تحقیق Anthropic درباره خودکارسازی: چرا توان ربات‌ها با جایگزینی انسان فرق دارد؟

چهارشنبه ۳۰ سپتامبر ۲۰۲۶ (۸ مهر ۱۴۰۵)، تیم پژوهش اقتصادی Anthropic، سازنده Claude، گزارشی با عنوان «What work can robots do?» (ربات‌ها چه کارهایی را می‌توانند انجام دهند؟) منتشر کرد. تیتر اصلی این تحقیق Anthropic درباره ربات‌ها خیلی زود در رسانه‌ها دست‌به‌دست شد: ربات‌های امروزی می‌توانند حدود ۷۴٪ کارهای فیزیکی شاغلان آمریکایی را انجام دهند؛ کارهایی که روی هم ۳۴٪ کل ساعات کاری آمریکا را تشکیل می‌دهند.

اما همین گزارش، چند سطر پایین‌تر، عدد دیگری هم دارد که کمتر دیده شد: ربات‌ها فقط برای ۰٫۳٪ از وظایف شغلی از نظر هزینه با نیروی انسانی رقابت می‌کنند. یعنی «توانستن» با «به‌صرفه بودن» فاصله زیادی دارد. در این مقاله، با تکیه بر متن کامل گزارش و پیوست ۵۶ صفحه‌ای آن، توضیح می‌دهیم عدد ۷۴٪ دقیقاً با چه تعریف و روشی به دست آمده، کدام شغل‌ها بیشترین مواجهه را دارند، چرا ربات‌ها هنوز گران‌اند و Anthropic برای دهه‌های آینده چه سناریوهایی را پیش‌بینی می‌کند.

نگاه سریع

Anthropic دقیقاً چه چیزی را اندازه گرفته است؟

نقطه شروع گزارش، پایگاه داده O*NET وزارت کار آمریکاست که حدود ۹۰۰ شغل را به حدود ۱۹ هزار شرح وظیفه پیوند می‌دهد. پژوهشگران از Claude خواستند هر وظیفه را از نظر نیاز به کار فیزیکی، شناختی و میان‌فردی امتیاز دهد تا وظایفی جدا شوند که بدون ربات خودکار نمی‌شوند؛ مثلاً «کندن ترانشه» فیزیکی است، اما «محاسبه جمع فاکتورها با ماشین‌حساب»، با اینکه با دست انجام می‌شود، فیزیکی به حساب نمی‌آید. حاصل این مرحله ۷٬۵۹۴ وظیفه فیزیکی بود.

تعریف ربات در این گزارش مشخص است: «ماشین فیزیکی خودمختاری که حس می‌کند و عمل می‌کند». کارواش خودکاری که خودرو را اسکن می‌کند و افشانه‌ها را تنظیم می‌کند ربات است، اما سامانه جراحی da Vinci که تمام حرکاتش را جراح کنترل می‌کند ربات حساب نمی‌شود.

سپس Claude برای هر وظیفه در وب جست‌وجو کرد تا ربات مشخصی پیدا کند که آن کار را انجام می‌دهد و باید با نقل‌قول مستقیم از منبع، ادعایش را مستند می‌کرد. طبق پیوست گزارش، این کار با مدل Claude Opus 5 انجام شده و با احتساب رتبه‌بندی‌های تاریخی، حدود ۶۵۰ هزار جست‌وجوی وب و بیش از ۲۷۵ هزار نقل‌قول از بیش از ۹۰ هزار صفحه وب را در بر گرفته است. منبع‌ها باید استقرار واقعی، فروش تجاری یا نمایش عملی ربات را نشان می‌دادند. کیفیت هم شرط بود: ربات باید کار را «تقریباً به خوبی انسان» انجام دهد، با در نظر گرفتن قابلیت اطمینان، نرخ خطا و سرعت؛ خروجی‌اش در حدی باشد که کارفرما بپذیرد؛ و عمدتاً بدون کنترل انسان کار کند.

