گزارش داخلی آنتروپیک از کار در عصر هوش مصنوعی؛ چالش‌های پیش روی فارغ‌التحصیلان تازه‌کار
دنیای کار هر روز عجیب‌تر می‌شود. در حالی که بسیاری از کارمندان هنوز با نوشتن گزارش ارزیابی عملکرد خود دست‌وپنجه نرم می‌کنند، بعضی‌ها از همین حالا ارزیابی عملکرد تیمی از عامل‌های هوش مصنوعی کلود (Claude) را آغاز کرده‌اند.
یکی از مهندسان آنتروپیک زمانی عملکرد تیم عامل‌های هوش مصنوعی خود را ارزیابی کرد و به بررسی مشکلات ارتباطی میان آن‌ها پرداخت. مهندس دیگری نیز دستیار هوش مصنوعی‌ای راه‌اندازی کرد تا درخواست‌هایی را که سایر عامل‌های هوش مصنوعی برای او می‌فرستادند، فیلتر کند.
این دو نمونه از گزارش داخلی نیروی انسانی آنتروپیک می‌آیند که در ۱۶ اکتبر منتشر شد.
بر اساس داده‌های مربوط به دوره ۲۰۲۵ تا ۲۰۲۶، سهم نیروهای تازه‌کار از استخدام‌های جدید در مشاغل فنی این شرکت از ۲۷ درصد به ۹ درصد کاهش یافته است. این در حالی است که آنتروپیک همچنان نیروی انسانی خود را گسترش می‌دهد و شمار کل کارکنان فنی آن نیز افزایش پیدا می‌کند. تغییر اصلی این است که سهم نیروهای کم‌تجربه در میان استخدام‌های جدید پیوسته کمتر شده است.
نظرسنجی داخلی کارکنان آنتروپیک نشان می‌دهد که آن‌ها معتقدند هوش مصنوعی طی چهار سال آینده قادر خواهد بود ۷۵ درصد از کارهایشان را انجام دهد؛ در حالی که تنها ۲۸ درصد از متخصصان شاغل در آمریکا چنین دیدگاهی دارند.
شکاف بزرگی در برداشت افراد از آینده کار در حال شکل‌گیری است.
پیش از عصر هوش مصنوعی، تازه‌واردان بازار کار معمولاً کارهایی را بر عهده می‌گرفتند که شرح و الزامات نسبتاً مشخصی داشتند؛ برای مثال، اصلاح یک قابلیت کوچک، رفع یک ایراد شناخته‌شده یا آشنایی با روندهای کاری زیر نظر همکاران باتجربه‌تر.
اگر بتوان این وظایف را هرچه آسان‌تر به هوش مصنوعی سپرد، شرکت‌ها چگونه نیروی تازه استخدام خواهند کرد؟ افراد تازه‌وارد تجربه نخستین شغل خود را از کجا به دست خواهند آورد؟
ساعات کار عامل‌های هوش مصنوعی به شش برابر ساعات کار انسان‌ها رسیده است
تا اوت سال جاری، مجموع ساعات کار عامل‌های تعاملی هوش مصنوعی که کارکنان به کار گرفته‌اند، به شش برابر ساعات کاری خود کارکنان رسیده بود.
منظور از عامل هوش مصنوعی در این گزارش، دستیارهایی است که می‌توانند مستقلاً از ابزارها استفاده کنند و وظایف را به انجام برسانند. یک نفر می‌تواند چند عامل هوش مصنوعی را به‌طور هم‌زمان به کار بگیرد و ساعات فعالیت هرکدام از آن‌ها در آمار منظور می‌شود.
برای مثال، اگر سه عامل هوش مصنوعی هرکدام یک ساعت کار کنند، مجموع ساعات کار آن‌ها سه ساعت محاسبه می‌شود. بنابراین، رقم «شش برابر» در گزارش به مقایسه مدت فعالیت اشاره دارد، نه میزان خروجی. این عدد صرفاً مجموع ساعات کار را نشان می‌دهد و به معنای تولید شش برابر محصول یا نتیجه نیست.
