تحلیل OpenAI از بیش از ۸۰۰,۰۰۰ پرس‌وجوی مرتبط با کار در ChatGPT نشان می‌دهد که ۴۳.۵٪ از درخواست‌های سطح متخصص توسط کاربرانی خارج از نقش شغلی اصلی خودشان مدیریت می‌شود؛ روندی که این شرکت آن را «تداخل وظایف» (task crossover) می‌نامد. این یافته از آن جهت اهمیت دارد که نشان‌دهنده تغییر سریع در نحوه تأمین نیروی متخصص در کسب‌وکارها و نحوه تعریف توانمندی‌های حرفه‌ای توسط افراد است.

داده‌های پشت «تداخل وظایف»

OpenAI هر پرس‌وجو را با استفاده از پایگاه داده مشاغل ایالات متحده O*NET به یک شغل استاندارد نگاشت کرد. پس از حذف فعالیت‌های عمومی مانند پیش‌نویس ایمیل یا زمان‌بندی، این مطالعه بر شایستگی‌های سطح بالایی تمرکز کرد که معمولاً نیازمند آموزش‌های تخصصی در یک حوزه خاص هستند. از پرس‌وجوهای باقی‌مانده، تقریباً نیمی از آن‌ها از ChatGPT خواسته بودند وظایفی را انجام دهد که به دسته‌ای حرفه‌ای متفاوت از دسته خود کاربر تعلق دارد.

این تغییر در کجا در حال رخ دادن است

تداخل وظایف در حوزه‌های بازاریابی و مهندسی اوج می‌گیرد.

  • متخصصان بازاریابی برای عیب‌یابی فنی و تحلیل داده‌ها به ChatGPT روی می‌آورند؛ وظایفی که معمولاً مهندسان یا دانشمندان داده انجام می‌دهند.
  • مهندسان از مدل می‌خواهند قراردادها را بررسی کند و مشکلات وب‌سایت را عیب‌یابی کند؛ نقش‌هایی که به‌طور سنتی توسط تیم‌های حقوقی یا تیم‌های front-end ایفا می‌شوند.

کسب‌وکارهای کوچک این الگو را تشدید می‌کنند. با توجه به بودجه‌های محدود برای متخصصان، یک کارمند می‌تواند از ChatGPT به عنوان یک «ضریب توان» (force multiplier) استفاده کند و مجموعه‌ای از عملکردها را مدیریت کند که در غیر این صورت نیازمند استخدام چندین نفر بود.

چرا تداخل وظایف برای کار و هوش مصنوعی مهم است

این داده‌ها نشان‌دهنده حرکت از «متخصص» به سمت «همه‌فن‌حریف تقویت‌شده» (augmented generalist) است. از آنجایی که مهارت نوشتن دستورالعمل (prompt-crafting) خود به یک مهارت تبدیل شده است، دانش عمیق و جزیره‌ای ممکن است جای خود را به تطبیق‌پذیری تقویت‌شده با هوش مصنوعی بدهد. بنیان‌گذاران و توسعه‌دهندگان اکنون تحت فشار هستند تا مدل‌های زبانی بزرگ (LLM) را فراتر از تولید متن ساده سوق دهند و استدلال با دقت بالا در حوزه‌های حقوق، مالی یا مهندسی ارائه دهند. کاهش موانع برای انجام وظایف فنی می‌تواند فرآیند استخدام، آموزش و حتی عناوین شغلی را بازتعریف کند.

ریسک‌ها و استدلال‌های مخالف

همه با این تغییر موافق نیستند. منتقدان هشدار می‌دهند که واگذاری کار تخصصی به هوش مصنوعی می‌تواند باعث کاهش سطح تخصص، ورود خطاهای پنهان و قرار گرفتن سازمان‌ها در معرض ریسک‌های انطباق (compliance) شود. این مطالعه بررسی نمی‌کند که خروجی‌های تولید شده توسط هوش مصنوعی هر چند وقت یک‌بار اعتبارسنجی می‌شوند و همچنین هزینه احتمالی اشتباهات در حوزه‌های حساس مانند حقوق قراردادها یا طراحی مهندسی را تعیین نمی‌کند. این نگرانی‌ها نشان می‌دهند که اگرچه هوش مصنوعی می‌تواند توانمندی‌ها را گسترش دهد، اما ممکن است حس کاذبی از شایستگی نیز ایجاد کند.

آنچه باید در آینده زیر نظر داشت

  • توسعه ابزارها: ارتقای آتی LLMها باید برای پاسخگویی به تقاضاهای ناشی از تداخل وظایف، استدلال‌های حوزه-محور و بررسی خطا را بهبود بخشد.
  • سیاست‌های سازمانی: شرکت‌ها ممکن است دستورالعمل‌های داخلی جدیدی برای کار با کمک هوش مصنوعی تدوین کنند، به‌ویژه در بخش‌های تحت نظارت و قانون‌مند.
  • سیگنال‌های بازار کار: استخدام‌کنندگان ممکن است شروع به فهرست کردن «همه‌فن‌حریف تقویت‌شده با هوش مصنوعی» به عنوان یک شایستگی کنند و برنامه‌های آموزشی ممکن است به سمت مهارت‌های مهندسی پرامپت تغییر جهت دهند.

نکات کلیدی

  • تداخل وظایف ۴۳.۵٪ از پرس‌وجوهای تخصصی را شامل می‌شود که نشان‌دهنده هم‌پوشانی قابل توجه عملکردهای حرفه‌ای است.
  • بازاریابی و مهندسی پیشرو در این تغییر هستند و از هوش مصنوعی برای وظایفی استفاده می‌کنند که به‌طور سنتی به تخصص‌های دیگر تعلق دارد.
  • کسب‌وکارهای کوچک برای پر کردن شکاف‌های استعدادی به هوش مصنوعی متکی هستند و به‌طور مؤثری یک کارمند واحد را به یک اپراتور چندرشته‌ای تبدیل می‌کنند.
  • این روند هم فرصت و هم ریسک ایجاد می‌کند و باعث درخواست برای اعتبارسنجی قوی‌تر هوش مصنوعی و هنجارهای جدید در محیط کار می‌شود.