شتاب ورود هوش مصنوعی مولد به محیط کار، بهرهوری را افزایش داده اما همزمان یک مسئله کمتر دیدهشده را به مرکز بحث درباره آینده کار آورده است. وقتی بخشی از فرایند تحقیق، استدلال، نگارش و ارزیابی به ماشین واگذار میشود، چه بر سر توانایی انسان برای فهم و سنجش همان خروجی میآید؟ شواهد تازه نشان میدهد مسئله اصلی در بسیاری از سازمانها، استفاده از هوش مصنوعی نیست، بلکه فاصلهای است که میان سرعت پذیرش این فناوری و ظرفیت انسانی و سازمانی برای ارزیابی انتقادی خروجی آن شکل گرفته است.
خروجیهای به ظاهر صحیح؛ اما غیرقابل اتکا
یکی از مهمترین ویژگیهای هوش مصنوعی مولد، توانایی تولید سریع متون منسجم، ساختاریافته و از نظر ظاهری حرفهای است. همین مزیت در محیطهای کاری تحت فشار میتواند به یک آسیب تبدیل شود. گزارش یا یادداشت تولیدشده توسط مدل ممکن است دارای استدلال منظم، ادبیات تخصصی و ارجاعات دانشگاهی باشد، در حالی که بخشی از شالوده معرفتی آن اساساً قابل اتکا نیست.
ماجرای پیشنویس «سیاست ملی هوش مصنوعی» آفریقای جنوبی نمونه کمسابقهای از همین مسئله است. دولت این کشور پیشنویس سیاست را در آوریل ۲۰۲۶ برای دریافت نظرات عمومی منتشر کرد، اما بررسیها نشان داد فهرست منابع آن حاوی ارجاعات ساختگی است. وزارت ارتباطات و فناوریهای دیجیتال پس از بررسی داخلی وجود منابع جعلی را تأیید کرد و وزیر ارتباطات این کشور اعلام کرد همین مسئله اعتبار و تمامیت سند را مخدوش کرده است. پیشنویس در نهایت پس گرفته شد و دولت بازنگری در آن را در دستور کار قرار داد.
اهمیت این رخداد از یک خطای ساده در حوزه استناد فراتر میرود. نهادی که مأمور طراحی سیاست ملی برای حکمرانی هوش مصنوعی بود، خود با یکی از شناختهشدهترین مخاطرات این فناوری، یعنی تولید اطلاعات و منابع ساختگی، مواجه شد. پارلمان آفریقای جنوبی نیز موضوع را به مسئلهای درباره اعتبار، شفافیت و پاسخگویی فرایند سیاستگذاری تبدیل کرد.
نمونه مشابهی دیگری نیز در استرالیا رخ داده است. بر همین اساس، شرکت دیلویت در سال ۲۰۲۵ پذیرفت بخشی از مبلغ قرارداد ۴۴۰ هزار دلار استرالیا با دولت این کشور برای تولید یک گزارش را بازگرداند. این گزارش که برای وزارت اشتغال و روابط محل کار تهیه شده بود، حاوی ارجاعات دانشگاهی ناموجود و حتی اشاره به یک تصمیم قضایی ساختگی بود. دیلویت استفاده از ابزار مبتنی بر «هوش مصنوعی» در تهیه سند را تأیید و اعلام کرد اصلاح خطاها توصیههای اصلی گزارش را تغییر نداده است.
سرعت پذیرش از سواد هوش مصنوعی پیشی گرفته است
دادههای مطالعه جهانی دانشگاه ملبورن و «KPMG» ابعاد ساختاری مسئله را آشکارتر میکند. این پژوهش بر پایه پاسخ ۴۸ هزار و ۳۴۰ نفر در ۴۷ کشور انجام شده و یکی از گستردهترین مطالعات تطبیقی درباره اعتماد و نحوه استفاده از هوش مصنوعی محسوب میشود. بر همین اساس، دو سوم پاسخدهندگان، معادل ۶۶ درصد، اعلام کردهاند به طور منظم و آگاهانه از هوش مصنوعی در زندگی، کار یا تحصیل استفاده میکنند. در مقابل، تنها حدود دو نفر از هر پنج نفر آموزشهای مرتبط با هوش مصنوعی را دریافت کردهاند و حدود نیمی از افراد نیز شناخت خود از این فناوری و نحوه کاربرد آن را محدود ارزیابی کردهاند.