یک ظرافت روش‌شناختی مهم هم وجود دارد. شرح وظایف O*NET اغلب کوتاه است و جزئیاتی را که برای انسان ساده و برای ربات دشوار است جا می‌اندازد. برای همین، Claude ابتدا نمونه‌های واقعی هر وظیفه و سهم زمانی هرکدام را توصیف می‌کرد. نمونه خود گزارش «کندن ترانشه» است: حدود ۲۵٪ زمان این وظیفه حفر ترانشه خطی در زمین باز است که بیل‌مکانیکی خودران از عهده‌اش برمی‌آید؛ اما حدود ۲۰٪ آن حفاری دستی و دقیق در اطراف لوله‌ها و کابل‌های مدفون است که هیچ رباتی امروز انجامش نمی‌دهد. چون نمونه‌های «حفاری دقیق» بیشتر از «ترانشه خطی» است، کل این وظیفه در دسته «غیرقابل انجام برای ربات» قرار گرفت. قاعده کلی این است: یک وظیفه در سطحی رتبه می‌گیرد که ربات بتواند دست‌کم نیمی از نمونه‌هایش (به نسبت زمان) را در آن سطح انجام دهد.

عدد ۷۴٪ دقیقاً یعنی چه؟

کلید فهم این عدد، مقیاس چهارسطحی‌ای است که Anthropic برای «مواجهه با ربات» (robot exposure) تعریف کرده است. معیار این مقیاس، نوع محیطی است که ربات برای انجام کار به آن نیاز دارد:

• E0: هیچ رباتی نمی‌تواند این کار را انجام دهد؛ مثل رنگ کردن مو یا برپا کردن داربست. حدود یک‌چهارم کارهای فیزیکی در این دسته‌اند.

• E1: ربات فقط در محیطی که از اول برای ربات ساخته شده، مثل خط مونتاژ کارخانه، کار را انجام می‌دهد؛ مثلاً چیدن سینی غذا روی نوار نقاله. نیمی از کارهای فیزیکی در این دسته‌اند.

• E2: ربات در محیط کار ساختاریافته انسانی، مثل انبار لجستیک یا بیمارستان، کار را انجام می‌دهد؛ مثل ربات‌هایی که دارو را در راهروهای بیمارستان جابه‌جا می‌کنند. ۲۲٪ کارهای فیزیکی.

• E3: ربات در محیط بی‌ساختار و پیش‌بینی‌ناپذیر، مثل خیابان شهر، کار را انجام می‌دهد؛ عمدتاً رانندگی با خودروها، تراکتورها و ماشین‌آلات خودران. فقط ۲٪ کارهای فیزیکی.

عدد ۷۴٪ جمع سه سطح E1 تا E3 است. یعنی هر کاری که رباتی «در دست‌کم یک نوع محیط» بتواند انجام دهد، حتی اگر فقط در یک کارخانه کاملاً مهندسی‌شده، در این عدد شمرده شده است. وقتی کل اقتصاد را در نظر بگیریم، ۵۴٪ زمان کار آمریکایی‌ها صرف کارهای شناختی و میان‌فردی می‌شود و ۴۶٪ صرف کارهای فیزیکی. از کل وظایف، ۱۲٪ برای هیچ رباتی شدنی نیست، ۲۳٪ در محیط مخصوص ربات، ۱۰٪ در محیط ساختاریافته انسانی و فقط ۱٪ در محیط بی‌ساختار. جمع سه دسته آخر همان ۳۴٪ کل ساعات کاری است. همه این سهم‌ها بر اساس تعداد شاغلان هر شغل و زمانی که صرف هر وظیفه می‌کنند وزن‌دهی شده‌اند؛ سهم زمانی را هم Claude تخمین زده است.

پس جمله دقیق‌تر این است: ربات‌ها می‌توانند ۷۴٪ کارهای فیزیکی را در «برخی شرایط» انجام دهند و بیشتر این شرایط، محیط‌های کنترل‌شده است. خود نویسندگان در خلاصه یافته‌ها همین قید را آورده‌اند: «اما عمدتاً در محیط‌های محدود».

