آرایش جدید بازار کار با فناوری

واقعیت این است که دستمزدها خود را با شرایط جدید تطبیق می‌دهند و مردم هم یاد می‌گیرند که سازگار شوند. با این حال، پرسش‌های جدی و پیچیده‌ای درباره تاثیر هوش مصنوعی بر بازار کار وجود دارد. مثلاً اینکه دستمزدها چقدر تغییر می‌کند؟ چه کسانی از این فناوری سود می‌برند و چه کسانی آسیب می‌بینند؟
در این یادداشت، می‌خواهیم فقط روی یک سوال متمرکز شویم: آیا هوش مصنوعی نابرابری را بیشتر می‌کند؟ پاسخ کوتاه این است: نمی‌دانیم. اما اقتصاد کلاسیک و به‌ویژه نظریه قیمت‌ها، یک چارچوب تحلیلی ارزشمند در اختیارمان می‌گذارد تا بهتر به این سوال فکر کنیم. مزیت این نگاه این است که به‌جای پیش‌بینی‌های مبهم و دل‌بخواهی، دیدی نظام‌مند و منطقی به ما می‌دهد. به‌جای اینکه مدام درگیر این شویم که هوش مصنوعی چه شغل‌هایی را از بین می‌برد، بهتر است ببینیم چه نیروهای اقتصادی‌ای واقعا پشت تغییرات دستمزدها و نابرابری‌ها هستند.
عرضه و تقاضای مهارت
برای فهم بهتر، بیایید فرضیات علمی‌تخیلی را کنار بگذاریم و به اصول پایه‌ای برگردیم: عرضه و تقاضا برای انواع مختلف نیروی کار. یکی از مدل‌های ساده اما قدرتمند در این حوزه، مدل پیشنهادی «لری کاتز» و «کوین مورفی» در سال ۱۹۹۲ است. این مدل، بازار کار را به دو دسته بزرگ تقسیم می‌کند؛ کارگران ماهر (مثلاً دارندگان مدرک دانشگاهی) و کارگران غیرماهر (افراد فاقد مدرک دانشگاهی) . این دو گروه را نمی‌توان به راحتی با هم جابه‌جا کرد. یعنی شما نمی‌توانید به‌راحتی یک فرد با دیپلم را جایگزین یک فارغ‌التحصیل دانشگاه کنید و همان بازده را انتظار داشته باشید. بنگاه‌ها بسته به هزینه و بهره‌وری، ترکیب نیروی کارشان را تنظیم می‌کنند.
در این مدل، یک مفهوم مهم وجود دارد: «کشش جانشینی». یعنی وقتی دستمزد کارگر ماهر نسبت به کارگر غیرماهر ۱۰درصد بیشتر شود، بنگاه‌ها حدود ۱۴ تا درصد۱۶ کمتر از کارگر ماهر استفاده می‌کنند. این عدد را کاتز و مورفی حدود ۱.۴ تخمین زده‌اند. از سوی دیگر، تکنولوژی هم معمولا طرف کارگران ماهر را می‌گیرد. به این پدیده می‌گویند «تغییر فناوری به نفع مهارت». یعنی تکنولوژی‌های جدید (مثل کامپیوتر، نرم‌افزار، هوش مصنوعی) باعث می‌شوند کارگران ماهر بهره‌وری بیشتری پیدا کنند و همزمان جایگزین کارهای کارگران غیرماهر شوند.
طبق این مدل، از دهه ۱۹۶۰ تاکنون، تقاضا برای کارگران ماهر هر سال حدود ۲ تا ۳درصد افزایش پیدا کرده است. اگر عرضه فارغ‌التحصیلان دانشگاهی با همین سرعت رشد کند، دستمزدها و نابرابری‌ها ثابت می‌ماند. اما اگر تعداد فارغ‌التحصیلان سریع‌تر از تقاضا رشد کند، نابرابری کمتر می‌شود. و برعکس، اگر رشد عرضه نیروی ماهر کندتر باشد، نابرابری افزایش می‌یابد.
