‌تر از سطحی است که در صورت همراهی با روند اشتغال هم‌سالان کم‌مواجهه انتظار می‌رفت.

این عدد به معنی «۱۹ درصد اخراج» یا «۱۹ درصد کاهش تعداد تمام شغل‌ها» نیست؛ یک شکاف نسبی نسبت به مسیر مقایسه‌ای است. این شکاف در داده‌های ژوئیه ۲۰۲۵ حدود ۱۵ درصد بود.

پژوهشگران همچنین مشاهده کردند که این تفاوت بیشتر با کاهش جذب نیروی جوان سازگار است تا موج اخراج کارکنان موجود.

خود نویسندگان هم تأکید دارند که داده‌هایشان همبستگی را نشان می‌دهد و به‌تنهایی ثابت نمی‌کند AI علت تمام این تغییرات بوده است. عوامل دیگری در بازار کار نیز دخیل‌اند.

مطالعه پژوهش استنفورد، ۱۲ اوت ۲۰۲۶

این تمایز مهم است. گاهی اثر یک فناوری ابتدا در آگهی‌های استخدام و فرصت ورود دیده می‌شود، نه در تعداد اخراج‌ها.

مسئله شاید خود شغل نباشد؛ کارهایی باشد که آن شغل از آن‌ها تشکیل شده است

یک تحلیلگر تازه‌کار ممکن است بخشی از روز را صرف گردآوری داده، مرتب کردن فایل‌ها، تهیه گزارش‌های اولیه و مرور اطلاعات کند.

این‌ها کارهای بی‌اهمیتی نیستند؛ اتفاقاً بخشی از مسیر یادگیری او هستند. اما بسیاری از همین وظایف نسبتاً ساخت‌یافته را می‌توان با AI سریع‌تر انجام داد.

کار تحلیلگر باتجربه لزوماً همین نیست. او باید تشخیص دهد کدام داده معتبر است، چه فرضی پشت تحلیل قرار دارد، چه چیزی از گزارش حذف شده و نتیجه در یک تصمیم واقعی چه پیامدی خواهد داشت.

پژوهش استنفورد به تفاوت میان دانش مدون و دانش ضمنی اشاره می‌کند. اولی در دستورالعمل، کتاب و مستندات ثبت شده؛ دومی طی تجربه عملی، مشاهده خطاها و مواجهه با موقعیت‌های واقعی به دست آمده است.

یافته‌های پژوهش با این تفسیر سازگار است که AI فعلاً در بازتولید بخش‌هایی از دانش مدون موفق‌تر است.

اینجا یک تناقض شکل می‌گیرد:

اگر شرکت‌ها کارهای ابتدایی را به AI بسپارند، ممکن است بهره‌وری کوتاه‌مدت بالاتر رود؛ اما اگر مسیر جایگزینی برای یادگیری نیروهای جدید طراحی نکنند، در آینده از کجا نیروی باتجربه خواهند آورد؟

این پرسش برداشتی تحلیلی از یافته‌هاست، نه نتیجه قطعی خود پژوهش.

از چت‌باتی که جواب می‌دهد تا عاملی که کار را جلو می‌برد

ایتن مولیک، استاد مدرسه کسب‌وکار وارتون و نویسنده خبرنامه One Useful Thing، در مطلب اول اکتبر ۲۰۲۶ خود توضیح می‌دهد که نگاهش به AI Agentها تغییر کرده است.

او پیش‌تر تصور می‌کرد سازمان‌دهی چند عامل هوش مصنوعی به طراحی و مدیریت پیچیده انسانی نیاز دارد، اما تجربه سیستم‌های جدید نشان داده خودِ عامل‌ها هم می‌توانند بخش‌هایی از تقسیم کار و هماهنگی را انجام دهند.

