هوش مصنوعی مولد چه کاری انجام می دهد؟

این ستون ابتدا در وب سایت فدرال رزرو سنت لوئیس به آدرس https://www.stlouisfed.org/on-the-economy/2026/sep/what-work-does-generative-ai-do ظاهر شد.

خوراکی های کلیدی:

از آگوست 2024، نظرسنجی جمعیت واقعی ما (RPS)، یک نظرسنجی نماینده ملی از بزرگسالان 18 تا 64 ساله ایالات متحده، تعداد آمریکایی‌هایی را که از هوش مصنوعی مولد (AI) استفاده می‌کنند، ردیابی می‌کند. پذیرش هوش مصنوعی مولد – که از این پس به سادگی “AI” نامیده می شود – به رشد خود ادامه می دهد: بین آگوست 2024 تا مه 2026، سهم بزرگسالانی که از هوش مصنوعی استفاده می کنند از 45٪ به 62٪ و سهم کارگرانی که از آن برای کار خود استفاده می کنند از 33٪ به 45٪ افزایش یافته است.

اما «تعداد» کارگرانی که از هوش مصنوعی استفاده می کنند، تنها یک عامل در تعیین تأثیر این فناوری بر بازار کار است. تأثیر فناوری جدید بر اشتغال و دستمزد گروه‌های مختلف نیز بستگی به نوع کاری دارد که می‌تواند انجام دهد. کاری که فناوری می تواند آن را به عهده بگیرد، ارزش خود را در بازار کار از دست می دهد. کاری که نمی توان انجام داد – اما به هر حال باید انجام شود – تمایل به کسب ارزش دارد. این بدان معناست که درک اینکه چگونه هوش مصنوعی بازار کار را تغییر می‌دهد، ابتدا نیاز به دانستن اینکه واقعاً چه نوع کاری را انجام می‌دهد. مقاله کاری جدید ما که در این پست وبلاگ خلاصه شده است، این اطلاعات را با استفاده از اولین معیارهای ملی پذیرش هوش مصنوعی در سطح وظایف شغلی دقیق ارائه می دهد.

چگونه استفاده از هوش مصنوعی را در سطح کار اندازه گیری کنیم؟

در سرتاسر اقتصاد، کارگران وظایف کاری بسیار متنوعی را انجام می دهند. یکی از چارچوب های رایج O*NET است، پایگاه داده ای با حمایت وزارت کار که تقریباً 2000 فعالیت کاری دقیق را فهرست می کند – همه چیز از “تهیه گزارش های تحقیقاتی” تا “رانندگی کامیون ها یا وسایل نقلیه دیگر به یا از مشاغل”. به سادگی غیرممکن است که از پاسخ دهندگان RPS بخواهیم از چنین لیست طولانی مشخص کنند که کدام وظایف کاری را انجام می دهند و علاوه بر این، برای کدام یک از آنها از هوش مصنوعی استفاده می کنند.

راه حل ما برای این چالش استفاده از یکی دیگر از ویژگی های مفید O*NET است: این ارزیابی می کند که هر یک از این 2000 فعالیت برای یک شغل خاص چقدر اهمیت دارد. در RPS ابتدا مشاغل پاسخ دهندگان را استخراج می کنیم. سپس طبق O*NET 10 وظیفه مهم در مشاغل مربوطه را به پاسخ دهندگان نشان می دهیم و از آنها می پرسیم که کدام یک از آنها را انجام می دهند. در نهایت، از کسانی که در محل کار از هوش مصنوعی استفاده می‌کنند می‌خواهیم وظایفی را که ابزارهای هوش مصنوعی مرتباً به آنها کمک می‌کنند گزارش دهند.

این داده ها به ما امکان می دهد شاخص های پذیرش را محاسبه کنیم که به دو سؤال مختلف پاسخ می دهد. اول، چه نسبتی از کارگران در یک شغل خاص از هوش مصنوعی استفاده می کنند؟ دوم، در میان کارگرانی که یک کار مشخص را انجام می دهند، چه نسبتی از هوش مصنوعی برای آن کار استفاده می کند؟ شاخص‌های پذیرش ما، بر اساس تقریباً 14000 کارگر که در چهار موج فصلی بین آگوست 2025 تا مه 2026 مورد بررسی قرار گرفتند، بینش‌های مهمی را در مورد وضعیت پذیرش هوش مصنوعی در ایالات متحده نشان می‌دهد. داده ها به صورت عمومی برای دانلود در دسترس هستند.

پذیرش هوش مصنوعی گسترده اما کم عمق است

شکل های زیر توزیع پذیرش هوش مصنوعی را در میان مشاغل دقیق و وظایف شغلی دقیق نشان می دهد.