این شکاف در محیط کار آثار مستقیمتری دارد. ۵۸ درصد کارکنان مورد بررسی به طور منظم از هوش مصنوعی در کار استفاده میکنند و ابزارهای عمومی هوش مصنوعی مولد سهم مهمی از این استفاده را تشکیل میدهند. ۷۰ درصد کاربران محیط کار از ابزارهای عمومی رایگان استفاده میکنند، در حالی که سهم ابزارهای هوش مصنوعی ارائهشده از سوی کارفرما ۴۲ درصد است. این الگو به معنای حرکت بخشی از فعالیت فکری سازمان به محیطهایی است که ممکن است خارج از سازوکارهای رسمی کنترل کیفیت، محرمانگی و حکمرانی داده سازمان قرار داشته باشند.
مسئله زمانی جدیتر میشود که رفتار کاربران بررسی شود. بر اساس مطالعه صورت گرفته، ۶۶ درصد کارکنان اعلام کردهاند که از خروجی هوش مصنوعی در کار خود بدون ارزیابی آن استفاده کردهاند و ۵۶ درصد نیز تجربه ارتکاب اشتباه در نتیجه استفاده از هوش مصنوعی را گزارش دادهاند. حدود نیمی از کارکنان نیز استفادههایی را پذیرفتهاند که با سیاستهای سازمانی تعارض داشته و بیش از نیمی استفاده خود از هوش مصنوعی را از دیگران پنهان کردهاند.
در نتیجه، مسئله بهرهوری را باید همراه با «هزینه راستیآزمایی» سنجید. افزایش سرعت تولید زمانی به بهرهوری واقعی تبدیل میشود که سازمان همچنان توان تشخیص خطا، بررسی استناد، آزمون استدلال و بازسازی مسیر رسیدن به نتیجه را حفظ کرده باشد.
بهرهوری ظاهری و مسئله «برونسپاری شناختی»
ریشه عمیقتر مسئله را میتوان در پدیده برونسپاری شناختی جستوجو کرد. فعالیتهایی مانند جستوجوی منابع، مقایسه شواهد متعارض، ساختن فرضیه، طراحی ساختار استدلال و بازنویسی چندباره متن، در ظاهر مراحل مقدماتی تولید یک گزارش هستند. اما بخش مهمی از یادگیری و شکلگیری قضاوت حرفهای دقیقاً در همین مراحل اتفاق میافتد.
هنگامی که کاربر مستقیماً از مسئله به خروجی نهایی میرسد، محصول را در اختیار دارد اما ممکن است «نقشه شناختی» لازم برای دفاع از آن را کسب نکرده باشد. چنین فردی در برابر یک متن نادرست اما متقاعدکننده آسیبپذیرتر خواهد بود، زیرا توان ارزیابی خروجی تا حد زیادی محصول همان فرایندی است که اکنون به ماشین واگذار شده است.
یافتههای مطالعه دانشگاه ملبورن و «KPMG» درباره دانشجویان این نگرانی را تشدید میکند. ۸۳ درصد دانشجویان بررسیشده به طور منظم از هوش مصنوعی در تحصیل استفاده میکنند. بیش از سه چهارم گفتهاند برای انجام کار خود به کمک هوش مصنوعی وابسته شدهاند و به جای فراگیری بعضی مهارتها انجام وظایف مربوط به آنها را به هوش مصنوعی سپردهاند. چهار نفر از هر پنج دانشجو نیز کاهش میزان تلاش در تکالیف و ارزیابیهای آموزشی را گزارش کردهاند. بخشی از دانشجویان کاهش تفکر انتقادی و تعامل با استادان و همکلاسیها را نیز از پیامدهای ورود هوش مصنوعی دانستهاند.
عاملهای هوشمند هنوز با ارائه خروجی بینقص فاصله دارند
تصور توانایی هوش مصنوعی در انجام مستقل کارهای حرفهای نیز با نتایج برخی ارزیابیهای جدید فاصله قابل توجهی دارد. «شاخص کار از راه دور» مرکز ایمنی هوش مصنوعی آمریکا، توانایی عاملهای هوشمند را در اجرای پروژههای واقعی و دارای ارزش اقتصادی در حوزههایی مانند تحلیل داده، توسعه وب، طراحی گرافیک، معماری و تولید محتوای چندرسانهای ارزیابی میکند. معیار موفقیت در این آزمون سختگیرانه است و خروجی باید از دید ارزیاب انسانی کیفیتی در حد محصولی داشته باشد که مشتری حاضر باشد بابت آن پول پرداخت کند.
