با ورود هوش مصنوعی، کدام شغل‌های منابع انسانی بیشتر در معرض خطرند؟
با ورود هوش مصنوعی، کدام شغل‌های منابع انسانی بیشتر در معرض خطرند؟
فرض کنید مسئول حقوق و مزایا هستید. تا چند ماه پیش، صبح آخرین روز کاری ماه را صرف تطبیق ساعت‌های ثبت‌شده با فایل پرداخت می‌کردید. حالا سامانه در چند دقیقه مغایرت‌ها را پیدا می‌کند. اما همین صبح، کارمندی تماس می‌گیرد که مبلغ اضافه‌کاری‌اش کمتر از انتظار است. مدیرش می‌گوید شیفت او جابه‌جا شده، سامانه چیز دیگری نشان می‌دهد و تا بستن فهرست پرداخت دو ساعت مانده است. کدام بخش از کار شما حذف شده؟ کدام بخش هنوز به کسی احتیاج دارد که ماجرا را بفهمد، تصمیم بگیرد و جواب کارمند را بدهد؟
پژوهش انجمن مدیریت منابع انسانی آمریکا (SHRM)، منتشرشده در ۲۷ ژانویهٔ ۲۰۲۶، راهی برای پاسخ به این سؤال پیشنهاد می‌کند. پژوهشگران در ده گروه شغلی منابع انسانی برآورد کرده‌اند که ۹٫۳ درصد موقعیت‌ها، معادل حدود ۱۹۲ هزار شغل در آمریکا، در معرض خطر بالای جایگزینی بر اثر خودکارسازی قرار دارند. بالاترین سهم در میان مدیران آموزش و توسعه دیده شده است. این یافته شاید برای کسی که کار آموزش را متکی به ارتباط انسانی می‌داند عجیب باشد. برای فهمش باید دو سؤال را جدا بررسی کرد. چقدر از کار همین امروز خودکار انجام می‌شود؟ و اگر ابزار بتواند بقیهٔ کار را هم انجام دهد، چه چیزی مانع واگذاری کامل شغل خواهد شد؟ پژوهش اصلی SHRM
سهم موقعیت‌های پرریسک در کل مشاغل حقوق‌بگیری آمریکا ۶ درصد بود. بنابراین این سهم در منابع انسانی حدود یک‌ونیم برابر متوسط بازار کار آمریکا برآورد شده است.
کدام نقش‌ها بیشتر در معرض تغییرند؟
پاسخ به شاخصی بستگی دارد که انتخاب می‌کنیم. اگر سؤال این باشد که «در کدام نقش، سهم بیشتری از موقعیت‌ها همین حالا به میزان زیادی خودکار شده‌اند؟»، متخصصان جبران خدمات، مزایا و تحلیل شغل در صدرند. در ۲۷٫۲ درصد موقعیت‌های این گروه، دست‌کم نیمی از وظایف خودکار شده بود. اما اگر شرط دوم، یعنی نبود مانع غیرفنیِ مشخص، را هم در نظر بگیریم، مدیران آموزش و توسعه با ۱۲٫۷ درصد بالاترین سهم موقعیت‌های پرریسک را دارند. پایین‌ترین سهم با ۵٫۳ درصد به پیمانکاران تأمین نیروی کار کشاورزی مربوط بود؛ یک ردهٔ مشخص در طبقه‌بندی شغلی آمریکا.
خودِ نقش مدیر آموزش نشان می‌دهد چرا عنوان شغل به‌تنهایی گمراه‌کننده است. در برآورد پژوهش، ۲۶٫۷ درصد موقعیت‌های مدیریت آموزش و توسعه از آستانهٔ خودکارسازی بالا عبور کرده بودند. هم‌زمان، در ۶۸ درصد موقعیت‌های همین گروه دست‌کم یک مانع غیرفنی برای جایگزینی کامل وجود داشت. هر دو رقم به گروه شغلی واحدی تعلق دارند. مدیری که بیشتر وقتش صرف تقویم دوره‌ها، هماهنگی مدرسان و گزارش حضور می‌شود، روز کاری متفاوتی با همتای خود دارد که باید بفهمد چرا آموزش ایمنی به تغییر رفتار سرپرستان منجر نشده است.