این ارقام حاوی دو پیام هستند:

• اول، پذیرش هوش مصنوعی گسترده است. در بیش از 80 درصد مشاغل، حداقل از هر 5 کارگر، 1 نفر از هوش مصنوعی در محل کار استفاده می کند و بیش از 40 درصد از وظایف، نرخ پذیرش بالای 20 درصد دارند. هوش مصنوعی به تعداد انگشت شماری از مشاغل فنی محدود نمی شود، بلکه از طیف گسترده ای از فعالیت های بازار کار پشتیبانی می کند.
• دوم، پذیرش هوش مصنوعی تقریباً در همه جا کم عمق است. تنها 40% مشاغل دارای نرخ جذب بالای 50% و تنها 16% بیش از 70% جذب هستند. وظایف حتی جدی تر هستند: کمتر از 3٪ از کارها دارای میزان تسلط بالای 50٪ هستند و هیچ کدام از 70٪ تسلط ندارند. یک درس این است که استفاده از هوش مصنوعی در مشاغل با بالاترین پذیرش توسط یک وظیفه که همه برای آن از فناوری استفاده می کنند، هدایت نمی شود. در عوض، در این مشاغل، تقریباً همه از هوش مصنوعی استفاده می کنند، اما کارگران برای بخش های مختلف شغل خود از آن استفاده می کنند.

بالاترین و کمترین پذیرش هوش مصنوعی کجاست؟

رتبه بندی مشاغل با توجه به استفاده از هوش مصنوعی چندان تعجب آور نیست. بیشترین پذیرش در مشاغل رایانه ای و حرفه ای است: محققان رایانه و اطلاعات (87.3٪)، تحلیلگران امنیت اطلاعات (85.4٪) و مدیران شبکه و سیستم های رایانه ای (82.4٪). برنامه نویسان رایانه، متخصصان روابط عمومی، مشاوران مالی شخصی و مدیران عامل تقریباً یا بیش از 80٪ هستند. بیشترین کمک به وظایف شناختی و اطلاعاتی است: خواندن اسناد برای جمع آوری اطلاعات فنی (61.3٪)، تهیه گزارش های تحقیقاتی (60.7٪)، و تجزیه و تحلیل داده ها برای شناسایی روندها (57.5٪).

پذیرش در مشاغلی که کار به صورت دستی یا حضوری انجام می شد کمتر بود: مراقب حیوانات (5.3٪)، پذیرش و کارکنان اطلاعات (7.6٪)، و پرستاران حرفه ای مجاز و دارای مجوز (10.4٪). داده های وظیفه نشان می دهد که چرا. از جمله کارهایی که برای استفاده از هوش مصنوعی گزارش نشده است، رانندگی کامیون ها، ارائه منوها به مشتریان، کمک به پزشکان در مراحل پزشکی، جمع آوری نمونه های بیولوژیکی از بیماران و آماده سازی مناطق درمانی است. این نتایج تا حدی منعکس کننده حکمت مرسوم است: هوش مصنوعی در حال حاضر روی صفحه نمایش کار می کند و نمی تواند کامیون رانده شود یا خون بکشد.

پذیرش هوش مصنوعی چه چیزی را پیش بینی می کند؟

یک رویکرد تحقیقاتی رایج، مشاغل و وظایف را بر اساس “معرض قرار گرفتن” آنها با هوش مصنوعی رتبه بندی می کند. آیا داده های جذب ما به سادگی پیش بینی های مواجهه موجود را تقویت می کند؟

پاسخ تا حدی بله و تا حدودی خیر است. نمرات مواجهه به خوبی در پیش‌بینی مشاغل و وظایفی که نرخ جذب بالاتری را نشان می‌دهند، عمل می‌کند. به عنوان مثال، برخی از برآوردهای مواجهه تقریباً نیمی از تغییرات در پذیرش هوش مصنوعی در بین مشاغل و وظایف را توضیح می دهند.

با این حال، ما چندین مورد را مستند می کنیم که در آن قرار گرفتن در معرض پیش بینی شده و جذب واقعی به شدت متفاوت است. حرفه های ساخته شده بر اساس سوابق حساس بسیار کمتر از آنچه در نظر گرفته شده است را می پذیرند. به عنوان مثال، منشی های پزشکی و دستیاران اداری از هوش مصنوعی با نرخ 16.8٪ در مقابل 61٪ پیش بینی شده استفاده می کنند. همین امر در مورد کارهایی مانند تجویز درمان پزشکی یا بررسی اسناد از نظر صحت و انطباق، که قوانین حفظ حریم خصوصی و هزینه خطا برای آنها بالاست، صادق است.