این ابزارها باعث شده‌اند افرادی که پیش‌تر برنامه‌نویسی نمی‌کردند نیز بتوانند خودشان دست به توسعه نرم‌افزار بزنند.
یکی از کارکنان بخش فروش در مصاحبه‌ای گفت با کمک هوش مصنوعی داشبورد داده‌ای موردنیاز کارش را ساخته و رابط آن را به چند ابزار متصل کرده است. به گفته او، کل این فرایند سه تا چهار ساعت طول کشیده؛ کاری که در گذشته کاملاً فراتر از توانایی‌هایش بود.
یک کارشناس فروش بهتر از هر فرد دیگری می‌داند چه اطلاعاتی از مشتریان باید کنار هم قرار بگیرند و کدام بخش‌های سامانه موجود کار با آن را دشوار می‌کنند.
در محصول کوورک (Cowork) آنتروپیک که برای کاربران عادی محیط‌های اداری طراحی شده، نمونه‌ای مشابه در نسخه نمایشی محصول ارائه شده است: کلود اطلاعات موردنیاز را از ایمیل‌ها، گروه‌های کاری، تقویم‌ها و فایل‌ها جمع‌آوری می‌کند، خلاصه‌ای از نکات مهم برای جلسه مشتری آماده می‌سازد و سپس پیش‌نویس ایمیل تأیید جلسه را می‌نویسد.
در گذشته، آماده شدن برای جلسه با مشتری ممکن بود به باز کردن چندین پنجره، مرور پیام‌های گفت‌وگو و بررسی تقویم‌ها نیاز داشته باشد؛ فرایندی که حتی فکر کردن به آن هم خسته‌کننده بود.
با این حال، برای کاربران مسئله تازه‌ای هم به وجود آمده است؛ وضعیتی شبیه زمانی که ناگهان پیام‌های زیادی در یک گروه کاری منتشر می‌شود. چند کار هم‌زمان به پایان می‌رسند و نتایج مختلفی منتظر بررسی شما هستند. یک پیشنهاد از شما می‌پرسد که آیا باید ادامه دهد، قطعه‌ای کد منتظر تأیید مجوزهاست و کار دیگری با خطا مواجه شده است. هنوز پیام آخر را نخوانده‌اید که پیام‌های جدید از راه می‌رسند. این شیوه کار باعث می‌شود افراد تا حدی طعم مدیریت یک تیم را بچشند.
طبق آمار گزارش، در گفت‌وگوهای تعاملی چندمرحله‌ای، حدود ۸۰ درصد زمان صرف انتظار برای پاسخ یا اقدام انسان می‌شود. منظور این نیست که کارکنان در ۸۰ درصد ساعات روز بیکارند؛ بلکه عامل‌های هوش مصنوعی در این مدت منتظر دریافت ورودی از انسان هستند.
به همین دلیل است که دو مهندس یادشده در ابتدای گزارش، عملکرد کلود را ارزیابی کردند و برای هدایت درخواست‌ها به مسیرهای مناسب، دستیارهایی به کار گرفتند. دستورالعمل‌های هوش مصنوعی نیز باید هرچه دقیق‌تر نوشته شوند: چه تصمیم‌هایی را می‌تواند خودش بگیرد، در چه موقعیت‌هایی باید از انسان نظر بخواهد و کدام نتایج باید پیش از ادامه کار بررسی شوند.
یکی دیگر از کارکنان آنتروپیک عملاً مسئولیت‌های شغلی خود را تغییر داده است، اما عامل‌های هوش مصنوعی همچنان درباره اقلام تبلیغاتی شرکت، مانند تی‌شرت و ماگ، از او سؤال می‌کنند؛ اقلامی که پیش‌تر مسئولیتشان را بر عهده داشت. در اسناد قدیمی نیز هنوز نام او به‌عنوان مسئول این کارها ثبت شده است.
جلسه تمام شده و وظایف دوباره تقسیم شده‌اند، اما اگر تصمیم جدید فقط در حافظه چند نفر باقی بماند و در اسناد ثبت نشود، هوش مصنوعی هنگام انجام دوباره کار همچنان بر اساس اطلاعات قبلی عمل خواهد کرد.
