پذیرش هوش مصنوعی، استخدام در سطوح پایین را مختل میکند
در دنیای امروز که هوش مصنوعی مولد (Generative AI) به سرعت در حال گسترش است، بحثهای زیادی در مورد تأثیر آن بر بازار کار مطرح میشود. یکی از جنبههای کلیدی این تأثیر، تغییر در ساختار استخدام بر اساس سطح seniority (سابقه کاری) است. مطالعه اخیر با عنوان “Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Resume and Job Posting Data” توسط سید محمد حسین (Seyed M. Hosseini) و گای لیختینگر (Guy Lichtinger) از دانشگاه هاروارد، که در آگوست ۲۰۲۵ منتشر شده، نشان میدهد که پذیرش AI مولد میتواند به عنوان یک تغییر تکنولوژیک biased به سمت seniority عمل کند. این یعنی AI بیشتر بر کارگران junior (با سابقه کم) تأثیر منفی میگذارد، در حالی که کارگران senior (با سابقه بالا) کمتر آسیب میبینند یا حتی سود میبرند. این مقاله بر اساس دادههای عظیم رزومه و آگهیهای شغلی از ۶۲ میلیون کارگر در ۲۸۵,۰۰۰ شرکت آمریکایی (از ۲۰۱۵ تا ۲۰۲۵) انجام شده و شواهد اولیهای از این پدیده ارائه میدهد. در این مقاله جامع، زمینه، روششناسی، نتایج، مکانیسمها، و پیامدهای این مطالعه را بررسی میکنم، با تمرکز بر اینکه چگونه AI میتواند پلههای پایین نردبان شغلی را از بین ببرد و تأثیرات بلندمدت آن بر نابرابری و پویایی بازار کار.
زمینه تئوریک و اهمیت موضوع
تغییر تکنولوژیک biased به سمت مهارت (Skill-Biased Technological Change یا SBTC) از دههها پیش مورد مطالعه بوده است. مطالعات کلاسیک مانند Autor et al. (2003) نشان میدهند که فناوریهایی مانند کامپیوترها، کارهای روتین را جایگزین میکنند و تقاضا برای کارهای پیچیده را افزایش میدهند، که منجر به قطبیشدن بازار کار (کاهش کارهای میانمهارتی و افزایش کارهای بالا و پایینمهارتی) میشود. حالا، AI مولد – مانند ChatGPT یا مدلهای مشابه – این مفهوم را به سطح seniority گسترش میدهد. کارهای junior اغلب شامل وظایف روتین اما شناختی (مانند دیباگ کد، بررسی اسناد قانونی یا تحلیل دادههای ساده) هستند که AI میتواند آنها را اتومات کند. در مقابل، کارهای senior بیشتر بر حل مسائل پیچیده، مدیریت و تصمیمگیری تمرکز دارند که AI هنوز نمیتواند کامل جایگزین کند.
اهمیت این موضوع فراتر از شغلهای از دسترفته است. رشد دستمزد مادامالعمر فارغالتحصیلان دانشگاهی عمدتاً از پیشرفت درونشرکتی (از junior به senior) ناشی میشود (Deming, 2023). اگر AI پلههای پایین را از بین ببرد، این میتواند به کاهش پرمیوم دانشگاهی، کاهش تحرک اجتماعی و افزایش نابرابری منجر شود. مطالعات تجربی اخیر مانند Noy and Zhang (2023) نشان میدهند که AI بهرهوری juniorها را افزایش میدهد، اما این مطالعه نشان میدهد که در عمل، شرکتها ممکن است استخدام junior را کاهش دهند.
روششناسی مطالعه
نویسندگان از دادههای LinkedIn (از Revelio Labs) استفاده کردهاند، که شامل ۱۵۶ میلیون موقعیت شغلی از ۶۲ میلیون کارگر در ۲۸۵,۰۰۰ شرکت آمریکایی از ۲۰۱۵ تا ۲۰۲۵ است. این دادهها با ۲۴۵ میلیون آگهی شغلی ترکیب شده تا پویایی درونشرکتی بر اساس seniority بررسی شود.
- تعریف seniority: سطوح standardized به Entry/Junior (junior) و Associate+ (senior) تقسیم شدهاند.
- شناسایی شرکتهای adopter AI: با تحلیل متن آگهیها برای نقشهای “AI integrator” (مانند استخدام متخصصان برای ادغام AI در عملیات شرکت). ۱۰,۵۹۹ شرکت (۳.۷%) adopter شناسایی شدند، عمدتاً از ۲۰۲۳ به بعد.
- روشهای آماری:
- Difference-in-Differences (DiD): مقایسه adopter و non-adopter در استخدام junior و senior.