خودکارسازی با استفاده از هوش مصنوعی مولد چه فرقی دارد؟
در ۱۹٫۱ درصد از موقعیت‌های شغلی منابع انسانیِ بررسی‌شده، یعنی حدود ۳۹۳ هزار موقعیت، دست‌کم نیمی از وظایف را می‌شد خودکار کرد. در ۱۱٫۹ درصد از موقعیت‌ها، یعنی حدود ۲۴۴ هزار موقعیت، دست‌کم نیمی از وظایف با کمک هوش مصنوعی مولد انجام می‌شد. این دو گروه ممکن است هم‌پوشانی داشته باشند و به همین دلیل نمی‌توان درصدهایشان را با هم جمع کرد. کمک گرفتن از هوش مصنوعی هم لزوماً به این معنا نیست که سهم کارشناس کم شده است. بعضی کارها همچنان وقت زیادی می‌گیرند و به قضاوت حرفه‌ای نیاز دارند.
مصاحبهٔ استخدامی مثال خوبی برای این تفاوت است. پیش از مصاحبه، تقویم می‌تواند به‌طور خودکار برای داوطلب پیام یادآوری بفرستد. این کار به هوش مصنوعی مولد نیازی ندارد. برای آماده کردن سؤال‌ها، کارشناس استخدام می‌تواند شرح شغل را به هوش مصنوعی مولد بدهد و از آن چند سؤال پیشنهادی بگیرد. قضاوت دربارهٔ پاسخ‌ها همچنان با مصاحبه‌گر است. مثلاً اگر داوطلب بگوید «بین دو نفر از همکارانم اختلافی پیش آمد و من حلش کردم»، مصاحبه‌گر باید بپرسد «خودتان دقیقاً چه کردید و نتیجه چه شد؟» تا بتواند دربارهٔ توانایی او در حل اختلاف قضاوت کند. اگر در گزارش داخلی همهٔ این کارها را «مصاحبه با هوش مصنوعی» بنامیم، روشن نمی‌شود کدام کار خودکار شده، ابزار در کدام مرحله به کارشناس کمک کرده و کجا تجربهٔ مصاحبه‌گر تعیین‌کننده بوده است.
چرا سازمان حتی وقتی فناوری آماده است، کار را به انسان می‌سپارد؟
SHRM برآورد کرده که در ۶۴٫۴ درصد موقعیت‌های منابع انسانی، معادل حدود ۱٫۳۲ میلیون شغل، دست‌کم یک مانع غیرفنی برای جایگزینی کامل وجود دارد. در میان همین موقعیت‌های دارای مانع، ترجیح دریافت‌کنندگان خدمت در ۷۸٫۷ درصد، الزامات قانونی یا مقرراتی در ۵۱٫۲ درصد و ملاحظات هزینه در ۳۰٫۳ درصد مطرح بود. یک موقعیت می‌تواند هم‌زمان با چند مانع روبه‌رو باشد.
برای دیدن اثر این تفاوت، به کارمندی فکر کنید که درخواست جابه‌جایی واحد دارد. شاید فرم آنلاین برای اطلاع از مدارک لازم کافی باشد، اما اگر علت درخواست، تعارض با سرپرست باشد، کارمند احتمالاً پیش از ثبت جزئیات می‌خواهد بداند چه کسی حرفش را می‌شنود و چه کسانی به پرونده دسترسی خواهند داشت. در طراحی چنین خدمتی، بهتر است از کارکنان بپرسیم در کدام مرحله با پاسخ خودکار راحت‌اند و از کجا به بعد می‌خواهند با شخص مشخصی صحبت کنند. پاسخشان می‌تواند مرز واگذاری کار را دقیق‌تر از فهرست قابلیت‌های نرم‌افزار تعیین کند.
