سالهاست دو سناریو دربارهی هوش مصنوعی و کار تکرار میشود. یکی آرمانشهری را وعده میدهد که کامپیوتر زحمت را از دوش ما برمیدارد، دیگری فاجعه را؛ موجی از بیکاری که میلیونها نفر را با خود میبرد. اما دادههای ۲۰۲۵ و ۲۰۲۶ حرف سومی میزنند که برای کسی که کسبوکاری را اداره میکند بسیار کاربردیتر است؛ هوش مصنوعی (AI) شغلها را یکجا حذف نمیکند، بلکه آنها را تجزیه میکند و از نو میسازد.
این تمایز ظریف است، اما همهچیز را عوض میکند. واحد بنیادین کار از «شغل» تقسیمناپذیر به «وظیفهی» تفکیکپذیر جابهجا میشود. عنوان روی کارت ویزیت اغلب همان میماند، اما کاری که هر روز پشت میز انجام میشود از نو نوشته میشود. این یادداشت دربارهی همین بازنویسی خاموش است و اینکه یک کسبوکار، بهویژه یک استارتاپ ایرانی، چگونه میتواند از دل آن برنده بیرون بیاید.
بیایید از تصویر بزرگ شروع کنیم. مجمع جهانی اقتصاد (WEF) برآورد میکند که تا سال ۲۰۳۰، فناوری در کنار تحولات جمعیتی، حدود ۱۷۰ میلیون شغل تازه میسازد و ۹۲ میلیون شغل را از میان برمیدارد. حاصل این تفریق، ترازی مثبت است؛ ۷۸ میلیون شغل خالص جدید، یعنی رشد ۷ درصدی. اما در همین فاصله، جابهجاییای ساختارمند بهاندازهی ۲۲ درصد کل مشاغل جهان رخ میدهد. این تصویر یک فروپاشی نیست؛ تصویر یک جابهجایی عظیم است.
چرا فاجعهای که وعدهاش را داده بودند نیامد؟
پاسخ در شکافی نهفته است که شاید مهمترین واقعیت این دوران باشد؛ فاصلهی میان آنچه هوش مصنوعی «میتواند» انجام دهد و آنچه در عمل «انجام میدهد». پژوهش Anthropic این شکاف را اندازه گرفته است؛ مدلها از نظر فنی توان انجام حدود ۹۴ درصد از وظایف مشاغل رایانهای و ریاضی را دارند، اما در عمل روزمره تنها حدود ۳۳ درصد این وظایف واقعاً به آنها سپرده میشود. در کارهای اداری این نسبت ۹۰ به ۲۵ است و در کارهای حقوقی ۸۰ به ۱۵. به زبان ساده، اینکه میتواند انجام دهد الزاما موجب سپردن کار به هوش مصنوعی نمیشود.
ریشهی این شکاف ضعف فناوری نیست؛ اصطکاک پیادهسازی است. سازمان بینالمللیِ کار (ILO) نیز هشدار میدهد که «درمعرض فناوری بودن» را نباید با «سرنوشت بازار کار» یکی گرفت. McKinsey همین اصطکاک را به عدد تبدیل میکند؛ امروز حدود ۸۸ درصد از سازمانها دستکم در گوشهای از کارشان از هوش مصنوعی استفاده میکنند، اما تنها ۵.۵ درصد (۱۰۹ سازمان از ۱٬۹۹۳ پاسخدهنده) میگویند این فناوری اثر مالی معناداری، یعنی بیش از ۵ درصد سود عملیاتی، برایشان داشته است. مانع اصلی چیست؟ دادههای آشفته، فرایندهای کهنه و مقاومت طبیعی سازمانها در برابر تغییر.
هر شغل، یک بستهی وظایف است
برای عبور از این شکاف باید یک عادت ذهنی قدیمی را کنار گذاشت. این عادت که شغل تکهای یکپارچه است که یا کامل باقی میماند، یا یکجا از بین میرود. اقتصاددانان بزرگ کار، نگاه دقیقتری پیشنهاد میکنند که «نگاه مبتنی بر وظیفه» (task-based view) نام دارد؛ هر شغل بستهای است از دهها وظیفهی متمایز. هوش مصنوعی این بسته را یکجا برنمیدارد؛ بازش میکند، وظایف تکراری و قاعدهمند را بیرون میکشد و بقیه را سر جایش میگذارد. آنچه میماند شغلی است با نام دیروز و ترکیبی تازه. این دقیقاً همان «بازتعریف موقعیت شغلی» است.