پیوست گزارش دو آزمون حساسیت هم دارد که برای تفسیر درست عدد اهمیت دارند. اگر رتبه‌هایی را که فقط به نمایش‌های آزمایشی (و نه استقرار تجاری) تکیه دارند کنار بگذاریم، سهم کار فیزیکیِ در معرض ربات فقط یک واحد درصد کم می‌شود. اما اگر مواردی را حذف کنیم که Claude ربات دقیقاً همان کار را پیدا نکرده و به ربات‌هایی استناد کرده که کار مشابهی انجام می‌دهند، مثلاً ربات‌های تنظیم چرخ در کارخانه خودروسازی برای کار تعمیرکار در تعمیرگاه، سهم کار فیزیکی در معرض ربات از حدود سه‌چهارم به حدود نصف کاهش می‌یابد. به عبارت دیگر، بخشی از ۷۴٪ به این قضاوت وابسته است که توانایی یک ربات به کار مشابه منتقل می‌شود.

کدام شغل‌ها بیشتر از همه در معرض ربات‌اند؟

Anthropic برای هر شغل یک «شاخص مواجهه با ربات» بین ۰ تا ۳ تعریف کرده است: میانگین سطح E وظایف آن شغل، وزن‌دهی‌شده بر اساس زمان. عدد ۳ یعنی رباتی بتواند همه وظایف آن شغل را در محیط بی‌ساختار انجام دهد. در فهرست ۱۰ شغل پرمواجهه (از میان شغل‌هایی با دست‌کم ۲۰ هزار شاغل)، ۹ مورد راننده یا اپراتور وسیله نقلیه‌اند:

بقیه فهرست ۱۰تایی شامل اپراتورهای ماشین آسفالت (۱٫۸)، جمع‌آوری‌کنندگان زباله (۱٫۸)، رانندگان فروشنده‌ای که کالا را تحویل می‌دهند (۱٫۷) و اپراتورهای بیل و لودر معادن روباز (۱٫۶) است. نکته جالب درباره رانندگان تاکسی این است که چون رانندگی بخش اصلی کارشان است، میانه وظایفشان در سطح E3 قرار می‌گیرد. با این حال گزارش یادآوری می‌کند که خودروهای خودران هنوز مشاغل رانندگی را در مقیاس بزرگ دگرگون نکرده‌اند؛ آنچه این شاخص نشان می‌دهد ریسک بالاتر است، نه جایگزینی قطعی.

انبارها دومین کانون اصلی‌اند. ربات‌های متحرک خودران تا سکوی بارگیری و داخل تریلرها می‌روند، بسته‌ها را با مکنده برمی‌دارند و روی نوار نقاله می‌گذارند؛ به همین دلیل وظایفی مثل «جابه‌جایی بار و کالا به انبار، سکوی بارگیری و وسایل حمل» در سطح E2 رتبه گرفته‌اند. اما همه کارهای انبار یکسان نیستند: ربات‌هایی که قفسه می‌چینند هنوز نیاز دارند کالا را نزدیکشان بیاورند، برای همین این وظیفه E1 رتبه گرفته و شاخص کلی قفسه‌چین‌ها ۱٫۰ است.

چه کسانی بیشتر در معرض‌اند و چرا با هوش مصنوعی زبانی فرق دارند؟

Anthropic با داده‌های پیمایش جامعه آمریکا (ACS) برای سال‌های ۲۰۲۰ تا ۲۰۲۴، یک‌پنجم پرمواجهه‌ترین شاغلان را با شاغلانی مقایسه کرده که هیچ مواجهه‌ای ندارند. گروه پرمواجهه ۲۰ واحد درصد کمتر احتمال دارد زن باشد، ۱۶ واحد درصد بیشتر احتمال دارد اسپانیایی‌تبار (Hispanic) باشد، ۵۵ واحد درصد کمتر احتمال دارد مدرک کارشناسی یا بالاتر داشته باشد، ساعتی حدود ۳۰ دلار کمتر درآمد دارد و نرخ بیکاری‌اش بیش از دو برابر است. داده‌های اداره آمار کار آمریکا (BLS) هم نشان می‌دهد این شغل‌ها بیشتر به حمل بار، کار در گرمای شدید یا نزدیکی مواد خطرناک نیاز دارند.