در جهت دیگر، متخصصان تعمیر کامپیوتر و ماشین های اداری (75.7٪)، معلمان آموزش ویژه (70.9٪)، و حتی کارگران خشکشویی و خشکشویی (49.0٪) تقریباً دو برابر میزان پیش بینی شده توسط اقدامات عمومی در معرض هوش مصنوعی هستند. این مشاغل نیاز به کار دستی یا حضوری دارند، اما به جمع آوری اطلاعات، برنامه ریزی و ارتباط نیز نیاز دارند که هوش مصنوعی می تواند به آنها کمک کند. همین امر در مورد تکالیف کاری مانند تحقیق در مورد قوانین و سوابق قانونی یا توسعه برنامه های تجاری و بازاریابی صدق می کند. هنگامی که کارگران در مورد نحوه انجام کار خود اختیار دارند، به نظر می رسد اغلب کاربردهایی پیدا می کنند که نتایج آن را پیش بینی نکرده است.

در نهایت، اگرچه نمرات قرار گرفتن در معرض در رتبه‌بندی سطوح پذیرش در مشاغل یا وظایف به طور معقولی خوب عمل می‌کند، اما پیش‌بینی‌کننده ضعیفی در مورد پذیرش هوش مصنوعی است یا خیر. اعداد بالا نشان می‌دهند که چرا: در اکثر مشاغل و وظایف، برخی از کارگران هوش مصنوعی را اتخاذ می‌کنند و بیشتر آن‌ها این کار را نمی‌کنند، بنابراین دانستن اینکه کارگر چه کاری انجام می‌دهد – که تمام ارزیابی قرار گرفتن در معرض آن را نشان می‌دهد – چندان آموزنده در مورد اینکه آیا آن کارگر خاص از هوش مصنوعی استفاده می‌کند یا خیر.

چیزی که خیلی به ما می گوید این است که کارگر کیست. به طور خاص، متوجه می‌شویم که برخی از کارگران به طور سیستماتیک از هوش مصنوعی برای وظایف بیشتری نسبت به دیگران استفاده می‌کنند، حتی وقتی کارگرانی را که وظایف مشابهی را انجام می‌دهند مقایسه می‌کنیم. ویژگی های جمعیت شناختی مانند سن، تحصیلات و جنسیت کمی از این تفاوت ها را توضیح می دهند. در عوض، شواهد ما نشان می‌دهد که یکی از عوامل مهم در پذیرش هوش مصنوعی، یادگیری از تجربه است. به عنوان مثال، کارگرانی که حداقل به مدت شش ماه از هوش مصنوعی مولد استفاده کرده‌اند، آن را برای بیشتر وظایف کاری خود به کار می‌گیرند، و کارگرانی که وظایف کاری آن‌ها را به احتمال زیاد پذیرفته‌کننده می‌کند، احتمالاً خارج از محل کار نیز از هوش مصنوعی استفاده می‌کنند. این شواهد با داستانی از یادگیری یا آزمایش پرهزینه مطابقت دارد: هنگامی که کارگران در یادگیری نحوه استفاده از هوش مصنوعی در یک زمینه سرمایه گذاری کردند، احتمال بیشتری دارد که از آن در جاهای دیگر استفاده کنند. این مکانیسم نشان می‌دهد که با آشنایی بیشتر کارگران با این فناوری و استفاده از آن در حوزه‌های بیشتری از کار، ردپای هوش مصنوعی همچنان عمیق‌تر خواهد شد.

نگاه به جلو

شاخص های پذیرش در سطح شغل و وظیفه ما کمک های جدیدی به مطالعه تأثیرات هوش مصنوعی بر بهره وری، دستمزد و اشتغال می کند. یافته‌های ما همچنین دارای درس گسترده‌تری است: درک اینکه چرا برخی از کارگران از هوش مصنوعی استقبال می‌کنند در حالی که دیگران این کار را نمی‌کنند، ممکن است به اندازه درک آنچه که این فناوری می‌تواند انجام دهد مهم باشد. همانطور که پذیرش همچنان در حال عمیق تر شدن است، شاخص ها به ما این امکان را می دهند که نه تنها تعداد کارگرانی که از هوش مصنوعی استفاده می کنند، بلکه نوع کاری که انجام می دهند را نیز ردیابی کنیم.

آیا این محتوا برای شما آموزنده و جذاب بود؟
به روز رسانی ها را دریافت کنید و با نابرابری و رشد اقتصادی ایالات متحده همراه باشید!