- Triple-Differences: کنترل شوکهای شرکتی با fixed effects.
- تجزیه تغییرات: به inflows (hiring)، outflows (separations) و promotions.
- heterogeneity: بر اساس صنعت، آموزش (کیفیت دانشگاه با مقیاس ۱-۵) بررسی شده.
این روششناسی قوی است، اما محدودیتهایی مانند عدم تصادفی بودن adopterها و تمرکز بر شرکتهای بزرگ دارد.
نتایج کلیدی
- الگوی کلی: از ۲۰۱۵ تا ۲۰۲۲، استخدام junior و senior مشابه بود. از Q1 ۲۰۲۳ (شروع انتشار AI مولد مانند ChatGPT)، استخدام junior در adopterها ۷.۷% کاهش یافت، در حالی که senior افزایش یافت (شکل ۳ PDF).
- مکانیسمها: کاهش junior عمدتاً از کند شدن hiring (۳.۷ نفر کمتر در هر فصل) ناشی میشود، نه separations (که حتی کاهش یافت). promotions juniorها افزایش یافت (۰.۴ نفر بیشتر)، نشاندهنده تلاش شرکتها برای حفظ talent موجود (جدول ۲ PDF).
- تفاوتهای بخشی: بیشترین کاهش در wholesale/retail (۴۰%)، جایی که وظایف junior (مانند خدمات مشتریان) با AI اتومات میشود (شکل ۵ PDF).
- heterogeneity آموزشی: الگوی U-shaped: بیشترین کاهش در mid-tier (tier ۲ و ۳)، کمترین در elite (tier ۱) و low-tier (tier ۵). این نشان میدهد AI mid-tier را بیشتر جایگزین میکند، در حالی که eliteها ارزشمندتر و low-tierها ارزانتر هستند (شکل ۶ و ۷ PDF).
این نتایج شواهد اولیهای از AI به عنوان تغییر biased به سمت seniority ارائه میدهند.
تحلیل و مکانیسمها
تحلیل نشان میدهد AI مولد کارهای روتین شناختی juniorها را جایگزین میکند، که منجر به کاهش استخدام میشود. مکانیسمها:
- کاهش hiring: شرکتها با AI نیاز کمتری به juniorهای جدید دارند.
- افزایش promotions: juniorهای موجود ممکن است سریعتر ارتقا یابند، زیرا AI وظایف پایه را بر عهده میگیرد.
- تأثیر نابرابری: کاهش استخدام junior میتواند پرمیوم دانشگاهی را کاهش دهد و نابرابری را افزایش دهد، زیرا شروع شغلی سختتر میشود.
- مقایسه با SBTC: مانند SBTC که mid-skill را کاهش داد، AI seniority را biased میکند و juniorها را آسیبپذیر میسازد.
پیامدهای اقتصادی و اجتماعی
- اقتصادی: کاهش استخدام junior میتواند رشد دستمزد مادامالعمر را کاهش دهد و نابرابری را افزایش دهد (Guvenen et al., 2022). شرکتها ممکن است بهرهوری را افزایش دهند، اما بازار کار برای جوانان سختتر میشود.
- اجتماعی: کاهش فرصتهای شغلی برای فارغالتحصیلان میتواند تحرک اجتماعی را کاهش دهد. U-shaped نشان میدهد mid-tier (اکثریت) بیشترین آسیب را میبینند، که میتواند طبقه متوسط را تضعیف کند.
چالشها و محدودیتها
- تصادفی نبودن: adopterها شرکتهای بزرگتر و دانشمحور هستند، که ممکن است نتایج را biased کند.
- دوره کوتاه: مطالعه تا ۲۰۲۵ است و اثرات بلندمدت ناشناخته.
- تعریف AI: تمرکز بر “AI integrator” ممکن است adopterهای بدون آگهی را از دست بدهد.
چشمانداز آینده و پیشنهادها
با گسترش AI، انتظار میرود تأثیر بر juniorها افزایش یابد. پیشنهادها:
- برای شرکتها: تمرکز بر آموزش juniorها برای نقشهای senior.
- برای سیاستگذاران: برنامههای آموزشی برای مقابله با بیکاری جوانان و قوانین برای توزیع عادلانه مزایای AI.
- برای محققان: مطالعات بلندمدت برای بررسی اثرات بر نابرابری.
نتیجهگیری
این مطالعه شواهد محکمی ارائه میدهد که AI مولد استخدام junior را مختل میکند و بازار کار را biased به سمت senior میکند. این میتواند پیامدهای عمیقی برای نابرابری داشته باشد، اما با سیاستهای مناسب، فرصتهایی برای نوآوری ایجاد میکند.
