سنجش دشوارِ تأثیر هوش مصنوعی بر اقتصاد

به نقل ازنیویورک‌تایمزتقریباً همه بر این باورند که هوش مصنوعی پتانسیل بازآفرینی و تحول ساختاری اقتصاد را در دهه‌های آینده دارد. بااین‌حال، هیچ‌کس با قطعیت نمی‌داند که این فناوری در حال حاضر چه تأثیری بر جای می‌گذارد.

بر اساس برخی از معیارهای سنجش، هوش مصنوعی در نرخ بالای بیکاری میان فارغ‌التحصیلان در سال‌های اخیر نقش داشته و ممکن است تابه‌حال ده‌ها هزار موقعیت شغلی را نابود کرده باشد. این در حالی است که منابع دیگر نشان می‌دهند شرکت‌ها ممکن است در پی به‌کارگیری این فناوری، در حال جذب نیروی کار بیشتر باشند.

هوش مصنوعی ممکن است معضل تورم در ایالات متحده را تشدید کند یا حتی بخشی از راهکار حل آن باشد، ممکن است عامل جهش اخیر در رشد بهره‌وری باشد یا عملاً هیچ نقشی در آن نداشته باشد و حتی این احتمال وجود دارد که خودِ این شکوفاییِ بهره‌وری، صرفاً یک سراب باشد.

پژوهشگران حتی بر سر پرسش‌های بنیادین نیز اتفاق‌نظر ندارند؛ پرسش‌هایی ازاین‌دست که چه تعداد از شرکت‌ها در حال استفاده از هوش مصنوعی هستند یا کدام گروه از کارمندان در برابر تحولات ناگهانی ناشی از آن آسیب‌پذیرترند.

دشواری سنجش یک تحول در حال وقوع

این نشانه‌های متناقض، تا حدودی منعکس‌کننده چالش شناسایی آنی تحولات اقتصادی است. آمارهای دولتی ذاتاً نشان‌دهنده گذشته هستند و کارکرد آن‌ها در سنجش روندهای کلان، بسیار بهتر از ارزیابی تحولات در بخش‌ها یا مناطق خاص است. در این میان، سنجش فناوری‌های نوظهوری که می‌توانند به پیدایش محصولات جدید، مشاغل تازه یا حتی یک صنعت نوپدید منجر شوند، به‌مراتب دشوارتر است.

آنچه هوش مصنوعی را متمایز می‌کند، سرعت نفوذ و انتشار آن در بدنه اقتصاد است. کمتر از چهار سال طول کشید تا هوش مصنوعی مولد از یک پدیده نوظهور و سرگرم‌کننده به ابزاری قدرتمند تبدیل شود که بزرگ‌ترین شرکت‌های جهان آن را به خدمت گرفته‌اند. اقتصاددانان متقاعد شده‌اند که این فناوری پیامدهای عمیقی برای نیروی کار و اقتصاد خواهد داشت، هرچند بر سر ماهیت این پیامدها با یکدیگر هم‌عقیده نیستند. آن‌ها هشدار می‌دهند زمانی که داده‌ها به‌وضوح کافی برسند، دیگر برای سیاست‌گذاران بسیار دیر خواهد بود که بتوانند راهکار مناسبی برای واکنش به آن بیابند.

«نیتن گولدشلاگ» (Nathan Goldschlag)، مدیر پژوهشی اندیشکده اقتصادی Economic Innovation Group می‌گوید: «حساسیت و ریسک کار فوق‌العاده بالا است. اتخاذ سیاست‌های درست، منوط به سنجش و اندازه‌گیری درست است. اگر ندانید چه اتفاقی در حال رخ‌دادن است، نمی‌توانید سیاست‌گذاری درستی انجام دهید.»