به گفته نویسندگان، این الگو از بسیاری جهات برعکس الگوی مواجهه با مدل‌های زبانی بزرگ است. گزارش قبلی Anthropic با عنوان «اثرات هوش مصنوعی بر بازار کار» (مارس ۲۰۲۶) که داده‌های استفاده واقعی از Claude در «شاخص اقتصادی Anthropic» (Anthropic Economic Index) را به کار گرفته بود، نشان داد شاغلان پرمواجهه با هوش مصنوعی زبانی بیشتر زن، تحصیل‌کرده‌تر و پردرآمدترند. همان گزارش هیچ افزایش نظام‌مندی در بیکاری این گروه از اواخر ۲۰۲۲ پیدا نکرد، هرچند شواهدی از کند شدن استخدام جوانان ۲۲ تا ۲۵ ساله در شغل‌های پرمواجهه دید.

گزارش جدید دو سنجه را کنار هم گذاشته است: سهم وظایفی که یک مدل زبانی می‌تواند زمانشان را نصف کند (بر اساس پژوهش Eloundou و همکاران، ۲۰۲۴)، و سهم وظایفی که یا مدل زبانی یا ربات از عهده‌شان برمی‌آید. نتیجه: حدود نیمی از کار در معرض مدل‌های زبانی است، اما با افزودن ربات‌ها این عدد به ۸۱٪ می‌رسد. در گروه حمل‌ونقل و جابه‌جایی، مدل‌های زبانی به‌تنهایی کمتر از ۱۵٪ وظایف را پوشش می‌دهند، اما با ربات‌ها این عدد به حدود ۹۰٪ می‌رسد. در مشاغل اداری و پشتیبانی که ترکیبی از کار رایانه‌ای و کارهای فیزیکی سبک است، مواجهه تقریباً به ۱۰۰٪ می‌رسد؛ بخش رایانه‌ای این مشاغل همان کاری است که نسل جدید مدل‌های Claude برای آن طراحی شده‌اند.

در طرف دیگر، مشاغل مراقبت و خدمات شخصی فقط حدود ۴۰٪ در معرض‌اند، چون تعامل حضوری و تماس فیزیکی با انسان، هم برای مدل‌های زبانی و هم برای ربات‌ها دشوار است. گروه‌هایی مثل نصب و تعمیر، پشتیبانی درمانی و خدمات اجتماعی هم همین الگو را دارند. با این حال، هیچ گروه شغلی‌ای در مجموع کمتر از ۴۰٪ در معرض نیست.

چرا ربات‌ها فقط برای ۰٫۳٪ کارها به‌صرفه‌اند؟

اینجا مهم‌ترین تفاوت ربات با نرم‌افزار آشکار می‌شود. به تعبیر نویسندگان، «ربات‌هایی که با سخت‌افزار گران‌قیمت ساخته می‌شوند به آسانی نرم‌افزار یا مدل‌های زبانی کپی و توزیع نمی‌شوند». برای همین Anthropic برای هر وظیفه در معرض، هزینه سالانه انجامش با ربات‌های استنادشده را تخمین زده است. این هزینه شامل خود ربات، لوازم جانبی، یکپارچه‌سازی و نصب، نگهداری، نرم‌افزار، انرژی، نظارت، بیمه و حتی از رده خارج کردن دستگاه است. هزینه‌های ثابت هم بر اساس عمر سخت‌افزار و هزینه سرمایه به هزینه سالانه تبدیل شده‌اند.

برای مقایسه منصفانه، ابتدا تخمین زده شد یک انسان در یک سال چقدر خروجی تولید می‌کند (مثلاً یک نانوا حدود ۱۸۰ هزار قطعه خمیر شکل‌داده در سال) و سپس هزینه تولید همان خروجی با ربات محاسبه شد. وظیفه‌ای «به‌صرفه» شمرده می‌شود که هزینه رباتی آن از سهم آن وظیفه در کل دستمزد و مزایای شاغل (بر اساس داده‌های BLS) کمتر باشد.