سه نیرویی که شغلها را از نو میچینند
این بازآرایی حاصل برخورد سه نیروست. نیروی اول خودکارسازی (automation) است، وظایف قاعدهمند و تکراری، مثل پاسخ به پرسشهای پرتکرار، نوشتن پیشنویس، خلاصهکردن اسناد و مرتبکردن داده.
نیروی دوم همافزایی (augmentation) است. اینجا هوش مصنوعی جای انسان را نمیگیرد، بلکه سقف توانش را بالا میبرد. طبق شاخص اقتصادی Anthropic حدود ۵۷ درصد از کاربردهای واقعی از جنس همافزایی است و تنها ۴۳ درصد خودکارسازی کامل. گویاترین یافته هم اینجاست؛ در یک پژوهش میدانی روی بیش از پنج هزار کارشناس پشتیبانی، بهرهوری بهطورِ میانگین ۱۴ درصد و برای کمتجربهترینها ۳۴ درصد بالا رفت. هوش مصنوعی پیش از آنکه سقف را جابهجا کند، کف را بالا میآورد.
نیروی سوم پیدایش (reinstatement) است؛ هر موج فناوری نقشهایی میسازد که پیشتر وجود نداشتند. پژوهش David Autor نشان میدهد بیش از نیمی از عنوانهای شغلی امروز اساساً پس از دههی ۱۹۴۰ پدید آمدهاند.
بازتعریف در عمل
الگوی همهی نقشها یکی است. به عنوان مثال، توسعهدهندهی نرمافزار از «نویسندهی کد» به «مهندس هدف و اعتبارسنجی» بدل میشود. عامل کدها را میزند و انسان، معماری را طراحی میکند، مرزها را میگذارد و خروجی را بازبینی میکند. بازاریاب از اجراکننده به کارگردان میرسد و ارزشش به راهبرد و ذوق و صدای برند منتقل میشود. کارشناس پشتیبانی از پاسخگوی انبوه، به حلکنندهی موارد سخت و لحظههای نیازمند همدلی و مذاکره تبدیل میشود. تحلیلگر بهجای پاکسازی داده، خروجی مدل را تفسیر میکند و از دل آن روایت راهبردی میسازد. و کارشناس جذب نیرو بالای قیف، یعنی غربال رزومه و تماس اولیه، را به ماشین میسپارد و خودش روی جذب نهایی و سنجش تناسب فرهنگی تمرکز میکند.
دربارهی نقشهای نوظهور هم باید حباب را از واقعیت جدا کرد. «مهندس پرامپت» که در ۲۰۲۳ شغل طلایی خوانده میشد، امروز به مهارتی عمومی بدل شده، نه شغلی مستقل. در مقابل، مهندس مستقر میدانی (Forward Deployed Engineer)، یعنی کسی که هوش مصنوعی عمومی (AGI) را در دل سیستمهای واقعی یک سازمان به کار میاندازد، ماندگار به نظر میرسد. طبق دادههای Indeed، آگهیهای این نقش فقط در یک سال، از آوریل ۲۰۲۵ تا آوریل ۲۰۲۶، از ۶۴۳ مورد به بیش از ۵٬۳۳۰ مورد رسید؛ رشدی نزدیک به ۷۳۰ درصد. نقشهایی مثل «حسابرس هوش مصنوعی» هم در راهاند.
بحران پنهان: کاهش فرصتهای شغلی سطح ورودی
زیر این تصویر نسبتاً خوشبینانه، یک شکاف ساختاری در حال گسترش است. پژوهشِ هاروارد که بیش از ۶۲ میلیون نیرو را در حدود ۲۸۵ هزار شرکت رصد کرده، نشان میدهد در شرکتهایی که هوش مصنوعی به کار گرفتهاند، اشتغال نیروهای جوان در طی مدت شش فصل حدود ۸ درصد نسبت به رقبا افت کرده (برآورد پایه ۷.۷ درصد و بسته به بخش تا ۱۲ درصد)، در حالی که اشتغال نیروهای ارشد ثابت مانده یا حتی بالا رفته است. شاخص Anthropic هم افت حدود ۱۴ درصدی در نرخ کاریابی جوانان ۲۲ تا ۲۵ ساله را در مشاغل پرمخاطره نسبت به ۲۰۲۴ ثبت کرده است.
