سواد کار با هوش مصنوعی میان بر نسلی نیست

در یک تیم، یک نفر با ابزار تازه هوش مصنوعی بی درنگ پیش نویس و نمونه می سازد؛ همکار باتجربه تر پیش از استفاده می پرسد داده کجا می رود و پاسخ غلط چه پیامدی دارد. اگر یکی را «آینده نگر» و دیگری را «عقب مانده» بنامیم، پیش از آن که بفهمیم کار به چه توانایی هایی نیاز دارد، قضاوت کرده ایم.

سواد کار با هوش مصنوعی امتیاز نسلی نیست. باید بتوانیم ابزار را متناسب با کار انتخاب کنیم، خروجی اش را بسنجیم و مسئولیت نتیجه را نگه داریم. راحتی با رابط ها مفید است، اما همان مهارت قضاوت درباره سامانه و یادگیری از خطا را تضمین نمی کند.

در گزارش آینده مشاغل مجمع جهانی اقتصاد در ۲۰۲۵، هوش مصنوعی و داده های کلان، شبکه و امنیت سایبری و سواد فناوری از مهارت های رو به رشدند؛ تفکر تحلیلی نیز همچنان مهارتی پایه و پرتقاضاست. پیمایش توسعه دهندگان استک اورفلو در ۲۰۲۵ نشان می دهد استفاده از ابزار های هوش مصنوعی گسترش یافته، اما بی اعتمادی به دقت آن ها نیز رایج است. پس سرعت استفاده را نباید با تسلط یکی گرفت.

پنج توانایی که با هم کار می کنند

یک تحلیلگر تازه کار ممکن است با ابزار راحت باشد، اما هنوز نداند چه داده ای را نباید وارد کرد. مهندس باتجربه شاید ریسک محیط عملیاتی را خوب ببیند، اما اگر هیچ وقت ابزار تازه را نیازماید قضاوتش به روز نمی ماند. این کمبود ها با کلیشه درباره سن حل نمی شوند؛ باید مهارت را در کار واقعی دید.

تجربه و کنجکاوی را کنار هم بگذارید

کسی که ابزار تازه را زود امتحان می کند ممکن است راهی برای حذف کار تکراری پیدا کند. این انرژی را نباید خاموش کرد. اما خروجی روان می تواند غلط باشد، کد ممکن است فقط حالت معمول را بگذراند و خلاصه سیاست بندی مهمی را جا بیندازد. در برابر هر سرعت تازه، بپرسید چه چیزی می تواند خروجی را غلط کند، کدام منبع باید بررسی شود و چه آزمونی خطا را پیش از استفاده آشکار می کند.

تجربه محیط عملیاتی هم مانع نوآوری نیست. کسانی که سامانه را نگه داشته اند می دانند داشبوردی که کسی به آن اعتماد نمی کند یا خودکاری ای که کار را به تیم دیگر منتقل می کند چه هزینه ای دارد. گزارش DORA گوگل کلاد در ۲۰۲۵ پذیرش هوش مصنوعی را مسئله ای در سطح کل سامانه می بیند، نه صرفا انتخاب ابزار. تجربه زمانی سودمند است که به فرضیه قابل آزمون تبدیل شود، نه به «قبلا امتحان کردیم» و پایان بحث.

از سوی دیگر، تازه وارد ها گاهی اصطکاکی را می بینند که بقیه به آن عادت کرده اند. فرض کنید تیمی دستیار پشتیبانی داخلی می خواهد. مسئول عملیات نگران راهنمای قدیمی است؛ همکار تازه تر می گوید کارکنان همین حالا اطلاعات را در ابزار عمومی جست وجو می کنند؛ امنیت نگران داده حساس است. به جای رأی دادن به یکی از طرفین، کاربرد محدودی انتخاب کنید، اسنادش را آماده کنید، پاسخ را به منبع مقید کنید، گزارش و بازخورد ثبت کنید و برای توصیه پرخطر بازبینی انسانی نگه دارید.