عرضه نیروی ماهر: داستان آموزش
اما چه چیزی عرضه نیروی ماهر را کنترل می‌کند؟ پاسخ انتخاب‌های آموزشی افراد است. وقتی بازده اقتصادی تحصیلات دانشگاهی بالا باشد، مردم بیشتری وارد دانشگاه می‌شوند و در نتیجه تعداد کارگران ماهر بیشتر می‌شود. اما این روند زمان‌بر است. چراکه از زمانی که فرد تصمیم به تحصیل می‌گیرد تا وارد بازار کار شود، چند سال طول می‌کشد. همچنین، ساختار جمعیتی نیز تاثیر دارد؛ یعنی نسل‌های قدیمی‌تر با تحصیلات کمتر از بازار خارج می‌شوند و نسل‌های جوان‌تر با تحصیلات بیشتر وارد می‌شوند.
دلیل اصلی قدرت پیش‌بینی این مدل هم همین است. برای مثال در دهه ۱۹۷۰، جمعیت زیادی از «بیبی بومرها» وارد بازار کار شدند که مدرک دانشگاهی داشتند. در نتیجه عرضه نیروی ماهر با سرعتی بیشتر از تقاضا رشد کرد. نتیجه؟ کاهش نابرابری و حتی کاهش پاداش مالی تحصیلات دانشگاهی. دقیقاً همان چیزی که مدل پیش‌بینی می‌کرد. اما در دهه ۱۹۸۰، رشد عرضه فارغ‌التحصیلان کند شد، درحالی‌که نیاز به مهارت بالا به‌خاطر ورود گسترده کامپیوترها زیاد شد. نتیجه؟ افزایش شدید نابرابری. باز هم دقیقاً مطابق مدل. شواهد جدید تا سال ۲۰۲۰ واقعا قابل‌توجه‌اند. اگر همان روند رشد سالانه ۲.۵درصدی در تقاضا برای نیروی ماهر که بین سال‌های ۱۹۶۳ تا ۱۹۸۷ تخمین زده شده بود را ادامه دهیم، مدل کاتز-مورفی همچنان بعد از ۳۳ سال، به‌خوبی تغییرات واقعی دستمزدها را دنبال می‌کند.
این مدل چقدر خوب عمل کرده؟ بگذارید پاسخ را غیرمستقیم بدهم. اقتصاددانان معروف، «عجم‌اوغلو» و «آتور»، در یک فصل از کتاب مرجع خود با عنوان «مهارت‌ها، وظایف و فناوری‌ها» سعی می‌کنند چارچوب تازه‌ای برای تحلیل بازار کار پیشنهاد دهند—مدلی که فراتر از مدل کلاسیک کاتز-مورفی باشد. درواقع، هدف‌شان این است که مدل کاتز مورفی را نقد کنند و کنار بزنند. اما نکته جالب اینجاست که خودشان هم نشان می‌دهند این مدل چقدر خوب، حتی خارج از نمونه اولیه، عمل کرده است!
آنها می‌گویند: «مدل از سال ۱۹۸۷ به بعد از داده‌های واقعی منحرف می‌شود و افزایش بیش از اندازه‌ای برای پاداش مدرک دانشگاهی پیش‌بینی می‌کند. در حالی که این پاداش بین سال‌های ۱۹۹۲ تا ۲۰۰۸ حدود ۱۲ واحد افزایش پیدا کرده، مدل پیش‌بینی می‌کند که باید ۲۵ واحد لگاریتمی افزایش یابد».
خب اگر مدل را فقط به همان تخمین خاص مقاله اولیه محدود کنیم، این نقد منصفانه‌ای‌ محسوب می‌شود. اما من فکر می‌کنم مدل کلی‌تر از این حرف‌هاست. در واقع، برداشت من از این داده‌ها چیز دیگری است: با فقط دو پارامتر، مدلی ساخته شده که توانسته برای ۱۵ سال دیگر هم کاملاً دقیق عمل کند؛ آن هم در یکی از حساس‌ترین موضوعات اقتصاد، یعنی بازار کار! این یعنی قدرت یک مدل ساده، اما دقیق.
