پیش‌بینی‌های بازار کار بر این فرض استوار بوده‌اند که خودکارسازی، وظایف را یکی‌یکی حذف می‌کند و خودِ شغل را سرپا نگه می‌دارد. هوش مصنوعی عاملی که گردش‌کارهای کامل را به سرانجام می‌رساند این فرض را باطل می‌کند، و شاخص ترکیبی جدیدی به نام مواجهه وظایف عاملی (ATE) ساخته شده تا آنچه را چارچوب‌های قدیمی قادر به سنجش آن نیستند اندازه بگیرد.
خلاصه مدیریتی
- پیش‌بینی‌های پیشین خودکارسازی، از جمله آن‌هایی که بر پایه چارچوب وظایف آتور-لوی-مورنین (Autor-Levy-Murnane) بنا شده‌اند، در یک فرض مشترک‌اند: شغل به عنوان یک پوسته هماهنگی پیرامون کار انسانی باقی‌مانده دوام می‌آورد.
- سامانه‌های هوش مصنوعی عاملی چهار معیار را برآورده می‌کنند: مشخصات یک هدف را دریافت می‌کنند، به طور خودمختار ابزارها را انتخاب و فراخوانی می‌کنند، وضعیت (state) را در طول گام‌های استنتاج حفظ می‌کنند، و بدون دخالت انسان در گام‌های میانی، محصول کاری تکمیل‌شده تولید می‌کنند.
- شاخص ATE امتیازهای توانمندی هوش مصنوعی، ضرایب پوشش گردش‌کار و سرعت پذیرش لجستیک را با هم ترکیب می‌کند. تحلیلگران اعتبار، قضات و متخصصان پایداری به امتیازهای ATE در بازه 0.43 تا 0.47 می‌رسند.
- مقاله، شاخص ATE را روی ۲۳۶ کد SOC در شش گروه شغلی اصلی در پنج منطقه فناوری ایالات متحده اعمال می‌کند و خود را نخستین کاربست تجربی چندمنطقه‌ای از چارچوب مواجهه وظایف می‌خواند که به طور خاص سامانه‌های هوش مصنوعی عاملی را هدف گرفته است.
- در کنار جابه‌جایی و حذف مشاغل، مقاله هفده رده شغلی نوظهور را شناسایی می‌کند که در همکاری انسان و هوش مصنوعی، حکمرانی هوش مصنوعی و عملیات هوش مصنوعی ویژه دامنه متمرکز هستند.
پیش‌بینی‌هایی که بیش از حد برآورد کردند #
ربات‌های صنعتی واقعاً کارگران تولیدی را جابه‌جا کردند. اما این کار را در آن بازه زمانی یا در آن مقیاسی که پیش‌بینی‌های اولیه القا می‌کردند انجام ندادند. این جمله باید هر کسی را که کارش خواندن پیش‌بینی‌های بازار کار است کمی محتاط کند، زیرا الگویی آشنا را توصیف می‌کند: جهت درست بود، اما بزرگی و مقیاس خطا داشت.
شناخته‌شده‌ترین عدد تیترساز در این ادبیات از فری و آزبورن (Frey and Osborne) می‌آید که از کارشناسان خواستند ۷۰۲ شغل در ایالات متحده را بر اساس «قابلیت رایانه‌ای شدن» (computerizability) کلی امتیازدهی کنند. نتیجه آن‌ها این بود که 47% از مشاغل در معرض خطر بالا قرار دارند. این رقمی چشمگیر است و راه درازی را پیمود.
سپس آرنتز، گرگوری و زیران (Arntz, Gregory and Zierahn) نشان دادند که وقتی تحلیل به سطح وظیفه پایین می‌آید و ناهمگنی وظایف را در دل مشاغلی که اسماً در معرض خطرند لحاظ می‌کند، چه اتفاقی می‌افتد. برآوردهای خطر بالا در کشورهای عضو OECD به 9-14% سقوط می‌کند. فاصله میان 47% و 9-14% یک اختلاف ناشی از گرد کردن اعداد نیست. این فاصله بازتابی از یک انتخاب درباره واحد تحلیل است، و این انتخاب پاسخ را تا سه برابر یا بیشتر جابه‌جا می‌کند.