در این نمونه، کنجکاوی راه تازه را پیدا می کند و تجربه شرط های آزمون را روشن می کند.

مدیران چه چیزی را پاداش می دهند؟

اگر فقط هیجان و نمونه نمایشی را پاداش دهید، افراد یاد می گیرند محدودیت ها را پنهان کنند. اگر فقط احتیاط را تشویق کنید، آزمایش ها زیرزمینی می شوند. به جای برچسب زدن، افراد را بر اساس دانشی که به مسئله می آورند کنار هم بگذارید: کسی که گردش کار را می شناسد با کسی که ابزار را می آزماید؛ سازنده نمونه با طراح آزمون؛ آگاه به ریسک با کسی که نیاز کاربر را می فهمد.

شاخص روند کار مایکروسافت در ۲۰۲۶ به فاصله میان استفاده کارکنان از هوش مصنوعی و تغییر روش های سازمانی اشاره می کند. پر کردن این فاصله به اجازه آزمایش، انتظار روشن درباره داده و بازبینی، و راهی برای رساندن تجربه های فردی به کل تیم نیاز دارد.

برای این کار آموزش رسمی بزرگ لازم نیست. در بازبینی کد ببینید دستیار کجا اشتباه کرده؛ برای استفاده مهم یادداشت کنید سامانه چه می کند و انسان چه چیزی را تایید می کند؛ نمونه های خوب و بد را با تیم نگه دارید؛ و آزمایش را از تغییر عملیاتی جدا کنید. همچنین پذیرفتن این نتیجه را مجاز بدانید که کار مشخصی با نرم افزار معمولی یا گفت وگوی انسانی بهتر انجام می شود.

در مقاله عمق موقت؛ مهارتی که تیم های امروزی هوش مصنوعی نیاز دارند و نشانه های استخدام در تیم های فناوری عصر هوش مصنوعی به یادگیری هدفمند و قضاوت اشاره کرده ام. این مهارت ها فقط برای استخدام نیستند؛ درون تیم هم رشد می کنند.

یک آزمون بهتر از حدس زدن سن

از همکار بپرسید: «می خواهیم درخواست های پشتیبانی را خلاصه کنیم تا کارشناس پیش از پاسخ زمینه را بداند؛ پیش از اعتماد به این قابلیت چه چیز هایی را می آزمایی؟» پاسخ صرفا ابزاری کافی نیست. پاسخ خوب درباره داده حساس، کیفیت خلاصه، حذف نکته مهم، نمونه های آزمون، مسیر اصلاح و مسئولیت انسان سؤال می کند.

همین پرسش را درباره ابزار کدنویسی یا تحلیل داده مطرح کنید. آیا فرد فقط از سرعت حرف می زند یا آزمون، هزینه، خطا و مسئولیت را هم می بیند؟ این گفت وگو توانایی را آشکار می کند، بی آن که به سن و سال یا میزان اعتمادبه نفس تکیه کند.

هوش مصنوعی می تواند اجرای کار را بر عهده بگیرد، اما مسئولیت به ابزار منتقل نمی شود. کاربر باید خروجی را در زمینه بررسی کند؛ تیم معیار کیفیت و روش بازبینی را بسازد؛ مدیر انتظار و دسترسی را روشن کند؛ و مالک سامانه رفتار آن را پس از راه اندازی پایش کند.

تیمی که برای تغییر بعدی هم آماده است، یک نسل خاص یا یک دسته پذیرنده ابزار نیست. تیمی است که تجربه را به آزمون تبدیل می کند، کنجکاوی را با قضاوت همراه می سازد و آموخته ها را میان اعضا می چرخاند.

مهدی لطفی نژاد متخصص داده و هوش مصنوعی، مشاور و مدرس رسمی با نزدیک به ۲۰ سال تجربه صنعتی است. او به صدها متخصص در خاورمیانه و جنوب شرق آسیا آموزش داده و در DATATWEETS می نویسد تا این تجربه عملی را رایگان و خودآموز در اختیار همه بگذارد.