فصل ششم: ثروتمند اما بیکس و درمانده؟
یکی از بزرگترین ترسهایی که با پیشرفت سریع هوش مصنوعی همراه است، بیکاری گسترده است. در سال ۲۰۱۳، کارل بندیکت فری[1]، اقتصاددان و مایکل آزبورن[2]، استاد یادگیری ماشین در دانشگاه آکسفورد[3]، مطالعهای منتشر کردند که نشان میداد تقریباً نیمی از مشاغل ایالات متحده در عرض دو دهه آینده در معرض “خطر بالای” اتوماسیونی شدن قرار دارند.
اگرچه روششناسی این مطالعه بعداً مورد انتقاد قرار گرفت چون یک مطالعه توسط سازمان همکاری و توسعه اقتصادی[4] (OECD) با استفاده از روشی متفاوت نتیجه گرفت که کمتر از ۱۰ درصد مشاغل ایالات متحده میتوانند در این بازه زمانی بهطور کامل خودکار شوند، اما کابوس بیکاری گسترده ناشی از هوش مصنوعی همچنان پابرجاست.
در سال ۲۰۱۸، PwC پیشبینی کرد که تا اواسط دهه ۲۰۳۰، یکسوم مشاغل جهانی میتوانند خودکار شوند. این ترسها پس از انتشار ChatGPT شدت گرفت. Goldman Sachs تخمین زد که معادل ۳۰۰ میلیون شغل در سراسر جهان در عصر جدید هوش مصنوعی مولد میتوانند از بین بروند. سم آلتمن، مدیرعامل OpenAI، اگرچه پیشبینی بیکاری گسترده نکرد، اما به مجله Atlantic گفت: «مشاغل قطعاً از بین خواهند رفت، تمام.»
با چنین تیترهایی، تعجبی ندارد که ترس از بیکاری ناشی از هوش مصنوعی ذهن عمومی را به تسخیر درآورده باشد. نظرسنجیهای انجامشده توسط Microsoft و OECD نشان داد که بین نیمی تا سهپنجم از کارگران در سراسر جهان نگران از دست دادن شغل خود بهدلیل هوش مصنوعی هستند. اما هم تاریخ و هم تحلیلهای اقتصادی، دیدگاهی کمتر فاجعهبارتری ارائه میدهند. اگرچه دلایلی برای نگرانی درباره تأثیرات هوش مصنوعی بر اقتصاد کلی وجود دارد، اما بیکاری گسترده یکی از آنها نیست.
خطر واقعی کاهش دستمزدها و افزایش نابرابری است. اگرچه هوش مصنوعی بیتردید برخی از کارگران را تحت تأثیر قرار خواهد داد و جابهجاییهایی را ایجاد خواهد کرد، اما ما توانایی قابلتوجهی در شکلدهی و مدیریت میزان و شدت این تغییرات داریم. ایجاد انگیزه برای شرکتها بهمنظور استفاده از هوش مصنوعی برای تکمیل قابلیتهای انسانی، بهجای جایگزینی کامل آنها، میتواند اطمینان حاصل کند که اثرات اقتصادی انقلاب هوش مصنوعی بهطور کلی مثبت خواهد بود.
درسهایی از تاریخ
انقلابهای فناوری گذشته باعث حذف مشاغل در برخی حوزهها شدند، اما در مجموع، همیشه مشاغل بیشتری ایجاد کردهاند. دلیل این امر آن است که فناوریهای جدید نهتنها صنایع و مدلهای تجاری موجود را کارآمدتر میکنند، بلکه صنایع کاملاً جدیدی خلق میکنند. مثال واضح آن، خودرو است. خودروها باعث بیکار شدن افرادی شدند که در مشاغل مربوط به کالسکههای اسبکش فعالیت میکردند، اما شغلهای بسیار بیشتری در حوزه تولید خودرو، ساخت جادهها، صنعت نفت و گاز و پمپبنزینها ایجاد کردند. با متحول کردن حملونقل و لجستیک، خودروها کسبوکارهای دیگری را نیز کارآمدتر و سودآورتر کردند و این شرکتها توانستند گسترش یابند و افراد بیشتری را استخدام کنند.
مطالعهای در سال ۲۰۱۵ توسط اقتصاددانان شرکت حسابداری Deloitte، با استفاده از دادههای سرشماری بریتانیا طی ۱۴۴ سال (از ۱۸۷۱ تا ۲۰۱۵)، تأثیر فناوری بر مشاغل را ارزیابی کرد. این مطالعه نشان داد که اگرچه فناوری افراد را از مشاغلی که به نیروی بدنی وابسته بودند، بهویژه در کشاورزی و کارخانهها بیکار کرد، اما در حوزههایی مانند پرستاری، مراقبت از کودکان و سالمندان، خدمات تجاری و اختراع فناوری، مشاغل بسیار بیشتری ایجاد کرد.
تعداد متخصصان افزایش یافت و درون حرفهها، فناوری به تخصصیتر شدن کمک کرد. برای مثال، در سال ۲۰۱۱، تعداد حسابداران در بریتانیا بیست برابر بیشتر از سال ۱۸۷۱ بود. بین سالهای ۱۹۹۲ تا ۲۰۱۱، تعداد تایپیستها در بریتانیا ۵۷ درصد کاهش یافت، اما تعداد مشاوران مدیریت ۳۶۵ درصد افزایش پیدا کرد. تحلیل مجمع جهانی اقتصاد نیز به این نتیجه رسید که تغییرات فناورانه مشاغل بیشتری را ایجاد کردهاند تا اینکه از بین ببرند.
سه عامل باعث میشوند بسیاری از افراد گمان کنند که هوش مصنوعی متفاوت خواهد بود:
اول، وسعت تأثیرگذاری: هوش مصنوعی یک فناوری عمومی است، مشابه نیروی بخار و برق، نه یک فناوری محدود مانند رباتهای جوشکاری.
دوم، سرعت توسعه و پذیرش: نگرانیهایی وجود دارد که هوش مصنوعی با سرعتی بسیار بالا نقشهای متعددی را در بخشهای مختلف حذف کند، بهگونهای که فرصتی برای ایجاد مشاغل جدید یا آموزش نیروهای انسانی برای این مشاغل فراهم نشود. بااینحال، تجربه فناوریهای عمومی گذشته نشان میدهد که این فناوریها معمولاً باعث ایجاد مشاغل بیشتر و تقویت رشد اقتصادی میشدند. نکته کلیدی در این میان، سرعت نسبتاً کندتر پذیرش آن فناوریها بود که به افراد امکان تطبیق با تغییرات را میداد. اما در مورد هوش مصنوعی، سرعت پذیرش بسیار بالاتر است، که این موضوع نگرانیها درباره تأثیرات آن را بهشدت افزایش داده است.
