صرفه اقتصادی؛ مانع اصلی گسترش سریع هوش مصنوعی در بازار کار

برخی اقتصاددانان، سیاستمداران و فعالان اجتماعی از گسترش هوش مصنوعی هراس دارند؛ چرا که آن را تهدیدی برای بازار کار می‌دانند. اینکه گسترش مدل‌های هوش مصنوعی و بهبود فرایندهای مرتبط با هوش مصنوعی به تدریج جای نیروی کار سنتی را گرفته و در نتیجه افزایش بیکاری پیامد این اتفاق خواهد بود.

اما بهبود مدل‌های هوش مصنوعی جدای از جزئیات و پیچیدگی‌های فنی، به هزینه‌های استقرار این مدل‌ها نیز مرتبط است. به بیان دقیق‌تر در این زمینه دو پرسش را می‌توان مطرح کرد؛

1-آیا امکان ساخت یک مدل هوش مصنوعی برای خودکارسازی یا همان اتوماسیون یک وظیفه مشخص وجود دارد؟

2-آیا استفاده از یک مدل هوش مصنوعی برای انجام آن وظیفه، در مقایسه با انجام همان وظیفه توسط نیروی انسانی، کم‌هزینه‌تر است یا پرهزینه‌تر؟

مورد اول به امکان پیاده کردن فنی مدل هوشی مصنوعی و مورد دوم به امکان گسترش آن از لحاظ صرفه اقتصادی ناشی از مقیاس اشاره دارد.

از همین‌رو پنج پژوهشگر با نام‌های ماجا اس. سوانبرگ،  ونسو لی، مارتین فلمینگ، برایان سی. گورینگ و   نیل سی. تامپسون در مقاله‌‌ای با عنوان «فراتر از مواجهه با هوش مصنوعی: کدام وظایف از نظر اقتصادی برای خودکارسازی و اتوماسیون مقرون‌به‌صرفه هستند؟» به این موضوع پرداخته‌اند. این پژوهشگران با استفاده از مدل بینایی ماشین که در رابطه با تحلیل و تفسیر تصاویر و ویدیو‌ها است و داده‌های هزینه‌ای آن در دسترس‌تر هستند به بررسی اقدام کرده‌اند. در ادامه گزارش به صورت مختصر این مقاله را بررسی کرده‌ایم.

سرعت استقرار هوش مصنوعی چطور شتاب می‌گیرد؟

هرچه اتوماسیون مبتنی بر هوش مصنوعی (AI) با سرعت بیشتری در اقتصاد گسترش یابد، پیامدهای بالقوه آن چه مثبت و چه منفی عمیق‌تر خواهد بود. با این حال، ادبیات موجود درباره «میزان مواجهه با هوش مصنوعی» نمی‌تواند سرعت این اتوماسیون را پیش‌بینی کند، زیرا این مطالعات تلاش می‌کنند ظرفیت کلی بالقوه هوش مصنوعی را بسنجند، نه امکان‌پذیری فنی و صرفه اقتصادی ساخت چنین سیستم‌هایی را.

در این مقاله، چارچوب جدیدی برای تحلیل اتوماسیون وظایف توسط هوش مصنوعی ارائه شده است. این چارچوب هم برای مدل‌های مولد (Generative AI) و هم برای مدل‌های پیش‌بینی مبتنی بر یادگیری عمیق کاربرد دارد، اما برای توضیح رویکرد، از مدل‌های بینایی ماشین استفاده شده است؛ چرا که داده‌های مربوط به هزینه در این حوزه توسعه‌یافته‌تر هستند.

یافته‌های ما نشان می‌دهد که با هزینه‌های کنونی، کسب‌وکارهای ایالات متحده ترجیح می‌دهند بیشتر وظایف مرتبط با بینایی ماشین را حتی اگر در معرض هوش مصنوعی قرار داشته باشند خودکار نکنند. چرا که هزینه استفاده از نیروی کار سنتی فعلا کمتر از استقرار مدل‌های هوش مصنوعی است. همچنین تنها ۲۳ درصد از دستمزدهایی که به وظایف مرتبط با بینایی اختصاص دارد، از نظر اقتصادی برای خودکارسازی جذاب است.

سرعت پایین‌تر استقرار هوش مصنوعی می‌تواند در صورتی شتاب بگیرد که هزینه‌ها به‌سرعت کاهش یابد یا این فناوری از طریق عامل‌های هوش مصنوعی (AI agents) یا مدل هوش مصنوعی به‌ صورت خدمات که مقیاس بزرگ‌تری نسبت به بنگاه‌های منفرد دارند، به کار گرفته شود.

در مجموع، یافته‌ها نشان می‌دهد که جابه‌جایی شغلی ناشی از هوش مصنوعی قابل‌توجه خواهد بود، اما تدریجی رخ می‌دهد؛ بنابراین فرصت برای سیاست‌گذاری و بازآموزی نیروی کار به‌منظور کاهش آثار بیکاری وجود دارد.

