سالهاست که مسیر پیشرفت شغلی در اقتصادهای مدرن بر اساس یک فرمول نانوشته اما ثابت بنا شده است. جوانترها با یک شغل ردهپایین و ساده وارد ساختار شرکتها میشوند، کارهای تکراری، خستهکننده و زمانبر را بر عهده میگیرند و در حین انجام همین کارهای روزمره، زیر دست قدیمیترها کار یاد میگیرند. این چرخه، دهههاست که تضمینکننده بقای نیروی متخصص بوده و به افراد اجازه داده پس از چند سال خاک صحنه خوردن، خودشان به یک نیروی کارآزموده و ارشد تبدیل شوند. اما حالا زنگ خطر به صدا درآمده است؛ هوش مصنوعی دقیقاً تیشه به ریشه همین پله اول زده است. پرسش بنیادین این است: اگر کارهای ورودی و ساده حذف شوند، شرکتها در آینده نیروهای باتجربه و تصمیمگیرنده خود را از کجا خواهند آورد؟
رباتهایی که دیگر فقط کارگر کارخانه نیستند
برای درک ابعاد این خطر، باید تفاوت این موج از فناوری را با گذشته بررسی کنیم. در موجهای قبلی پیشرفت تکنولوژی، ماشینآلات و رباتها عمدتاً جای کارگران خط تولید و مشاغل یدی را میگرفتند. اما مدلهای زبانی امروز، از جمله هوش مصنوعی مولد، مستقیماً سراغ وظایف شناختی و مشاغل دفتری (یقهسفیدها) رفتهاند. نوشتن یک گزارش اولیه، تنظیم پیشنویس یک قرارداد حقوقی، خلاصه کردن دهها صفحه سند پیچیده، نوشتن کدهای برنامهنویسی مقدماتی و پاسخ به سوالات تکراری مشتریان، دقیقاً همان کارهایی بودند که به کارمندان تازهوارد سپرده میشد تا ضمن انجامشان، فوتوفن حرفه خود را یاد بگیرند. بنابراین، هوش مصنوعی فقط شغلها را تهدید نمیکند، بلکه در حال نابود کردن مکانیزم یادگیری حین کار است.
اثرات این تحول همین حالا هم در بازار کار نمایان شده است. در حوزههایی مثل تولید محتوا، پشتیبانی، ترجمه و برنامهنویسی، روند استخدام افراد مبتدی بهشدت کُند شده است. منطق کارفرما در این شرایط کاملاً قابل درک است: وقتی هوش مصنوعی میتواند یک پیشنویس قابلقبول را در چند ثانیه و با هزینهای ناچیز آماده کند، استخدام یک نیروی تازهکار که ماهها طول میکشد تا به همان سطح از کارایی برسد، توجیه اقتصادی خود را از دست میدهد.
با این حال، این نگاه کوتاهمدت یک تناقض و بحران پنهان در دل خود دارد. همین کارفرماها در آیندهای نهچندان دور به نیروهای ارشدی نیاز دارند که بتوانند خروجیِ ماشین را راستیآزمایی کنند، خطاهای پنهان آن را بیابند و تصمیمهای استراتژیک و پیچیده بگیرند. این نیروهای ارشد از آسمان نمیافتند؛ آنها همان کارمندان تازهکاری هستند که امروز شانس ورود به بازار کار را پیدا نمیکنند. در واقع، شرکتها با قطع کردن خط تولید تجربه، دارند به قیمت صرفهجوییِ امروز، ریشه تخصص و ذخیره استعدادهای آینده را میخشکانند.
چرا کلاسهای آموزشی دیگر جواب نمیدهند؟
وقتی پلههای پایین نردبان شغلی میشکنند، واکنش سنتی دولتها معمولاً اجرای برنامههای بازآموزی است؛ یعنی میلیاردها دلار بودجه صرف میشود تا افراد بیکارشده به کلاسهای رزومهنویسی، مشاوره شغلی یا دورههای کوتاهمدت مهارتآموزی بروند. اما مونیکا پراساد، استاد جامعهشناسی دانشگاه جانز هاپکینز، در یادداشتی تحلیلی استدلال میکند که این روشِ کلاسمحور دیگر پاسخگوی نیازهای امروز نیست و برنامههای شکستخورده باید کنار گذاشته شوند.
دلیل ناکامی این سیستم آموزشی این است که مهارتها بهصورت انتزاعی و جدا از محیط واقعی کار تدریس میشوند. مهارتهایی که در کلاس آموزش داده میشوند، گاهی تا پایان همان دوره منسوخ میشوند یا هیچ همخوانی با نیاز واقعی و روزمره کارفرما ندارند. خروجی این سیستم، لشکری از کارجویان است که گواهینامه در دست دارند اما شغلی برایشان نیست. پراساد معتقد است آنچه هوش مصنوعی نمیتواند بهسادگی تقلید کند، دانش ضمنی است. دانش ضمنی شامل آن شمّ حرفهای، قدرت قضاوت بر اساس تجربه مستقیم و توانایی خواندن موقعیتهای پیچیده انسانی است. این جنس از دانش در هیچ کلاس درس یا دوره آنلاینی منتقل نمیشود و تنها راه یادگیری آن، انجام کار واقعی در کنار یک استادکار است.