مولیک البته ادعا نمی‌کند AI می‌تواند جای همه کارکنان یا مدیران را بگیرد. او درباره محدودیت‌های عملکردی و خطر رفتارهای پیش‌بینی‌نشده هشدار می‌دهد.

برداشت مهم‌تر این است که هزینه انجام و هماهنگ کردن بعضی کارها ممکن است کاهش یابد؛ در نتیجه شرکت‌ها بتوانند سراغ پروژه‌هایی بروند که قبلاً به دلیل محدودیت منابع انجامشان نمی‌دادند.

مطالعه نوشته ایتن مولیک، اول اکتبر ۲۰۲۶

پس یک سناریوی محتمل فقط «انجام کار قبلی با نیروی کمتر» نیست. سناریوی دیگر «انجام کارهای بیشتر و متفاوت با همان تیم» است.

اینکه کدام مسیر غالب شود، به تصمیم شرکت‌ها و ساختار بازار بستگی دارد.

هنوز دانش تخصصی مهم است؛ حتی وقتی AI بخش زیادی از اجرا را انجام می‌دهد

در ژوئن ۲۰۲۶، پژوهشگران Anthropic حدود ۴۰۰ هزار جلسه استفاده از Claude Code را بررسی کردند.

در میان نمونه‌های مطالعه‌شده، کاربران به‌طور متوسط نزدیک به ۷۰ درصد تصمیم‌های مربوط به برنامه‌ریزی را می‌گرفتند، درحالی‌که سهم آن‌ها از تصمیم‌های اجرایی حدود ۲۰ درصد بود.

پژوهش همچنین نشان می‌دهد کسانی که مسئله و حوزه کاری‌شان را بهتر می‌شناسند، معمولاً استفاده موفق‌تری از ابزار دارند.

البته این مطالعه درباره کاربران Claude Code است و نباید نتایج آن را بدون بررسی به همه مشاغل تعمیم داد.

مطالعه گزارش Anthropic، ۱۶ ژوئن ۲۰۲۶

این یافته برای حوزه‌هایی مثل مالی، تحلیل داده و مدیریت محصول معنا دارد.

نوشتن یک گزارش یا ساخت یک داشبورد ممکن است سریع‌تر شود؛ اما تشخیص اینکه چه چیزی باید سنجیده شود، داده چه محدودیتی دارد و کدام تصمیم از نتیجه پشتیبانی می‌گیرد همچنان نیازمند شناخت واقعی مسئله است.

این نتیجه‌گیری، تفسیر کاربردی یافته پژوهش است، نه تضمینی برای مصونیت این مشاغل از اتوماسیون.

آینده کار از پیش تعیین نشده است

دارون عجم‌اوغلو، دیوید آتور و سایمون جانسون، اقتصاددانان MIT، در مقاله‌ای در فوریه ۲۰۲۶ از ایده «هوش مصنوعی حامی نیروی کار» دفاع کرده‌اند.

استدلال آن‌ها این است که AI علاوه بر ظرفیت جایگزینی وظایف، می‌تواند توانایی افراد را افزایش دهد، یادگیری تخصص‌های تازه را آسان‌تر کند و امکان انجام کارهای پیچیده‌تر را به کارکنان بدهد.

نکته مهم دیدگاه آن‌ها این است که اثر فناوری فقط به توانایی مدل وابسته نیست؛ به نوع طراحی محصول، انگیزه اقتصادی سازمان‌ها و تصمیم‌های مدیریتی هم بستگی دارد.

مطالعه پژوهش MIT، فوریه ۲۰۲۶

از طرف دیگر، سازمان بین‌المللی کار در آوریل ۲۰۲۶ یادآوری کرد که «مواجهه یک شغل با AI» با «احتمال از بین رفتن آن شغل» یکی نیست.

توانایی فنی مدل برای انجام یک وظیفه، به‌تنهایی نشان نمی‌دهد شرکت‌ها واقعاً آن وظیفه را خودکار خواهند کرد یا نتیجه برای اشتغال چه خواهد بود.