منبع به صراحت می‌پذیرد که مناقشه میان برآوردهای سطح شغل و سطح وظیفه همچنان حل‌نشده است. آنچه این حوزه در عمل به آن دست یافت، یک اجماع کاربردی است: تجزیه در سطح وظیفه ضروری است و برچسب‌های سطح شغل بیش از حد کلی و زمخت هستند. این اجماع شالوده‌ای است که ادامه استدلال بر آن می‌ایستد؛ و در عین حال همان شالوده‌ای است که هوش مصنوعی عاملی آن را زیر فشار می‌گذارد.
چارچوب‌های مبتنی بر وظیفه چگونه کار می‌کنند #
برای دیدن اینکه این فشار از کجا ناشی می‌شود، مفید است که دقیقاً بدانیم سنت تحلیل وظیفه چه ادعایی دارد.
آتور، لوی و مورنین وظایف شغلی را در امتداد دو محور افراز کردند: تکراری (روتیـن) در برابر غیرتکراری، و شناختی در برابر دستی. استدلال آن‌ها این بود که خودکارسازی جایگزین بخش تکراری می‌شود در حالی که بخش غیرتکراری را تکمیل می‌کند. این ایده‌ای تمیز است و به پژوهش‌های بعدی واژگانی بخشید تا درباره اینکه ماشین کدام بخش‌های یک شغل را می‌تواند جذب کند سخن بگویند.
عجم‌اوغلو و رسترپو (Acemoglu and Restrepo) ساختاری صوری بر فراز آن بنا کردند. آن‌ها خروجی اقتصادی را حاصل پیوستاری از وظایف مدل‌سازی می‌کنند که میان سرمایه و نیروی کار تخصیص یافته‌اند. در چارچوب آن‌ها، سهم نیروی کار بسته به اینکه آیا خلق وظایف جدید - که آن را کانال بازآفرینی (reinstatement channel) می‌نامند - از جابه‌جایی وظایف پیشی می‌گیرد یا خیر، افزایش یا کاهش می‌یابد. به پیروی از آن‌ها، سهم نیروی کار در ارزش افزوده به صورت sL = W * L / Y = f(|NL| / |N|) نوشته می‌شود که در آن W نرخ دستمزد، L اشتغال و Y تولید است. دو نیرو در خلاف جهت یکدیگر می‌کشند و اینکه کدام‌یک پیروز شود تعیین می‌کند چه کسی دستاوردها را تصاحب می‌کند.
دو تلاش اندازه‌گیری دیگر نیز در اینجا اهمیت دارند، زیرا این چارچوب نظری را به اعداد در سطح شغل تبدیل کردند. فلتن، راج و سیمنز (Felten, Raj and Seamans) با پیوند دادن پیشرفت‌های منتشرشده در توانمندی‌های هوش مصنوعی به رده‌بندی توانایی‌های O*NET، شاخص مواجهه شغلی با هوش مصنوعی (AIOE) را ساختند. الوندو و همکاران (Eloundou et al.) نیز شاخص موازی دیگری با تمرکز بر GPT-4 بنا کردند که حاشیه‌نویسی‌های کارگران جمعی را با خودارزیابی‌های GPT-4 در سطح وظیفه ترکیب می‌کرد.
یافته اصلی آن‌ها این بود که 80% از کارگران ایالات متحده در مشاغلی فعالیت می‌کنند که دست‌کم 10% از وظایفشان در معرض مدل‌های زبانی بزرگ (LLM) قرار دارد. سنگین‌ترین مواجهه نیز در میان مشاغل پردرآمد و نیازمند مدرک دانشگاهی متمرکز بود. این نتیجه برخلاف شهود قدیمی‌تر است که می‌گفت خودکارسازی ابتدا به سراغ کارهای تکراری و کم‌درآمد می‌رود، و توضیح می‌دهد که چرا پرسش درباره مشاغل یقه‌سفید تا این اندازه فوریت یافته است.
نقطه کوری که همه چارچوب‌ها در آن شریک‌اند #
منبع ادعای تیزبینانه‌ای درباره تمامی این پژوهش‌ها مطرح می‌کند. همه چارچوب‌های مورد استناد در یک نقطه کور معماری شریک هستند: آن‌ها خودکارسازی را به صورت چیدن تک‌تک وظایف مدل‌سازی می‌کنند، در حالی که کلیت شغل دست‌نخورده باقی می‌ماند. تقریباً تمام پیش‌بینی‌ها، از جمله آن‌هایی که بر پایه چارچوب وظایف آتور-لوی-مورنین بنا شده‌اند، این پیش‌فرض را دارند که خودکارسازی وظایف را یکی‌یکی برمی‌دارد و شغل به عنوان یک پوسته هماهنگی پیرامون کار انسانی باقی‌مانده زنده می‌ماند.