حقوق پایه برای کارآموزی؛ راهحلی در برابر انفعال
در مواجهه با این بنبست آموزشی و تهدید فزاینده هوش مصنوعی، ایدههای جدیدی برای حمایت از نیروی کار مطرح شده است. پراساد پیشنهاد بازگشت به مدل کهن کارآموزی را مطرح میکند؛ یعنی بهجای فرستادن بیکاران به کلاس، آنها با دریافت دستمزد وارد محیط واقعی کار شوند. در اینجا پای یک مفهوم جذاب و در عین حال بحثبرانگیز به میان میآید: «حقوق پایهی همگانی» (UBS) که نباید آن را با «درآمد پایهی همگانی» (UBI) اشتباه گرفت.
تفاوت این دو رویکرد برای آینده بازار کار حیاتی است. در مدل UBI (درآمد پایه)، فرض بر این است که ماشینها تمام کارها را انجام میدهند؛ پس دولت باید ماهانه مبلغی ثابت و بیقیدوشرط به همه شهروندان بدهد تا بتوانند زندگی کنند. در این سناریو، انسانها عملاً از چرخه کار کنار گذاشته شده و تنها به مصرفکننده تبدیل میشوند. اما در مدل UBS (حقوق پایه در برابر کارآموزی)، این شرکتها هستند که با دریافت حمایت یا یارانه مستقیم از سوی دولت، به افراد در ازای کارآموزی و یادگیری حین کار دستمزد میپردازند. تفاوت فلسفی بسیار عمیق است. UBI انسان را از کار منزوی میکند، اما UBS میکوشد او را در محیط کار نگه دارد تا با شاگردی کردن، مهارتهای پیچیدهای را یاد بگیرد که از دست الگوریتمها برنمیآید.
علاوه بر منطق اجتماعی، این طرح توجیه اقتصادی نیز دارد. بر اساس برخی برآوردها، هر ۱ دلار هزینه برای کارآموزی، حدود 1/44 دلار بازده اقتصادی برای بنگاهها ایجاد میکند. بنابراین، کارآموزی نهتنها یک هزینه تحمیلی نیست، بلکه در صورت اجرای درست، یک سرمایهگذاری سودآور بلندمدت است.
تردیدها، نقدها و نقش دولتها
البته این ایده بدون منتقد نیست. خوشبینان به فناوری یادآوری میکنند که در گذشته نیز هر موج تکنولوژی (از ماشین بخار تا رایانههای شخصی) در ابتدا مشاغلی را نابود کرده، اما در نهایت منجر به خلق مشاغل جدیدتر و اغلب پردرآمدتر شده است؛ پس شاید هوش مصنوعی هم در نهایت بازار را بازآرایی کند و صرفاً یک شغلسوزِ خالص نباشد.
نقد دوم به محدودیتهای خود مدل کارآموزی برمیگردد. اگرچه آلمان همواره به عنوان الگوی موفق کارآموزی در جهان شناخته میشود، اما این موفقیت حاصل دههها فرهنگ غنی صنعتی، همکاری تنگاتنگ اتحادیههای کارگری با کارفرماها و ساختار آموزشی ویژه آن کشور است؛ مدلی که بهسادگی و با یک بخشنامه قابل کپیبرداری در اقتصادهای دیگر نیست. بهعلاوه، سرعت خیرهکننده تغییرات تکنولوژی ممکن است حتی مهارتهای آموختهشده در دوران کارآموزی را هم بهسرعت منسوخ کند.
شرکتی که امروز میتواند کارها را با هوش مصنوعی راه بیندازد، چرا باید هزینه و زحمت سروکله زدن با انسانها برای آموزش را بپذیرد؟ بدون یارانههای هدفمند یا الزامات دولتی، انگیزه اقتصادیِ کافی برای اجرای کارآموزی گسترده وجود ندارد. اینجا همانجایی است که دولتها باید تصمیمی سخت بگیرند. انتقال بودجه از برنامههای کماثر کلاسیک به سمت پرداخت یارانه مستقیم برای کارآموزی. این تغییر رویه از نظر سیاسی دشوار است، زیرا به نوعی اعتراف به شکست سیاستهای آموزشی دهههای گذشته محسوب میشود.
در نهایت، واقعیت این است که سیستمِ اول مدرک بگیر، بعد برو دنبال کار در برابر فناوریای که میتواند تمام دانش آکادمیک را در کسری از ثانیه بازتولید کند، کارآمدی خود را از دست داده است. بازگشت به قدیمیترین شیوه یادگیری بشر، یعنی دستبهکار شدن در محیط واقعی و آموختن از استادکاران، شاید تنها راه نجات مفهوم تخصص انسانی در عصر ماشینهای هوشمند باشد. حالا باید دید آیا سیستم اقتصادی حاضر است پیش از فروپاشی کامل نردبان تجربه، مسیر خود را تغییر دهد یا خیر.
نظر شما در مورد این مطلب چیه؟