تیمی در آنتروپیک که مسئول نگارش متن‌های معرفی محصول کلود است، تقسیم وظایف خود را تغییر داده است. اعضای تیم اطلاعاتی مانند پیشینه محصول را سازمان‌دهی کرده‌اند و بخشی از کار نگارش متن را به عامل‌های هوش مصنوعی سپرده‌اند.
در نتیجه، کار اعضای تیم بیشتر بر نوشتن دستورهای مناسب برای مدل‌ها و ارزیابی عملکرد آن‌ها متمرکز شده است.
مصاحبه‌کنندگان بیش از گذشته به قدرت قضاوت شما اهمیت می‌دهند
تغییر در ماهیت کارها، در مرحله مصاحبه استخدامی نیز خود را نشان می‌دهد.
پژوهشگران هزاران پرونده ارزیابی مصاحبه استخدامی افرادی را بررسی کرده‌اند که از سال ۲۰۲۴ به بعد به آنتروپیک پیوسته‌اند. در مشاغل فنی، استقلال عمل و قدرت قضاوت بیش از گذشته در ارزیابی‌ها مطرح می‌شوند؛ در مقابل، وزن نسبی تجربه در حوزه‌های فنی مشخص کاهش یافته است.
بر اساس برداشت خود، رسانه اپ‌پی‌اس‌او (APPSO) چند نمونه برای توضیح این تغییر مطرح کرده است: وقتی با یک درخواست کاری روبه‌رو می‌شوید، آیا می‌توانید ابتدا بخش‌های مبهم آن را تشخیص دهید؟ وقتی هوش مصنوعی چند راه‌حل پیشنهاد می‌کند، آیا می‌توانید توضیح دهید چرا یکی را انتخاب کرده‌اید؟ وقتی به نظر می‌رسد کار به پایان رسیده، آیا می‌دانید چه چیزهای دیگری باید بررسی شوند؟
تجربه مورد اشاره در اینجا صرفاً به سابقه برنامه‌نویسی محدود نمی‌شود.
آنتروپیک در ژوئن سال جاری حدود ۴۰۰ هزار جلسه تعامل با کلود کد (Claude Code) را تحلیل کرد. این پژوهش مثالی روشن دارد: حسابداری که پایتون بلد نیست، اگر بتواند قواعد تطبیق حساب‌ها را به‌روشنی توضیح دهد و متوجه شود که یک اسکریپت شرایط خاص بستن حساب‌ها در پایان ماه را نادیده گرفته است، می‌تواند در انجام آن وظیفه فردی ماهر به شمار برود. دلیلش این است که او می‌تواند مشکل را تشخیص دهد و نیازهایش را به‌روشنی برای عامل هوش مصنوعی توضیح دهد.
در این مجموعه داده، کاربرانی که با وظیفه موردنظر آشنایی بیشتری دارند، در گفت‌وگوهای خود با هوش مصنوعی به نرخ موفقیت بالاتری دست پیدا می‌کنند. بزرگ‌ترین فاصله میان افراد مبتدی و کسانی دیده می‌شود که به سطحی متوسط از مهارت رسیده‌اند.
پژوهشگران معتقدند یکی از دلایل احتمالی این تفاوت آن است که آشنایی اولیه با یک کار، توضیح دقیق‌تر خواسته‌ها به هوش مصنوعی، تشخیص خطاهای آن و درخواست اصلاح را آسان‌تر می‌کند. افراد مبتدی بیشتر احتمال دارد پس از بروز مشکل متوقف شوند و نتوانند آن را برطرف کنند. در مقابل، تجربه تخصصی عمیق‌تر در این جلسات بهبود اضافه نسبتاً محدودی ایجاد می‌کند.
افرادی که چندین سال در پروژه‌ها کار کرده‌اند، می‌توانند از شناخت خود از کسب‌وکار و آگاهی از مشکلات گذشته برای هدایت هوش مصنوعی استفاده کنند. اما شرایط برای فارغ‌التحصیلان تازه‌کار ساده نیست؛ آن‌ها اصولاً باید تجربه را در جریان انجام کارها به دست بیاورند.