هوش مصنوعی کجای مدل قرار می‌گیرد؟
برخی می‌گویند هوش مصنوعی همه‌چیز را به‌کلی تغییر می‌دهد؛ احتمال وقوع فاجعه، آخرالزمان اقتصادی و... اما به‌جای این نگاه‌های افراطی، بهتر است منطقی‌تر به ماجرا نگاه کنیم: هوش مصنوعی چگونه پارامترهای این مدل را دست‌کاری می‌کند؟ و این تغییرات چه معنی‌ای برای آینده دارند؟ من مشکلی ندارم که بپذیریم پارامترها تغییر خواهند کرد. طبیعت فناوری‌ها، همانند گذشته ۱۹۶۳ تا ۱۹۸۷، نخواهد بود. اما هنوز با همان چارچوب بنیادی عرضه و تقاضا برای نیروی ماهر در برابر نیروی غیرماهر روبه‌رو هستیم. تنها تفاوت این است که حالا هوش مصنوعی همزمان روی هر دو پیچ تنظیم دست گذاشته است؛ هم عرضه را تغییر می‌دهد، هم تقاضا را.
بررسی‌های تجربی چه می‌گویند؟
ما فقط به تئوری متکی نیستیم. پژوهش‌گران معروفی مثل «الوندو»، «منینگ»، «میشکین» و «راک» در یکی از نخستین مطالعات مهم درباره موتورهای هوش مصنوعی، سراغ همین موضوع رفتند. آنها سعی کردند از تاثیر موتورهای هوش مصنوعی به عنوان نماینده‌ای برای کل هوش مصنوعی استفاده کنند. این کار ایده‌آل نیست و البته حالا (در سال ۲۰۲۳) کمی قدیمی به نظر می‌رسد، اما به هر حال نقطه شروع خوبی است.
این پژوهش، همه مشاغل اصلی در اقتصاد آمریکا را بررسی کرده و سنجیده که چه بخشی از وظایف هر شغل می‌تواند به‌طور قابل‌توجهی با کمک موتورهای هوش مصنوعیها سریع‌تر انجام شود. نتایج اولیه چه بود؟ حدود ۸۰درصد از کارگران حداقل در ۱۰درصد از وظایفشان در معرض تاثیر موتورهای هوش مصنوعی قرار دارند. حدود ۱۹درصد از کارگران در نیمی از وظایف‌شان یا بیشتر با موتورهای هوش مصنوعیها درگیرند؛ البته وقتی فناوری‌های مکمل مثل نرم‌افزارهای خاص را هم در نظر بگیریم. نکته مهم این است که این فقط میزان در معرض بودن است، نه لزوما استفاده واقعی. ولی به‌هرحال این نتایج مربوط به سال ۲۰۲۳ است، یعنی همین حالا هم بخشی از واقعیت بازار کار شده است.
ارتباط بین دستمزد و ارتباط با هوش مصنوعی
مشاغلی با دستمزد بالاتر، به‌طور سیستماتیک بیشتر در معرض تاثیر هوش مصنوعی قرار دارند. این دقیقاً برخلاف الگوی سنتی اتوماسیون است؛ جایی که فناوری ابتدا کارگران با دستمزد پایین‌تر را جایگزین می‌کرد. مطالعه‌ای که پیش‌تر گفته شد، نشان می‌دهد شغل‌هایی که نیاز به مدرک لیسانس، فوق‌لیسانس یا تخصصی دارند، در مقایسه با شغل‌هایی که فقط مدرک دیپلم نیاز دارند به‌مراتب بیشتر در معرض هوش مصنوعی هستند.
وقتی محققان میزان در معرض بودن مشاغل را با میزان اهمیت مهارت‌های مختلف مقایسه کردند، دیدند مهارت‌هایی مثل برنامه‌نویسی و نویسندگی همبستگی مثبت قوی‌ای با موتورهای هوش مصنوعی دارند، درحالی‌که وظایف دستی و روتین (مثل کارهای یدی تکراری) ارتباط منفی دارند.
