‏پیش‌بینی تأثیر هوش مصنوعی روی مشاغل: کاری که نمی‌شه کرد

این روزها خیلی‌ها مشغولن که با داده‌های سرشماری، نمودارهای رادار و جداول رتبه‌بندی بسازن تا بگن کدوم شغل‌ها بیشتر در معرض هوش مصنوعی‌ان. بندیکت اوانز، تحلیلگر فناوری، می‌گه این کار اساساً اشتباهه — نه به خاطر کمبود داده، بلکه چون ماهیت تغییر فناوری اجازه نمی‌ده چنین پیش‌بینی دقیقی بشه کرد.

مثال حسابداران یکی از محکم‌ترین شواهد اوانزه. ما یک قرن روی اتوماسیون حسابداری کار کردیم؛ از ماشین‌های محاسباتی و کارت‌های پانچ گرفته تا صفحه‌گسترده و ERP و ابر. با این حال تعداد حسابداران (CPA) نه‌تنها کم نشد، بلکه بیشتر هم شد. دو دلیل مهم داره: اول، متغیرهای دیگه مثل تغییر مقررات می‌تونن خودشون موج استخدام ایجاد کنن. دوم، پارادوکس جوونز (Jevons Paradox): وقتی کاری ارزون‌تر می‌شه، معمولاً بیشتر ازش استفاده می‌کنن — اگه یه تحلیل مالی از یه هفته به ۳۰ ثانیه برسه، احتمالاً صد برابر بیشتر تحلیل انجام می‌دن.

نکته مهم‌تر اینه که فناوری اغلب خودِ شغل رو متحول می‌کنه، نه اینکه حذفش کنه. حسابداران امروز همون کاری رو نمی‌کنن که در دهه ۷۰ می‌کردن — عنوان شغلی یکیه ولی محتوا کاملاً فرق کرده. از طرف دیگه، بعضی عنوان‌های شغلی مثل «اپراتور ماشین محاسباتی» یه دهه دیده شدن و بعد محو شدن، در حالی که همون آدم به کارش ادامه داد فقط اسمش عوض شد.

اوانز به یه مشکل بزرگ‌تر هم اشاره می‌کنه: کسب‌وکار زیر پای شغل می‌تونه عوض بشه، نه خودِ شغل. روزنامه‌نگاری به خاطر اینترنت بد نشد، ولی مدل درآمدی‌اش (آگهی محلی و چاپ) نابود شد. یه مهندس صدا دقیقاً همون کار قبل رو می‌کرد، ولی شرکتی که حقوقش رو می‌داد دیگه وجود نداشت. همین الگو ممکنه با هوش مصنوعی هم تکرار بشه — مشاغل زیادی هستن که خودشون هیچ ربطی به AI ندارن، ولی بیزینسی که ازشون حمایت می‌کنه کاملاً آسیب‌پذیره.

مثال اوبر هم در همین راستاست. اگه کسی در سال ۲۰۰۵ «میزان قرارگیری مشاغل در برابر اینترنت» رو حساب می‌کرد، به احتمال خیلی کمی رانندگان تاکسی رو توی لیست می‌ذاشت — چون ماهیت رانندگی تغییر نکرد، بلکه مدل بیزینسی اطرافش متحول شد و مدالیون‌های میلیون‌دلاری رانندگان بی‌ارزش شدن. پیش‌بینی این اتفاقات از روی توصیف‌های شغلی ممکن نیست.

ابزارهایی مثل O*NET که تلاش می‌کنن مشاغل رو توصیف و کمی‌سازی کنن، اوانز رو یاد شکست «سیستم‌های خبره» (Expert Systems) در دهه‌های گذشته می‌ندازه — همون پروژه‌هایی که فکر می‌کردن می‌شه هوش رو با قوانین منطقی صوری شبیه‌سازی کرد. در عمل، اکثر مشاغل آنقدر پیچیده‌ان که نمی‌شه همه جنبه‌هاشون رو به صورت صریح نوشت. طبق O*NET، مدیریت یه صندوق خانوادگی با کار در یه میز کوانت شبیه هم ارزیابی شده — که کاملاً نشون‌دهنده محدودیت این رویکرده.

در نهایت اوانز می‌گه می‌شه «جهت‌گیری کلی» درستی داشت — مثلاً که کارهای تکراری و اداری بیشتر در معرض خطرن — ولی به محض اینکه بخوای این رو عدد بدی و شغل به شغل مدل بسازی، داری خودت رو گول می‌زنی. هر مدلی باید «تست روزنامه»، «تست اوبر» و «تست CPA» رو پاس بده: آیا رویکرد شما این اتفاقات رو پیش‌بینی می‌کرد؟ اگه نه، چقدر به بقیه‌اش می‌شه اعتماد کرد؟

نکات کلیدی:

• اتوماسیون تاریخی نشون داده که مشاغل «آسیب‌پذیر» اغلب رشد کردن، نه کوچیک شدن
• پارادوکس جوونز: ارزون‌تر شدن یه کار معمولاً به انجام بیشتر اون کار منجر می‌شه
• خطر واقعی ممکنه در کسب‌وکار اطراف یه شغل باشه، نه خود شغل
• توصیف‌های شغلی (مثل O*NET) نمی‌تونن پیچیدگی واقعی کار رو منعکس کنن
• پیش‌بینی‌های عددی و نمودارهای دقیق در این حوزه به احتمال زیاد گمراه‌کننده‌ان