افزایش بهره وری با هوش مصنوعی را با تعدیل نیرو آغاز نکنید

ابزار تازه ای کار تیم را سریع تر کرده است. پیش نویس ها زودتر آماده می شوند، پرس وجو های ساده را مدل می سازد و کارشناسان پشتیبانی پاسخ سیاست ها را زودتر پیدا می کنند. کمی بعد، مدیر می پرسد: اگر کار کمتر وقت می گیرد، آیا هنوز به همین تعداد نیرو نیاز داریم؟

این پرسش معقولی است، اما اگر پاسخ را پیش از فهمیدن تغییر کار در «کاهش تعداد کارکنان» بجوییم، ممکن است ظرفیت لازم برای اداره درست همان ابزار را از دست بدهیم. بهره وری بالاتر می تواند هزینه را کم کند؛ اما صرفه جویی زمانی به تنهایی ثابت نمی کند که نقش انسانی از میان رفته است.

ببینید چه چیزی عوض شده است

اگر تحلیلگر با کمک هوش مصنوعی پیش نویس را سریع تر می سازد، شاید بتواند بیشتر وقتش را به اعتبارسنجی داده و گفت وگو با تصمیم گیران اختصاص دهد. اگر مهندس کد تکراری را زودتر می نویسد، معماری، آزمون، امنیت و نگهداری همچنان اهمیت دارند. اگر دستیار پاسخ های ساده مشتری را آماده می کند، رسیدگی به مورد های دشوار و اصلاح سیاست های مبهم هم باقی می ماند.

البته بعضی وظایف واقعا حذف می شوند و بعضی نقش ها کوچک تر خواهند شد. اما گاهی فقط بخش دیدنی کار خودکار شده و بازبینی، استثنا ها و هماهنگی به انسان منتقل شده اند. شاخص روند کار مایکروسافت در ۲۰۲۶ این جابه جایی را چنین توصیف می کند: هرچه عامل های هوشمند، یعنی سامانه هایی که می توانند ابزار ها را به کار بگیرند و کار را پیش ببرند، اجرای بیشتری بر عهده می گیرند، ارزش قضاوت، کنترل کیفیت و تعیین نیت بیشتر می شود.

پس پیش از تصمیم درباره تعداد نیرو، بپرسید چه مسئولیت هایی باقی مانده، کدام مهم تر شده و ابزار چه مسئولیت تازه ای ساخته است.

چرا هدف تعدیل می تواند نتیجه را منحرف کند

اگر هوش مصنوعی را از ابتدا به عنوان ابزار کاهش تعداد کارکنان معرفی کنیم، تیم انگیزه پیدا می کند صرفه جویی را نشان دهد، نه کیفیت را. ممکن است شمار کار های خودکار را اندازه بگیریم، اما دوباره کاری، خطا، بار بازبینی، نارضایتی مشتری یا اطلاعاتی را که پنهان می ماند نسنجیم. کارمند هم شاید ضعف ابزار را گزارش نکند، چون نگران است همان گزارش علیه شغلش به کار رود.

این به معنی آن نیست که کاهش هزینه همیشه اشتباه است. سازمان گاهی با فشار مالی واقعی روبه روست. خطر این است که پیش از فهمیدن کل گردش کار، تصمیم بگیریم کاهش نیرو هدف اصلی باشد. گزارش شاخص روند کار مایکروسافت در ۲۰۲۵ درباره تیم های انسان و عامل صحبت می کند، اما این ترکیب به خودی خود الگوی آماده ای برای نیروی انسانی نمی دهد. کنترل کیفیت، آموزش، مشوق ها و پاسخ گویی باید همگام با ابزار تغییر کنند.

دانش افراد هم بخشی از ظرفیت است. یک همکار می داند چرا سنجه ای فیلتر خاصی دارد، کدام جدول قابل اعتماد نیست یا کدام استثنای مشتری در مستندات نیامده است. این دانش شاید در شرح شغل یا داشبورد بهره وری دیده نشود، اما برای اداره سامانه هوش مصنوعی و تشخیص پاسخ نادرست لازم است.

اگر هزینه واقعی است، توانمندی را وارسی کنید

گاهی سازمان ناچار به کاهش هزینه نیروی انسانی است. آن وقت بررسی کنید چه کاری واقعا از بین رفته، چه کاری با هوش مصنوعی بازطراحی می شود، چه کسی دانش مهم را در اختیار دارد، کدام تیم برای ارزیابی و پایش سامانه نیرو کم دارد و چه نقش هایی را می توان با آموزش به کار تازه ای رساند.