این یک پیش‌فرض درباره ساختار است، نه درباره فناوری. هیچ چیزی درباره میزان توانمندی ماشین نمی‌گوید؛ بلکه می‌گوید ماشین هرچقدر هم که وظیفه تحویل بگیرد، باز هم کسی باید باقی‌مانده کار را کنار هم نگه دارد.
مثال دستیار حقوقی (paralegal) موضوع را ملموس می‌کند. یک تحلیل مواجهه وظایف ممکن است 80% از وظایف یک دستیار حقوقی را در معرض مدل‌های زبانی بزرگ علامت بزند و با این حال نتیجه بگیرد که خود شغل امن است، زیرا هماهنگ کردن آن وظایف نیازمند قضاوت انسانی است. این نتیجه‌گیری از پیش‌فرضِ پوسته ناشی می‌شود: وظایف در معرض خودکارسازی هستند، اما کوک‌هایی که آن‌ها را به هم می‌دوزد نه؛ پس شغل باقی می‌ماند.
و آنگاه حرکت کلیدی منبع از راه می‌رسد: گلوگاه هماهنگی که از نقش دستیار حقوقی محافظت می‌کرد، اکنون درون ماژول برنامه‌ریزی خودِ عامل قرار گرفته است. اگر این گزاره درست باشد، استدلالی که دستیار حقوقی را امن نگه می‌داشت از کار می‌افتد. حفاظت از دلِ هماهنگی بیرون می‌آمد، و هماهنگی دقیقاً همان کاری است که یک سامانه عاملی انجام می‌دهد.
من فکر می‌کنم این سودمندترین ایده در کل مقاله است و سزاوار است که با شرایط خودش بررسی شود. چارچوب‌های قدیمی‌تر درباره وظایف اشتباه نمی‌کنند؛ آن‌ها درباره آنچه پس از رفتن وظایف باقی می‌ماند اشتباه می‌کنند. معیاری که به وظایف یکی‌یکی امتیاز می‌دهد، نمی‌تواند سامانه‌ای را ببیند که کل توالی را به صورت یک واحد یکپارچه مدیریت می‌کند.
چه چیزی «عاملی» به شمار می‌آید #
اگر استدلال به یک تمایز وابسته است، آن تمایز به تعریف نیاز دارد. منبع تعریفی با چهار معیار عرضه می‌کند. یک سامانه هوش مصنوعی عاملی سامانه‌ای است که:
- به جای مشخصات یک وظیفه، مشخصات یک هدف را دریافت می‌کند؛
- برای رسیدن به هدف، به طور خودمختار ابزارها را انتخاب و فراخوانی می‌کند؛
- وضعیت (state) را در طول گام‌های استنتاج متعدد حفظ می‌کند؛ و
- بدون دخالت انسان در گام‌های میانی، یک محصول کاری تکمیل‌شده تولید می‌کند.
این فهرستی است که ارزش دارد به شکل فهرست نگه داشته شود، زیرا معیارها گسسته‌اند و هر یک را می‌توان جداگانه آزمود. سامانه‌ای که به یک اعلان (پرامپت) پاسخ می‌دهد در معیار اول رد می‌شود. سامانه‌ای که برای تایید هر گام میانی به یک انسان نیاز دارد در معیار چهارم رد می‌شود.
به زبان ساده‌تر، یک عامل هدفی را دریافت می‌کند، ابزارها را برمی‌گزیند، برنامه‌ای چندمرحله‌ای را به اجرا می‌گذارد، خروجی خود را بررسی می‌کند و یک محصول کاری تمام‌شده تحویل می‌دهد. سامانه‌های عاملی فراخوانی ابزارها را به هم زنجیر می‌کنند، حافظه پایدار را در طول گام‌ها نگه می‌دارند، توالی‌های چندعملیاتی را برنامه‌ریزی می‌کنند و هنگامی که خروجی‌های میانی در آزمون‌های کیفیت رد می‌شوند، خود را اصلاح می‌کنند.
جزئیات مربوط به خوداصلاحی بیش از آنچه در نگاه اول به نظر می‌رسد اهمیت دارد. خط لوله‌ای که با شکست یک گام متوقف می‌شود، همچنان به انسانی در آن نزدیکی نیاز دارد. اما سامانه‌ای که متوجه رد شدن در بررسی کیفیت می‌شود و دوباره تلاش می‌کند، بخشی از نظارتی را که پیش‌تر حضور انسان را توجیه می‌کرد در خود هضم کرده است.