سوم، چالش با برتری نسبی انسان: هوش مصنوعی مستقیماً برتری نسبی ما بهعنوان یک گونه، یعنی تواناییهای ذهنی ما را هدف قرار میدهد. وقتی گونهای برتری نسبی خود را به اتوماسیون واگذار کند، نتایج مطلوبی نخواهد داشت. بهعنوان مثال، اسبها تنها برتری نسبیشان قدرت عضلانی بود. وقتی موتور احتراق داخلی آن را پشت سر گذاشت، دیگر جایی برای اسبها باقی نماند. بیشتر آنها فروخته شدند، بازنشسته شدند یا به چسب تبدیل شدند. اما افراد فعال در صنعت پرورش اسب توانستند با استفاده از مغز خود، مشاغل دیگری پیدا کنند. بااینحال، هوش مصنوعی برای نخستین بار فناوریای است که مستقیماً برتری ذهنی ما را در همه زمینهها به چالش میکشد. اگر هوش مصنوعی در تمام وظایف ذهنی بهتر از ما عمل کند، سرنوشتی مشابه اسبها خواهیم داشت.
تکمیلکننده، نه جایگزین
نگرانی از سرنوشت ناخوشایندی مشابه اسبها شاید فعلاً زود باشد. هوش مصنوعی به این زودیها قادر نخواهد بود تواناییهای شناختی ما را در تمام وظایف کاملاً تقلید کند. هوش مصنوعی میتواند بهرهوری ما را افزایش دهد، اما همه چیز را خودکار نخواهد کرد. اریک برینجولفسون، اقتصاددان دانشگاه استنفورد، تام میچل[5] از دانشگاه کارنگی ملون[6] و پژوهشگران دیگر، ۹۵۰ شغل را بررسی و آنها را به ۱۸۰۰۰ وظیفه خاص تقسیمبندی کردند. سپس تأثیر احتمالی یادگیری ماشینی و هوش مصنوعی را ارزیابی کردند.
برینجولفسون میگوید: «ما دریافتیم که در هیچکدام از این مشاغل، یادگیری ماشینی یا سایر فناوریها قادر به انجام کامل همه وظایف نبودند. در هر شغل، بخشی از کار وجود داشت که یادگیری ماشینی میتوانست کمک کند، اما بخشهایی هم بودند که انسانها همچنان باید در آنها دخیل باشند. این یعنی نمیتوان یک انسان را کاملاً حذف و یک ماشین را جایگزین او کرد؛ بلکه نیاز به بازسازماندهی و بازساختاردهی گسترده وجود دارد.» شواهد نشان میدهند که «سنتورها[7]»، اصطلاحی که به تیمهای ترکیبی انسان و هوش مصنوعی داده میشود؛ عملکرد بهتری نسبت به افراد یا نرمافزارها بهتنهایی دارند.
هوش مصنوعی و هوش انسانی در بسیاری از جنبهها مکمل یکدیگر هستند. هوش مصنوعی در یافتن الگوها در مجموعهدادههای پیچیده بسیار بهتر از انسان عمل میکند. هوش مصنوعی میتواند محتوا را سریعتر از انسان تولید کند. اما نمیتواند بهخوبی بهترین نویسندگان انسانی بنویسد. هوش مصنوعی در برنامهریزی یا توسعه ایدههای نوآورانه بهخوبی عمل نمیکند. قطعاً قادر نیست زبان بدن انسان را درک کند یا همدلی واقعی نشان دهد. همانطور که در فصلهای قبلی دیدیم، نحوه طراحی و ساخت کمکیارها و دستیارهای هوش مصنوعی تأثیر زیادی بر اثربخشی آنها دارد. خبر خوب این است که هنوز فرصت داریم تصمیماتی بگیریم که شرکتها را به سمت استفاده از نرمافزارهای هوش مصنوعی برای تکمیل تواناییهای انسانی سوق دهد، نه جایگزینی آنها.
گریز از تله تورینگ
متأسفانه، نحوه آزمودن تواناییهای هوش مصنوعی معمولاً این فناوری را در چارچوب «انسان در برابر ماشین» قرار میدهد. اریک برینجولفسون درباره چیزی که آن را «تله تورینگ» مینامد، هشدار داده است. او معتقد است که گناه اصلی آزمون تورینگ این بود که تقلید دقیق از مهارتهای انسانی را معیار هوش قرار داد.
این نگرش، سازندگان هوش مصنوعی را به تصور جایگزینی ماشین بهجای انسان سوق میدهد؛ گرایشی که بهمرور زمان شدت گرفته است. شرکتهایی مانند OpenAI، مایکروسافت، گوگل و Anthropic تبلیغ میکنند که سیستمهای هوش مصنوعی آنها توانستهاند عملکرد بهتری نسبت به میانگین افراد در آزمونهایی مانند آزمون وکالت، مجوز پزشکی، یا پرسشهای رقابتهای کدنویسی نشان دهند؛ آزمونهایی که هیچگاه برای ارزیابی عملکرد ماشین طراحی نشده بودند. این رویکرد این تصور نادرست را ایجاد میکند که هوش مصنوعی میتواند جای وکلا، پزشکان یا توسعهدهندگان نرمافزار را پر کند.
یکی از مشکلات این است که طراحی معیارهای جدید برای همکاری انسان و ماشین دشوارتر از مقایسه عملکرد ماشین در آزمونهای موجود با نتایج انسانها است. همچنین، تعاریف هوش عمومی مصنوعی (AGI) مانند تعریفی که OpenAI ارائه میدهد نیز مسئلهساز است؛ چراکه چنین تعریفی، یک سیستم هوش مصنوعی را که بتواند در اکثر کارهای اقتصادی از انسان بهتر عمل کند، معیار قرار میدهد. این تعریف بهطور خودکار هوش مصنوعی را جایگزینی برای نیروی کار انسانی در نظر میگیرد.
چارچوببندی هوش مصنوعی بهعنوان جایگزینی برای تفکر انسانی، درواقع توان بالقوه تحولآفرین این فناوری را محدود میکند. برینجولفسون برای توضیح این موضوع یک آزمایش فکری ارائه میدهد: طبق افسانهها، ددالوس[8]، مخترع یونانی، مجسمههای برنزی مکانیکی ساخت که میتوانستند حرکت کنند، صحبت کنند و حتی گریه و عرق کنند. حال تصور کنید که ددالوس موفق میشد به این رباتهای اولیه هوش مصنوعی ببخشد تا بتوانند تمام وظایف اقتصادی مفید یونانیان، از کشاورزی تا چوپانی و ساخت سفال را انجام دهند. اگر یونانیها از کار رها میشدند، میتوانستند زندگیای پر از فراغت داشته باشند. اما همانطور که برینجولفسون توضیح میدهد، پیشرفت تمدن متوقف میشد؛ سطح سلامت و استاندارد زندگی در همان جایگاه یونان باستان باقی میماند.
او مینویسد: «بههرحال، از ظروف سفالی و درشکهها، حتی با مقادیر نامحدود و قیمت صفر، فقط تا حد مشخصی میتوان ارزش بهدست آورد.» اما همکاری انسان و هوش مصنوعی میتواند افقهای جدید و گستردهای بگشاید. این موضوع بهویژه زمانی صادق است که از هیجان جاری درباره هوش مصنوعی مبتنی بر مدلهای زبانی بزرگ فراتر برویم.
