خبرگزاری علت
ریچل یوتینگ فن و ها مین نگوین، نویسندگان این پژوهش معتقدند بخش بزرگی از ادبیات پیشین درباره اثر هوش مصنوعی بر بازار کار بر «مواجهه بالقوه» مشاغل با هوش مصنوعی تمرکز داشته است؛ یعنی بررسی کردهاند که کدام مشاغل از نظر ماهیت وظایف خود میتوانند تحتتاثیر هوش مصنوعی قرار گیرند. در مقابل، این مقاله به جای ظرفیت بالقوه، از دادههای استفاده واقعی از هوش مصنوعی استفاده میکند تا مشخص کند چه مشاغلی در عمل از هوش مصنوعی استفاده میکنند، این استفاده در چه کشورهایی رخ میدهد و ترکیب استفاده در طول زمان چگونه تغییر میکند.
برای سنجش اثر توزیعی هوش مصنوعی، نویسندگان دو شاخص جدید معرفی میکنند: «معادل هزینه نیروی کار» یا LCE که ارزش زمانی را که هوش مصنوعی برای کاربران ذخیره میکند اندازهگیری میکند و «شاخص تمرکز هوش مصنوعی» یا ACI که نشان میدهد منافع ناشی از صرفهجویی زمانی هوش مصنوعی تا چه اندازه به سمت مشاغل پردرآمد یا کمدرآمد متمایل است. یافته اصلی مقاله این است که منافع هوش مصنوعی تاکنون بسیار قابلتوجه بوده، اما بهشدت نابرابر توزیع شدهاند. هوش مصنوعی در ابتدا عمدتا در مشاغل نرمافزاری و فنی مورد استفاده قرار گرفته و در نتیجه منافع آن بیشتر نصیب گروههای پردرآمد شده است. با این حال، با گسترش استفاده از هوش مصنوعی به آموزش، فروش و مشاغل اداری، این تمرکز در حال کاهش است. همچنین منافع هوش مصنوعی بهشدت نابرابر توزیع شدهاند و کشورهای پردرآمد حدود ۹۶ درصد ارزش برآورد شده را به خود اختصاص میدهند. ارزش ایجاد شده نسبت به GDP در کشورهای پردرآمد حدود ۴.۲ درصد است، درحالیکه این نسبت در کشورهای با درآمد متوسط حدود ۰.۶ درصد و در کشورهای کمدرآمد حدود ۰.۱ درصد است.
روش مطالعه پژوهش
مقاله با استفاده از پنج موج «شاخص اقتصادی آنتروپیک» یا AEI، تلاش میکند ارزش اقتصادی استفاده از هوش مصنوعی و نحوه توزیع این ارزش میان کشورها و گروههای شغلی را اندازهگیری کند. این دادهها تقریبا یکمیلیون مکالمه در هر موج از Claude را در فاصله ژانویه ۲۰۲۵ تا فوریه ۲۰۲۶ پوشش میدهند. دو موج نخست در سطح جهانی ارائه شدهاند و از موج سوم به بعد دادهها در سطح کشور نیز مکانیابی شدهاند. در موج پنجم، مکالمات مربوط به ۱۷۶ کشور که دارای کد جغرافیایی بوده بررسی شده و ۱۱۷ کشور به حداقل تعداد مکالمه لازم برای طبقهبندی شغلی رسیدهاند. دادهها فقط استفاده مصرفکنندگان از وب Claude را شامل میشوند و استفاده سازمانی از API را دربرنمیگیرند.
معیار اصلی مقاله «ارزش اقتصادی آزادشده از کار» یا LCE است. منطق این شاخص آن است که برای هر وظیفه شغلی مشخص شود انجام آن بدون هوش مصنوعی چه مقدار زمان میبرد و با کمک هوش مصنوعی چقدر طول میکشد. تفاوت این دو زمان، صرفهجویی زمانی ناشی از هوش مصنوعی است. سپس تعداد مکالمات مربوط به هر وظیفه به کل استفاده از هوش مصنوعی تعمیم داده شده و زمان آزادشده با دستمزد ساعتی آن شغل ارزشگذاری میشود. بنابراین LCE در اصل ارزش پولی زمان آزادشده توسط هوش مصنوعی است، نه میزان افزایش مستقیم تولید ناخالص داخلی. برای نمونه، در وظیفه «اصلاح نرمافزار موجود»، زمان انجام کار از حدود ۳.۵۴ ساعت به ۰.۳ ساعت کاهش مییابد و صرفهجویی حدود ۳.۲۴ ساعت است. ارزش سالانه این صرفهجویی برای همین وظیفه حدود ۲۹۳میلیارد دلار برآورد شده است.