آزمونی برای بررسی شغل خودتان
برای شروع، تقویم و خروجی‌های دو هفتهٔ کاری اخیرتان را باز کنید. از روی شرح شغل رسمی فهرست ننویسید؛ تماس‌های پیش‌بینی‌نشده و اصلاح خطاها معمولاً در شرح شغل دیده نمی‌شوند. هر فعالیت را طوری ثبت کنید که تحویل‌دادنیِ آن روشن باشد. «رسیدگی به درخواست‌ها» بیش از حد کلی است. «اصلاح ماندهٔ مرخصی پس از جابه‌جایی شیفت» به‌اندازهٔ کافی مشخص است که بتوان دربارهٔ دادهٔ ورودی، تصمیم لازم و مسئول پاسخ‌گویی حرف زد.
کنار هر فعالیت، زمان معمول انجام، تعداد دفعات تکرار و هزینهٔ یک اشتباه را بنویسید. سپس ثبت کنید چه کسی نتیجه را می‌پذیرد و اگر به آن اعتراض کند چه اتفاقی می‌افتد. تصور کنید می‌خواهید گواهی اشتغال صادر کنید. اگر داده‌ها کامل باشند و متن گواهی ثابت باشد، واگذاری بخش عمدهٔ کار به سامانه قابل‌آزمایش است. اگر همان درخواست شامل عنوان شغلی مورد اختلاف یا سابقهٔ انتقال ثبت‌نشده باشد، باید مسیری برای بررسی پرونده وجود داشته باشد. ارزش تجربهٔ کارشناس اغلب در تشخیص همین لحظهٔ تغییر مسیر پیدا می‌شود.
حالا از همکارتان بخواهید یکی از فعالیت‌ها را فقط با توضیحی که نوشته‌اید انجام دهد. کجا مجبور می‌شود از شما بپرسد «در این مورد معمولاً چه می‌کنیم؟» پاسخ به این سؤال دانشی را آشکار می‌کند که در فرم‌ها ثبت نشده است. بخشی از آن دانش را می‌توان به دستورالعمل تبدیل کرد. بخشی دیگر به زمینه‌ای وابسته است که باید هر بار بررسی شود. این تمرین کمک می‌کند هم فرصت واقعی خودکارسازی را ببینید و هم بفهمید برای واگذاری مسئولانهٔ آن چه چیزی کم دارید.
یک نمونهٔ عملی از واحد آموزش
فرض کنیم مدیر یک مرکز پشتیبانی می‌گوید کارشناسان تازه‌وارد در تماس‌های دشوار زود مکالمه را به سرپرست ارجاع می‌دهند و درخواست برگزاری یک دوره دارد. کارشناس آموزش می‌تواند با کمک یک ابزار مولد، در مدت کوتاهی چند سناریوی تمرینی بنویسد. اگر موفقیت پروژه با تعداد سناریوها یا سرعت تحویل فایل سنجیده شود، ابزار عالی به نظر می‌رسد. با این حال، هنوز نمی‌دانیم چرا تماس‌ها ارجاع می‌شوند. شاید کارشناسان پاسخ درست را بدانند اما اختیار ثبت بازپرداخت نداشته باشند.
مسئول آموزش می‌تواند پیش از سفارش دوره، نمونه‌ای از تماس‌ها را با سرپرست مرور کند، موارد کمبود مهارت را از موارد کمبود اختیار جدا کند و فقط برای دستهٔ اول تمرین بسازد. در مرحلهٔ بعد، سرپرست بررسی می‌کند که کارشناس در یک مکالمهٔ واقعی توانسته سؤال مناسب بپرسد و مسئله را حل کند یا خیر. نقش ابزار در این مثال روشن است؛ هزینهٔ آماده‌سازی تمرین را پایین می‌آورد. نقش متخصص آموزش نیز قابل مشاهده می‌شود؛ تشخیص می‌دهد کدام مسئله اساساً با آموزش حل می‌شود و برای سنجش یادگیری شاهد جمع می‌کند.
پیش از تغییر تعداد نیرو، یک فرایند را آزمایش کنید
فرایندی پرتکرار انتخاب کنید که نتیجه‌اش قابل بررسی و اصلاح باشد. پاسخ اولیه به پرسش‌های مرخصی، برای نمونه، نقطهٔ شروع مناسبی است اگر نسخهٔ معتبر آیین‌نامه در دسترس باشد و موارد استثنایی به کارشناس ارجاع شوند. پیش از راه‌اندازی، چند پروندهٔ واقعی و بی‌نام شامل یک درخواست عادی، یک مورد مرزی و یک اعتراض را کنار بگذارید. تیم باید از قبل توافق کند پاسخ قابل‌قبول در هرکدام چه ویژگی‌هایی دارد و چه کسی حق تأیید نهایی دارد.
