كيف سيؤثر التشغيل الآلي المدفوع بالذكاء الاصطناعي فعليًا على الوظائف؟

كيف سيؤثر التشغيل الآلي المدفوع بالذكاء الاصطناعي فعليًا على الوظائف؟

بقلم أليكس إيماس وسوميترا شوكلا عبر شبح الكهرباء،

أحد أكثر النتائج التي يتم الاستشهاد بها على نطاق واسع في سياسات الذكاء الاصطناعي يأتي من ورقة بحثية عام 2023 بقلم إيلوندو ومانينغ وميشكين وروك بعنوان "نماذج اللغة الكبيرة هي نماذج لغة كبيرة". العنوان له معنى مزدوج لطيف: تدرس الورقة كيف يمكن للتقنيات للأغراض العامة (GPTs) المدعومة بنماذج اللغة الكبيرة (أيضًا GPTs) إعادة تشكيل سوق العمل. النتيجة الرئيسية هي أن حوالي 80٪ من العمال في الولايات المتحدة قد تتأثر 10٪ على الأقل من مهامهم بنماذج اللغة الكبيرة، وقد تتأثر حوالي 19٪ بنصف مهامهم أو أكثر. بشكل عام، تحاول مقاييس التعرض هذه التقاط مدى "تعرض" المهنة للذكاء الاصطناعي كوظيفة لما إذا كان الذكاء الاصطناعي يمكنه تعزيز المهام المتضمنة في الوظيفة: يُعرّف التعرض المباشر بأنه "ما إذا كان الوصول إلى نموذج لغة كبير أو نظام يعمل بنموذج لغة كبير سيقلل من الوقت المطلوب للإنسان لأداء مهمة DWA محددة أو إكمال مهمة بنسبة 50٪ على الأقل". المؤلفون واضحون تمامًا بشأن هذا في الورقة: التعرض يتوافق مع قدرة الذكاء الاصطناعي على المشاركة في الوظيفة، وليس مدى إمكانية أتمتة الوظيفة بالكامل. لكن كلمة "التعرض" أدت إلى كل أنواع القلق بشأن هذا بالضبط - وهو التشريد. ولعل لهذا السبب، انتشرت مقاييس التعرض هذه للذكاء الاصطناعي بشكل روتيني على وسائل التواصل الاجتماعي خلال الشهرين الماضيين.

مثال حديث هو من أندريه كارباثي، أحد المؤسسين المشاركين لشركة OpenAI ورائد في كيفية التفكير في الذكاء الاصطناعي بشكل عام (على سبيل المثال، صاغ مصطلحي "الذكاء المتعرج" و "ترميز الاهتزاز"). كانت لوحة القيادة الخاصة به، والتي وصفها بأنها مشروع عطلة نهاية أسبوع "مبرمج بالاهتزاز"، ترتيبًا لمدى تعرض المهن الرئيسية للأتمتة المدفوعة بالذكاء الاصطناعي. انتشرت بسرعة على X، حيث غذت جميع الروايات الموجودة بالفعل حول فقدان الوظائف السريع بسبب الذكاء الاصطناعي.

بعد رؤية لوحة القيادة وهي تُضخم وتنتشر كالنار في الهشيم، أوضح كارباثي أن بطاقة تسجيل "التعرض" الخاصة به كانت تستند إلى مقياس سريع تم إنشاؤه بواسطة نموذج لغة كبير لمدى رقمية الوظيفة، ولم يكن المقصود منها أبدًا أن تكون توقعًا جادًا للوظائف التي ستتقلص أو تختفي. في حين أن موقع مشروعه الخاص قدم نفس التحذير، إلا أنه تم تجاهله إلى حد كبير على X. لكي نُفسد العبارة المعروفة: "مشروع عطلة نهاية أسبوع مبرمج بالاهتزاز سيقطع نصف العالم قبل أن يكون للتحذير وقت لارتداء بنطاله."
ومع ذلك، فإن ما يوضحه هذا الحدث الأخير هو أن مقاييس التعرض هذه قد لفتت انتباه الجمهور ولكن يتم قراءتها بشكل خاطئ بشكل روتيني (مع اقتراح البعض بوقف استخدام مصطلح "التعرض" تمامًا). عندما يسمع الناس أن وظيفة "معرضة بنسبة 80٪" للذكاء الاصطناعي، فإنهم يتخيلون اختفاء 80٪ من تلك الوظيفة. إن الاقتصاد الفعلي للتعرض للذكاء الاصطناعي وفقدان الوظائف بعيد جدًا عن هذا الوصف.