برآورد اصلی نشان میدهد LCE در موج پنجم به حدود ۲.۷ تریلیون دلار در سال رسیده که معادل ۳.۴ درصد GDP کشورهای نمونه است. این رقم از ۱.۲ تریلیون دلار در موج سوم افزایش یافته است. نکته مهم این است که رشد LCE عمدتا نه افزایش ارزش اقتصادی هر مکالمه، بلکه از افزایش تعداد استفادهکنندگان و مکالمات، یعنی «حاشیه گسترده»، ناشی شده است. ارزش متوسط شغلی هر مکالمه از ۸۲ هزار و ۳۵۳ دلار در ژانویه ۲۰۲۵ به ۷۷ هزار و ۸۴۵ دلار در فوریه ۲۰۲۶ کاهش یافته است. علت اصلی، تغییر ترکیب استفاده از هوش مصنوعی است. سهم مشاغل رایانهای و ریاضی ۴.۹ واحد درصد کاهش یافته، درحالیکه سهم آموزش ۴.۱ واحد درصد، فروش ۲.۷ واحد درصد و امور اداری و دفتری ۱.۶ واحد درصد افزایش پیدا کرده است. بنابراین هوش مصنوعی از مشاغل تخصصی و پردرآمد اولیه به سمت مشاغلی با تعداد کارکنان بیشتر حرکت کرده است. همین گسترش باعث شده کاهش ارزش متوسط هر مکالمه با افزایش تعداد کاربران بیش از جبران شود.
نابرابری بین کشورها در منافع هوش مصنوعی
منافع هوش مصنوعی میان کشورها بسیار نابرابر است. نسبت LCE به GDP در کشورهای پردرآمد حدود ۴.۲ درصد، در کشورهای با درآمد متوسط حدود ۰.۶ درصد و در کشورهای کمدرآمد فقط ۰.۱ درصد است. کشورهای پردرآمد ۹۶ درصد کل LCE نمونه را به خود اختصاص میدهند. این تفاوت نشان میدهد شکاف هوش مصنوعی فقط مساله دسترسی به فناوری نیست، بلکه به توانایی اقتصادها برای تبدیل فناوری به ارزش اقتصادی نیز مربوط میشود. کشورهای فقیر هم به دلیل دستمزدهای پایینتر و هم به دلیل تمرکز استفاده از هوش مصنوعی در تعداد محدودی از مشاغل تخصصی، سهم بسیار کوچکی از منافع جهانی دارند. حتی در سناریوهای مختلف اندازه بازار، برآورد LCE بین حدود ۱.۶ تا ۶.۱ تریلیون دلار تغییر میکند، اما الگوی نابرابر توزیع منافع تقریبا ثابت میماند.
برای بررسی توزیع منافع در داخل کشورها، مقاله شاخص ACI را معرفی میکند. این شاخص نشان میدهد منافع هوش مصنوعی نسبت به سهم اشتغال، تا چه اندازه در مشاغل پردرآمد یا کمدرآمد متمرکز شدهاند. مقدار مثبت ACI به معنای تمرکز بیشتر منافع در مشاغل پردرآمد است. یافته اصلی این است که تقریبا در تمام کشورها و موجها ACI مثبت است؛ یعنی هوش مصنوعی در مرحله کنونی بیشتر به نفع کارکنان پردرآمد بوده است. شدت این تمرکز در کشورهای فقیر بسیار بیشتر است. برای مثال، ACI در آمریکا حدود ۰.۴۹، در هند ۰.۸۴، در کنیا ۰.۷۸ و در تانزانیا ۰.۹۸ است. در برخی کشورهای آفریقایی و آسیایی، بخش بزرگی از منافع به مدیران و متخصصانی میرسد که کمتر از ۱۰ درصد نیروی کار را تشکیل میدهند. در کشورهای ثروتمند، استفاده از هوش مصنوعی در مشاغل اداری، فروش، خدمات، سلامت و آموزش گستردهتر است.