گولدشلاگ اخیراًگزارشیمنتشر کرده که به مستندسازی چالش‌های سنجش هوش مصنوعی پرداخته و گام‌هایی را برای بهبود این فرایند پیشنهاد داده است. او و دیگر متخصصان استدلال می‌کنند که دولت و بخش خصوصی باید منابع بیشتری را به این مسئله اختصاص دهند. صدای آن‌ها دست‌کم در واشنگتن شنیده می‌شود. در ماه ژوئن، گروهی از سناتورهای هر دو حزب، لایحه‌ای را ارائه کردند که جمع‌آوری داده‌ها را گسترش داده و دولت فدرال را ملزم می‌کند تا گزارشی سالانه از تأثیر هوش مصنوعی بر نیروی کار تهیه کند.

تلاش واشنگتن برای پر کردن خلأ داده‌ها

«مارک کلی» (Mark Kelly)، سناتور دموکرات ایالت آریزونا و یکی از حامیان این لایحه می‌گوید: «دولت باید تصمیمات بزرگی در خصوص هوش مصنوعی و اقتصاد اتخاذ کند؛ اگر این کار را در خلأ اطلاعاتی انجام دهید، مرتکب اشتباه خواهید شد. این مسئله با زندگی میلیون‌ها آمریکایی و میلیون‌ها کسب‌وکار گره خورده است. شما نمی‌توانید بدون دسترسی به داده‌های قابل‌اتکا، این کار را به شکلی هوشمندانه پیش ببرید.»

البته سیاست‌گذاران کاملاً هم کورکورانه عمل نمی‌کنند. اداره آمار ایالات متحده (Census Bureau) از سال ۲۰۲۳، هر دو هفته یک‌بار، در نظرسنجی از شرکت‌ها درباره میزان استفاده‌شان از هوش مصنوعی پرس‌وجو می‌کنند. این اداره همچنین سؤالاتی را پیرامون این فناوری در نظرسنجی سالانه کسب‌وکارها گنجانده است، هرچند این کار تنها به‌صورت دوره‌ای و متناوب انجام شده است.

پژوهشگران چندین شاخص برای سنجش «مواجهه با هوش مصنوعی» (AI Exposure) توسعه داده‌اند؛ بسیاری از این شاخص‌ها از پایگاه‌های داده دولتی در خصوص شرح وظایف مشاغل استفاده می‌کنند تا ارزیابی کنند کدام حرفه‌ها بیشترین تأثیر را خواهند پذیرفت. اقتصاددانان می‌توانند از این معیارها استفاده کنند تا برای مثال دریابند آیا مشاغلی که بیشترین مواجهه را دارند، رشد استخدامی کندتری را تجربه می‌کنند یا نرخ رشد دستمزد متفاوتی دارند یا خیر.

روایت‌های متناقض از تأثیر هوش مصنوعی

مشکل اینجاست که این منابع اطلاعاتی اغلب روایت‌های گیج‌کننده یا متناقضی را بیان می‌کنند. نظرسنجی‌ها بسته به نحوه طرح پرسش‌ها، به برآوردهای بسیار متفاوتی از میزان استفاده شرکت‌ها از هوش مصنوعی می‌رسند. شاخص‌های مواجهه با هوش مصنوعی نیز روایت‌های متفاوتی از این که کدام مشاغل بیشترین آسیب را می‌بینند، ارائه می‌دهند.در یک مطالعهاقتصاددانان دانشگاه نورث‌وسترن و دانشگاه امریکن دریافتند که استفاده از معیارهای مختلف سنجش مواجهه، نه‌تنها می‌تواند بر حجم و ابعاد تأثیر هوش مصنوعی بر مشاغل اثر بگذارد، بلکه جهت و ماهیت این تأثیر (مثبت یا منفی بودن آن) را نیز تغییر می‌دهد. طبق برخی شاخص‌ها، هوش مصنوعی به اشتغال ضربه می‌زد و طبق برخی دیگر، به آن کمک می‌کرد. «میشل ین» (Michelle Yin)، اقتصاددان دانشگاه نورث‌وسترن و یکی از نویسندگان این مطالعه، می‌گوید: «این وضعیت درست مانند آن است که به پزشک مراجعه کنید و برای یک بیماری واحد، سه تشخیص متفاوت دریافت کنید.»