منطق ماجرا بیرحمانه ساده است، هوش مصنوعی دقیقاً همان وظایفی را برمیدارد که نیروی تازهکار با انجام آنها کار را یاد میگرفت. اگر جوانها برای کارهای ساده استخدام نشوند، دانش ضمنی و قضاوتی که فقط از تجربه میجوشد کجا ساخته میشود؟
مهارتها و ریاضیات بازآموزی
وقتی ترکیب وظایف عوض میشود، ارزش مهارتها هم از نو قیمت میخورد. دانش مدوّن، پردازش روتین داده و متن استاندارد ارزان میشوند و در مقابل، تفکر تحلیلی، حل مسئلهی پیچیده، انعطافپذیری و مهارتهای عمیقاً انسانی مثل همدلی و هوش هیجانی گران خواهند شد. گویاتر از همه، «سواد هوش مصنوعی» یعنی توان هدایت و بازبینی خروجی مدل، پاداشی چشمگیر گرفته است. طبق سنجهی جهانیِ مشاغل هوش مصنوعی PwC، موقعیتهای نیازمند مهارتهای تخصصی هوش مصنوعی در سال ۲۰۲۴ در برخی بازارها تا ۲۵ درصد مزیت مزدی داشتند. میانگین جهانی این شکاف در گزارش ۲۰۲۵ حدود ۵۶ درصد و در گزارش ۲۰۲۶ حدود ۶۲ درصد اعلام شده است. این ارقام از مقایسه آگهیهای شغلی مشابه به دست آمدهاند، نه از رصد افزایش حقوق یک فرد مشخص.
برای مدیران یک معادلهی ساده هم زیر این تغییرات نفس میکشد، بازآموزی معمولاً ارزانتر از جایگزینی است. از منظر اقتصادی نیز، ارتقای مهارت نیروی موجود معمولاً منطقیتر از جایگزینی اوست. برآورد مشترک WEF و BCG نشان میدهد بازآموزی هر نیروی انسانی حدود ۲۴٬۸۰۰ دلار هزینه دارد؛ درحالیکه مجموع هزینههای خروج، جذب، آموزش و رساندن نیروی جدید به بهرهوری کامل میتواند از ۶۲ هزار دلار فراتر رود. این نتیجه با برآورد Gallup نیز همراستاست که هزینه جایگزینی کارکنان را، بسته به نوع و سطح موقعیت شغلی، معادل ۵۰ تا ۲۰۰ درصد حقوق سالانه میداند. بنابراین جای تعجب نیست که طبق گزارش WEF، حدود ۸۵ درصد کارفرمایان جهان قصد دارند بهجای جایگزینی کارکنان، روی ارتقای مهارت نیروهای فعلی خود سرمایهگذاری کنند.
شرکت AI-native: توکن بهجای نیرو
برای بنیانگذاران، هوش مصنوعی فقط قابلیتی برای افزودن به محصول نیست؛ کاتالیزور یک معماری سازمانی تازه است. طبق دادههای دانشکدهی کسبوکارِ هاروارد از استارتاپهای نمونهی Y Combinator، شرکتهای AI-native بهطور میانگین حدود ۲۵ درصد کوچکتر از رقبای همصنعتاند؛ سهم مهندسانشان حدود ۱۳ درصد بیشتر است، سهم تازهکارها و مدیران میانی هرکدام حدود ۱۵ درصد کمتر، و سلسلهمراتب آنها کملایهتر است؛ یعنی مدیران میانی کمتری دارند و فاصله میان تیم اجرایی و تصمیمگیرندگان ارشد کوتاهتر شده است. نکتهی کلیدی اینکه ارزشگذاریشان با رقبا برابر میماند؛ یعنی ارزش هر کارمند عملاً بالاتر است. Y Combinator این را در یک شعار خلاصه کرده است، «توکنمحوری» (tokenmaxxing) بهجای نفرمحوری؛ یعنی پیش از افزودن نیرو، خروجی را با محاسبات و توکن هوش مصنوعی مقیاس بده و هزینهی متغیر ماشین را جایگزین هزینهی ثابت حقوق کن.
این مدل دیگر فرضیه نیست؛ نمونهی واقعیاش مدوی (Medvi) است. متیو گلگر در سپتامبر ۲۰۲۴ با حدود ۲۰ هزار دلار و تنها با همراهی برادرش، یعنی با تیمی دونفره، پلتفرمی در حوزهی سلامت دیجیتال و داروهای کاهش وزن گروه GLP-1 (خانوادهی اوزمپیک و ویگووی) راه انداخت. کدنویسی، تولید محتوا، ساخت تبلیغ، پاسخ به مشتری و تحلیل عملکرد را ابزارهای آمادهی هوش مصنوعی انجام دادند و هر کاری که دیجیتالیشدنی نبود برونسپاری شد. جملهی خودش گویاست؛ «این یک شرکت هوش مصنوعی نیست، اما من آن را با هوش مصنوعی ساختم.» نتیجه چشمگیر بود، ۳۰۰ مشتری در ماه نخست، هزار مشتری دیگر در ماه دوم، و در نخستین سال کامل فعالیت (۲۰۲۵) درآمد ۴۰۱ میلیون دلاری با بیش از ۲۵۰ هزار مشتری؛ یعنی نزدیک به ۲۰۰ میلیون دلار بهازای هر نفر. برآورد شرکت برای ۲۰۲۶ عبور از مرز ۱.۸ میلیارد دلار است.
