برندگان و بازندگان انقلاب دیجیتال در عرصه کار

خبرگزاری فارس ـ گروه غرب از نگاه غرب: شاید هیچ جنبه ای از انقلاب دیجیتال به اندازه تاثیر خودکارسازی بر مشاغل، کار، اشتغال و درآمدها مورد توجه واقع نشده باشد. برای این کار دست کم یک دلیل بسیار خوب وجود دارد، ولی این احتمالا دلیلی نیست که بیشتر افراد مد نظر دارند.
استفاده از ماشین ها برای بالا بردن بازدهی چیز جدیدی نیست. از آنجا که هر ابزاری یک ماشین است، انسان ها در بخش بزرگی از تاریخ کوتاه حضور خود بر این سیاره این کار را انجام داده اند. اما از زمان اولین انقلاب صنعتی – زمانی که نیروی بخار و مکانیزه شدن به رشدی عظیم و پایدار در بازدهی منجر شد- این روند شدت گرفته است.
همه از این دگرگونی استقبال نکرده اند. خیلی ها از این نگرانند که کاهش تقاضا برای نیروی کار انسانی به بالا رفتن همیشگی بیکاری منجر شود. اما این اتفاق رخ نخواهد داد بلکه افزایش بازدهی و درآمدها موجب افزایش تقاضا و در نتیجه فعالیت اقتصادی می شود. در گذر زمان بازارهای کار خود را با مهارت های مورد نیاز سازگار کرده اند و در نتیجه ساعات کار کاهش پیدا کرده و همزمان  توازن بین درآمد و زمان استراحت تغییر کرده است.

با این وجود در حالی که تقویت نیروی کار انسانی با کمک فناوری راه را برای خودکارسازی باز  می کند- و ماشین ها تعداد فزاینده ای از وظایف را در بخش های اطلاعات، کنترل و حمل نقل اقتصاد به طور مستقل انجام می دهند- هراس از دست رفتن گسترده مشاغل بار دیگر در حال بالا گرفتن است. چرا که مشاغل یقه سفید و یقه آبی  بیشتر در کارهای روتین- که به سادگی قابل کدنویسی هستند- مشغول به کارند، به خصوص از سال 2000 به بعد با نرخی روز  افزون در حال ناپدید شدن هستند. چون بیشتر این مشاغل میانه طیف توزیع درآمد را اشغال کرده اند، این روند به قطب بندی مشاغل و درآمدها دامن زده است.
با این حال همانند قرن نوزدهم بازارهای کار در حال سازگار کردن خود هستند. در ابتدا کارگران بی جا شده ممکن است به دنبال استخدام دوباره در مشاغلی باشند که به مهارت هایی که از پیش دارند متکی هستند. اما در مواجهه با فرصت های محدود، آنها خیلی زود به دنبال مشاغلی خواهند رفت که الزامات مهارتی کمتر (و به سادگی قابل حفظ کردن) دارند، از جمله مشاغل پاره وقت در اقتصاد از راه دور با کمک اینترنت، حتی اگر این کار به معنای پذیرش درآمدی پایین تر باشد.
با گذشت زمان تعداد فزاینده ای از کارگران روی کسب مهارت هایی سرمایه گذاری می کنند که در طبقات مشاغل غیر روتین و دارای دستمزد بالاتر تقاضا وجود دارد. این عموما روندی زمان بر است، هرچند در برخی کشورها از جمله آمریکا، با ابتکاراتی که نهادهای دولتی، کسب و کار و تحصیلی در آن نقش دارند تسریع شده است.
اما حتی مکانیسم های پشتیبانی نهادها برای دسترسی به گسترش مهارت ها معمولا چندان عادلانه نیستند. تنها کسانی که زمان و منابع مالی کافی دارند می توانند سرمایه گذاری مورد نیاز را انجام دهند و در یک جامعه به شدت نابرابر، بسیاری از کارگران از این گروه حذف می شوند. با توجه به این پیش زمینه، احتمالا باید کمتر نگران استخدام دائمی گسترده و بیشتر نگران افزایش نابرابری و عواقب اجتماعی و سیاسی آن باشیم.

