گزارش مایکروسافت: «امتیاز کاربردپذیری هوش مصنوعی» شاخص حذف مشاغل نیست

تمایز حیاتی: کاربردپذیری در مقابل جایگزینی شغل

پژوهشگران مایکروسافت یک تمایز حیاتی را مطرح کرده‌اند که اساس این تحقیق را تشکیل می‌دهد. هدف اصلی این پژوهش، اندازه‌گیری میزان سودمندی و کارایی مدل‌های زبان بزرگ (LLM) مانند کوپایلوت در فعالیت‌های موجود یک شغل است، نه توانایی آن در حذف کامل نیروی انسانی. محققان به صراحت اعلام کرده‌اند:

«یک شغل فراتر از مجموع وظایف آن است.»

معیارهای سه‌گانه سنجش کاربردپذیری

اندازه‌گیری کاربردپذیری هوش مصنوعی بر سه معیار اصلی متمرکز است که میزان مفید بودن هوش مصنوعی در وظایف کاری را ارزیابی می‌کنند:

• سهم استفاده: مدل زبان بزرگ (LLM) برای انجام چه کارهایی مورد استفاده قرار می‌گیرد.
• میزان تکمیل اهداف: کدام یک از این استفاده‌ها در تکمیل اهداف کاربر موفق‌تر بوده‌اند.
• دامنه اثرگذاری: مشاغل مختلف تا چه حد هوش مصنوعی را در وظایف خود، کاربردی‌تر می‌یابند.

چرا این معیارها جایگزینی را پیش‌بینی نمی‌کنند؟

پژوهشگران تاکید می‌کنند که این معیارها قادر به پیش‌بینی جایگزینی شغل نیستند. دلیل این امر، پیچیدگی ماهیت یک شغل است. حتی اگر هوش مصنوعی بتواند بسیاری از وظایف جزئی (مانند جمع‌آوری اطلاعات یا نگارش پیش‌نویس) را با موفقیت انجام دهد، ابعاد کلی شغل نظیر قضاوت تخصصی، تعاملات پیچیده انسانی، و مسئولیت‌های اخلاقی و حقوقی توسط این معیارها سنجیده نشده‌اند. بنابراین، سنجش کاربردپذیری هوش مصنوعی در یک وظیفه، به معنی از بین رفتن کل نقش فرد نیست.

نحوه محاسبه «امتیاز کاربردپذیری هوش مصنوعی»

این گزارش شامل داده‌هایی برای محاسبه یک معیار دقیق به نام «امتیاز کاربردپذیری هوش مصنوعی» در سطح کدهای طبقه‌بندی شغلی (SOC) است. این نمره از طریق جمع‌آوری و وزن‌دهی معیارهای کاربرد در سطح «فعالیت‌های کاری واسط» (IWA) به دست می‌آید و میانگین‌گیری از دو نمره اصلی است: نمره کاربردپذیری سمت کاربر (هدف کاربر) و نمره کاربردپذیری سمت عمل هوش مصنوعی.

اجزای حیاتی نمره نهایی

برای هر فعالیت کاری، سه عامل کلیدی در نظر گرفته شده‌اند که در محاسبه نمره نهایی نقش دارند:

• میزان تکمیل هدف (Completion): کسری از مکالمات که هدف کاربر توسط LLM تکمیل شده است.
• دامنه تأثیر (Impact Scope): سهمی از مکالمات که تأثیر هوش مصنوعی در کار «متوسط یا بالاتر» ارزیابی شده است.
• پوشش‌دهی (Coverage): سهم استفاده از هوش مصنوعی در آن فعالیت کاری به حدی بالا باشد که در تحلیل مورد بررسی قرار گیرد.

مبنای داده‌ای و نقشه کاربردپذیری

مبنای داده‌ای این تحقیق، مکالمات کاربران با ابزار هوش مصنوعی بینگ کوپایلوت است که بین ژانویه تا سپتامبر ۲۰۲۴ در ایالات متحده جمع‌آوری شده‌اند. پژوهش مایکروسافت با استفاده از فعالیت‌های واقعی ۲۰۰ هزار مکالمه کوپایلوت در ۷۸۵ عنوان شغلی، نشان می‌دهد که هوش مصنوعی زایشی بازار کار را به صورت نامتوازن دگرگون می‌کند.

مشاغل با بیشترین و کمترین آمادگی

برخی گروه‌های شغلی، به ویژه آن‌هایی که ماهیت اداری و ذهنی دارند، نمرات بسیار بالاتری کسب کرده‌اند؛ به این معنا که هوش مصنوعی از همین حالا می‌تواند بخش قابل توجهی از حجم کاری آن‌ها را تسهیل کند. در مقابل، مشاغلی که به تعاملات فیزیکی، مراقبت حضوری، یا کارهای غیرقابل پیش‌بینی متکی هستند، کمترین میزان کاربردپذیری را دارند.

مایکروسافت در پایان مجدداً هشدار می‌دهد که این نمرات صرفاً میزان کمک و پشتیبانی هوش مصنوعی از یک نقش را در حال حاضر اندازه‌گیری می‌کنند و پیش‌بینی‌کننده خطر جایگزینی یا از بین رفتن مشاغل نیستند.