بحث درباره نقش هوش مصنوعی در آینده کار معمولاً با پرسشی شروع می‌شود که پاسخ درستی ندارد: «آیا هوش مصنوعی جای من را می‌گیرد؟» این پرسش، شغل را یک واحد تجزیه‌ناپذیر فرض می‌کند؛ در حالی که در عمل هیچ شغلی چنین نیست. شغل مجموعه‌ای از وظایف است: خواندن ایمیل، دسته‌بندی درخواست، نوشتن پیش‌نویس، تصمیم نهایی، مذاکره با مشتری. هوش مصنوعی به این مجموعه یک‌جا حمله نمی‌کند؛ تک‌تک این وظایف را نشانه می‌گیرد و برای هرکدام سطح متفاوتی از کمک ارائه می‌دهد. بنابراین دقیق‌تر آن است که بپرسیم «کدام وظیفه‌های من قابل خودکارسازی یا قابل پشتیبانی‌اند؟»
شغل واحد تحلیل نیست، وظیفه واحد تحلیل است
وقتی کار را در سطح وظیفه می‌بینید، سه دسته از هم جدا می‌شوند:
- وظایف مکانیکی: انتقال داده از یک سامانه به سامانه دیگر، استخراج فیلد از یک فاکتور، ثبت تیکت. اینها امروز هم بدون هوش مصنوعی قابل خودکارسازی‌اند؛ هوش مصنوعی فقط دامنه را به ورودی‌های نامرتب (ایمیل، تصویر، صدا) گسترش می‌دهد.
- وظایف قضاوتی: اولویت‌بندی، تشخیص استثنا، پیشنهاد پاسخ. اینجا هوش مصنوعی نقش دستیار دارد و تصمیم نهایی نزد انسان می‌ماند.
- وظایف رابطه‌ای: مذاکره، دلجویی، و ترمیم رابطه پس از یک اشتباه. اینها هنوز گران‌ترین و کم‌انعطاف‌پذیرترین بخش کارند.
نتیجه عملی این تقسیم‌بندی ساده است: به‌جای پرسش «چه شغل‌هایی حذف می‌شوند؟» بپرسید «در شغل من، چه نسبتی از زمان صرف کدام دسته می‌شود؟» اگر بیش از نیمی از روز صرف دسته اول می‌شود، تغییر نزدیک است؛ اگر بیشتر روز صرف دسته سوم می‌شود، تغییر شکل همکاری است نه حذف.
یک مثال عملی: شکافتن فرایند رسیدگی به تیکت
فرایند پشتیبانی نمونه‌ای خوب است، چون هم پرتکرار است و هم حساس. همان فرایندی که در اتوماسیون هوشمند فرایندهای اداری جریان دارد، در سطح وظیفه چنین شکافته می‌شود:
- دریافت و دسته‌بندی تیکت: تشخیص موضوع، زبان و فوریت از متن آزاد. کاندیدای خودکارسازی کامل.
- جست‌وجوی پاسخ در دانش‌نامه: هوش مصنوعی چند پاسخ محتمل را پیشنهاد می‌دهد؛ کارشناس یکی را انتخاب و ویرایش می‌کند. کاندیدای دستیاری، نه جانشینی.
- پاسخ به مشتری ناراضی: پیش‌نویس خودکار، ارسال انسانی. خطا در این وظیفه گران است و لحن، بخشی از راه‌حل است.
- شناسایی و بستن تیکت‌های تکراری: خودکارسازی کامل با نمونه‌گیری دوره‌ای برای کنترل کیفیت.
- گزارش روند و ریشه‌یابی: خودکار؛ این وظیفه پیش‌تر اصلاً انجام نمی‌شد، چون وقت می‌گرفت.
به مورد پنجم دقت کنید: این «جایگزینی» نیست، کاری است که پیش از این در فهرست وظایف نبود. بخش بزرگی از اثر واقعی هوش مصنوعی همین‌جاست؛ آزادکردن ظرفیت برای کاری که انجامش نمی‌دادیم. نمونه دیگر، اپراتور هوش مصنوعی برای مدیریت تماس‌های تلفنی است که تماس‌های تکراری را برمی‌دارد تا کارشناس برای موارد پیچیده باقی بماند.
مرز خودکارسازی را کجا بکشیم؟
هر وظیفه را با چهار پرسش بسنجید:
- هزینه خطا چقدر است؟ اگر یک پاسخ اشتباه، قرارداد یا مشتری را از دست می‌دهد، خروجی خودکار باید حتماً بازبینی انسانی داشته باشد.
- آیا خروجی قابل بازگشت است؟ پیش‌نویس پاسخ قابل بازگشت است؛ حذف یک رکورد مالی نه.
- چه کسی پاسخ‌گوست؟ وقتی سامانه پاسخ می‌دهد، همچنان یک انسان باید مالک نتیجه باشد. بدون این مالکیت، خودکارسازی فقط ابهام را جابه‌جا می‌کند.
- فراوانی در برابر تنوع: وظایف پرتکرار و کم‌تنوع بیشترین بازده را می‌دهند؛ وظایف کم‌تکرار و پرتنوع، هزینه نگهداری‌شان از سودشان بیشتر است.
این پرسش‌ها همان منطقی است که در تبدیل یک دموی جذاب هوش مصنوعی به فرایند قابل اتکا تعیین‌کننده است و در چارچوب‌های رسمی ارزیابی ریسک هم بر آن تأکید می‌شود: بدون مالکیت، پایش و مسیر بازگشت، خودکارسازی یک بدهی فنی است نه یک دستاورد.
نقش‌های تازه‌ای که شکل می‌گیرند
هر لایه خودکارسازی، یک نقش تازه می‌سازد: کسی که خروجی مدل را بازبینی می‌کند، کسی که فرایند را به وظایف می‌شکند و مرزها را تعیین می‌کند، و کسی که کیفیت و انحراف را می‌پاید. این نقش‌ها کمتر درباره «ساختن مدل» و بیشتر درباره طراحی و نگهداری فرایند هستند. به همین دلیل، سازمانی که فرایندهایش مکتوب و قابل اندازه‌گیری نیست، حتی با بهترین مدل هم نمی‌تواند بگوید چه چیزی بهتر شده است.
جمع‌بندی
آینده کار با هوش مصنوعی نه با یک تصمیم بزرگ درباره جایگزینی انسان رقم می‌خورد و نه با خرید یک ابزار. با صدها تصمیم کوچک درباره وظایف رقم می‌خورد: کدام وظیفه خودکار شود، کدام فقط پیشنهاد بگیرد، و کدام کاملاً انسانی بماند. تیم‌ها و کسب‌وکارهایی که این فهرست را دقیق می‌نویسند، هم سریع‌تر نتیجه می‌گیرند و هم کمتر غافلگیر می‌شوند. شروع کم‌هزینه است: یک فرایند پرتکرار را انتخاب کنید، آن را به وظایف بشکنید و برای هر وظیفه صریحاً بنویسید «خودکار»، «دستیار» یا «انسانی». همین یک برگه، از بسیاری از پیش‌بینی‌های آینده کار کاربردی‌تر است.