ما هي "الوظيفة"؟

الوظيفة هي مجموعة من المهام؛ يحصل الشخص عادةً على أجر بناءً على مدى جودة إكماله لجميع المهام المرتبطة بالوظيفة. لذا دعنا نقول أنك مدير مشروع. تتضمن وظيفتك مجموعة من المهام مثل توليد الأفكار، وتلخيص تلك الأفكار بإيجاز والحصول على ملاحظات من أعضاء الفريق، وتجميع العروض التقديمية، ومجموعة من الأعمال الروتينية (مثل الموافقة على جداول الوقت، والتعامل مع الخدمات اللوجستية). مع تحسن نماذج الذكاء الاصطناعي، أدركت أنه يمكنك أتمتة العديد من هذه الأشياء: يمكن للذكاء الاصطناعي القيام بالكثير من الأعمال الروتينية نيابة عنك، ويمكنه حتى مساعدتك في تجميع العروض التقديمية. وفقًا لمقياس التعرض، فإن وظيفتك الآن "معرضة" للذكاء الاصطناعي. ماذا يحدث لوظيفتك وماذا يحدث لأجرك؟ حسنًا، إذا كان أتمتة بعض المهام يوفر وقتًا لتوليد أفكار أفضل، فإن إنتاجيتك الإجمالية تزداد - تصبح أكثر قيمة للشركة. لا يزال البشر يعملون وإذا كان هناك أي شيء، فإن الأجور ترتفع.

من ناحية أخرى، إذا قام الذكاء الاصطناعي بأتمتة جميع المهام - لنفترض أن وظيفتك تتضمن مهمتين فقط وتمت أتمتة كليهما - فحينئذٍ، سيتم تشريد العمالة البشرية. الأهم من ذلك، كلما قل عدد المهام (ما نسميه بُعد الوظيفة)، زاد حافز الشركة لأتمتتها في المقام الأول. هذا هو الجزء الذي يفتقده الكثير من التحليل حول الأتمتة: اعتماد الذكاء الاصطناعي في منظمة قائمة مكلف، لذلك من المرجح أن تستثمر الشركة إذا كان بإمكانها أتمتة الوظيفة، وليس فقط المهمة. "التعرض" وخطر الأتمتة ليس مجرد وظيفة لقدرات النموذج، بل يعتمد أيضًا على حوافز الشركة. وهذا ليس افتراضيًا: لدينا الآن الكثير من الأدلة على أن مثل هذه الحوافز مهمة جدًا لما يتم أتمتته ومتى (على سبيل المثال، من المرجح أن تقوم الشركات بالأتمتة عندما تزداد تكلفة العمالة البشرية).

أخيرًا، حتى لو جعل الذكاء الاصطناعي الناس أكثر إنتاجية وأدى إلى أجور أعلى، فقد لا تزال هناك تسريحات جماعية في هذا القطاع إذا لم "يمتص" المستهلكون الإنتاجية المتزايدة: إذا لم تؤدِ انخفاضات الأسعار المدفوعة بالإنتاجية إلى زيادة الطلب على المنتج، فستكون هناك حاجة إلى عدد أقل من العمال في هذا القطاع.

بشكل عام، يمكن أن تؤدي المهمة المعرضة للذكاء الاصطناعي - حتى لو كان هذا التعرض يتوافق مع الأتمتة الكاملة لتلك المهمة - إلى أجور أعلى وتوظيف أكبر لهذه المهنة. أو يمكن أن يؤدي إلى تسريحات وحتى تشريد كامل. ما إذا كان التعرض يؤدي إلى نتائج سوق عمل أفضل أو أسوأ للعمال يعتمد على متغيرين رئيسيين: مرونة طلب المستهلك في هذا القطاع (مقدار ما يشتريه الناس من المنتج مع انخفاض الأسعار)، وبُعد الوظيفة (عدد المهام المتضمنة في هذه الوظيفة). كما نأمل أن نقنعك بنهاية المقال، يجب أن نكون أكثر قلقًا بشأن وظائف مثل النقل والتخزين مما نحن عليه حاليًا.