مقاله موضوع خود را این‌گونه تعریف می‌کند: عامل‌های هوش مصنوعی خودمختار که توانایی تکمیل گردش‌کارهای شغلی کامل را به جای وظایف گسسته دارند. کلمه «کامل» بار اصلی معنا را به دوش می‌کشد. تمام استدلال درباره شکاف میان یک وظیفه گسسته و یک گردش‌کار کامل است.
چرا زمان آن همین امروز است #
منبع دو دسته شواهد ارائه می‌دهد که نشان می‌دهد این پرسش صرفاً فرضی نیست. دسته نخست به توانمندی مربوط است. مدل‌های هم‌رده GPT-4 در آزمون وکالت (bar exam) و آزمون مجوز پزشکی ایالات متحده (USMLE) به حد نصاب نمره قبولی یا بالاتر از آن رسیدند و تا چند درصدی قبولی در سطح اول آزمون تحلیلگر مالی خبره (CFA Level I) پیش رفتند. این‌ها آزمون‌های اعطای صلاحیت برای حرفه‌هایی هستند که ورود به آن‌ها دقیقاً به دلیل دشواری کار محدود شده است.
دسته دوم به استقرار عملیاتی مربوط می‌شود. فروشندگان بزرگ فناوری سازمانی، از جمله Amazon، Microsoft، Salesforce، ServiceNow و Workday، در نشست‌های گزارش درآمدی و ارائه‌های سرمایه‌گذاران خود در سال ۲۰۲۴، از استقرارهای عملیاتی و تولیدیِ سامانه‌های عاملی در گردش‌کارهای یقه‌سفید پرده برداشتند. این‌ها استقرار در محیط تولید هستند، نه نسخه‌های نمایشی پژوهشی، و به جای دانشگاهیان به سرمایه‌گذاران اعلام شده‌اند.
منبع این افشاگری‌ها را از آن دست گزارش‌هایی می‌خواند که شرکت‌ها تنها زمانی منتشر می‌کنند که استقرار فناوری عملاً بر برنامه‌ریزی تعداد نیروی انسانی اثر گذاشته باشد. منبع این نکته را به عنوان یک تفسیر، و نه یک اندازه‌گیری، صورت‌بندی می‌کند و باید به همین چشم به آن نگریست. هیچ چیزی در مستنداتی که در اختیار من است به طور مستقیم آمار تعدیل یا تعداد کارکنان را گزارش نمی‌کند. اما این استنباط معقول است: بنگاه‌ها معمولاً یک استقرار فنی را در برابر دیدگان سرمایه‌گذاران قرار نمی‌دهند، مگر آنکه برای ساختار هزینه‌هایشان معنادار باشد.
این دو را کنار هم بگذارید تا ضرورت وجود یک معیار جدید کاملاً روشن شود. توانمندی به تنهایی نمی‌توانست موضوع را به یک ضرورت فوری تبدیل کند، همان‌طور که چند پروژه آزمایشی محدود هم نمی‌توانست. اما توانمندی‌ای که همین حالا از آستانه‌های حرفه‌ای عبور کرده و در سامانه‌هایی قرار دارد که هم‌اکنون در محیط تولید کار می‌کنند، این ضرورت را ایجاد می‌کند.
شاخص ATE: چه چیزی را می‌سنجد و چه چیزی را نه #
پاسخ مقاله، شاخص مواجهه وظایف عاملی (Agentic Task Exposure) است. این یک معیار ترکیبی است که چارچوب جابه‌جایی وظایف عجم‌اوغلو-رسترپو را گسترش می‌دهد تا پوشش سرتاسری گردش‌کار، محک‌های کنونی توانمندی هوش مصنوعی عاملی، و سرعت پذیرش سازمانی را به حساب آورد. این شاخص درجه‌ای را می‌سنجد که یک شغل (o) در معرض جابه‌جایی سرتاسری توسط سامانه‌های کنونی هوش مصنوعی عاملی قرار دارد.