مدلهای زبانی بزرگ از دادههای انسانی آموزش میبینند، بنابراین فقط میتوانند دانش انسانی را بازتولید کنند و نمیتوانند دانش جدید خلق کنند. در مقابل، نرمافزارهای هوش مصنوعی که با یادگیری تقویتی آموزش میبینند (جایی که نرمافزار از تجربه یاد میگیرد)، میتوانند به ایدههای جدید دست پیدا کنند. بهعنوان نمونه، AlphaZero، سیستمی که توسط DeepMind ساخته شد، بازی شطرنج و گو را بدون هیچ دانش اولیهای فقط با بازی کردن علیه خودش یاد گرفت. این نرمافزار نهتنها این بازیها را در سطحی فراتر از انسان انجام داد، بلکه استراتژیهایی به کار گرفت که کاملاً متفاوت از بهترین بازیکنان انسانی بود.
دمیس هاسابیس، مدیرعامل DeepMind، که خود زمانی بهترین شطرنجباز جوان جهان بود، سبک بازی این نرمافزار را «شطرنج از بعدی دیگر» توصیف کرد. برای مثال، این نرمافزار به جایگاه مهرهها و آزادی حرکت اهمیت بیشتری میداد تا ارزش فردی هر مهره، رویکردی که کاملاً مخالف آموزههای اکثر استادان بزرگ شطرنج انسانی است. این نرمافزار مسیرهای استراتژیک کاملاً جدیدی را شناسایی کرد که انسانها، با بیش از هزار سال تجربه در بازی شطرنج، هرگز بهطور کامل آنها را بررسی یا درک نکرده بودند.
مگنوس کارلسن[9]، قهرمان کنونی شطرنج جهان، اذعان داشت که تاکتیکهایی که از بازیهایش با AlphaZero یاد گرفت، به او کمک کرد سبک بازی خود را تکامل دهد. این پدیده میتواند در سایر حوزهها نیز رخ دهد، اگر دست از تصور هوش مصنوعی بهعنوان صرفاً جایگزینی برای نیروی کار انسانی برداریم.
انقلاب بهرهوری پیش رو
بهجای اینکه هوش مصنوعی صرفاً جایگزین انسانها شود، احتمالاً بهرهوری آنها را بهطور چشمگیری افزایش خواهد داد. برینجولفسون پیشبینی کرده است که استفاده گسترده از هوش مصنوعی میتواند نرخ رشد بهرهوری در ایالات متحده را به بیش از دو برابر، یعنی ۳ درصد، برساند. شرکت مشاوره McKinsey & Co، تخمین زده است که اگر هوش مصنوعی تنها بهرهوری ایالات متحده را به میانگین رشد ۲.۲ درصدی پس از جنگ جهانی دوم بازگرداند (که بسیار بیشتر از میانگین ۱.۴ درصدی از سال ۲۰۰۵ تاکنون است)، این افزایش تا سال ۲۰۳۰ میتواند ۱۰ تریلیون دلار به تولید ناخالص داخلی ایالات متحده اضافه کند. این شرکت همچنین میگوید که در سطح جهانی، هوش مصنوعی میتواند سالانه بین ۲.۶ تا ۴.۴ تریلیون دلار ارزش اقتصادی در ۱۶ صنعت کلیدی ایجاد کند؛ مقداری بیش از کل تولید ناخالص داخلی بریتانیا. چنین رشدی باید برای همه مفید باشد. هرچه کیک بزرگتر شود، سهم بیشتری برای تقسیم وجود خواهد داشت. اگرچه توزیع این ثروت ممکن است نابرابر باشد؛ اما بهتر است بر سر تقسیم یک کیک بزرگتر بحث شود تا یک کیک کوچکتر.
سم آلتمن، مدیرعامل OpenAI، در پاسخ به نگرانیها درباره پیامدهای اقتصادی منفی هوش مصنوعی، بر اهمیت رشد و پیشرفت تأکید میکند. او میگوید: «ما به رشد نیاز داریم. ما به پیشرفت نیاز داریم. پیشرفت پایدار کافی نداریم و این موضوع باعث بروز مشکلات بسیاری شده است. من هیجانزدهام که این فناوری میتواند کمبود بهرهوری چند دهه گذشته را جبران کند و حتی فراتر از آن برود.» بااینحال، افزایش بهرهوری، هرچند به معنای ایجاد مشاغل بیشتر در کل باشد، برای کارگری که شغلش خودکار شده، خبر خوشایندی نیست.
ارتباط بین بهبود بهرهوری و از دست رفتن احتمالی مشاغل چندان ساده نیست. ظهور کانتینرهای استاندارد حملونقل، کارایی کارگران بندر را افزایش داد، اما تعداد کارگران بندر بهمراتب کاهش یافت. در مقابل، در صنعت نرمافزار، ایجاد زبانهای برنامهنویسی پیشرفته که برنامهنویسی را بسیار سادهتر کرده، منجر به کاهش تعداد توسعهدهندگان نرمافزار نشده است. بلکه تعداد برنامهنویسان بهطور چشمگیری افزایش یافته است. اینکه افزایش بهرهوری به سود یا زیان اشتغال در یک حوزه خاص منجر شود، به عاملی بستگی دارد که اقتصاددانان از آن با عنوان «کشش قیمتی تقاضا» یاد میکنند. بهعنوان مثال، تقاضا برای بسیاری از خدمات حرفهای کششپذیری بالایی دارد؛ بهطوریکه کاهش جزئی در قیمت این خدمات میتواند افزایش چشمگیری در تقاضا و در نتیجه نیاز به نیروی کار بیشتر را به همراه داشته باشد.
در سال ۲۰۱۶، جف هینتون[10]، پیشگام یادگیری عمیق، پیشبینی کرد که رادیولوژیستها ظرف پنج سال آینده به دلیل پیشرفت هوش مصنوعی در تفسیر اسکنهای پزشکی منسوخ خواهند شد. اما برخلاف این پیشبینی، تقاضا برای رادیولوژیستها بیشتر از همیشه شده است. فناوریهای جدید هزینه تصویربرداری پزشکی را کاهش دادهاند و این باعث افزایش میزان انجام تصویربرداری شده و در نتیجه به رادیولوژیستهای بیشتری نیاز است.