اما مدوی (Medvi) را نباید اسطوره کرد. بنا بر گزارشها، چتبات پشتیبانیاش گاه اطلاعات نادرست میداد، قیمت از خودش میساخت یا مبهم پاسخ میداد، و شرکت در تبلیغات و روابط عمومی هم دردسر داشت. درس بزرگتر این است که ساختار بسیار لاغر در کنار سرعت، شکنندگی هم میآورد. وقتی تقریباً همهچیز به دو نفر و به زیرساخت شرکتهای ثالث وابسته است، یک خطای کوچک هم میتواند گران تمام شود. این مدل قدرتمند است، اما از حاکمیت شرکتی و مدیریت ریسک بینیاز نیست. پیامدش برای استخدام هم دگرگونکننده است. نخستین نیروها باید ارشد و چندکاره باشند و توانایی تشخیص دقیق اینکه هوش مصنوعی در کدام وظایف قابل اتکاست و در کدام تصمیمها به قضاوت و تأیید انسانی نیاز دارد.
نگاه ایرانی: محدودیت، فرار مغز و هوش مصنوعی بومی
کسبوکار ایرانی در میدانی متفاوت بازی میکند و کپی بیکموکاست نسخهی سیلیکونولی در تهران، نسخهای برای شکست است.
زیرساخت ابری جهانی مثل AWS و Google Cloud و Azure برای استفاده شرکتهای ایرانی محدودیت دارد. بنا بر گزارشها، تأمین پردازندهی گرافیکی از بازار خاکستری گاه تا سه برابر قیمت جهانی هزینه دارد. شبکهی فرسودهی برق و نبود زیرساخت خنکسازی هم سقفی فیزیکی بر مرکز دادهی بزرگ میگذارد و سرمایهگذاری واقعی از همسایگان منطقه عقبتر است. اما تهدید اصلی جای دیگری است؛ فرار مغزها. طبق گزارش رصدخانهی مهاجرت ایران، حدود ۵۰ درصد از فعالان اکوسیستم استارتاپی و ۴۴ درصد از دانشجویان و دانشآموختگان قصد مهاجرت دارند (دادههای گزارش ۲۰۲۱؛ برآوردهای تازهتر از سهمی تا حدود ۶۷ درصد میان نیروهای فناوری خبر میدهند). آنها هم که میمانند اغلب به «مهاجرت مجازی» رو میآورند؛ یعنی کار از راه دور برای کارفرمای خارجی با دستمزد ارزی، که شرکت کوچک داخلی را از بازار استعداد درجه یک بیرون میراند.
محدودیت عملکرد هوش مصنوعی در زبان فارسی یک چالش جدی است. در ارزیابی FarsEval، بسیاری از مدلهای بررسیشده امتیازی کمتر از ۵۰ درصد کسب کردهاند و حتی مدلهای پیشروی جهانی نیز در آزمون Khayyam (PersianMMLU)، نسخه فارسی معیار MMLU، همچنان فاصله محسوسی با عملکرد کاربران فارسیزبان دارند. بنابراین، راهکار واقعبینانه لزوماً توسعه مدلهای پایه بزرگ و پرهزینه نیست؛ بلکه میتوان از مدلهای کوچکتر، متنباز و سازگار با زبان فارسی و نیازهای بازار ایران استفاده کرد.
از دل این محدودیتها، سه مسیر راهبردی شکل میگیرد. مسیر نخست، عبور از رقابت مستقیم در ساخت مدلهای پایه و تمرکز بر نقش «یکپارچهساز کاربردی» است؛ یعنی انتخاب، تنظیم و پیادهسازی مدلهای متنباز برای مسائل مشخصی مانند سلامت دیجیتال فارسی، کشاورزی، زنجیره تأمین و انطباق با مقررات مالی ایران.
مسیر دوم، ایجاد بهرهوری نامتقارن است. یک تیم سه تا پنج نفره میتواند با استفاده از عاملهای هوشمند، بخشهایی از بازاریابی، پشتیبانی مشتری و توسعه نرمافزار را خودکار کند و بدون افزایش متناسب تعداد کارکنان، ظرفیت عملیاتی و درآمد خود را افزایش دهد.