سه عنصر وارد این محاسبه می‌شوند: امتیازهای توانمندی هوش مصنوعی، ضرایب پوشش گردش‌کار، و سرعت پذیرش لجستیک. ضریب پوشش گردش‌کار همان قطعه‌ای است که مستقیماً نقطه کور پیشین را نشانه می‌گیرد. منبع می‌گوید آنچه در پژوهش‌های پیشین غایب بوده، معیاری است برای سنجش اینکه آیا ترکیب کامل گردش‌کارِ یک شغل درون پوش (envelope) عملیاتی هوش مصنوعی عاملی جا می‌گیرد یا نه، و این مفهوم را به صورت ضریب پوشش گردش‌کار صوری‌سازی می‌کند. شاخص‌های قدیمی‌تر می‌پرسند آیا یک وظیفه در معرض خودکارسازی است یا خیر؛ این شاخص می‌پرسد آیا کل گردش‌کار در چارچوب کارهایی که یک عامل از پسشان برمی‌آید جا می‌شود یا نه.
دو بخش دیگر از این ساختار نیز تصریح شده‌اند. جمله wo,t اهمیت نسبی وزن‌دارِ وظیفه t در شغل o است که از رتبه‌بندی‌های اهمیت وظایف در پایگاه داده O*NET استخراج می‌شود. و CAP(t)، یعنی جمله توانمندی، از ادبیات محک‌های هوش مصنوعی و گزارش‌های استقرار متخصصان میدانی برآورد می‌گردد. بنابراین اهمیت وظیفه از یک پایگاه داده شغلی استاندارد می‌آید، در حالی که توانمندی از دو منبع تغذیه می‌شود: بنچمارک‌ها و گزارش‌های میدانی.
مقاله درباره روش خود کاملاً صریح است و خواننده باید آن را بر همین اساس بسنجد: امتیازهای ATE به صورت الگوریتمی از داده‌های وظایف O*NET و با استفاده از پارامترهای پذیرش کالیبره‌شده محاسبه می‌شوند؛ آن‌ها تخمین‌های رگرسیونی نیستند. این امر پیامدهای عملی دارد. یک تخمین رگرسیونی با دستگاه مألوف خطاهای استاندارد و استدلال‌های شناسایی (identification) همراه است. اما یک شاخص ترکیبی الگوریتمیِ کالیبره‌شده چنین دستگاهی ندارد و خروجی‌های آن «برون‌یابی‌های مشتق از مدل» هستند؛ عبارتی که خود مقاله نیز برای ارقام جابه‌جایی شغلی‌اش به کار می‌برد. این ارقام نشان می‌دهند مدل تحت پارامترهای مفروض خود چه نتیجه‌ای را ایجاب می‌کند، نه اینکه چه اتفاقی در عالم واقع رخ داده است.
به باور من این یک چارچوب‌بندی صادقانه است، و برای یک مسئله پیش‌بینی که پدیده مورد پیش‌بینی هنوز در آن رخ نداده، چارچوب درستی به شمار می‌رود. یک شاخص ترکیبی که از ورودی‌های شفاف و اعلام‌شده ساخته شده باشد، قابل وارسی، نقد و کالیبراسیون مجدد است. اگر کسی با سرعت پذیرش مفروض مخالف باشد، دقیقاً می‌داند کدام پیچ را باید بچرخاند.
مدل در کجا به کار بسته شده است #
کاربست تجربی مقاله گسترده است. مقاله چارچوب ATE را روی ۲۳۶ کد طبقه‌بندی استاندارد مشاغل (SOC) که شش گروه شغلی اصلی را در بر می‌گیرند اعمال می‌کند و برون‌یابی‌های جابه‌جایی مشتق از مدل را برای پنج منطقه بزرگ فناوری ایالات متحده در دوره ۲۰۲۵ تا ۲۰۳۰ تولید می‌نماید. این پنج منطقه عبارت‌اند از: منطقه خلیج سان‌فرانسیسکو، سیاتل-تاکوما-بلویو، آستین-راند راک، نیویورک-نیوآرک، و بوستون-کمبریج.
مقاله این کار را نخستین کاربست تجربی چندمنطقه‌ای از چارچوب مواجهه وظایف توصیف می‌کند که به طور خاص سامانه‌های هوش مصنوعی عاملی را هدف قرار داده است. این ادعای تقدم و اولویتی است که نویسندگان مطرح کرده‌اند و من نمی‌توانم صرفاً از روی مطالب پیش رویم آن را راستی‌آزمایی کنم. اما آنچه می‌توانم بگویم این است که طراحی منطقه‌ای، واکنشی منطقی به مشکلی است که مطالعات سطح ملی در آن شریک‌اند: مواجهه، ویژگیِ مشاغل است، اما پذیرش، ویژگیِ مکان‌ها و بنگاه‌هاست.