دیوید آتور، اقتصاددان MIT که تخصصش مطالعه تأثیر فناوری بر بازارهای کار است، معتقد است که تقاضا برای اکثر چیزهایی که هوش مصنوعی مولد تولیدشان را آسانتر میکند، بسیار کششپذیر خواهد بود. او به نرمافزار و دستیارهای برنامهنویسی هوش مصنوعی اشاره میکند و میپرسد: «اگر توسعهدهندگان نرمافزار همگی ۳۰ درصد بهرهورتر شوند، آیا ۳۰ درصد نرمافزار بیشتری تولید میشود؟ ۳۰ درصد برنامهنویس کمتری خواهیم داشت؟ یا اینکه درواقع ۶۰ درصد نرمافزار بیشتری تولید خواهد شد، چون با کاهش قیمت، تقاضا برای نرمافزار بیشتر و بیشتر میشود؟»
او ادامه میدهد: «من فکر میکنم این حالت آخر، محتملترین سناریو است.» تقاضا برای تخصص حرفهای، بهویژه در کشورهای ثروتمند، به نظر بیپایان میرسد. آتور میگوید: «در جهان ثروتمند، یک گلوگاه تخصصی وجود دارد.» به همین دلیل، ساعات کاری متخصصان افزایش یافته و حقوق آنها در پنجاه سال گذشته رشد کرده است. او توضیح میدهد: «در دهه ۱۹۷۰، افراد دارای مدرک دانشگاهی تنها چند ساعت بیشتر از افراد دارای دیپلم دبیرستان کار میکردند. حالا آنها بهطور قابلتوجهی بیشتر کار میکنند و افراد دارای دیپلم دبیرستان کمتر. این به این دلیل است که تقاضا برای افراد متخصص بسیار بیشتر از عرضه است.» این گلوگاه باعث شده مشاغل افراد با تحصیلات بالاتر، از نظر تعادل بین کار و زندگی، «بهطور قابلتوجهی بدتر» از گذشته شود. رفع این گلوگاه باید به نفع آنها تمام شود. در واقع، حتی با اینکه عصر دستیارهای هوش مصنوعی تازه آغاز شده است، برخی حرفهایها گزارش دادهاند که استفاده از چتباتها به آنها اجازه داده وقت شخصی بیشتری به دست آورند.
حسابداری نمونهای عالی است. در سال ۲۰۲۳، ایالات متحده با کمبود شدید حسابداران واجد شرایط مواجه بود. با بازنشستگی نسل بیبی بومرها[11] و دشواری جذب جوانان به این حرفه، تعداد حسابداران کاهش یافته است. درحالیکه هر سال حدود ۱۲۶,۵۰۰ موقعیت شغلی برای حسابداران وجود دارد، در سال ۲۰۲۰ تنها ۷۳,۰۰۰ مدرک حسابداری اعطا شده بود؛ کاهشی در مقایسه با حدود ۸۰,۰۰۰ مدرک اعطا شده در سال ۲۰۱۶. علاوه بر این، فقط ۶۷,۰۰۰ نفر در سال ۲۰۲۲ در آزمون CPA[12] شرکت کردند که کمترین تعداد در دو دهه گذشته بود.
هوش مصنوعی میتواند به پر کردن این شکاف کمک کند، هم از طریق افزایش بهرهوری حسابداران موجود و هم از طریق کمک به حسابداران کمتجربه برای ارائه عملکردی در سطح بالاتر.
اثر اوبر، بخش اول: کاهش دستمزدها
بهجای بیکاری، اثرات اقتصادی بالقوه هوش مصنوعی که باید نگرانشان باشیم، رکود دستمزدها و افزایش نابرابری درآمدی است. احتمالاً هوش مصنوعی میانگین دستمزدها را در بسیاری از حوزهها کاهش خواهد داد، حتی اگر به قشر برتر اجازه دهد درآمد بیشتری کسب کنند. دلیل این امر این است که هوش مصنوعی مانع ورود به بسیاری از مشاغل را کاهش میدهد و به افرادی با تحصیلات، استعداد و تجربه کمتر امکان میدهد کاری با کیفیت حداقل متوسط ارائه دهند. به یاد دارید که چگونه چتبات در مرکز تماس به کمتجربهترین نمایندگان بیشترین کمک را کرد؟ تصور کنید این روند در زمینههای مختلف تکرار شود.
به این پدیده میتوان «اثر اوبر» گفت: تا اواسط دهه ۲۰۰۰، تنها راه برای تبدیل شدن به یک راننده تاکسی در بسیاری از شهرها، بهویژه لندن، این بود که تخصص خاصی کسب کنید، خودروی مشخصی داشته باشید و مجوزی دریافت کنید که عرضه آن محدود بود. سپس GPS، تلفنهای همراه و اوبر از راه رسیدند. حالا هر کسی با گواهینامه رانندگی و یک خودرو میتوانست راننده تاکسی شود. این موضوع تعداد رانندگان را افزایش داد، اما همچنین هزینه سفرهای عادی را برای مصرفکنندگان کاهش داد. این تغییر برای مسافران عالی بود، اما برای رانندگان تصویری پیچیدهتر ایجاد کرد: اوبر به برخی افراد اجازه داد زندگی بهتری نسبت به شغلهای دیگرشان داشته باشند، اما بهطور متوسط، رانندگان اوبر به ازای هر مایل درآمد کمتری نسبت به تاکسیداران مجاز کسب میکنند. رقابت اوبر همچنین باعث شد که تاکسیداران مجاز نتوانند کرایههای خود را افزایش دهند. این موضوع در برخی از شهرهای ایالات متحده باعث کاهش تقاضا برای مجوزهای تاکسیرانی شد. اما افزایش تعداد رانندگان اوبر، تقاضای میلیاردرهای جهان برای رانندگان شخصی با مهارتهای خاص را کاهش نداده است. اوبر تأثیری بر دستمزدی که این رانندگان برتر میتوانند مطالبه کنند، نداشته است.
این اثر اوبر، به لطف هوش مصنوعی، در بسیاری از مشاغل تکرار خواهد شد. در حوزههایی که محدودیتهایی مانند گواهینامههای حرفهای مانع ورود افراد نمیشوند، تأثیر این پدیده از پیش قابل مشاهده بوده است.
مدت کوتاهی پس از عرضه ChatGPT، نویسندگان حرفهای که بهصورت فریلنسر برای مشتریان شرکتی محتوا تولید میکردند، شروع به شکایت کردند. مشتریان خواستار کاهش شدید نرخها شدند یا استخدام نویسندگان را مشروط به ارائه خدماتی فراتر از تولید محتوا کردند. شرکتها استدلال کردند که نباید برای کاری که ChatGPT سریعتر و رایگان انجام میدهد، پول پرداخت کنند، حتی در مواردی که قبول داشتند محتوای نویسندگان حرفهای برتر است. این موضوع باعث کاهش میانگین دستمزد تولید محتوای بازاریابی شده است. بااینحال، همانطور که اوبر تقاضا برای رانندگان حرفهای را کاهش نداده، تقاضا برای مدیران بازاریابی که استراتژیهای ارتباطی جامع را طراحی میکنند نیز تحت تأثیر ChatGPT و دستیارهای نوشتاری جدید قرار نگرفته است. همچنین، نگارش متن برای کمپینهای بزرگ تبلیغاتی نیز هنوز به هوش مصنوعی واگذار نشده است.
اثر اوبر، بخش دوم: کاهش نابرابری درآمد
اوبر به دلیل کاهش درآمد رانندگان تاکسی سنتی، انتقال ریسک مالی به رانندگان و کاهش ایمنی مسافران با انتقادات زیادی مواجه شده است. بااینحال، اثر اوبر ناشی از هوش مصنوعی میتواند در مجموع تأثیر مثبتی بر اقتصاد داشته باشد.