نمونه اصلی گزارش، بسته‌بندها هستند؛ بزرگ‌ترین شغلی که ربات‌ها برایش به‌صرفه‌اند. چند نوع ربات لازم است: بسته‌بند کارتن، جابه‌جاکننده مواد در انبار، ایستگاه بازرسی تصویری، کارتن‌ساز، برچسب‌زن و چسب‌زن. خرید و نصب این مجموعه بیش از ۲ میلیون دلار هزینه دارد، اما کار سالانه حدود ۱۴ کارگر را انجام می‌دهد. با فرض عمر حدود ۱۰ ساله و هزینه سرمایه ۸٪، به‌علاوه نگهداری، نظارت پاره‌وقت انسانی و انرژی، هزینه جایگزینی هر کارگر حدود ۴۵ هزار دلار در سال می‌شود؛ در حالی که هر بسته‌بند حدود ۴۹ هزار دلار هزینه دارد و ۹۷٪ وقتش صرف کارهایی می‌شود که ربات انجام می‌دهد. نتیجه: ربات‌ها سالانه حدود ۲٬۵۰۰ دلار ارزان‌ترند. آمریکا حدود ۵۶۰ هزار بسته‌بند دارد؛ اشتغال این گروه از ۲۰۱۵ تاکنون ۲۲٪ کم شده و BLS پیش‌بینی می‌کند تا ۲۰۳۵ این شغل یازدهمین ریزش شغلی بزرگ را در میان همه مشاغل داشته باشد.

روبوتاکسی‌ها نزدیک به نقطه سربه‌سرند؛ فقط حدود ۷ هزار دلار در سال گران‌تر از راننده تاکسی، اما با موانع قانونی روبه‌رو هستند. برای بیشتر شغل‌ها فاصله بسیار بزرگ است. طبق جدول هزینه گزارش، ربات‌های لازم برای کار یک جوشکار حدود ۳۳۵ هزار دلار در سال هزینه دارند، در برابر حدود ۷۳ هزار دلار هزینه خود جوشکار؛ یعنی حدود پنج برابر. دلیلش این است که جوشکار فقط جوش نمی‌دهد؛ قطعات بزرگ را جابه‌جا می‌کند، از نردبان بالا می‌رود، کیفیت را بررسی می‌کند و سطح را سنگ می‌زند. برای ظرف‌شوی‌ها (حدود ۱۷۲ هزار در برابر ۴۵ هزار دلار) و نظافتچی‌ها (حدود ۲۸۰ هزار در برابر حدود ۴۸ هزار دلار) هم ربات چند برابر گران‌تر است؛ ربات‌های نظافت به گفته گزارش گاهی تا ۱۰ برابر کندتر از انسان‌اند.

جمع‌بندی هزینه‌ها این است: با اینکه ربات‌ها از نظر نظری کارهایی معادل ۳۴٪ کل ساعات کاری را انجام می‌دهند، امروز فقط برای ۰٫۳٪ به‌صرفه‌اند؛ هرچند همین ۰٫۳٪ شامل حدود ۳۰۰ هزار کارگر است که ربات می‌تواند ۹۵٪ وظایفشان را انجام دهد. اگر ربات‌ها ۲۰٪ ارزان‌تر بودند، برای کار فیزیکی ۲٫۸ میلیون کارگر به‌صرفه می‌شدند (۰٫۸٪ کل زمان کار اقتصاد). داده‌های صنعتی و دولتی نشان می‌دهد قیمت ربات‌ها از دهه ۱۹۹۰ سالانه حدود ۳٪ کاهش یافته است؛ با این نرخ، رسیدن به همان ۲۰٪ حدود هفت سال طول می‌کشد. برای اینکه ربات‌ها برای ۱۰٪ کار انسانی به‌صرفه شوند، هزینه‌ها باید حدود ۷۰٪ کاهش یابد که با همین نرخ حدود ۴۰ سال زمان می‌برد.