بر پایه نتایجی که منبع به دست می‌دهد، تحلیلگران اعتبار، قضات و متخصصان پایداری به امتیازهای ATE در بازه 0.43 تا 0.47 می‌رسند. این هم‌گروهی ارزش نگاه دوباره را دارد. یک تحلیلگر اعتبار، یک قاضی و یک متخصص پایداری از نظر آموزش، دستمزد یا کار روزمره هیچ شباهتی به هم ندارند. وجه اشتراک آن‌ها، به روایت مقاله، امتیازی در یک بازه یکسان است. من این را خط بطلانی بر هرگونه دسته‌بندی تنبلانه مشاغل به «امن» و «در معرض خطر» بر اساس بخش اقتصادی یا میزان خلاقیت تصور‌شده می‌خوانم.
در عین حال، از برداشت کردن بیش از آنچه منبع پشتیبانی می‌کند نیز پرهیز می‌کنم. مطالبی که در اختیار دارم بازه امتیاز را برای این سه شغل می‌دهد و نمی‌گوید این اعداد در مقایسه با بقیه ۲۳۶ کد شغلی در کجا می‌ایستند. بنابراین این عدد نشان می‌دهد که نقش‌های مذکور در مقیاس مقاله به طور قابل توجهی در معرض خودکارسازی قرار دارند، اما نشان نمی‌دهد که در صدر فهرست قرار گرفته‌اند.
یافته‌های منطقه‌ای با قید احتیاطی همراهند که تکرارش خالی از لطف نیست. مقاله بیان می‌کند که اثرات بازار کار سیاتل در سال‌های ۲۰۲۶-۲۰۲۷ پیش‌نمایشی است از آنچه نیروی کار غیرفنی گسترده‌تر در سطح ملی در سال‌های ۲۰۲۸-۲۰۳۰ تجربه خواهد کرد. این یک پیش‌بینی با تاخیر زمانی مشخص است و با احتیاط صورت‌بندی شده است. باید آن را فرضیه‌ای خواند که مدل تولید می‌کند، نه یک واقعیت مسلّم. اما از آن دست ادعاهای سودمند است، زیرا به اندازه کافی دقیق هست که بتواند ابطال شود. اگر الگوی اولیه سیاتل تا سال ۲۰۲۸ به نیروی کار غیرفنی در سطح ملی سرایت نکند، مدل با مشکلی روبه‌روست که نمی‌تواند با توجیه از سر باز کند.
سویه بازآفرینی شغلی در این ترازنامه #
یک شاخص جابه‌جایی به تنهایی تنها نیمی از داستان عجم‌اوغلو-رسترپو را روایت می‌کند. در چارچوب آن‌ها، سهم نیروی کار به این بستگی دارد که آیا خلق وظایف جدید از حذف و جابه‌جایی وظایف پیشی می‌گیرد یا نه. مقاله‌ای که این چارچوب را گسترش دهد اما فقط جابه‌جایی را اندازه بگیرد، دقیقاً همان بخشی را رها کرده که به چارچوب کشش تحلیلی می‌بخشد.
این مقاله چنین نمی‌کند. مقاله رده‌های شغلی‌ای را شناسایی می‌کند که در آن‌ها هوش مصنوعی عاملی اثرات بازآفرینی (reinstatement effects) ایجاد می‌کند: نقش‌های جدیدی که پیش از آنکه استقرار سامانه‌های عاملی تقاضا برای نظارت انسانی، حکمرانی و همکاری در مقیاس بزرگ ایجاد کند، وجود خارجی نداشتند. در مجموع، مقاله هفده رده شغلی نوظهور را شناسایی می‌کند که از اثرات بازآفرینی بهره‌مند می‌شوند. این رده‌ها در نقش‌های همکاری انسان و هوش مصنوعی، حکمرانی هوش مصنوعی، و عملیات هوش مصنوعی ویژه دامنه متمرکز هستند.
دنبال کردن سازوکار آن آسان است: اگر عامل‌ها گردش‌کارها را از ابتدا تا انتها اجرا می‌کنند، کسی باید بر آن‌ها نظارت کند، قواعدی را که بر اساس آن کار می‌کنند وضع نماید، و دوشادوش آن‌ها کار کند. این نیازها پیش‌تر به عنوان شغل وجود نداشتند، زیرا هنوز چیزی برای نظارت کردن در کار نبود.