در بسیاری از کشورهای توسعهیافته، روند چند دهه گذشته شامل افزایش نابرابری و «زوال تدریجی» طبقه متوسط بوده است. صاحبان سرمایه و افراد با مدارک تحصیلی پیشرفته سهم بیشتری از کیک اقتصادی را تصاحب کردهاند، درحالیکه نیروی کار کممهارت و کمتحصیلات به سمت مشاغل کمدرآمدتر، اغلب در بخشهای مهمانداری، خدمات و خردهفروشی، سوق داده شدهاند. نسبت خانوارهایی که بین ۷۵ تا ۱۵۰ درصد از درآمد متوسط ملی درآمد داشتند، از ۴۳ درصد در سال ۱۹۷۰ به ۳۳ درصد در سال ۲۰۲۰ کاهش یافت. رشد دستمزد این گروه نیز عقب مانده است. درحالیکه درآمد پس از کسر مالیات خانوادههای طبقه متوسط بین سالهای ۱۹۷۹ تا ۲۰۱۸ حدود ۵۳ درصد افزایش یافت، درآمد پس از کسر مالیات بیست درصد پردرآمدترین افراد، ۱۲۰ درصد رشد کرد.
اثر اوبرِ هوش مصنوعی میتواند این روند را معکوس کند؛ به افراد با آموزش، تجربه و مهارت کمتر این امکان را میدهد که کارهای حرفهای را که در حال حاضر نیازمند تخصصی گرانقیمت و محدود است، بهطور موفقیتآمیزی انجام دهند.
این چشماندازی است که دیوید آتور را هیجانزده کرده است. او میگوید این موضوع میتواند به افرادی که در پنجاه سال گذشته از طبقه متوسط بیرون رانده شدهاند، کمک کند تا موقعیت مالی پایدارتری پیدا کنند. افزایش تعداد مصرفکنندگان طبقه متوسط باید برای اقتصاد مفید باشد. همچنین دسترسی به خدمات تخصصی را گسترش میدهد و خدماتی مثل حقوقی، مشاوره مالی و مراقبتهای بهداشتی را مقرونبهصرفهتر میکند.
آتور بهترین قیاس را با «پرستاران حرفهای» میبیند. این شغل تا دهه ۱۹۶۰ در ایالات متحده وجود نداشت اما طی دو دهه اخیر رشد زیادی داشته است. تعداد پرستاران حرفهای در ایالات متحده اکنون بین ۲۵۰,۰۰۰ تا ۴۰۰,۰۰۰ نفر است، بسته به اینکه از چه آماری استفاده شود. این نقش به شش تا هشت سال آموزش نیاز دارد، از جمله یک مدرک کارشناسی پرستاری، یک کارشناسی ارشد و دو سال آموزش بالینی اضافه. اگرچه این آموزشها قابل توجه هستند، اما کمتر از یازده تا شانزده سالی است که پزشکان آمریکایی باید طی کنند.
پس از کسب صلاحیت، یک پرستار عملی میتواند بسیاری از وظایفی را که زمانی مختص پزشکان بود انجام دهد، مانند درخواست آزمایشهای تشخیصی و تجویز دارو. پرستاران حرفهای دستمزد کمتری از پزشکان دریافت میکنند، اما بیش از دو برابر میانگین حقوق سالانه در ایالات متحده درآمد دارند. این نقش دسترسی به مراقبتهای بهداشتی را برای بخشهای وسیعی از جمعیت بهبود بخشیده است. هوش مصنوعی میتواند به ایجاد نقشهای مشابه پرستاران حرفهای در حرفههای دیگر کمک کند و هزینهها را کاهش دهد.
حسابداری باز هم نمونه خوبی است. در آینده، بهجای نیاز به یک حسابدار رسمی (CPA) برای انجام اکثر حسابرسیها، فردی با مدرک کاردانی حسابداری میتواند در کنار یک دستیار هوش مصنوعی، صورتهای مالی را تأیید کند.
دامپزشکان معمولاً باید هشت سال آموزش ببینند، اما میتوان دستهای از متخصصان دامپزشکی ایجاد کرد که پس از چند سال آموزش، برخی از کارهای دامپزشکان را با کمک هوش مصنوعی انجام دهند. همین ایده اساسی میتواند در حوزههای دیگری از جمله مشاوران مالی یا کارشناسان املاک و مستغلات نیز اعمال شود.
این یکی از دلایلی است که سم آلتمن میگوید او نسبت به تأثیر کلی هوش مصنوعی بر کاهش نابرابری درآمد خوشبین است؛ نه به این دلیل که معتقد است فناوری دستمزدها را کاهش نمیدهد، بلکه به این دلیل که مطمئن است هوش مصنوعی باعث کاهش چشمگیر قیمت کالاها و خدمات خواهد شد و قدرت خرید مردم را افزایش خواهد داد، حتی اگر رشد دستمزدها متوقف شود. البته این نتیجه تنها در صورتی محقق میشود که ما اطمینان حاصل کنیم نرمافزارهای هوش مصنوعی تواناییهای انسانی را تقویت میکنند. اگر این کار را نکنیم، آینده تاریکتری پیشرو خواهیم داشت.
بازگشت به وقفه انگلس
اوایل قرن نوزدهم در بریتانیا، صنعتیشدن باعث افزایش سریع بازده اقتصادی هر کارگر و رشد اقتصادی سرسامآور شد. بااینحال، میانگین دستمزد کارگران بین سالهای ۱۸۰۰ تا ۱۸۶۰ درجا زد. ریچارد آلن[13]، مورخ اقتصادی، این دوره شصتساله را «وقفه انگلس[14]» نامیده است. این نامگذاری اشارهای است به فریدریش انگلس، اقتصاددانی که در کتاب کلاسیک خود به نام وضعیت طبقه کارگر در انگلستان[15] در سال ۱۸۴۴، وضعیت ناگوار کارگران فقیر در منچستر قرن نوزدهم را توصیف کرده است؛ کتابی که تأثیر عمیقی بر کارل مارکس داشت.
درحالیکه اقتصاددانان چندین توضیح برای این دوره و پایان آن مطرح کردهاند، نظریههای اخیر بر ماشینآلات انقلاب صنعتی اولیه متمرکز شدهاند. فناوریهایی نظیر دستگاههای بافندگی، ماشین بخار و دستگاه پرس فلزی جایگزین مستقیم نیروی کار ماهر بودند. این ماشینآلات درعینحال به تعداد زیادی نیروی کار غیرماهر، از جمله کودکان، نیاز داشتند که دستمزد پایینی دریافت میکردند. اما با پیشرفتهتر شدن ماشینآلات بخار، استفاده از اپراتورهای ماهر ضروری شد. این موضوع به نیروی کار امکان داد تا خواهان افزایش بیشتر دستمزدها شود. کارخانهها نیز بزرگتر شدند و به نیروی مدیریتی بیشتر و همچنین منشیها، دفترداران و حسابداران نیاز پیدا کردند که این نیاز خود باعث ایجاد مشاغل تخصصی بیشتری شد. به عبارت دیگر، در دوران ویکتوریای متأخر[16]، نیروی کار انسانی و ماشینآلات به شیوهای مکمل یکدیگر شدند که در انقلاب صنعتی اولیه وجود نداشت.