نویسندگان هشدار می‌دهند که این برآوردها تقریبی‌اند و برابری هزینه لزوماً به معنای بیکاری گسترده یا رشد سریع اقتصادی نیست: وظایفی که هنوز انسان انجام می‌دهد ممکن است گلوگاه شوند و بسیاری از این برآوردها خودشان شامل نظارت، رسیدگی به استثناها و تعمیر توسط انسان‌اند. به استناد پژوهش‌های Acemoglu و Restrepo و Jones و Tonetti، خودکارسازی معمولاً وقتی بهره‌وری را بالا می‌برد که ماشین «خیلی ارزان‌تر» از انسان شود، نه وقتی هم‌قیمت شود.

جز هزینه، چه موانعی جلوی ربات‌ها را گرفته است؟

Anthropic از Claude پرسید کدام موانع امروز مانع می‌شوند که ربات‌ها بخش قابل‌توجهی از هر وظیفه فیزیکی را انجام دهند و پاسخ‌ها را در چهار دسته قرار داد: توانایی، ترجیحات انسانی، مقررات و هزینه. نتایج:

• توانایی: برای حدود ۷۰٪ وظایف فیزیکی مانع است. برجسته‌ترین کمبود «دستکاری» (manipulation) است: نیمی از کارهای فیزیکی بدون مهارت بیشتر ربات‌ها در لمس و جابه‌جایی اشیا در مقیاس خودکار نمی‌شوند. باز کردن گره سیم‌ها نمونه‌ای است که خود گزارش آورده است. ضعف در برنامه‌ریزی و استدلال، یعنی همان حوزه‌ای که هوش مصنوعی احتمالاً بیشترین کمک را به آن می‌کند، فقط برای ۸٪ وظایف مانع است.

• مقررات: قوانین امروز اجازه نمی‌دهند ربات‌ها ۱۴٪ کارهای فیزیکی را انجام دهند؛ بیشتر در سلامت، خدمات انتظامی و آموزش.

• ترجیحات انسانی: برای حدود یک‌چهارم وظایف مانع است؛ یا چون مردم به ربات اعتماد نمی‌کنند (مثلاً برای لباس پوشاندن به کودک و عوض کردن پوشک) یا چون تعامل انسانی را ارزشمند می‌دانند (مثل خوشامدگویی و راهنمایی مهمانان در رستوران).

• هزینه: تقریباً برای همه وظایف، هزینه‌ها هم باید کاهش یابند.

حدود ۳۰٪ کارهای فیزیکی با ترجیحات یا مقررات محدود شده‌اند. بنابراین حتی اگر ربات‌ها توانا و ارزان شوند، بیشتر کار فیزیکی در معرض می‌ماند، اما همین ۳۰٪ می‌تواند حلقه ضعیفی شود که سرعت رشد بهره‌وری کل را پایین نگه دارد.

گذشته درباره آینده ربات‌ها چه می‌گوید؟

فرض اصلی گزارش این است که شغل‌هایی زودتر تحت تأثیر قرار می‌گیرند که ربات‌های امروزی همین حالا کارشان را انجام می‌دهند. برای آزمودن این فرض، پژوهشگران مواجهه با ربات را برای چند سال از ۱۹۷۷ به بعد بازسازی کردند و آن را با تغییرات دستمزد و اشتغال در دهه‌های بعد مقایسه کردند. طبق پیوست، شغلی که همه وظایفش در معرض ربات بوده، ۲۰ سال بعد در مقایسه با شغلی بدون مواجهه در همان صنعت، ۷٫۱٪ دستمزد کمتر داشته (بازه اطمینان ۹۵٪: ۵٫۴ تا ۸٫۹ درصد) و پیش‌بینی می‌شود ۳۴٫۲٪ از مشاغلش را از دست داده باشد (بازه اطمینان ۱۶٫۴ تا ۵۲ درصد). در صنعت خودروسازی، حدود ۱۰۰ هزار اپراتور ماشین در ۱۹۹۰ شاغل بودند و در ۲۰۱۲ حدود ۵۰ هزار نفر؛ در همان دوره، اشتغال تعمیرکاران ماشین‌آلات صنعتی که مواجهه کمتری داشتند ۵۰٪ افزایش یافت.