منبع به من نمی‌گوید این هفده رده شغلی چند نفر را به کار خواهند گرفت، یا اینکه آیا رشد آن‌ها جابه‌جایی ناشی از امتیازهای ATE را جبران خواهد کرد یا خیر. بنابراین داده‌هایی که می‌توانم به کار ببرم، پرسش محوری را باز می‌گذارند: آیا بازآفرینی از جابه‌جایی پیشی می‌گیرد؟ هر کسی که با قاطعیت بنویسد بله، یا نه، پا را فراتر از ادعاهای تاییدشده گذاشته است. سهم اصلی مقاله این است که هر دو سوی ترازنامه را درون یک چارچوب واحد قرار می‌دهد و نام می‌برد که نقش‌های جدید در کجا سر برمی‌آورند.
چه درسی باید از آن گرفت #
در اینجا یک درس روش‌شناختی وجود دارد و یک درس عملی.
درس روش‌شناختی این است که واحد تحلیل، پاسخ را تعیین می‌کند. جهش از 47% به 9-14% حاصل تغییر واحد از شغل به وظیفه بود. مقاله استدلال می‌کند که اکنون جابه‌جایی دیگری لازم است - از وظایف به گردش‌کارها - زیرا چیزی که خودکار می‌شود دیگر یک تک‌وظیفه نیست. هر بار که واحد تحلیل تغییر کرده، برآوردها نیز عوض شده‌اند، و تاریخچه این حوزه نشان می‌دهد که انتخاب واحد تحلیل به همان اندازه انتخاب داده‌ها سزاوار موشکافی است.
درس عملی برای هر کسی است که حول پنج سال آینده برای تعداد نیروی انسانی، آموزش یا توسعه محصول برنامه‌ریزی می‌کند. شاخصی که به شما می‌گوید 80% از وظایف یک نقش شغلی در معرض خودکارسازی است دیگر کافی نیست؛ زیرا نمی‌گوید آیا آن 20% باقی‌مانده یک هسته انسانی ماندگار است یا صرفاً چسبِ هماهنگی‌ای که ماژول برنامه‌ریزی یک عامل اکنون می‌تواند تامین کند. ضریب پوشش گردش‌کار دقیقاً برای پرسیدن مستقیم همین پرسش به وجود آمده است.
شاخص ATE یک معیار ترکیبی با پارامترهای کالیبره‌شده است و برون‌یابی‌های آن مشتق از مدل هستند. این برون‌یابی‌ها یک استدلال ساختاریافته درباره بازه ۲۰۲۵ تا ۲۰۳۰ هستند، نه ثبت تاریخی آن. همین امر دلیلی است برای آزمودن آن‌ها به جای نادیده گرفتنشان. فرضیه سیاتل یک آزمون زودهنگام در اختیار می‌گذارد: اگر اثرات سال‌های ۲۰۲۶-۲۰۲۷ در آنجا به همان شکلی باشد که مدل ایجاب می‌کند، تاخیر زمانی تا رسیدن موج به نیروی کار غیرفنی ملی در سال‌های ۲۰۲۸-۲۰۳۰ موضوع بعدی است که باید رصد شود. و هفده رده شغلیِ بازآفرینی‌شده پرسشی را پیش می‌کشند که ادعاهای فعلی قادر به حل‌وفصل آن نیستند: آیا نقش‌هایی که برای نظارت بر عامل‌ها خلق می‌شوند به تعدادی خواهند رسید که در سهم کل نیروی کار تفاوتی ایجاد کنند یا خیر.
پرسش‌های متداول #
چرا چارچوب‌های پیشین مواجهه وظایف، اثر هوش مصنوعی عاملی را دست‌کم می‌گیرند?
چارچوب‌های پیشین که بر سنت آتور-لوی-مورنین بنا شده‌اند فرض می‌کنند که خودکارسازی تک‌وظایف را حذف می‌کند در حالی که شغل به عنوان یک پوسته هماهنگی انسانی باقی می‌ماند. سامانه‌های هوش مصنوعی عاملی برنامه‌ریزی، فراخوانی ابزار، مدیریت وضعیت و بررسی‌های کیفیت میانی را که پیش‌تر نیازمند یک هماهنگ‌کننده انسانی بود در خود جذب می‌کنند و به جای وظایف مجزا، گردش‌کارهای کامل را در معرض خودکارسازی قرار می‌دهند.
شاخص مواجهه وظایف عاملی (ATE) چگونه محاسبه می‌شود?