اگر نرمافزارهای هوش مصنوعی را طوری طراحی کنیم که جایگزین نیروی انسانی شوند، بهجای اینکه مکمل آن باشند، ممکن است دوباره چیزی شبیه به وقفه انگلس رخ دهد. اگر چنین شود، شکاف میان ثروتمندان و دیگران بیشتر خواهد شد. در آمریکا، این اتفاق نهتنها نابرابری درآمد را بدتر میکند، بلکه تأثیر مخربی بر برابری نژادی و جنسیتی خواهد داشت. بخش عمدهای از آمریکاییهای سیاهپوست در نقشهای حمایتی کار میکنند. در واقع، کارگران سیاهپوست و لاتین در سه شغلی که مکینزی[17] پیشبینی کرده بیشترین تأثیر را از اتوماسیون میپذیرند، به شکل قابل توجهی حضور دارند: مشاغل پشتیبانی اداری و خدمات مشتری، خدمات غذایی و تولید کارخانهای.
زنان نیز بخش زیادی از نیروی کار در نقشهای پشتیبانی اداری و خدمات مشتری را تشکیل میدهند. مککنزی پیشبینی کرده است که این حوزهها به ترتیب با کاهش ۳.۷ میلیون و ۲ میلیون شغل تا سال ۲۰۳۰ مواجه خواهند شد. درعینحال، آمریکاییهای سیاهپوست در پنج حرفهای که کمترین جابهجایی را تجربه خواهند کرد؛ پزشکی، خدمات تجاری و حقوقی، مدیریت هنری و خلاق، تدریس و نگهداری املاک، کمترین حضور را دارند. زنان سیاهپوست در برخی مشاغل مانند پرستاری و مراقبت در منزل بیش از حد حضور دارند. این مشاغل احتمالاً تحت تأثیر هوش مصنوعی قرار نمیگیرند، بنابراین ممکن است وضعیت بهتری نسبت به مردان سیاهپوست داشته باشند. اما بسیاری از این مشاغل دستمزد پایینی دارند. مککنزی تخمین میزند که تا سال ۲۰۳۰، حداقل ۱۳۲,۰۰۰ نفر از آمریکاییهای سیاهپوست ممکن است به دلیل اتوماسیون شغل خود را از دست بدهند.
ثروت ملل
در سالهای اخیر، بسیاری از مشاغل مراکز تماس مشتری به آژانسهایی در کشورهایی مانند فیلیپین و هند برونسپاری شدهاند؛ جایی که این شغلها به نسبت استانداردهای محلی درآمد خوبی دارند. هند همچنین خدمات پشتیبانی IT از راه دور، توسعه نرمافزار و حسابداری زیادی را به شرکتهای کشورهای پیشرفتهتر ارائه میدهد. برونسپاری فرآیندهای کسبوکار[18] (BPO) در انواع مختلف خود، ۷.۵ درصد از تولید ناخالص داخلی سالانه فیلیپین و حدود ۸ درصد از تولید ناخالص داخلی هند را تشکیل میدهد.
اما هوش مصنوعی میتواند بسیاری از این شغلها را حذف کند. چتباتهای پیشرفته میتوانند بیشتر وظایفی را که اکنون توسط نمایندگان مراکز تماس انجام میشود، بر عهده بگیرند. همچنین، کُپایلوتها[19] (دستیارهای هوش مصنوعی) کار سایر نمایندگان را چنان کارآمد خواهند کرد که به تعداد بسیار کمتری نیروی انسانی نیاز خواهد بود.
درعینحال، بیشتر سیستمهای هوش مصنوعی امروزی در مراحل مختلف توسعه خود به مقادیر زیادی داده برچسبگذاریشده توسط انسان نیاز دارند. افراد برای شناسایی محتوای عکسها یا ویدئوها بهمنظور آموزش الگوریتمهایی که نرمافزارهایی مثل فیلتر محتوا یا خودروهای خودران را تقویت میکنند، مورد نیاز هستند. آنها باید متنهای نوشتاری را پاکسازی کنند تا به بهبود تشخیص گفتار در دستیارهای صوتی مانند سیری و الکسا کمک کنند. برای ساخت چتباتهای مفیدی مانند ChatGPT، انسانها باید پاسخهای ارائهشده توسط چتبات را بهعنوان مفید یا غیرمفید طبقهبندی کنند.
بسیاری از افرادی که این برچسبگذاری دادهها را انجام میدهند، در کشورهای در حال توسعه مانند ونزوئلا، مکزیک، بلغارستان، کنیا، فیلیپین و هند زندگی میکنند. مشابه مشاغل BPO، آنها معمولاً دستمزدی بالاتر از حداقل دستمزد کشورشان دریافت میکنند، اما این مبلغ بسیار کمتر از چیزی است که یک فرد در آمریکا یا اروپا درخواست میکند. در بسیاری از موارد، این برچسبگذاران دادهها، امنیت شغلی چندانی ندارند. همچنین، کار آنها ممکن است باعث آسیبهای روانی شدید و ماندگار شود، بهویژه اگر وظایف برچسبگذاری شامل بررسی تصاویر و ویدئوهایی با محتوای پورنوگرافی، سوءاستفاده جنسی یا خشونت شدید باشد.
هوش مصنوعی میتواند یک طبقه کارگر جهانی عظیم ایجاد کند که عمدتاً در کشورهای جنوب جهان متمرکز هستند و بهعنوان نیروی کار قابل جایگزینی در نظر گرفته میشوند، درحالیکه مزایای نرمافزاری که آنها به ساخت آن کمک میکنند، عمدتاً نصیب کشورهای ثروتمندتر میشود.
با افزایش آگاهی از شیوههای استثمارگرایانه در حوزه کار، شرکتها تحت فشار بیشتری قرار خواهند گرفت تا اطمینان حاصل کنند که نرمافزارهایشان به شیوهای اخلاقی ساخته میشوند. آدریان ویلیامز[20]، میلاگروس میچلی[21] و تیمنیت گبرو[22]، اخلاقگرایان هوش مصنوعی، بر ایجاد انجمنهایی تأکید کردهاند که به برچسبگذاران دادهها امکان میدهد شرایط کاری نامناسب را عمومی کرده و برای هماهنگی و سازماندهی اقدام کنند.
دو پژوهشگر از MIT وبسایتی به نام Turkopticon ایجاد کردهاند که بستری برای افرادی است که از طریق برنامه Mechanical Turk آمازون (پلتفرمی که وظایف دیجیتال را به کارگران دورکار واگذار میکند)، استخدام شدهاند تا شرایط قراردادهای خود را به اشتراک بگذارند. اتحادیهها یا خیریههایی که به بهبود شرایط کاری علاقه دارند میتوانند سایتهای مشابهی ایجاد کنند.
تشویق شرکتها به خروج از دام تورینگ
سیاستهای دولتی نقش تعیینکنندهای در تأثیر هوش مصنوعی بر اقتصاد خواهند داشت. اما در حال حاضر، بسیاری از این سیاستها مشوقهای نامطلوبی ایجاد میکنند که اتوماسیون را بهجای تقویت نیروی انسانی ترجیح میدهند. وقتی شرکتی در ایالات متحده روی کارکنان خود سرمایهگذاری میکند، باید مالیات بر حقوقی معادل ۷.۶۵ درصد از حقوق هر فرد بپردازد. در مقابل، شرکتها برای سرمایهگذاری در نرمافزارهایی مانند هوش مصنوعی، مشوق مالیاتی دریافت میکنند، هم بهصورت استهلاک و هم بهصورت اعتبار مالیاتی درصورتیکه نرمافزار هوش مصنوعی خود را توسعه دهند.