اثر هوش مصنوعی بر نابرابری درون کشورها
رابطه درآمد کشور و تمرکز منافع نیز قابلتوجه است. در کشورهای جنوب صحرای آفریقا و جنوب آسیا با درآمد سرانه کمتر از ۵ هزار دلار، ACI در بسیاری موارد به ۰.۹ یا بیشتر نزدیک میشود، درحالیکه در اروپای غربی و آمریکای شمالی معمولا بین ۰.۳۵ تا ۰.۵۵ قرار دارد. با این حال، روند زمانی نشان میدهد این تمرکز در حال کاهش است. بین اوت و نوامبر ۲۰۲۵، حدود ۳۰ درصد کشورهای مورد بررسی کاهش ACI داشتند، اما این سهم در فاصله نوامبر ۲۰۲۵ تا فوریه ۲۰۲۶ به حدود ۴۸ درصد رسید. بنابراین شواهد نشان میدهد الگوی اولیه تمرکز منافع در میان متخصصان پردرآمد ممکن است بهتدریج در حال تغییر باشد و هوش مصنوعی به مشاغل بیشتری سرایت کند.
بررسیهای آماری مقاله نشان میدهند درآمد سرانه بهتنهایی توضیحدهنده تفاوت کشورها در LCE نیست. پس از کنترل عوامل دیگر، «آمادگی مقرراتی برای هوش مصنوعی» اهمیت بیشتری پیدا میکند. کشورهایی که محیط سیاستگذاری و نهادی مناسبتری برای استفاده از AI دارند، حتی با درآمد مشابه، ارزش اقتصادی بیشتری از آن دریافت میکنند. ساختار اقتصادی نیز مهم است و کشورهای دارای بخش خدمات بزرگتر معمولا LCE بیشتری نسبت به GDP دارند، زیرا هوش مصنوعی مولد در فعالیتهای دانشمحور، ارتباطی و اطلاعاتی کاربرد بیشتری دارد. آمادگی مقرراتی و ساختار اقتصادی در مجموع حدود نیمی از تفاوت کشورها را در LCE نسبت به GDP توضیح میدهند.
یکی از یافتههای مهم دیگر، نقش زبان انگلیسی است. کشورهایی که انگلیسی زبان رسمی یا غالب نهادی آنهاست، کاهش سریعتری در ACI نشان میدهند. نویسندگان این موضوع را نه به برتری ذاتی انگلیسیزبانها، بلکه به حجم بالاتر دانش نهادی موجود به زبان انگلیسی نسبت میدهند. قوانین، مقررات، برنامههای آموزشی و اسناد تجاری انگلیسیزبان احتمالا سهم بیشتری در دادههای آموزشی مدلهای زبانی دارند. در نتیجه، مدلها میتوانند در این کشورها دانش محلی را بهتر به کار گرفته و در طیف وسیعتری از مشاغل خدماتی و حرفهای استفاده شوند. در کشورهای دارای زبانهای کممنبع، محدودیت دادههای محلی ممکن است استفاده از AI را به گروه کوچکتری از مشاغل تخصصی محدود کند. از این منظر، شکاف زبانی میتواند به یکی از عوامل شکاف اقتصادی ناشی از هوش مصنوعی تبدیل شود.
پیام سیاستی مقاله دو بخش دارد. نخست، کشورها باید علاوه بر دسترسی به فناوری، به تولید و در دسترس بودن دادههای باکیفیت و غیرانگلیسی درباره قوانین، مقررات، آموزش و فعالیتهای اقتصادی توجه کنند تا مدلهای زبانی بتوانند در مشاغل بیشتری کاربرد داشته باشند. دوم، آمادگی نهادی و مقرراتی برای AI میتواند هم میزان ارزش ایجاد شده و هم گستره توزیع آن را افزایش دهد. ظرفیت اقتصادی AI بسیار بزرگ و رو به افزایش است، اما منافع آن هنوز بهشدت در کشورهای ثروتمند و مشاغل پردرآمد متمرکز است. با این حال، ورود سریع AI به آموزش، فروش و مشاغل اداری نشان میدهد فناوری بهتدریج در حال «پایینآمدن» در ساختار بازار کار است. بنابراین مرحله اولیه تمرکز شدید ممکن است به سمت انتشار گستردهتر حرکت کند، هرچند در کشورهای کمدرآمد AI هنوز عمدتا در یک «جزیره حرفهای» کوچک متمرکز باقی مانده است.
نظر شما