النهج القياسي للأتمتة

لنبدأ بالنهج "القياسي" للتفكير في الأتمتة. أولاً، نقوم بتفكيك الوظائف إلى مهام باستخدام تصنيف مثل O*NET، ثم نقوم بتقييم عدد تلك المهام التي يمكن أتمتتها أو تعزيزها بواسطة الذكاء الاصطناعي. التأثير الإجمالي على الوظيفة هو متوسط مرجح لمدى تحسن كل مهمة، مما يعني أنه يمكنك بناء "مؤشر تعرض" - يُعرّف عادةً بما هي حصة مهام الوظيفة التي يمكن للذكاء الاصطناعي القيام بها؟ - وهذا المؤشر يرتبط خطيًا بكيفية تأثر الوظيفة (انظر، على سبيل المثال، ورقة مايكل ويب الكلاسيكية بالفعل). كان هذا النهج مفيدًا للغاية لرسم خريطة نطاق وصول الذكاء الاصطناعي المحتمل. ولكنه يحتوي على افتراض خاطئ بشكل شبه مؤكد لمعظم الوظائف الواقعية: فهو يفترض أن المهام قابلة للفصل. أي أن أتمتة المهمة أ ليس لها تأثير على إنتاجية المهمة ب، والتأثير الإجمالي هو مجرد مجموع الأجزاء.

فكر في الوظائف التي تعرفها. هناك العديد منها حيث يتكون الناتج من القيام بالعديد من الأشياء المختلفة بشكل صحيح، وليس فقط بعضها. لا يمكنك الحصول على طاهٍ يتبع معظم خطوات الوصفة، أو عازف طبول على الإيقاع بشكل عام، أو مبرمج يعمل رمزه جزئيًا فقط (أو، لهذا الغرض، أستاذ يقوم بنصف مهمة البحث فقط ... على الرغم من أن البعض قد اختبر هذا المتطلب). هذه وظائف يجب إكمال كل مهمة بنجاح لكي يكون الناتج مقبولاً.

بمعنى آخر، المهام ليست قابلة للفصل؛ إنها مكملات، أي أن القيام بمهمة واحدة بشكل صحيح أو خاطئ يؤثر على مدى جودة أدائك للمهام الأخرى في الوظيفة لإكمالها. يبدو أن المهام داخل الوظيفة مكملة بدلاً من بديلة أمر معقول جدًا لمعظم الإنتاج الواقعي. وهذا له مجموعة واسعة من الآثار الهامة لكيفية تأثير الذكاء الاصطناعي فعليًا على الوظائف.

نموذج O-ring للوظائف

تعود فكرة أن المهام التكميلية تخلق إنتاجية غير خطية إلى ورقة مايكل كيمر الكلاسيكية عام 1993، "نظرية O-Ring للتنمية الاقتصادية". يأتي الاسم من كارثة تشالنجر المأساوية: تسببت حلقة O واحدة معيبة في فشل كارثي للنظام بأكمله. كانت رؤية كيمر أنه إذا كان الإنتاج يتطلب العديد من الخطوات، ويجب أن يتم كل خطوة بشكل جيد لكي يكون للمنتج النهائي قيمة، فإن الإنتاجية تصبح دالة ضربية بدلاً من خطية للمهارة. سيكون العامل الذي يرتكب أخطاء أقل قليلاً لكل مهمة أكثر إنتاجية بشكل كبير بشكل عام، لأن هذه المكاسب الصغيرة في الجودة تتراكم عبر كل خطوة.

اكتسب نموذج المهام هذا أهمية جديدة مع ورقة بحثية حديثة لجوشوا غانس وأفي غولد فارب، "O-Ring Automation"، والتي تطبق إطار كيمر مباشرة على الأتمتة المدفوعة بالذكاء الاصطناعي. في حين أن نموذجهم قد يبدو بسيطًا للوهلة الأولى، إلا أن آثاره بعيدة المدى وعميقة. لقد انشغل اثنان منا على الأقل (أليكس) بهذه الورقة البحثية لعدة أشهر (انظر هنا، هنا، وهنا).