مسیر سوم، ساخت مزیت رقابتی بر پایه دادههای اختصاصی است. مجموعه دادههای باکیفیت، قانونمند و متناسب با بافت ایران، مانند دادههای تجارت گفتوگومحور فارسی، رفتار مصرفکننده یا زنجیره تأمین داخلی، داراییهایی هستند که بازیگران جهانی نه به آسانی به آنها دسترسی دارند و نه میتوانند بدون شناخت زمینه، آنها را بازتولید کنند. تجربه گسترش فناوری اطلاعات در ایران نیز نشان میدهد فناوری میتواند شکافهای منطقهای را کاهش دهد؛ هوش مصنوعی متناسب با نیازهای کشور نیز ظرفیت آن را دارد که جهشی مشابه در بهرهوری کسبوکارها ایجاد کند.
دروازه بازتر میشود: فرصتی برای بنیانگذاران و گلرنگ ونچرز
مدوی (Medvi) نشانهی یک تغییر ساختاری است. دیواری که میان یک ایده و یک شرکت درآمدزا ایستاده بود، فرو ریخته و سرمایه و تیم و چرخههای چند ساله در ماهها فشرده میشوند. این تغییر برای ایران معنای ویژهای دارد. در بازاری که سرمایه کمیاب است، نیروی ارشد زیر سایهی فرار مغزها به دشواری یافت میشود و زیرساخت جهانی بسته. مدل AI-native شاید واقعبینانهترین مسیر ساخت شرکت باشد، پس در این عصر باید منتظر بنیانگذاران بیشتری بود که با تیم کوچکتر سرمایهی کمتر، کسبوکارهای واقعی میسازند.
برای یک سرمایهگذار، این تغییر، کارنامهی ارزیابی را بازنویسی میکند. تعداد کارمند و نرخ مصرف سرمایه (burn rate) دیگر همان حرف دیروز را نمیزنند؛ تیمی سهنفره با درآمد واقعی میتواند از تیمی سینفره با همان درآمد ارزشمندتر باشد.
و اینجا اهمیت راهبردی یک سرمایهگذار شرکتی (CVC) مثل گلرنگ ونچرز روشن میشود. تیم AI-native میتواند محصول بسازد و عملیات را خودکار کند، اما نمیتواند یکشبه شبکهی توزیع، اعتماد برند، حضور در قفسهی فروشگاه، عبور از مقررات و زنجیرهی تأمین را از هیچ بسازد. اینها درست همان داراییهایی است که نیمقرن تجربهی گروه گلرنگ و بیش از ۱۰۰ برند آن فراهم میکند. و همین، پیشنهاد گلرنگ ونچرز را که سرمایه بهعلاوهی دسترسی به بازار و برند و تجربهی صنعتی داراست، گرانبهاتر میکند. این همافزایی مصداقی هم دارد، مدوی (Medvi) یک کسبوکار سلامت دیجیتال بود و گلرنگ از پیش در دارو و سلامت و کالای مصرفی و آرایشیبهداشتی و کشاورزی و فینتک حضور دارد. گلرنگ ونچرز دنبال همین تیمهاست؛ بنیانگذارانی که از هوش مصنوعی سرعت و چابکی میگیرند، در کنار گروه گلرنگ که مسیر ورود به بازار را میگشاید و شکنندگی مدل AI-native ، یعنی خلأ حاکمیت و مدیریت ریسک و پشتوانهی عملیاتی، را ترمیم میکند. اینجا بنیانگذارانی که میخواهند جهان را تغییر دهند، مجال این کار را مییابند.
نردبان بالا میرود
هوش مصنوعی شغل را از ما نمیگیرد؛ وظیفهها را جابهجا میکند. کار تکراری و قاعدهمند ارزان، و در عوض تصمیمگیری، شناخت زمینه، ذوق، رابطه و هنر پرسیدن سؤال درست گران میشود. پرسش درست این نیست که «کدام شغلها را حذف کنیم؟»؛ این است که «هر نقش را چطور از نو بچینیم تا انسان و ماشین هرکدام بهترین کارشان را بکنند». بازنده آن نیست که دیر به این موج میپیوندد؛ بازنده آن است که بازتعریف را انکار میکند. در گلرنگ ونچرز باور داریم آیندهی کار را شرکتهایی میسازند که زودتر میآموزند انسان و هوش مصنوعی را کنار هم بنشانند. شما این بازتعریف را در تیم خودتان از کجا آغاز کردهاید؟