شاخص ATE یک ترکیب الگوریتمی است که از رتبه‌بندی‌های اهمیت وظایف در O*NET (wo,t)، محک‌های توانمندی هوش مصنوعی و گزارش‌های استقرار متخصصان (CAP(t))، ضریب پوشش گردش‌کار برای سنجش اینکه آیا گردش‌کار کامل یک شغل درون پوش عملیاتی عامل جا می‌گیرد یا نه، و پارامترهای کالیبره‌شده سرعت پذیرش لجستیک در ۲۳۶ کد SOC ساخته شده است.
یافته این مطالعه درباره خلق مشاغل جدید (اثرات بازآفرینی) چیست?
این مطالعه با گسترش کانال بازآفرینی عجم‌اوغلو-رسترپو، هفده رده شغلی نوظهور را شناسایی می‌کند که در همکاری انسان و هوش مصنوعی، حکمرانی هوش مصنوعی و عملیات هوش مصنوعی ویژه دامنه متمرکز هستند. اینکه آیا رشد در این رده‌ها جابه‌جایی در سطح گردش‌کار را جبران می‌کند یا خیر، همچنان یک پرسش تجربی باز باقی می‌ماند.
منابع #
- Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
- Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
- Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
- National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.
آخرین بازبینی .
بازنشر متقابل این مقاله
کپی قالب‌بندی‌شده برای Medium
# هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/](https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/) چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. سامانه‌های عاملی هدفی را دنبال می‌کنند و محصول کاری تکمیل‌شده تحویل می‌دهند... Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/
کپی قالب‌بندی‌شده برای Mastodon
هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. سامانه‌های عاملی هدفی را دنبال می‌کنند و محصول کاری تکمیل‌شده تحویل می‌دهند... https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/
کپی قالب‌بندی‌شده برای LinkedIn
هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. مهم‌ترین نکات راهبردی به این شرح است: - پیش‌بینی‌هایی که بیش از حد برآورد کردند. ربات‌های صنعتی واقعاً کارگران تولیدی را جابه‌جا کردند. - چارچوب‌های مبتنی بر وظیفه چگونه کار می‌کنند. برای دیدن اینکه این فشار از کجا ناشی می‌شود، مفید است که دقیقاً بدانیم سنت تحلیل وظیفه چه ادعایی دارد. - نقطه کوری که همه چارچوب‌ها در آن شریک‌اند. منبع ادعای تیزبینانه‌ای درباره تمامی این پژوهش‌ها مطرح می‌کند. - چه چیزی «عاملی» به شمار می‌آید. اگر استدلال به یک تمایز وابسته است، آن تمایز به تعریف نیاز دارد. رویکرد سازمان شما به چالش‌های مطرح‌شده در این نوشته چیست؟ → https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/ #عاملی #می‌شکند #پیش‌فرض #پشت #مواجههوظایف Sebastien Rousseau | CC-BY-4.0
استناد به این مقاله
هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau
چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. سامانه‌های عاملی هدفی را دنبال می‌کنند و محصول کاری تکمیل‌شده تحویل می‌دهند...
BibTeX
@online{rousseau2026هوش,
author = {Rousseau, Sebastien},
title = {{هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/ ER -
Vancouver
Rousseau S. هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 25. Available from: https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/
Chicago
Rousseau, Sebastien. "هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau." sebastienrousseau.com. October 25, 2026. https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/.
APA
Rousseau, S. (2026, October 25). هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/
بازنشر این مقاله
هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau
چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. سامانه‌های عاملی هدفی را دنبال می‌کنند و محصول کاری تکمیل‌شده تحویل می‌دهند...
این مقاله تحت مجوز زیر منتشر شده است Creative Commons Attribution 4.0 International. بازنشر مستلزم ذکر منبع با ارجاع به نشانی اصلی (canonical) است.
هوش مصنوعی عاملی پیش‌فرض پشت تمامی پیش‌بینی‌های مواجهه وظایف را می‌شکند — Sebastien Rousseau چارچوب‌های مواجهه وظایف، یک شغل را همچون پوسته‌ای می‌بینند که پیرامون هر کاری که انسان‌ها هنوز انجام می‌دهند باقی می‌ماند. سامانه‌های عاملی هدفی را دنبال می‌کنند و محصول کاری تکمیل‌شده تحویل می‌دهند... Originally published at https://sebastienrousseau.com/fa/2026-10-25-hwsh-msnway-aamly-pyshfrd-psht-tmamy/ by Sebastien Rousseau. Licensed under CC-BY-4.0.