يبني غانس وغولد فارب نموذجًا لشركة حيث تتكون وظيفة كل عامل من ن مهام. ناتج الوظيفة هو دالة ضربية لجودة كل مهمة - هذه هي دالة إنتاج O-ring:

يتمتع العامل بحد زمني h ويخصصه عبر المهام ن. إذا تم أداء المهمة s يدويًا، يقضي العامل h_s ساعات عليها وينتج جودة:

حيث a هو إنتاجية العمل، مفترض أنها ثابتة عبر المهام (افتراض تبسيطي). قيد وقت العامل هو:

يمكن للشركة أيضًا اختيار أتمتة أي مهمة عن طريق استئجار قطعة من رأس المال توفر جودة ثابتة θ بتكلفة r لكل مهمة. هذا هو الجزء الرئيسي الذي يجب الانتباه إليه: ما إذا كانت الشركات تستثمر في أتمتة مهمة يعتمد على المقايضات المضمنة في هذه المشكلة. بمجرد أتمتة مهمة، لم يعد العامل بحاجة إلى قضاء أي وقت عليها.

حتى الآن، الإعداد بسيط للغاية. الجزء المثير للاهتمام هو ما تعنيه البنية الضربيه لدالة الإنتاج بمجرد دخول الأتمتة في الصورة.

كيف يمكن للأتمتة زيادة الأجور؟

الآن افترض أن الشركة تختار أتمتة k من أصل n مهمة. ماذا يحدث للعامل، وكيف يؤثر ذلك على الأجر؟

قبل الأتمتة، يخصص العامل الوقت بالتساوي عبر جميع المهام ن، وهو أمر مثالي نظرًا للبنية المتماثلة. وبالتالي، تتلقى كل مهمة يدوية h/n ساعة وتنتج جودة a · h/n. الناتج الإجمالي هو:

بعد أتمتة k مهمة بجودة θ، أصبح لدى العامل الآن كل ساعات h لتخصيصها عبر n - k مهمة يدوية متبقية فقط. تحصل كل مهمة يدوية الآن على h/(n-k) ساعة، وتنتج جودة a · h/(n-k). يصبح الناتج الإجمالي:

لذلك يزداد الناتج بعد الأتمتة الجزئية إذا وفقط إذا:

هذا شرط مهم ينص على أنه إذا كانت جودة المهمة المؤتمتة θ جيدة على الأقل مثل جودة العامل اليدوية الأصلية قبل الأتمتة في تلك المهام، فإن الناتج يزداد بالتأكيد. لا يزداد الناتج تلقائيًا بمجرد أتمتة بعض المهام؛ بل يزداد عندما تكون جودة الأتمتة عالية بما يكفي.

ولكن هذه هي الرؤية الرئيسية: لأن الأتمتة توفر أيضًا للعامل تركيز المزيد من الوقت على المهام المتبقية، يمكن أن يزيد الناتج حتى لو تم أداء المهام المؤتمتة بجودة أقل قليلاً مما حققه العامل يدويًا قبل الأتمتة. تسمح الأتمتة للعامل بالتركيز على عدد أقل من المهام، مما يزيد من جودة كل منها. هذا هو "تأثير التركيز". نظرًا للشكل الوظيفي لدالة الإنتاج، فإن الجودة الأعلى في المهام اليدوية المتبقية لا تضيف إلى الناتج فحسب - بل تتضاعف عبر دالة الإنتاج. يصبح العامل أكثر إنتاجية بالضبط لأنه يقوم بأشياء أقل.

عندما تكون جودة الأتمتة عالية بما يكفي مقارنة بما كان ينتجه العامل يدويًا في تلك المهام، يرتفع الحد الهامشي للعامل - وكذلك (عادةً) أجره. الأتمتة الجزئية، في عالم O-ring، غالبًا ما تكون مكملة للعمالة البشرية بدلاً من بديل لها، مما يزيد من أجر العامل.

ولكن هذا ليس بالضرورة أخبارًا جيدة للعمال

إن زيادة إنتاجية العمال جيدة للأجور، ولكن هل تؤدي إلى المزيد من الوظائف أم أقل؟ هذا يعتمد على طلب المستهلك. ينتج كل عامل آلة حاسبة واحدة يوميًا ولدى الشركة 10 عمال. تباع جميع الآلات الحاسبة بالسعر السائد. الآن تخيل أن كل عامل يصبح أكثر إنتاجية بكثير بحيث يمكن لكل عامل إنتاج 10 آلات حاسبة. ينخفض سعر كل آلة حاسبة (تنخفض التكاليف)، لكن المستهلكين لا يزالون يطلبون نفس العدد تقريبًا من الآلات الحاسبة. هذه حالة طلب غير مرن - لا يستجيب كثيرًا للأسعار. الآن ستفصل الشركة 9 من العمال. ولكن ماذا لو اشترى المستهلكون المزيد من الآلات الحاسبة بأسعار أقل، أي أن الطلب مرن للغاية. عندها ستنتهي الشركة فعليًا بتوظيف المزيد من العمال لتلبية الطلب الجديد، على الرغم من أنهم أكثر إنتاجية.