گزارش سرعت پیشرفت توانایی ربات‌ها را هم اندازه گرفته است. ربات‌های سال ۱۹۷۷ نمی‌توانستند ۶۲٪ وظایف فیزیکی آن زمان را انجام دهند؛ ربات‌های امروز همه آن وظایف به جز ۲۴٪ را انجام می‌دهند. یعنی هر سال ربات‌ها توانسته‌اند حدود ۲٪ از کارهایی را که قبلاً از عهده‌شان برنمی‌آمد یاد بگیرند.

Anthropic با ترکیب این نرخ و کاهش سالانه ۳٪ قیمت، سناریوهایی ساخته است:

• سناریوی روند تاریخی: ربات‌ها تا سال ۲۰۸۵ برای نیمی از کار فیزیکی امروز به‌صرفه نمی‌شوند.

• سناریوی سریع: اگر هزینه‌های تعدیل‌شده با کیفیت تا چهار برابر سریع‌تر کاهش یابد و ربات‌ها دو برابر سریع‌تر کارهای جدید یاد بگیرند، این نقطه به ۲۰۵۰ می‌رسد؛ اما خودکارسازی ۹۰٪ کار فیزیکی امروز باز هم ۵۳ سال طول می‌کشد.

نتیجه‌گیری نویسندگان صریح است: «ربات‌ها برای اینکه خودکارسازی سریع کار فیزیکی ممکن شود، باید در دهه‌های آینده نرخ‌های بی‌سابقه‌ای از کاهش قیمت و بهبود کیفیت را حفظ کنند.» آن‌ها یادآوری می‌کنند این سناریوها پیش‌بینی از دست رفتن شغل نیستند و عواملی مثل ترجیحات، مقررات و واکنش دستمزدها را کنار گذاشته‌اند.

خوش‌بین‌ها و منتقدان درباره این نتایج چه می‌گویند؟

به نوشته Yahoo Finance، این یافته‌ها برخلاف موج خوش‌بینی اخیر درباره ربات‌های انسان‌نما است. جنسن هوانگ، مدیرعامل انویدیا، در CES ژانویه ۲۰۲۶ از نزدیک بودن «لحظه ChatGPT» برای رباتیک سخن گفته بود و Morgan Stanley در مه ۲۰۲۵ بازار ربات‌های انسان‌نما را تا ۲۰۵۰ پنج تریلیون دلار پیش‌بینی کرده بود. در مقابل، تورستن اسلوک، اقتصاددان ارشد Apollo، در یادداشتی درباره این گزارش نوشت: «حتی با پیش‌بینی‌های تهاجمی، جایگزینی گسترده نیروی کار فیزیکی دهه‌ها طول خواهد کشید.» او افزود گلوگاه‌های جدی در مهارت‌های دستکاری ظریف، محدودیت‌های قانونی و ترجیحات انسانی، خودکارسازی کوتاه‌مدت را به‌طور قابل‌توجهی کند خواهد کرد.

خود گزارش هم محدودیت‌هایش را پنهان نمی‌کند. ربات‌های مجهز به هوش مصنوعی ممکن است از این مقیاس جلو بزنند و کارهایی را یاد بگیرند که امروز نمی‌توانند، مثل بالا رفتن از نردبان یا کار ماهرانه‌تر با بازو و گیره؛ انسان‌نماها یا روش‌های تولید تازه هم ممکن است هزینه را سریع‌تر پایین بیاورند. سناریوها فرض می‌کنند کاهش هزینه برای همه وظایف یکسان است، در حالی که سازندگان ربات ممکن است کارهای خاصی را زودتر هدف بگیرند؛ همان‌طور که شرکت‌های هوش مصنوعی روی عامل‌های برنامه‌نویسی متمرکز شدند.