اقتصاددانان MIT، دارون عجماوغلو[23] و آندرهآ مانرا[24]، به همراه پاسکوال رستریپو[25] از دانشگاه بوستون[26]، برآورد کردهاند که اختلاف در نرخ مؤثر مالیات بین نیروی کار و اتوماسیون در ایالات متحده باعث شده است که شرکتی که ۱۰۰ دلار برای نیروی کار هزینه میکند، حدود ۳۰ دلار مالیات بپردازد. اما اگر همان شرکت ۱۰۰ دلار برای هوش مصنوعی یا ربات هزینه کند، فقط ۵ دلار مالیات پرداخت میکند. نرخ مؤثر مالیات بر اتوماسیون بهطور مداوم در حال کاهش بوده است؛ از ۱۰ درصد در دهه ۲۰۱۰ و ۲۰ درصد در دهه ۱۹۹۰.
عجماوغلو، مانرا و رستریپو استدلال میکنند که این مشوقها باعث سرمایهگذاری بیشازحد در اتوماسیون شده است، حتی بالاتر از سطحی که از نظر اقتصادی و اجتماعی برای کشور مفید باشد. آنها نتیجه میگیرند که یک رویکرد متعادلتر به مالیات میتواند اشتغال را بیش از ۴ درصد افزایش دهد.
شاید بهترین راه برای مقابله با این مشوقهای نامطلوب، وضع “مالیات بر ربات” برای شرکتهایی باشد که در اتوماسیون بهمنظور جایگزینی کارکنان سرمایهگذاری میکنند. عجماوغلو پیشنهاد داده است که این مالیات بر شرکتهایی اعمال شود که رباتها و نرمافزارها را تنها در حوزههایی به کار میگیرند که “انسانها همچنان مزیت نسبی قابلتوجهی دارند”، مانند پرستاری، مشاوره پیچیده مالیاتی یا روزنامهنگاری. (در حوزههایی که ماشینها مزیت قابلتوجهی دارند، مانند جوشکاری یا حتی انجام معاملات سهام، اتوماسیون باید همچنان تشویق و یارانه داده شود.) اما اجرای مالیات بر رباتها ممکن است چالشبرانگیز باشد. یک رویکرد سادهتر میتواند اعمال مالیات بر شرکتهایی باشد که در هوش مصنوعی و رباتیک سرمایهگذاری میکنند، در حالی که کارکنان خود را اخراج کرده و همزمان افزایش درآمد را گزارش میدهند. این شاخصها نشاندهنده استفاده از اتوماسیون برای جایگزینی نیروی انسانی بهجای تقویت آن هستند. در این راستا، قانونگذاران دموکرات در ایالت نیویورک پیشنهادی برای اعمال چنین مالیاتی ارائه دادهاند.
بهبود چانهزنی جمعی
چانهزنی جمعی[27] میتواند نقشی اساسی در ترغیب شرکتها به استفاده از هوش مصنوعی بهعنوان ابزاری برای تقویت نیروی انسانی بهجای جایگزینی آن ایفا کند. بااینحال، پیش از آن، اتحادیهها باید از واکنشهای شتابزده و مخالفت کلی با تمام اشکال هوش مصنوعی و اتوماسیون دست بردارند. اتحادیهها باید هوش مصنوعی را بپذیرند و در عین حال کارفرمایان را وادار کنند که این فناوری را بهعنوان ابزاری مکمل توسعه دهند. همچنین، اتحادیهها باید تلاش کنند تا اطمینان حاصل شود که شرکتها و دولتها برای کارگران بیکار شده آموزشهای مجدد ارائه دهند و شبکه ایمنی اجتماعی کافی برقرار باشد. افزون بر این، هماهنگی با کارگران کشورهای در حال توسعه، بهویژه کسانی که در زمینه برچسبگذاری دادهها فعالیت میکنند، ضروری است.
سه متخصص اخلاق هوش مصنوعی، ویلیامز، میچلی و گبرو، معتقدند: «این نوع همبستگی میان کارکنان پردرآمد فناوری و همتایان کمدرآمدشان (که تعدادشان بسیار بیشتر است)، کابوسی برای مدیران عامل فناوری محسوب میشود.»
متأسفانه، ساختار چانهزنی جمعی در ایالات متحده و قوانین کار، مانع از نقش سازنده اتحادیهها در توسعه فناوری میشوند. در سال ۱۹۳۵، قانون روابط ملی کار[28] (NLRA)، که به قانون واگنر[29] نیز معروف است، کارفرما را بهعنوان بزرگترین واحد پیشفرض برای چانهزنی جمعی تعیین کرد. این قانون همچنین به هیئت ملی روابط کار اجازه داد تا واحدهای بسیار کوچکتری را، حتی در سطح یک کارخانه یا محل کار، تنظیم کند. در عین حال، این قانون مشارکت نمایندگان کارکنان در هیئتهای شرکتی را ممنوع کرد، مگر آنکه شرکت بهطور کامل اتحادیهای شده باشد.
این سیستم باید بهطور کامل اصلاح شود؛ واحد پیشفرض باید به کل بخش صنعتی گسترش یابد و کارفرمایان موظف شوند به هیئت ملی روابط کار دلایل خود را برای معافیت از چانهزنی بخشی[30] ارائه دهند. این تغییر به اتحادیهها قدرت بیشتری میبخشد تا بتوانند نحوه استفاده شرکتها از فناوری هوش مصنوعی را تحت تأثیر قرار دهند.
در اروپا، جایی که بسیاری از کشورها از چانهزنی بخشی برخوردارند، میتوان تصور کرد که کارگران در تصمیمگیریهای مربوط به توسعه و استفاده از فناوری نقش داشته باشند. یکی از معدود نمونههای چانهزنی بخشی در ایالات متحده، هالیوود است، جایی که یکی از اولین نبردهای بزرگ درباره هوش مصنوعی در اعتصابات نویسندگان و بازیگران در سال ۲۰۲۳ رخ داد. در هر دو مورد، اتحادیهها و استودیوها به سازشهای کلیدی دست یافتند؛ انجمن نویسندگان آمریکا[31] (WGA) توافق کرد که از هوش مصنوعی بهعنوان یک ابزار حمایت کند، مشروط بر اینکه نویسندگان انسانی همچنان اعتبار کامل و دستمزد مناسب برای تولیدات خود دریافت کنند.
این مواضع باید الهامبخش اتحادیهها در صنایع دیگر باشد تا هنگام مذاکره با مدیریت درباره هوش مصنوعی از آن استفاده کنند.