بخشی از مشکل به این برمی‌گردد که شاخص‌های شناخته‌شده اقتصادی، برای دوران پیش از رایانه‌های شخصی و اینترنت طراحی شده بودند، چه رسد به عصر هوش مصنوعی. به‌عنوان‌مثال، گزارش ماهانه مشاغل از سوی اداره آمار نیروی کار ایالات متحده، جزئیات رشد اشتغال را در بخش‌های تولید، خرده‌فروشی و ساخت‌وساز ارائه می‌دهد؛ اما بخش فناوری که ابزارهای هوش مصنوعی را با تهاجمی‌ترین سرعت ممکن به کار گرفته است را به‌صورت مستقل تفکیک نمی‌کند. در عوض، حوزه فناوری در چندین دسته مختلف پخش شده است؛ از جمله بخش «اطلاعات» (Information) که دسته‌بندی وسیعی است و روزنامه‌ها و استودیوهای فیلم‌سازی را نیز در بر می‌گیرد.

گزارش مشاغل، اطلاعات به‌مراتب کمتری در مورد حرفه‌هایی ارائه می‌دهد که ممکن است در معرض خطر جایگزینی و حذف قرار داشته باشند؛ مشاغلی نظیر توسعه‌دهندگان نرم‌افزار، حسابداران و کارشناسان خدمات مشتریان.آخرین تفکیک جزئیبر اساس عناوین شغلی دقیق، مربوط به مه ۲۰۲۵ است که در دنیای پرشتاب و در حال تحول هوش مصنوعی، یک عصر قبل‌تر محسوب می‌شود.

داده‌های دولتی؛ ناکافی اما حیاتی

بااین‌حال، اقتصاددانان بر این باورند که داده‌های دولتی با وجود تمام کاستی‌هایشان، برای درک تأثیر هوش مصنوعی در طول زمان حیاتی خواهند بود. به‌عنوان‌مثال، پژوهشگران در «آزمایشگاه بودجه ییل»، انتشار یکتحلیل ماهانهبر پایه داده‌های دولتی را آغاز کرده‌اند که «تغییرات ساختاری مشاغل» را بررسی می‌کند؛ یعنی با چه سرعتی انواع مشاغلی که یک صنعت خاص را تشکیل می‌دهند، در حال دگرگونی هستند. این معیار طراحی شده است تا نقش یک سیستم هشدار زودهنگام را برای اثرات هوش مصنوعی ایفا کند. تئوری پژوهشگران این است که با شروع پذیرش این فناوری توسط شرکت‌ها، آن‌ها احتمالاً جذب نیرو برای موقعیت‌های شغلی متفاوتی را آغاز می‌کنند، حتی اگر تعداد کل کارکنانشان فوراً تغییر نکند.

«مارتا گیمبل» (Martha Gimbel)، مدیر اجرایی این آزمایشگاه می‌گوید: «بررسی مطالعات موردی گذشته‌نگر کار آسانی است. آنچه این دوره را متمایز می‌کند این است که ما در تلاشیم این پدیده را به‌صورت آنی و در لحظه بسنجیم و آن را درک کنیم.»

اما این تلاش‌ها ممکن است به دلیل وضعیت سیستم آماری فدرال که با کاهش نرخ پاسخ‌دهی به نظرسنجی‌های دولتی مواجه است، با مانع روبرو شود. کاهش بودجه نیز پر کردن این شکاف‌ها را برای آژانس‌های آماری دشوار کرده است. «اریکا مک‌انتافر» (Erika McEntarfer) که تا پیش از برکناری‌اش به دست ترامپ، ریاست اداره آمار نیروی کار را بر عهده داشت اظهار کرد که تأمین بودجه اضافی به میزان ۱۰ میلیون دلار در سال به این آژانس اجازه می‌دهد حجم نمونه نظرسنجی ماهانه بازار کار خود را گسترش دهد تا بتواند تحولات اقتصادی را بهتر ثبت و رهگیری کند. او می‌گوید: «داده‌هایی که در حال حاضر برای درک تأثیر هوش مصنوعی بر بازار کار استفاده می‌کنیم، به دلیل کمبود بودجه در معرض خطر قرار دارند. برای تقویت و تثبیت آن‌ها، تنها به سرمایه‌گذاری‌های بسیار اندکی نیاز است.»