این دقیقا همان چیزی است که اقتصاددان‌ها آن را افزایش شتاب در «تغییر تکنولوژیک به نفع مهارت» می‌نامند. اگر اثر هوش مصنوعی را به عنوان افزایش بهره‌وری ترجمه کنیم، داریم در مورد فناوری‌ای حرف می‌زنیم که می‌تواند بهره‌وری کارگران دارای مدرک دانشگاهی را ۱۰ تا ۵۰ درصد بالا ببرد، بدون اینکه تاثیر چندانی بر افراد دیپلمه بگذارد.در چارچوب مدل کاتز-مورفی، این یعنی یک شوک تقاضای بسیار مثبت برای نیروی کار ماهر- و خب، نتیجه‌اش هم واضح است: افزایش نابرابری.
اما یک سناریوی دیگر را در نظر بگیرید: اگر «در معرض بودن» به معنای این باشد که هوش مصنوعی می‌تواند کار شما را انجام بدهد، آن وقت چطور؟ بعضی کارها که قبلا نیاز به مدرک دانشگاهی داشتند- مثل نوشتن گزارش، تحلیل داده‌ها، کدنویسی ساده، بررسی اسناد- اکنون با کمک هوش مصنوعی، می‌تواند توسط فارغ‌التحصیلان دبیرستان نیز به‌خوبی انجام شود.
این وضعیت بدان معناست که هوش مصنوعی برخی از وظایف شناختی-روتین را از حوزه مشاغل ماهر خارج کرده و به ترکیب «نیروی کار غیرماهر + فناوری» منتقل می‌کند. چنانچه بخواهیم این تحول را در چارچوب مدل کاتز-مورفی (KM) تحلیل کنیم، می‌توان گفت که عرضه موثر نیروی کار ماهر افزایش یافته است- حتی اگر در عمل، تعداد واقعی فارغ‌التحصیلان دانشگاهی تغییری نکرده باشد. زیرا اکنون افراد بیشتری قادرند، به کمک ابزارهای هوش مصنوعی، وظایف تخصصی و ماهرانه را انجام دهند. این وضعیت می‌تواند فشار کاهشی بر بازدهی دستمزدی ناشی از تحصیلات دانشگاهی وارد کند.
با این حال، چنانچه به داده‌های تجربی رجوع کنیم، آنچه در حال وقوع است افزایش تقاضا برای افرادی است که برچسب «غیرماهر» را دارند، اما عملا نوعی مهارت فناورانه جدید در آنها ایجاد شده است. و درست در این نقطه است که رقابت اصلی در بازار کار شکل می‌گیرد. متاسفانه، مدل KM در وضعیت فعلی نمی‌تواند به صورت پیشینی (ex ante) برآورد دقیقی از این پدیده ارائه دهد. در نتیجه باید منتظر ماند و تحول بازار را در عمل مشاهده کرد.
الگوهای نوظهور در بازتوزیع وظایف
مطالعه انجام‌شده درباره مدل‌های زبانی پیشرفته شواهد غیرمستقیمی از افزایش قابلیت جایگزینی بین سطوح مختلف مهارت بالاتر ارائه می‌کند.در این پژوهش، دو دسته وظیفه شناسایی شده‌اند: وظایفی که هوش مصنوعی به‌صورت مستقیم قادر به انجام آنهاست وظایفی که انجام آنها مستلزم استفاده از نرم‌افزارهای مکمل است.
نکته کلیدی آن است که بسیاری از وظایف تخصصی- از جمله تحقیق حقوقی، تحلیل مالی و ارزیابی کدهای برنامه‌نویسی- که پیش‌تر نیازمند آموزش‌های خاص بودند، اکنون به‌طور مستقیم در معرض توانمندی مدل‌های هوش مصنوعی قرار گرفته‌اند. در مقابل، وظایفی مانند استدلال علمی یا تفکر انتقادی همچنان در برابر اتوماسیون مقاومت نشان می‌دهند و از سطح مواجهه پایینی برخوردارند.
این جابه‌جایی وظایف بین سطوح مهارتی موجب افزایش قابلیت جایگزینی نیروی کار می‌شود. به عنوان مثال، یک تحلیلگر ارشد اکنون می‌تواند بررسی اسناد حقوقی را انجام دهد که پیش‌تر به یک وکیل جوان محول می‌شد، یا یک برنامه‌نویس باتجربه می‌تواند مدل‌سازی مالی را به‌جای یک تحلیل‌گر متخصص انجام دهد. به بیان دیگر، مرز سنتی میان مشاغل ماهر و غیرماهر در حال کمرنگ شدن است.