بشكل عام، إذا كان الطلب مرنًا (المرونة > 1)، فإن انخفاض السعر يؤدي إلى زيادة غير متناسبة في الكمية المطلوبة. يتوسع الناتج كثيرًا. تحتاج الشركة إلى المزيد من العمال لإنتاج هذا الناتج الأعلى، على الرغم من أن كل عامل أصبح أكثر إنتاجية الآن. التأثير الصافي: المزيد من التوظيف.

إذا كان الطلب غير مرن (المرونة < 1)

هذا يرتبط ارتباطًا وثيقًا بفكرة شائعة يشار إليها غالبًا باسم مفارقة جيفونز: عندما يصبح المورد أكثر كفاءة في الاستخدام، غالبًا ما تزداد الاستهلاك الكلي لهذا المورد بدلاً من انخفاضه. عندما جعل المحرك البخاري الفحم أكثر كفاءة، ارتفع استهلاك الفحم بشكل كبير لأن العديد من التطبيقات الجديدة أصبحت مجدية اقتصاديًا. ينطبق نفس المنطق على العمالة: إذا جعل الذكاء الاصطناعي العامل أكثر إنتاجية بشكل كبير، وكان الطلب على هذا المنتج مرنًا، فقد ينتهي بك الأمر بوجود المزيد من العمال في هذه المهنة، وليس أقل.

لماذا بُعد الوظيفة مهم: حالة حوافز الشركة

تعد العلاقة بين المهام ومرونة طلب المستهلك بعدًا مهمًا للتنبؤ بالتشرد المدفوع بالذكاء الاصطناعي، ولكن هناك متغير غالبًا ما يتم تجاهله وهو عدد المهام في الوظيفة نفسها، أي بُعدها. بُعد الوظيفة مهم لسببين.

أولاً، بشرط أتمتة مهمة، من المرجح أن يتم تشريد الوظيفة ذات البُعد المنخفض بالكامل. إذا كانت الوظيفة تتكون من 20 مهمة وتم أتمتة واحدة، فلا يزال يتعين على العامل البشري القيام بالمهام الـ 19 الأخرى. ولكن إذا كانت الوظيفة تتكون من مهمة واحدة وتم أتمتة مهمة واحدة، فإن هذه الوظيفة تختفي. ثانيًا - وهذا البُعد ربما يتم تجاهله أكثر من غيره - لدى المنظمات حافز أقوى لأتمتة المهام كلما قل عدد المهام غير المؤتمتة المتبقية في الوظيفة. تخيل أن أتمتة مهمة تتطلب استثمارًا بقيمة 10 ملايين دولار (شراء البرنامج، والتدريب، وربطه ببقية النظام، وما إلى ذلك). في حالة واحدة، هذه المهمة هي المهمة الوحيدة غير المؤتمتة المتبقية في وظيفة؛ في الحالة الأخرى، إذا تم أتمتة هذه المهمة، فهناك 19 مهمة أخرى غير مؤتمتة متبقية. لدى الشركة حافز أعلى بكثير لأتمتة المهمة في الحالة الأولى مقارنة بالحالة الثانية لأنها يمكنها بعد ذلك استبدال العامل وجني وفورات التكاليف المتضمنة.1

بسبب هذا، لدى الشركات حافز أقوى للاستثمار في التكنولوجيا لأتمتة الوظائف ذات البُعد المنخفض. في وظيفة ذات بُعد منخفض، يمكن أن تؤدي أتمتة جميع المهام الأساسية أو معظمها إلى إلغاء المنصب وفاتورة الأجور بالكامل. هذا يجعل العائد على الأتمتة أكبر بكثير. بعبارة أخرى، ليست كل المهام "غير المعرضة" متساوية: في بعض الوظائف، لا تزال المهام المتبقية تحتفظ بالعامل الحالي في الشركة؛ في وظائف أخرى لا تفعل ذلك.