نتایج منتشرشده در ژوئیه ۲۰۲۶ نشان داد بهترین سامانه مورد ارزیابی به نرخ خودکارسازی ۱۵.۸ درصد رسیده است. به بیان دیگر، حتی بهترین عملکرد ثبتشده در این ارزیابی در حدود ۸۴ درصد پروژهها هنوز نتوانسته به استاندارد کار حرفهای قابل پذیرش برسد. البته همین نرخ نسبت به نسل قبلی مدلها جهش قابل توجهی محسوب میشود و از پیشرفت سریع توانمندی عاملهای هوشمند حکایت دارد.
بر همین اساس، میتوان نتیجه گرفت که قابلیت مدلها با سرعت بالایی در حال افزایش است و فاصله آنها با اجرای مستقل بخش بزرگی از کار حرفهای همچنان معنادار باقی مانده است. واگذاری کامل مسئولیت فکری به سامانهای که خروجی بسیار متقاعدکننده تولید میکند اما نرخ خطای آن در وظایف پیچیده همچنان بالاست، میتواند نوع تازهای از ریسک عملیاتی ایجاد کند.
از «انسان در حلقه» تا «تفکر انسانی در حلقه»
به باور بسیاری از متخصصان، پاسخ سازمانی مؤثر به این وضعیت به ممنوعیت استفاده از هوش مصنوعی وابسته نیست. دادههای موجود نشان میدهد فناوری به بخشی از زیرساخت کار دانشی تبدیل شده و مسیر واقعبینانهتر، بازطراحی تقسیم کار شناختی میان انسان و ماشین است.
در چنین الگویی، هوش مصنوعی میتواند برای جستوجوی اولیه، مقایسه گزینهها، پردازش حجم بالای اطلاعات، کشف تناقضها و کمک به بازنویسی به کار رود، اما صورتبندی مسئله، طراحی منطق استدلال، تعیین معیار اعتبار منابع و قضاوت نهایی باید در مالکیت شناختی انسان باقی بماند. اصل «انسان در حلقه» نیز در اینجا معنایی عمیقتر پیدا میکند. از همین روی، حضور صوری یک انسان در انتهای فرایند کفایت نمیکند و تفکر انسانی باید در خود فرایند تولید دانش حضور داشته باشد.
این ضرورت برای سازمانها به معنای بازنگری در شاخصهای بهرهوری نیز هست. سازمانی که کارکنان خود را صرفاً بر اساس سرعت تحویل ارزیابی میکند، عملاً انگیزه برونسپاری هرچه بیشتر فرایند شناختی را ایجاد خواهد کرد. آموزش سواد هوش مصنوعی، الزام به راستیآزمایی منابع، ثبت نحوه استفاده از مدلها، تفکیک مراحل مجاز و حساس استفاده از هوش مصنوعی و ایجاد سازوکار ارزیابی همتایان میتواند بخشی از معماری کنترل این ریسک باشد.
آینده کار به کیفیت فکر کردن وابسته است
پارادوکس عصر هوش مصنوعی در همین نقطه شکل میگیرد. هرچه ماشین در تولید متن، تحلیل داده و ساخت خروجی حرفهای توانمندتر شود، ارزش اقتصادی و سازمانی توانایی انسان برای تشخیص صحت خروجی افزایش پیدا میکند. مزیت انسانی آینده احتمالاً در سرعت تایپ کردن یا تهیه نخستین پیشنویس قرار ندارد. در این وضعیت، صورتبندی مسئله درست، تشخیص رابطه علّی، ارزیابی اعتبار شواهد، کشف تناقض و پذیرش مسئولیت قضاوت اهمیت بیشتری پیدا خواهد کرد.
تجربه آفریقای جنوبی و استرالیا بیانگر آن است که یک سند میتواند از نظر ظاهری کاملاً حرفهای باشد و در همان حال پایههای استنادی آن فرو بریزد. دادههای جهانی نیز نشان میدهند استفاده از هوش مصنوعی با سرعتی بیشتر از آموزش، حکمرانی و ظرفیت ارزیابی انتقادی آن گسترش یافته است.
از این منظر، مهمترین خطر واگذاری کار فکری به هوش مصنوعی شاید تولید یک پاسخ اشتباه نباشد. خطر پایدارتر زمانی شکل میگیرد که انسان به تدریج توانایی تشخیص اشتباه بودن همان پاسخ را از دست بدهد. آینده مطلوب کار در عصر هوش مصنوعی از حفظ همین فاصله انتقادی عبور میکند. ماشین میتواند بار شناختی را کاهش دهد، اما مالکیت قضاوت باید همچنان نزد انسانی باقی بماند که میداند نتیجه چگونه و بر پایه چه شواهدی ساخته شده است.