قطعا به کارگیری فناوری می تواند از حجم مشکل کسب مهارت ها بکاهد. چرا که بازارها به نوآوری هایی پاداش می دهند که استفاده از تجهیزات و سیستم های دیجیتال را ساده تر می کنند. برای مثال وسائل گرافیکی کاربر که ما را قادر به تعامل با وسایل الکترونیکی از طریق جلوه های شاخص بصری می کنند، اکنون چنان فراگیر شده اند که دیگر وجود آنها را بدیهی فرض می کنیم. به همین ترتیب رویکردهای شهودی که در حال به کار گرفته شدن در روندهای تکنولوژیکی هستند و هر چه می گذرد پیچیده تر می شوند، نیاز به آموزش دوباره- و در نتیجه تاثیر توزیعی انقلاب دیجیتال- را تقلیل خواهد داد.
پیشرفت در هوش مصنوعی نیز تاثیراتی به دنبال خواهد داشت. تا حدود ده سال پیش خودکارسازی متکی بر کدنویسی وظایف بود: ماشین ها با مجموعه ای از دستورها برنامه ریزی می شدند که  منطق تصمیم گیری انسان را بازتولید می کردند. اما  وظایفی که نمی توان آنها را به مجموعه هایی از گام های منطقی از پیش تعیین شده خلاصه کرد چه؟ از درک زبان طبیعی تا تشخیص بصری اشیا، تعداد بسیار زیادی از فعالیت ها – حتی  فعالیت های به ظاهر ساده- در این طبقه بندی جای می گیرند. این بسیاری از مشاغل را برای خودکارسازی «در امان» کرده، اما به لطف پیشرفت های صورت گرفته در یادگیری ماشین، چندان طولی نخواهد کشید که وضعیت تغییر کند.
یادگیری ماشین اساسا به معنای تشخیص بسیار پیچیده الگو است. با استفاده از مجموعه های عظیمی از داده ها و توان محاسباتی بسیار بالا، ماشین ها چیزهایی را یاد می گیرند که نمی توانیم آنها را کدنویسی کنیم. آنها این کار را به جای قواعد مبتنی بر منطق، با استفاده از سرمشق ها انجام می دهند. پیشرفت های انجام شده در حوزه یادگیری ماشین، عرصه های جدید و وسیعی را به روی خودکارسازی باز کرده است: علوم روباتیک، وسایل خودران و اسکن کردن متون پزشکی فنی از مقالات کلیدی. در بسیاری حوزه ها – مثل تشخیص الگو در علم ژنتیک و علوم بیوپزشکی- ماشین ها نه تنها به جایی رسیده اند که می توان آنها را با کارکنان انسانی جایگزین کرد، بلکه در حوزه های خاصی توانایی های آنها از هر انسانی بسیار فراتر می رود.

این خبر از آنچه به نظر می رسد بهتر است. بله، بار دیگر وظایف و زیروظایف بیشتری به ماشین ها تخصیص داده خواهند شد. اما هدف و نقطه غایی انقلاب دیجیتال باید تبدیل کردن خودکارسازی کار به افزودن حجم دیجیتال باشد. و زمانی که ماشین ها وظایفی را انجام دهند که انسان ها از پس انجام آن برنمی آیند، افزودن حجم دقیقا همان چیزی است که به آن نیاز داریم.
هرچند غیرممکن است که در این مراحل اولیه بتوان با اطمینان چنین حرفی زد، اما منطقا می توان باور داشت که هزینه های انتقال این دور جدید از  اختلالات مرتبط با کار، به نسبت دور اول دسترسی گسترده تری را به طیف درآمدی تجربه خواهد کرد. در سطح جهانی در پایین طیف درآمدی، پیشرفت ها در هوش مصنوعی و روبات ها،  تولید مستلزم کار زیاد – و مدل های توسعه ای که به آن بستگی دارد- را در ابتدا مختل می کند و در نهایت جایگزین  آن خواهد شد. در بالای این طیف درآمدی، توانایی های مبتنی بر یادگیری ماشین تاثیر زیادی بر تحقیقات علمی و توسعه تکنولوژیک و نیز خدمات حرفه ای پیشرفته خواهد داشت.
با این حال این واقعیت به قوت خود باقی می ماند که ما با انتقالاتی به شدت پیچیده سر و کار داریم نه یک موازنه: و ما نمی توانیم انتظار داشته باشیم که سازگاری طبیعی کارگران و بازارهای کار، نتایج متوازنی را به دنبال داشته باشد، به خصوص با وجود تفاوت های بزرگی که در منابع داخلی به عنوان یک نقطه شروع وجود دارد. به همین دلیل است که سیاستگذاران (به خصوص در حوزه های کسب و کار، کار و مدارس) باید بر در پیش گرفتن تمهیداتی برای کاهش نابرابری درآمد و ثروت ها، از جمله تضمین دسترسی گسترده به خدمات اجتماعی کیفیت بالا نظیر تحصیلات و آموزش مهارت ها. تمرکز کنند. در نبود این نوع مداخله، این خطر بسیار بزرگ وجود دارد که دگرگونی دیجیتال در حوزه کار، بسیاری از مردم را پشت سر خود جا بگذارد و نتایج نامطلوب دراز مدتی برای انسجام اجتماعی داشته باشد.
نویسنده: مایکل اسپنس (Michael Spence) برنده جایزه نوبل اقتصاد و استاد دانشگاه استنفورد
منبع: https://b2n.ir/k93323

انتهای پیام/