اهمیت صرفه اقتصادی مدل‌های هوش مصنوعی

این مقاله نخستین مدل جامع و یکپارچه برای اتوماسیون مبتنی بر هوش مصنوعی را ارائه می‌کند که در آن سه عامل به‌صورت هم‌زمان ارزیابی می‌شوند: سطح مهارت موردنیاز برای انجام یک وظیفه، هزینه دستیابی به آن سطح از مهارت از طریق نیروی انسانی یا سیستم‌های هوش مصنوعی، و تصمیم اقتصادی بنگاه‌ها درباره پذیرش یا عدم پذیرش این فناوری.

با تمرکز بر حوزه بینایی ماشین، که برآورد هزینه‌های سیستم‌های هوش مصنوعی در آن نسبتا توسعه‌یافته است، مشخص می‌شود که اغلب این سیستم‌ها زمانی از نظر اقتصادی مقرون‌به‌صرفه هستند که بتوان یک سیستم واحد را در سراسر یک صنعت یا حتی در کل اقتصاد به کار گرفت. در مقابل، ۷۷ درصد از وظایف مرتبط با بینایی ماشین زمانی که یک سیستم تنها در سطح یک بنگاه قابل استفاده باشد، از نظر اقتصادی توجیه‌پذیر برای اتوماسیون نیستند. این تفاوت به‌وضوح نشان می‌دهد که صرفه اقتصادی مدل‌های هوش مصنوعی احتمالاً نقشی تعیین‌کننده در گسترش این فناوری خواهد داشت.

استفاده از هوش مصنوعی چطور صرفه اقتصادی پیدا می‌کند؟

با این حال، در طول زمان، تغییر در هزینه سیستم‌های هوش مصنوعی یا افزایش مقیاسی که این سیستم‌ها در آن به کار گرفته می‌شوند، می‌تواند میزان اتوماسیون را افزایش دهد. مقیاس می‌تواند از دو مسیر به دست آید: یا از طریق بزرگ‌تر شدن مقیاس بنگاه‌ها، یا از طریق شکل‌گیری مدل «هوش مصنوعی به‌عنوان خدمت» (AI-as-a-service). مسیر نخست در کوتاه‌مدت چندان محتمل نیست، زیرا مستلزم بازتوزیع قابل‌توجه اندازه بنگاه‌ها خواهد بود. اما مسیر دوم، یعنی جبران هزینه توسعه سیستم‌های هوش مصنوعی از طریق استفاده از آن‌ها در میان تعداد زیادی از بنگاه‌ها، می‌تواند بسیاری از سیستم‌ها را از نظر اقتصادی جذاب کند. البته تحقق این امر احتمالاً به همکاری‌های صنعتی یا سیاست‌گذاری‌هایی برای تسهیل اشتراک‌گذاری داده‌ها میان شرکت‌ها نیاز خواهد داشت. اگر چنین نوآوری و تحولی رخ دهد، به معنای بازسازی عمده ساختار صنایع نیز خواهد بود؛ زیرا وظایف از عملیات داخلی بنگاه‌ها جدا شده و به ارائه‌دهندگان ثالث واگذار می‌شوند.

اثر استقرار هوش مصنوعی مبتنی بر بینایی ماشین بر بازار کار

باز هم، بر اساس مدل‌سازی انجام‌شده در حوزه بینایی ماشین، مزیت اقتصادی با کاهش هزینه استقرار این فناوری افزایش می‌یابد. اما حتی اگر هزینه‌ها سالانه ۲۰ درصد کاهش یابند، باز هم چندین دهه طول خواهد کشید تا وظایف بینایی ماشین در سطح بنگاه به‌طور کامل از نظر اقتصادی مقرون‌به‌صرفه شوند. این گسترش کندتر هوش مصنوعی، که مدل به آن اشاره دارد، شدت جابه‌جایی نیروی کار را کاهش می‌دهد. در مورد بینایی ماشین، نرخ از دست رفتن مشاغل کمتر از نرخی است که هم‌اکنون نیز در کل اقتصاد ایالات متحده تجربه می‌شود.

این نتایج ناشی از آن است که مدل‌های هوش مصنوعی برای وظایف تخصصی نیازمند سفارشی‌سازی هستند. همان‌طور که سیستم‌های پایگاه داده کاربرد گسترده‌ای دارند اما اغلب به سفارشی‌سازی پرهزینه نیاز دارند، سیستم‌های هوش مصنوعی نیز به‌طور گسترده به کار گرفته خواهند شد، اما با هزینه‌های قابل‌توجه. چارچوب ارائه‌شده در این مقاله فراتر از بینایی ماشین نیز کاربرد دارد، زیرا بسیاری از کاربردهای دیگر هوش مصنوعی همچنان به سازگاری با ویژگی‌های خاص هر بنگاه نیازمند خواهند بود.

نتایج این پژوهش مسیر متفاوتی از اتوماسیون مبتنی بر هوش مصنوعی را نسبت به آنچه پیش‌تر در ادبیات بررسی شده، نشان می‌دهد. سرعت استقرار و اثرات آن بر بازار کار به نظر می‌رسد بیشتر با روندهای معمول جابه‌جایی شغلی همخوانی داشته باشد و در نتیجه، امکان مداخله از طریق سیاست‌های سنتی نیز بیشتر است؛ جایی که صرفه اقتصادی سیستم‌ها نقشی کلیدی ایفا می‌کند.