در گذشته، وقتی یک تازه‌وارد وظیفه کوچکی دریافت می‌کرد، حتی اگر آهسته پیش می‌رفت، فرصت داشت تمام مراحل کار را تجربه کند: اطلاعات را پیدا کند، کار را شروع کند، اشتباه کند، از همکارانش راهنمایی بخواهد و دوباره برای اصلاح کار برگردد. اگر شرکت مستقیماً این وظایف را به هوش مصنوعی واگذار کند، تازه‌واردان فرصت تمرین و یادگیری از طریق چنین تجربه‌هایی را از دست می‌دهند.
بررسی کار هوش مصنوعی نیز به تجربه نیاز دارد. برای یافتن ایرادهای کد باید بتوانید برنامه را بخوانید و برای تشخیص کاستی‌های نیازمندی‌ها باید شناخت کافی از کسب‌وکار داشته باشید. این مهارت‌ها اغلب با انجام مکرر وظایف کوچک و یادگیری از آن‌ها شکل می‌گیرند.
در بازار استخدام نیز تغییرات قابل‌توجهی دیده می‌شود. پژوهشی درباره اشتغال در آمریکا که آزمایشگاه اقتصاد دیجیتال استنفورد در اوت سال جاری به‌روزرسانی کرد، نشان می‌دهد در مشاغلی که وظایفشان بیشتر در معرض تأثیر هوش مصنوعی قرار دارند، رشد اشتغال افراد ۲۲ تا ۲۵ ساله از همتایانشان در مشاغلی که کمتر تحت تأثیر هوش مصنوعی هستند، عقب مانده است. این تغییر بیشتر به شکل کاهش استخدام جوانان دیده می‌شود، نه افزایش خروج کارکنان یا اخراج آن‌ها.
این پژوهش به‌تنهایی ثابت نمی‌کند که هوش مصنوعی علت این تغییر است و شواهدی از جایگزینی گسترده نیروی انسانی در سراسر اقتصاد نیز به دست نداده است. با این حال، این یافته‌ها باعث می‌شوند وضعیت استخدام نیروهای تازه‌وارد به مسئله‌ای تبدیل شود که باید به‌طور مستمر بررسی شود.
آنتروپیک برای کارکنان فعلی خود ردیابی مشاغلی را آغاز کرده است که ممکن است تحت تأثیر هوش مصنوعی قرار بگیرند و در اولویت، انتقال این افراد به موقعیت‌های شغلی دیگر در داخل شرکت را آزمایش می‌کند. تیم نگارش متن محصول که پیش‌تر به آن اشاره شد، از کار روی متن‌های محصول به نگارش دستورهای مدل و ارزیابی آن منتقل شده است.
اما انتقال داخلی فقط به کسانی کمک می‌کند که از قبل وارد شرکت شده‌اند. برای تازه‌واردانی که هنوز نخستین شغل خود را پیدا نکرده‌اند، مشکل کاهش فرصت‌های شغلی سطح ابتدایی همچنان پابرجاست.
تازه‌واردان تجربه نخستین شغل خود را از کجا به دست بیاورند؟
حتی اگر فرصت تمرین پیدا کنید، مسئله دیگری مطرح می‌شود: پس از پایان کار، واقعاً چقدر یاد گرفته‌اید؟
آنتروپیک در ژانویه سال جاری از یک آزمایش تصادفی کوچک خبر داد. در این آزمایش، ۵۲ برنامه‌نویس که با پایتون آشنایی داشتند اما پیش‌تر از ابزار تریو (Trio) استفاده نکرده بودند، به دو گروه تقسیم شدند تا این ابزار جدید را یاد بگیرند. یک گروه اجازه داشت از هوش مصنوعی کمک بگیرد و گروه دیگر باید خودش کدنویسی می‌کرد. پس از پایان یادگیری، هر دو گروه در آزمون شرکت کردند.