گسترش شبکه امنیت اجتماعی
در حالی که اقتصاددانان درباره تأثیر هوش مصنوعی بر نرخ اشتغال و دستمزدها بحث میکنند، تقریباً همگی بر این نکته توافق دارند که ما وارد دورهای از تحولات و اختلالات شدید شدهایم، بهطوریکه بسیاری از افراد باید نحوه کار خود را تغییر دهند و در برخی موارد شغل جدیدی پیدا کنند. بر اساس برآوردهای شرکت مکینزی، تا سال ۲۰۳۰ حدود ۱۱.۸ میلیون آمریکایی مجبور خواهند شد به مشاغل دیگری روی آورند و از این میان، ۹ میلیون نفر به طور کامل وارد دستهبندیهای شغلی متفاوتی خواهند شد (برای مثال، یک دستیار اجرایی که به برنامهنویس کامپیوتر تبدیل میشود). نیاز به سیاستهای دولتی برای کاهش پیامدهای این انتقال را نمیتوان نادیده گرفت.
با این حال، ایالات متحده در ارائه آموزشهای مجدد برای نیروی کار عملکرد ضعیفی داشته است. تلاشها برای مقابله با جابهجاییهای قبلی بیشتر بر آموزش افرادی متمرکز بوده که تازه وارد بازار کار میشوند. برای مثال، افزایش بودجه آموزش عمومی و برنامه GI Bill پس از جنگ جهانی دوم. اما دولت فدرال برای آموزش مجدد کارکنان موجود گامهای جسورانه مشابهی برنداشته و بهجای آن، به شبکهای ناهماهنگ از برنامههای ایالتی و فدرال تکیه کرده است. کشور اکنون تنها ۰.۱ درصد از تولید ناخالص داخلی خود را برای کمک به کارگران در گذر از انتقالات شغلی هزینه میکند، کمتر از نیمی از میزانی که ۳۰ سال پیش هزینه میشد.
بودجه آموزشهای مجدد باید گسترش یابد و دولت باید بهجای تکیه بر اعتبارات مالیاتی برای ترغیب شرکتها به ارائه این آموزشها، بودجه مستقیم برای بازآموزی و ارتقاء مهارت به کارگران ارائه کند. حتی با وجود مشوقهای مالیاتی، شرکتها اغلب بهدرستی از پرداخت هزینه آموزش مجدد کارگران خودداری میکنند، زیرا معتقدند کارگران پس از کسب مهارتهای جدید، شغل خود را ترک کرده و به شرکت دیگری میروند. به همین دلیل، دولت ایالات متحده باید هزینه این آموزشها را مستقیماً تأمین کند. به گفته «اریک برینجولفسون»: «یک نیروی کار آماده، یک کالای عمومی است و همه ما باید هزینه آن را پرداخت کنیم.»
علاوه بر آموزشهای مجدد، مزایای دیگری نیز باید گسترش یابد و کمتر به وضعیت شغلی دریافتکنندگان وابسته باشد. اگرچه قانون مراقبت مقرونبهصرفه[32] (معروف به اوباماکر[33]) تضمین میکند که افراد بیکار شده بهطور خودکار دسترسی به بیمه درمانی خود را از دست ندهند، این افراد همچنان مجبورند یک طرح بیمه درمانی خصوصی خریداری کنند. در چنین شرایطی، بسته به مدت زمان بیکاری یا در صورتی که افراد دورهای از آموزش مجدد را طی کنند، ممکن است منابع مالی کافی برای پرداخت هزینههای درمانی در دسترس نداشته باشند.
از سوی دیگر، بسیاری از مزایای بیکاری ایالتی تنها به افرادی تعلق میگیرد که «بهطور فعال در جستجوی کار» هستند و امکان استفاده از این مزایا برای پرداخت هزینههای آموزش یا دورههای گواهینامه وجود ندارد. اگرچه مزایا و اعتبارات مالیاتی فدرال، مانند اعتبار مالیاتی درآمدی[34] (EITC)، در دهه گذشته گسترش یافتهاند، اما هنوز نیاز به اقدامات بیشتری احساس میشود تا اطمینان حاصل شود که افرادی که در حال جابهجایی بین مشاغل هستند، از سقوط به دام فقر جلوگیری کنند.
شبکه امنیت اجتماعی باید قویتر، انعطافپذیرتر و کمتر وابسته به ایالت خاصی باشد. ترس از بیکاری ناشی از هوش مصنوعی بهطور اجتنابناپذیری منجر به درخواستهایی برای اجرای درآمد پایه همگانی[35] (UBI) شده است. این ایده از مدتها پیش در میان نخبگان سیلیکون ولی محبوب بوده و احتمالاً با گسترش هوش مصنوعی گسترش خواهد یافت.
با این حال، نیازی به اجرای کامل یک طرح درآمد پایه همگانی که شامل همه شهروندان، صرفنظر از وضعیت مالی یا شغلی باشد، وجود ندارد. آنچه مورد نیاز است، مزایای بیکاری و بازآموزی بسیار سخاوتمندانهتر برای افرادی است که تازه شغل خود را از دست دادهاند. حتی اگر، همانطور که استدلال شده، هوش مصنوعی منجر به بیکاری گسترده نشود، همچنان شاهد جابهجایی و بازسازی مشاغل خواهیم بود و کسانی که تحت تأثیر قرار میگیرند نباید به فقر محکوم شوند.
تقویت یا جایگزینی: انتخاب با ماست
مهمترین عامل تعیینکننده در تأثیر اقتصادی هوش مصنوعی این است که آیا کسبوکارها از هوش مصنوعی بهعنوان یک همکار دیجیتالی برای تقویت تواناییهای انسانی استفاده میکنند یا بهعنوان جایگزینی برای نیروی کار انسانی. مالیات بر روباتها میتواند شرکتها را تشویق کند تا گزینه تقویت را انتخاب کنند. کارکنان نیز میتوانند از طریق چانهزنی جمعی، این مسیر را دنبال کنند.
فناوری چیزی نیست که صرفاً به ما تحمیل شود؛ بلکه پدیدهای است که ما آن را شکل میدهیم و هدایت میکنیم. هنوز هم میتوانیم آن را به گونهای بسازیم که پتانسیل اقتصادی انسانها را تقویت کند، نه اینکه آن را تضعیف کند.
[1] Carl Benedikt Frey
[2] Michael Osborne
[3] Oxford University
[4] Organisation for Economic Co-operation and Development
[5] Tom Mitchell
[6] Carnegie Mellon University
[7] Centaur (موجودات نیمه اسب و نیمه انسان که در اساطیر یونان به تصویر کشیده شدهاند)
[8] Daedalus
[9] Magnus Carlsen
[10] Geoffrey Hinton
[11] Baby boomers
[12] Certified Public Accountant
[13] Richard Allen
[14] Engels pause
[15] The Condition of the Working Class in England
[16] اصطلاح متأخر، در تاریخنگاری برای اشاره به مراحل نهایی یا پایانی یک دوره تاریخی یا حکومت به کار میرود.
[17] McKinsey & Company
[18] Business process outsourcing
[19] Co-pilots
[20] Adrienne Williams
[21] Milagros Miceli
[22] Timnit Gebru
[23] Daron Acemoglu
[24] Andrea Manera
[25] Pascual Restrepo
[26] Boston University
[27] Collective Bargaining
[28] National Labor Relations Act
[29] Wagner Act
[30] Sectoral Bargaining
[31] Writers Guild of America
[32] Affordable Care Act
[33] Obamacare
[34] Earned Income Tax Credit
[35] Universal basic income