داده‌های خصوصی؛ جزئی‌تر اما محدودتر

بسیاری از اقتصاددانان منتظر همگام‌شدن دولت نمی‌مانند. چندین تیم تحقیقاتی شاخص‌های هوش مصنوعی را بر اساس داده‌های بخش خصوصی منتشر کرده‌اند که اگرچه نسبت به آمارهای دولتی از جامعیت کمتری برخوردارند، اما جزئی‌تر و به‌روزتر هستند.

«آزمایشگاه اقتصاد دیجیتال دانشگاه استنفورد»داشبوردیاز شاخص‌های هوش مصنوعی را منتشر کرد که بخشی از آن بر پایه داده‌های شرکت «ADP» (تسهیل‌کننده و پردازشگر امور حقوق و دستمزد) استوار است. این داده‌ها نشان می‌دهند که از زمان عرضه ChatGPT در سال ۲۰۲۲، تعداد مشاغل سطح پایه در بخش‌هایی که بیشترین مواجهه با هوش مصنوعی را دارند، به‌شدت کاهش یافته است. «اریک براینجولفسون» (Erik Brynjolfsson)، مدیر این آزمایشگاه این روند را به‌عنوان «قناری در قفسِ معدن زغال‌سنگ» برای ازبین‌رفتن مشاغل ناشی از هوش مصنوعی توصیف کرد (نشانه و هشدار زودهنگام از یک خطر بزرگ).

براینجولفسون می‌گوید: «من فکر می‌کنم این تحول از نظر نحوه تأثیرگذاری بر بازار کار، با انقلاب صنعتی قابل‌مقایسه است. آرزو می‌کردم دولت فدرال سرمایه‌گذاری بیشتری روی این موضوع انجام می‌داد. اما در این میان، منابع داده خصوصی فوق‌العاده‌ای وجود دارند که ما در حال گردآوری آن‌ها هستیم و فکر می‌کنم همین منابع به پر کردن این خلأ کمک می‌کنند.»

اما داده‌های بخش خصوصی نیز به‌اندازه آمارهای دولتی مبهم و کدر هستند.پژوهشیکه توسط شرکت مدیریت هزینه‌های سازمانی Ramp و شرکت داده‌های بازار کار Revelio Labs منتشر شد، نشان داد شرکت‌هایی که هوش مصنوعی را با شدت بیشتری به کار گرفته‌اند، نسبت به شرکت‌هایی که در پذیرش این ابزارها کندتر بوده‌اند با سرعت بیشتری در حال جذب نیرو و افزایش موقعیت‌های شغلی هستند.

شرکت Ramp به داده‌هایی دسترسی دارد که نشان می‌دهند مشتریانش کدام ابزارهای هوش مصنوعی را خریداری می‌کنند و چقدر برای آن‌ها هزینه می‌پردازند. «آرا خرازیان» (Ara Kharazian)، اقتصاددان ارشد Ramp می‌گوید این دسترسی به آن‌ها اجازه می‌دهد تا کاربران پرمصرف را از پذیرندگان محتاط‌تر متمایز کنند؛ تمایزی که بسیار حیاتی است، زیرا شرکت‌ها برای اینکه بفهمند چگونه از این ابزارها به طور مؤثر استفاده کنند نیاز به صرف زمان و هزینه دارند. او می‌گوید: «سنجش تأثیر هوش مصنوعی بر یک کسب‌وکار دشوار است، زیرا نیازمند پذیرش و به‌کارگیری مستمر و پایدار است. در کار ما کاملاً مشخص است که یک اشتراک ساده نسخه چت، بهره‌وری یک شرکت را ارتقا نمی‌دهد.»