میانگین نمره گروهی که از هوش مصنوعی استفاده کرده بود حدود ۵۰ درصد بود، در حالی که گروهی که خودش کدنویسی کرده بود به میانگین حدود ۶۷ درصد رسید. بزرگ‌ترین اختلاف در توانایی یافتن خطاها دیده شد. گروه استفاده‌کننده از هوش مصنوعی به‌طور متوسط حدود دو دقیقه سریع‌تر بود، اما تفاوت سرعت از نظر آماری معنادار نبود.
پژوهشگران همچنین ضبط فعالیت شرکت‌کنندگان را بررسی کردند. بعضی افراد کار را به هوش مصنوعی می‌سپردند و هرگاه خطایی گزارش می‌شد، از آن می‌خواستند مشکل را برطرف کند. برخی دیگر پس از دریافت کد درباره اصول کار سؤال‌های بیشتری می‌پرسیدند یا فقط از هوش مصنوعی می‌خواستند مفاهیم را توضیح دهد و خودشان کدنویسی می‌کردند. عملکرد گروه دوم در آزمون بهتر بود.
برای افرادی که در حال آماده کردن نمونه‌کارهای حرفه‌ای خود هستند، این یافته‌ها دست‌کم یک مسیر عملی پیشنهاد می‌کند: علاوه بر نمایش محصول نهایی، روند ساخت آن را نیز ثبت کنید و از این روند برای درک عمیق اصول و سازوکارهای پشت پروژه کمک بگیرید.
برای مثال، فرض کنید با کمک هوش مصنوعی یک صفحه وب برای ثبت‌نام در رویدادی ساخته‌اید. اینکه صفحه باز می‌شود، تنها بخش کوچکی از مسائل احتمالی را پوشش می‌دهد. اگر فرم ثبت‌نام چند بار ارسال شود چه اتفاقی می‌افتد؟ وقتی ظرفیت تکمیل شده باشد، آیا سامانه همچنان ثبت‌نام افراد جدید را می‌پذیرد؟ اگر کاربر اطلاعات نادرستی وارد کند، آیا امکان اصلاح آن وجود دارد؟
مشکلاتی که پیدا کرده‌اید، روش‌هایی که برای اصلاح آن‌ها از هوش مصنوعی استفاده کرده‌اید و بررسی‌هایی که انجام داده‌اید، همگی می‌توانند در توضیحات پروژه ثبت شوند. در این صورت، اگر مصاحبه‌کننده سؤال‌های بیشتری بپرسد، می‌توانید درباره مراحل مشخص کار و تصمیم‌هایی که گرفته‌اید توضیح دهید.
آنتروپیک همچنین در حال پیشبرد برنامه‌ای است که هدف آن فراهم کردن فرصت‌های عملی برای افراد تازه‌وارد به بازار کار است.
برنامه کلود کورپس (Claude Corps) که در ژوئن سال جاری معرفی شد، قصد دارد در مرحله نخست به هزار نفر از افراد ابتدای مسیر شغلی آموزش دهد و سپس آن‌ها را برای یک سال به‌صورت تمام‌وقت در سازمان‌های غیرانتفاعی آمریکا به کار بگمارد تا روی پروژه‌های این سازمان‌ها کار کنند.
بودجه این برنامه را آنتروپیک تأمین می‌کند و مؤسسه آموزشی کدپث (CodePath) مسئول جذب کارآموزان است. شرکت‌کنندگان حقوق دریافت می‌کنند، از راهنمایی مربیان بهره‌مند می‌شوند و ابتدا آموزش‌های متمرکز می‌بینند. پس از آن، هر هفته حدود پنج ساعت را به یادگیری مستمر اختصاص می‌دهند و باقی زمان خود را صرف کار عملی برای سازمان‌های میزبان می‌کنند.
مسائلی که این سازمان‌ها قصد دارند حل کنند، کاربردهای ملموسی دارند. بانک‌های مواد غذایی می‌خواهند تحلیل بهتری از کمک‌های اهدایی و توزیع اقلام داشته باشند و سازمان‌های حفاظت از محیط زیست دریایی به پردازش حجم عظیمی از داده‌های پیمایش نیاز دارند. انتظار می‌رود کارآموزان هوش مصنوعی را در انجام این وظایف به کار بگیرند.