Yahoo Finance نکته دیگری را هم برجسته می‌کند: چون هزینه برای نرم‌افزار مانعی به اندازه سخت‌افزار نیست، اختلال در مشاغل اداری ممکن است سریع‌تر از مشاغل یدی رخ دهد. برای دنبال کردن تحولات این حوزه، مهم‌ترین اخبار هوش مصنوعی هفته را هم ببینید.

این تحقیق برای یادگیرندگان هوش مصنوعی در ایران چه پیامی دارد؟

اول باید روشن گفت: همه اعداد این گزارش مربوط به بازار کار آمریکا، دستمزدهای آمریکا و داده‌های O*NET و BLS است. در کشوری با دستمزد پایین‌تر، معادله هزینه ربات و نیروی انسانی کاملاً متفاوت است و نمی‌توان ۷۴٪ یا ۰٫۳٪ را مستقیم به بازار کار ایران تعمیم داد. با این حال، منطق تحقیق جهانی است و چند درس روشن دارد:

• «توانستن» با «جایگزین شدن» یکی نیست. تیترهایی که می‌گویند ربات‌ها ۷۴٪ کارها را می‌گیرند، قید محیط کنترل‌شده و هزینه را حذف می‌کنند. خواندن روش‌شناسی، مهارتی است که هر یادگیرنده هوش مصنوعی به آن نیاز دارد.

• کارهای رایانه‌ای سریع‌تر تغییر می‌کنند. مدل‌های زبانی به‌تنهایی حدود نیمی از وظایف را پوشش می‌دهند و هزینه تکثیرشان ناچیز است. برای کسی که کارش پشت میز و با رایانه است، یادگیری کار مؤثر با ابزارهای هوش مصنوعی فوری‌تر از نگرانی درباره ربات‌هاست.

• مهارت‌های میان‌فردی و دستی ظریف بادوام‌ترند. طبق گزارش، کارهایی که امروز نه مدل زبانی و نه ربات از عهده‌شان برمی‌آید، معمولاً حضوری، رودررو و گاهی تحت مقررات‌اند. نویسندگان حتی احتمال می‌دهند خود کار در آینده اجتماعی‌تر و میان‌فردی‌تر شود.

اگر نمی‌دانید از کجا شروع کنید، با آزمون تعیین سطح آکادمی، جایگاه فعلی‌تان در کار با هوش مصنوعی را بسنجید و سپس از میان دوره‌های آموزشی هوش مصنوعی مسیر مناسب خود را انتخاب کنید.

جمع‌بندی

تحقیق ۳۰ سپتامبر Anthropic تصویری دقیق‌تر از تیترهای رسانه‌ای ارائه می‌دهد. ربات‌های امروزی می‌توانند ۷۴٪ کارهای فیزیکی آمریکا (۳۴٪ کل ساعات کاری) را انجام دهند، اما بیشتر در محیط‌هایی که برای ربات ساخته یا ساختاریافته شده‌اند و فقط ۲٪ در محیط‌های باز واقعی؛ بخشی از این عدد هم به قضاوت درباره انتقال توانایی ربات‌ها به کارهای مشابه وابسته است. رانندگی و کار انبار بیشترین مواجهه را دارند و پرستاری و تعمیرات عمومی مواجهه کمی دارند. مهم‌تر از همه، ربات‌ها امروز فقط برای ۰٫۳٪ وظایف از انسان ارزان‌ترند و با روند تاریخی کاهش قیمت، رسیدن به ۱۰٪ حدود ۴۰ سال طول می‌کشد.

پیام نهایی گزارش این است که خودکارسازی کار فیزیکی احتمالاً از جایی شروع می‌شود که ربات‌ها همین امروز جای پایی دارند، یعنی رانندگان و بسته‌بندهای انبار، و سرعت آن بیش از هر چیز به هزینه و مهارت دستکاری ربات‌ها بستگی دارد. نویسندگان می‌گویند به‌روزرسانی‌های دوره‌ای این کار می‌تواند پیشرفت ربات‌ها را ردیابی کند؛ ما هم در اخبار روز هوش مصنوعی آکادمی هوش مصنوعی ایران، نسخه‌های بعدی را دنبال می‌کنیم.