هذا يعطي تنبؤًا واضحًا: حتى لو لم تكن الوظيفة "معرضة" للذكاء الاصطناعي حاليًا، بمعنى أن الذكاء الاصطناعي لا يُستخدم للمهام المتضمنة، إذا كانت ذات بُعد منخفض وكانت التكنولوجيا تقترب من أتمتة المهام، فيجب اعتبارها في خطر. ستعمل الشركات بجد أكبر وتستثمر أكثر لأتمتة المهمة (المهام) المتضمنة مقارنة بالحالة التي تحتوي فيها الوظائف على العديد من المهام غير المؤتمتة.

الشحن والتخزين، الكناريان المهملان في منجم الفحم

لهذا السبب نعتقد أنه يجب أن يكون الناس أكثر قلقًا بشأن وظائف مثل الشحن والتخزين.

يعمل حوالي 3 ملايين أمريكي كسائقي شاحنات لكسب عيشهم. الكثير منهم في الخمسينيات من العمر، وقد كانوا يقودون منذ عقود، ويعيشون في مجتمعات حيث يمثل الشحن العمود الفقري الاقتصادي. يعد الشحن أحد أفضل الوظائف التي يمكن الحصول عليها بدون شهادة جامعية. العمل الفعلي لسائق شاحنة لمسافات طويلة تهيمن عليه بضع وظائف أساسية: نقل الشاحنة بأمان من النقطة أ إلى النقطة ب. الخدمات اللوجستية، التحميل/التفريغ، وما إلى ذلك، كلها يقوم بها الآخرون. إذا أصبح القيادة الذاتية موثوقة على طرق المسافات الطويلة، فإن وظيفة سائق الشاحنة لا يتم تعزيزها فقط؛ بل هي مهددة بشكل أساسي وقد يتم تشريدها بالكامل. وهذا الاحتمال لم يعد نظريًا. شركات مثل Aurora Innovation و Kodiak Robotics تقوم بالفعل بتشغيل تجارب واسعة النطاق للشحن الذاتي وعمليات النشر التجارية على طرق مقيدة. يروي التخزين قصة مماثلة. يوظف التخزين ملايين العمال في الولايات المتحدة، والعديد من وظائف المستودعات - الانتقاء، التعبئة، الفرز، نقل المنصات - ضيقة نسبيًا وقابلة للأتمتة بشكل متزايد. في الخارج، تقوم الشركات بالفعل بتشغيل "مستودعات مظلمة" مؤتمتة للغاية تعمل على مدار الساعة بأقل قدر من العمالة البشرية. هذه المستودعات لا تشبه ما نراه اليوم: تم تصميمها من الألف إلى الياء لتشغيلها بواسطة آلات.

قارن ذلك الآن بعامل معرفي، على سبيل المثال، مستشار إداري. تجمع الوظيفة بين البحث، تحليل البيانات، التواصل مع العملاء، تصميم العروض التقديمية، التفكير الاستراتيجي، تنسيق الفريق، وإدارة العلاقات. هذا على الأقل سبع أو ثماني مهام تكميلية متميزة. قد يقوم Claude أو Codex بأتمتة المرور الأول على تحليل البيانات وإنشاء شرائح العرض، لكن المستشار لا يزال مطلوبًا لكل شيء. بعبارات O-ring، يمكن أن تؤدي أتمتة بعض المهام إلى زيادة قيمة المهام المتبقية من خلال السماح للعامل بتخصيص المزيد من الوقت لها - يمكن للمستشار قضاء المزيد من الوقت في التحدث إلى العميل وجعله مرتاحًا للتنفيذ، والحصول على موافقة الوحدات المختلفة، وما إلى ذلك. ونتيجة لذلك، قد ترتفع الأجور، وقد يرتفع التوظيف أيضًا إذا أدى الناتج الأفضل وانخفاض الأسعار إلى توسيع طلب العملاء.