مدت پاسخ‌گویی تنها عددی نیست که ارزش ثبت دارد. ببینید چند نفر ناچار شده‌اند دوباره تماس بگیرند، چند پاسخ به اصلاح نیاز داشته و کارشناس برای کنترل خروجی چقدر وقت گذاشته است. اگر سامانه صد پاسخ فوری بدهد اما کارکنان برای فهم بیست پاسخ دوباره به واحد منابع انسانی مراجعه کنند، بخشی از کار فقط به جای دیگری منتقل شده است. برعکس، اگر درخواست‌های ساده همان بار اول حل شوند، می‌توان دید چه میزان وقت برای پرونده‌های پیچیده آزاد شده و چه کسی از آن بهره برده است.
پایان آزمایش را هم از ابتدا تعریف کنید. برای مثال، پس از یک چرخهٔ کامل کاری، مدیر فرایند و یکی از کارشناسانی که با اعتراض‌ها سروکار دارد کنار هم پرونده‌های اصلاح‌شده را مرور کنند. خطاهای ناشی از متن قدیمی آیین‌نامه، ورودی ناقص و برداشت اشتباه ابزار، درمان‌های متفاوتی دارند. تصمیم بعدی ممکن است گسترش کار، محدودکردن دامنه به پرسش‌های مشخص، یا اصلاح داده‌های پایه باشد. هر سه نتیجه برای برنامه‌ریزی نیروی انسانی اطلاعات بیشتری از یک نمایش کوتاه نرم‌افزار فراهم می‌کنند.
برای آیندهٔ شغلی‌ام روی چه چیزی سرمایه‌گذاری کنم؟
از یک مسئولیت نزدیک به کار فعلی‌تان شروع کنید. اگر کارشناس جبران خدمات هستید و سامانه محاسبات را انجام می‌دهد، یک مورد اختلاف پرداخت را از لحظهٔ اعتراض تا اصلاح نهایی پیگیری کنید. آیا می‌توانید منشأ خطا را پیدا کنید، اثرش را بر افراد دیگر بسنجید و توضیحی بدهید که کارمند آن را بفهمد؟ اگر در استخدام کار می‌کنید، یک نمونه سؤال مصاحبه را با مدیر شغل بازبینی کنید و توافق کنید کدام بخش پاسخ داوطلب شاهد شایستگی موردنیاز است. این کارها را می‌شود تمرین کرد، بازخورد گرفت و کیفیتشان را نشان داد.
برای گفت‌وگو با مدیر خود، یک نمونهٔ قبل و بعد ببرید. نشان دهید پیش از تغییر چه کاری انجام می‌دادید، ابزار چه بخشی را بر عهده گرفته، چه استثناهایی باقی مانده و با زمان آزادشده کدام مسئله را حل کرده‌اید. «گزارش ماهانه را سریع‌تر آماده کردم» شروع خوبی است. «وقت داشتم علت اختلاف اضافه‌کاری دو شیفت را پیدا کنم و پیش از پرداخت بعدی اصلاحش کنیم» ارزش حرفه‌ای شما را برای مدیر و کارکنان ملموس‌تر می‌کند.
یافتهٔ SHRM برای سازمان ایرانی حکم پیش‌بینی بازار کار محلی را ندارد، اما سؤال دقیقی برای جلسهٔ بعدی تیم به دست می‌دهد. وقتی یک وظیفه خودکار شد، چه کسی مسئول صحت نتیجه، رسیدگی به استثنا و توضیح تصمیم به فردی است که از آن اثر می‌پذیرد؟ شرح شغلی که پاسخ این سؤال در آن روشن باشد، مبنای بهتری برای استخدام، آموزش و تصمیم‌گیری دربارهٔ آیندهٔ تیم خواهد بود.
برگرفته از پژوهش AUtomation, Generative AI, and Job Displacement Risk in HR (SHRM)