داده بازار کار را هم با دقت بخوانید. گزارش JOLTS اداره آمار کار آمریکا برای مه ۲۰۲۶ از ۱٫۷۰۸ میلیون تعدیل و اخراج در آن ماه خبر می دهد و تفاوت میان صنایع را نشان می دهد. این عدد به تنهایی علت اخراج ها را توضیح نمی دهد و نباید آن را به اثر هوش مصنوعی نسبت داد؛ فقط یادآوری می کند که تصمیم نیروی انسانی پیامد واقعی دارد و زمینه هر صنعت مهم است.

کاهش دستمزد هم راه حل خودکار و بی هزینه ای نیست. در شوک کوتاه مدت شاید بررسی شود، اما اعتماد، ماندگاری افراد کلیدی و توان تیم را تحت تاثیر می گذارد. باید پرسید فشار موقت است یا ساختاری، مدیران هم در تصمیم شریک اند و برنامه بازبینی یا بازگشت وجود دارد. گزینه ها را با پیامدهایشان بسنجید؛ نه با این فرض که یک راه برای همه مناسب است.

صرفه جویی را اول در کار سرمایه گذاری کنید

اگر تیم زمان به دست آورده، بخشی از آن را می توان به کاری داد که پیش تر عقب می افتاد: آزمون بیشتر، داده پاک تر، مستندات بهتر، بررسی امنیتی، تحقیق مشتری یا ارزیابی منظم مدل. تیم داده ای که پیش نویس تحلیل را سریع تر می سازد، می تواند تعریف سنجه ها و کنترل کیفیت را بهتر کند. تیم مهندسی شاید بتواند بدهی فنی یا پوشش آزمون را بهبود دهد. پشتیبانی می تواند مورد های دشوار را بررسی کند و دلیل مراجعه مکرر مشتری را پیدا کند.

منظور حفظ همیشگی همه نقش ها نیست؛ پیش از برداشت صرفه جویی باید دید آیا شیوه کار تازه پایدار است. اگر کار به دستور های شکننده، خروجی بازبینی نشده و اضافه کاری پنهان وابسته باشد، زمان فقط قرض گرفته شده است.

پژوهش شاخص اقتصادی آنتروپیک استفاده از Claude را در کار هایی مانند توسعه نرم افزار و نوشتن بررسی می کند و هم الگو های تقویت توانایی و هم خودکارسازی را گزارش می دهد. این پژوهش درباره همه سازمان ها حکم نمی دهد؛ نکته اش این است که اثر هوش مصنوعی بسته به وظیفه و نحوه استفاده فرق می کند. شمارش ساعت ذخیره شده تصویر کاملی از ظرفیت نیست.

در مقاله ساخت مهارت های کاربردی هوش مصنوعی برای بازار کار فنی درباره تفاوت آشنایی با ابزار و ساخت سامانه قابل اتکا نوشته ام. همین تمایز در برنامه ریزی نیرو هم لازم است: جمله «هوش مصنوعی ما را کارآمدتر می کند» باید به کار، سنجه و مسئولیت مشخص تبدیل شود.

درباره پیامد تصمیم روشن حرف بزنید

به جای وعده کلی «کار بیشتر با نیروی کمتر»، دقیق بگویید چه چیزی خودکار شده، کدام مورد ها هنوز بازبینی انسانی می خواهند، صرفه جویی به چه کاری اختصاص می یابد و چه سنجه ای نشان می دهد کیفیت پایین نیامده است. اگر نقش واقعا تغییر کرده، همان را بگویید؛ اگر کاهش نیرو اجتناب ناپذیر است، آن را نشانه بلوغ هوش مصنوعی جا نزنید.

هدف، حفظ هر شغل در شکل فعلی نیست و کوچک ترین تیم ممکن هم نیست. هدف سازمانی است که توان لازم برای کار مهم امروز را دارد. پیش از آن که صرفه جویی را از نیروی انسانی کم کنید، یک دور کامل گردش کار را از ورودی تا بازبینی، استثنا و پاسخ گویی دنبال کنید. بعد تصمیم بگیرید چه چیزی خودکار شود، چه چیزی بازطراحی شود و کدام قضاوت انسانی را باید حفظ کرد.

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.