نابرابری دستمزد چه می‌شود؟
افزایش قابلیت جایگزینی میان کارگران با و بدون مدرک دانشگاهی سه پیامد اصلی برای نابرابری درآمدی دارد. نخست، موجب کاهش حساسیت دستمزدها نسبت به شوک‌های تقاضا می‌شود.
در مدل سنتی کاتز مورفی که در آن قابلیت جانشینی حدود ۱.۴در نظر گرفته می‌شود، یک افزایش ۱۰ درصدی در تقاضا برای نیروی کار ماهر، منجر به حدود ۷ درصد افزایش در دستمزد می‌شود. در مقابل، اگر این عدد به ۲ برسد، همین شوک تقاضا ممکن است تنها ۵ درصد افزایش در دستمزد ایجاد کند.
دوم، اثرگذاری تغییرات عرضه افزایش می‌یابد. در شرایطی که قابلیت جانشینی پایین است، افزایش تعداد فارغ‌التحصیلان دانشگاهی تاثیر چندانی بر کاهش شکاف درآمدی ندارد. اما با قابلیت جانشینی بالا، افزایش عرضه نیروی تحصیل‌کرده می‌تواند اختلاف دستمزد میان دو گروه را به‌شدت کاهش دهد. در چنین شرایطی، سیاست‌هایی مانند افزایش مهاجرت یا توسعه‌ آموزش فنی‌و‌حرفه‌ای اثربخش‌تر خواهند بود.
و سوم، نوسانات در روند دستمزدها افزایش می‌یابد. با صاف‌تر شدن منحنی تقاضا، تغییرات کوچک در عرضه یا مهارت‌افزایی (مانند آموزش درون‌سازمانی با کمک AI) می‌تواند اثرات بزرگ‌تری بر دستمزدها داشته باشد. به‌جای یک مسیر رشد پیوسته و یکنواخت، می‌توان انتظار نوسانات (زیگ‌زاگ‌های) بیشتری در مسیر پاداش تحصیلی داشت.
در آخر چه می‌شود؟
افزایش ضریب جانشینی به‌خودی‌خود نمی‌تواند نابرابری ناشی از پیشرفت‌های هوش مصنوعی را از میان بردارد، اما توان و اثرگذاری نیروهای عرضه نیروی کار را افزایش می‌دهد و در عین حال، شدت تاثیر شوک‌های سمت تقاضا را کاهش می‌دهد. برآورد قطعی از پیامدهای نهایی ممکن نیست، اما می‌توان با احتیاط گفت که پیامدهای تحول دیجیتال ناشی از هوش مصنوعی احتمالاً دوگانه و متضاد خواهند بود.
در بخش بالایی طیف مهارت‌ها، هوش مصنوعی مانند شتاب‌دهنده‌ای برای تغییرات فناورانه عمل خواهد کرد؛ هرچند این «شتاب» ممکن است در عمل به افزایش بهره‌وری حدود یک‌درصدی در هر دهه محدود شود، نه تحولات آرمان‌شهری که برخی از روایت‌ها وعده می‌دهند. با این حال، همین بهبود تدریجی نیز موجب افزایش تقاضا برای افرادی می‌شود که توانایی تعامل موثر با سامانه‌های هوش مصنوعی را دارند. پیامد مستقیم این روند، افزایش نابرابری میان افراد دارای تحصیلات دانشگاهی و دیگر گروه‌های شغلی خواهد بود.
اما در درون گروه تحصیل‌کردگان نیز ممکن است تحولات متفاوتی رقم بخورد. هوش مصنوعی می‌تواند نابرابری در میان این گروه را کاهش دهد، چراکه دسترسی به انجام وظایف شناختی-روتین را برای افرادی با آموزش تخصصی کمتر فراهم می‌کند. به بیان دیگر، وظایفی که پیش‌تر صرفا در انحصار نخبگان بود، اکنون برای طیف گسترده‌تری از فارغ‌التحصیلان قابل انجام شده است.
برایان آلبرشت/اقتصاددان
منبع: دنیای اقتصاد