يمكنك رؤية نفس المنطق في العديد من المهن عالية المخاطر مثل الطب والأوساط الأكاديمية. يوجد الآن أكثر من 870 أداة ذكاء اصطناعي معتمدة من إدارة الغذاء والدواء الأمريكية لأخصائيي الأشعة، ويستخدم 66٪ من الأطباء أداة ذكاء اصطناعي واحدة على الأقل، بشكل أساسي لإملاء الملاحظات ودعم التشخيص. لكن هذه الأدوات تعزز أخصائيي الأشعة والأطباء، ولا تحل محلهم. يتعامل الذكاء الاصطناعي عادةً مع جانب التعرف على الأنماط الروتيني للوظيفة، مما يتيح للأطباء التركيز على الحالات المعقدة، والتواصل مع المرضى، والحكم السريري. وبالمثل، يناقش الأكاديميون ما إذا كانت التطورات في الذكاء الاصطناعي تجعل مساعدي البحث أكثر أو أقل قيمة. مع قيام الذكاء الاصطناعي بأتمتة المهام التحليلية الروتينية، يمكن لكل من الأساتذة ومساعدي البحث التركيز بشكل أكبر على الأفكار والحكم، وبالتالي توسيع الناتج والطلب على العمالة البحثية الماهرة. هذا مرة أخرى هو تأثير تركيز O-ring في الممارسة العملية.

نفس الشيء في مختبرنا. يمكن لكل عضو إضافي القيام بالكثير، والتحدي هو إعداد الجميع، وإجراء مناقشات مفتوحة حول أفضل الطرق لاستخدام هذه الأدوات مقابل عدم استخدامها وبناء ثقافة يشعر فيها الناس بالتقدير أكثر وليس أقل. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) March 18, 2026
ماذا تلتقط مؤشرات التعرض؟

دعنا نعود إلى إطار التعرض. في النهج القياسي، يكون المستشار الإداري "معرضًا" بشدة للذكاء الاصطناعي بينما سائق الشاحنة ليس كذلك. ولكن هل هذا يعني أن المستشار في خطر تشريد أعلى من سائق الشاحنة؟ ليس بالضرورة. قد يكون تعرض المستشار العالي أخبارًا جيدة في الواقع لأنه يعني أن الذكاء الاصطناعي سيعزز العديد من مهامه التكميلية، مما يؤدي إلى تأثير التركيز وربما زيادة الأجور. من ناحية أخرى، فإن تعرض سائق الشاحنة المعتدل في مهمة حرجة واحدة أكثر خطورة بكثير لأن شركات الشحن لديها حافز أعلى بكثير لأتمتة مهمة القيادة، وبمجرد الانتهاء من ذلك، تختفي الوظيفة أيضًا. هذه الحوافز تلعب بالفعل دورًا في الممارسة العملية:

أخبار: جيف بيزوس في محادثات لجمع 100 مليار دولار لصندوق جديد سيشتري شركات تصنيع ويسعى لاستخدام تقنية الذكاء الاصطناعي لتسريع مسارها نحو الأتمتة.
إنه مرتبط بشركة Project Prometheus AI الناشئة التابعة لجيف، والتي تهدف إلى بناء منتجات ذكاء اصطناعي للهندسة… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) March 19, 2026
لذلك، فإن الكائن ذي الصلة ليس متوسط تعرض المهام، بل هو بنية الاختناقات وكيف تعيد الأتمتة تشكيل وقت العامل حولها. يمكن لوظيفتين لهما نفس درجات التعرض أن يكون لهما مخاطر تشريد متعارضة تمامًا اعتمادًا على ما إذا كانت مهامهما مكملة، وما إذا كان الطلب على ناتجهما مرنًا أم غير مرن، وحوافز الشركة للاستثمار في الأتمتة. العمال الأكثر عرضة للخطر ليسوا بالضرورة أولئك الذين لديهم أعلى متوسط تعرض، بل أولئك الذين تعتمد وظائفهم على عدد قليل من المهام الأساسية التي يمكن للذكاء الاصطناعي أتمتتها.

1 في حالة عدم أتمتة الوظائف بالكامل، ستعتمد وفورات التكاليف من أتمتة المهمة الهامشية على التكامل بين المهام الأخرى في الوظيفة. يتم توضيح العلاقة الدقيقة في ورقة نموذج O-ring للأتمتة.

أليكس إيماس هو أستاذ في كلية UChicago Booth. يقوم بأبحاث في الاقتصاد والذكاء الاصطناعي التطبيقي. Substack هنا.

تايلر دوردن
السبت، 04/04/2026 - 09:20