بااین‌حال، چنین داده‌هایی لزوماً نماینده کل اقتصاد نیستند. مشتریان ADP معمولاً شرکت‌های نسبتاً بزرگ و تثبیت‌شده هستند. مشتریان Ramp نیز تمایل بالایی به حوزه فناوری دارند. اما اگر قرار باشد هوش مصنوعی آن تأثیراتی را بگذارد که بزرگ‌ترین حامیانش وعده می‌دهند، باید توسط شرکت‌ها در هر شکل و اندازه‌ای پذیرفته و ادغام شود.

اقتصاد هنوز در مرحله آزمون‌وخطاست

پژوهشگران عموماً بر سر یک مسئله توافق دارند: تأثیر هوش مصنوعی بر کل اقتصاد تا به امروز محدود بوده است. این موضوع لزوماً غافلگیرکننده نیست. براینجولفسون و دیگر اقتصاددانان دریافته‌اند که نوآوری‌های فناورانه اغلب از یک الگوی جی-شکل (J-shaped) پیروی می‌کنند؛ الگویی که در آن، شرکت‌ها در ابتدا و هم‌زمان با آزمایش ابزارهای جدید، دچار افت بهره‌وری می‌شوند، اما به‌محض اینکه راه بهره‌برداری مؤثر از آن‌ها را پیدا می‌کنند، جهش‌های سریعی را در بازدهی تجربه خواهند کرد.

شواهد اقتصادی گیج‌کننده نشان می‌دهند که بسیاری از شرکت‌ها هنوز در بخش نزولیِ این نمودار جی-شکل قرار دارند. گولدشلاگ نیز دراین‌خصوص می‌گوید: «سیگنال‌ها متناقض هستند، زیرا احتمالاً وضعیت زیربنایی اقتصاد متناقض و درهم‌آمیخته است؛ چرا که ما هنوز در دوره آزمون‌وخطا و آزمایشگری به سر می‌بریم. خود این ابزارها همچنان در حال تبدیل‌شدن به ابزارهایی واقعاً کاربردی هستند.»

اگر آن‌طور که برخی در سیلیکون‌ولی پیش‌بینی می‌کنند، مشاغل یقه‌سفید واقعاً به‌صورت انبوه و گسترده ناپدید شوند، زمان زیادی طول نخواهد کشید تا این ریزش‌ها در داده‌های دولتی خود را نشان دهند. اما حتی در آن صورت هم ممکن است کاملاً آشکار نباشد که آیا هوش مصنوعی مقصر اصلی است یا خیر.

مسئله‌ای که داده‌ها به آن پاسخ نمی‌دهند

اقتصاد ایالات متحده در سال‌های اخیر دستخوش مجموعه‌ای از شوک‌ها بوده که هیچ ارتباطی با هوش مصنوعی نداشته‌اند: پاندمی کووید-۱۹ و اثرات موجی آن از جمله نبردهای مربوط به بازگشت به محل کار که تا به امروز نیز ادامه دارد، تورم و نرخ‌های بهره بالایی که فدرال رزرو (بانک مرکزی آمریکا) برای مبارزه با آن اتخاذ کرده است و نوسانات شدید در سیاست‌های دولتی در زمینه‌های مهاجرت، تجارت و سایر حوزه‌ها. اگر شرکتی از سال ۲۰۲۲ اقدام به تعدیل نیرو کرده باشد، به‌هیچ‌وجه آسان نیست که بگوییم آیا این اقدام نتیجه هوش مصنوعی بوده است یا نرخ‌های بهره بالا یا هر دو.

با گذشت زمان، تفکیک اثرات هوش مصنوعی از سایر نیروهای محرک برای پژوهشگران آسان‌تر خواهد شد. اما بااین‌حال، آن‌ها همچنان قادر نخواهند بود به پرسشی پاسخ دهند که سیاست‌گذاران و شهروندان عادی بیش از هر چیز به دنبال یافتن آن هستند
گام بعدی چیست و در آینده چه رخ خواهد داد؟

مک‌انتافر می‌گوید: «داده‌ها تقریباً هیچ‌وقت نمی‌توانند به ما بگویند که طی پنج تا ده سال آینده در کجا خواهیم بود. مردم برای پاسخ به این پرسش به داده‌ها چشم دوخته‌اند، اما این کار بیش از حد دشوار است.»

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.