مطالعه گزارش سازمان بین‌المللی کار، آوریل ۲۰۲۶

به بیان ساده، میان کاری که AI می‌تواند انجام دهد، کاری که از نظر اقتصادی به‌صرفه است به آن سپرده شود و کاری که سازمان واقعاً واگذار می‌کند فاصله وجود دارد.

حالا باید روی چه چیزهایی سرمایه‌گذاری کرد؟

شاید پاسخ مناسب برای همه این نباشد که فوراً برنامه‌نویس یا متخصص AI شوند. در عوض، سه تغییر عملی ارزش فکر کردن دارند:

برای افراد تازه‌کار: استفاده از AI را یاد بگیرند، اما مراحل تحلیل را حذف نکنند. توانایی توضیح دادن فرض‌ها، کنترل خطا و دفاع از نتیجه، بخشی از همان تجربه‌ای است که در کار واقعی ساخته می‌شود.
برای متخصصان: دانش عمیق یک حوزه را در کنار شناخت ابزارهای جدید توسعه دهند؛ مثلاً کسی که هم مسائل اعتبارسنجی مالی را می‌فهمد و هم می‌تواند خروجی مدل را ارزیابی کند، فقط مجری یک دستور نیست.
برای مدیران: به‌جای محاسبه صرفِ ساعت‌های صرفه‌جویی‌شده، درباره کیفیت، ریسک، مسئولیت نهایی و شیوه آموزش نیروهای جدید تصمیم بگیرند. حذف کارهای مقدماتی بدون طراحی مسیر یادگیری جایگزین، ممکن است هزینه‌ای داشته باشد که بعدها آشکار شود.

این‌ها پیش‌بینی قطعی از «مشاغل امن» نیستند؛ پیشنهادهایی برای سازگار شدن با بازار کاری هستند که هنوز در حال شکل گرفتن است.

و درباره بازار کار ایران؟

بخش عمده شواهد عددی این مقاله از آمریکا و پژوهش‌های بین‌المللی آمده‌اند؛ بنابراین نمی‌توان شکاف ۱۹ درصدی استنفورد را مستقیماً به اشتغال جوانان ایران تعمیم داد.

ساختار دستمزد، هزینه نیروی انسانی، دسترسی به ابزارهای AI، مقررات و روش کار شرکت‌ها متفاوت‌اند.

بااین‌حال، سؤال بنیادی برای هر سازمانی قابل طرح است:

وقتی یک ابزار می‌تواند بخش بیشتری از تهیه گزارش، مستندسازی، پردازش داده یا اجرای کارهای تکراری را انجام دهد، نقش کارکنان تازه‌کار چگونه بازطراحی می‌شود؟

پاسخ به این سؤال احتمالاً بیش از فهرست کردن «۱۰ شغلی که AI نابود می‌کند» به تصمیم‌های واقعی شرکت‌ها کمک خواهد کرد.

جمع‌بندی: خطر فقط حذف شغل نیست؛ تغییر مسیر متخصص شدن است

شواهد فعلی نه وقوع بیکاری گسترده در تمام اقتصاد را اثبات می‌کنند، نه آینده‌ای بدون نگرانی را.

در بعضی مشاغل، مسیر استخدام نیروهای جوان زیر فشار قرار گرفته؛ در برخی کارها، ابزارهای هوشمند بخشی از اجرا را بر عهده گرفته‌اند؛ و هم‌زمان، فرصت‌هایی برای افزایش توان کارشناسان و انجام کارهای تازه ایجاد شده است.

به نظرم مهم‌ترین سؤال برای سال‌های پیش رو این نیست که «آیا AI می‌تواند این کار را انجام دهد؟» بلکه این است که اگر آن را انجام داد، انسان قرار است چه چیزی یاد بگیرد، چه تصمیمی بگیرد و مسئول کدام نتیجه باشد؟