۴۸٪ کارکنان دربارهٔ مهارت AI اغراق کرده‌اند؛ فشار سازمانی متهم است

شرکت Visier در بیانیهٔ ۲۳ سپتامبر ۲۰۲۶ اعلام کرد که در نظرسنجی از ۱۰۰۰ کارمند تمام‌وقت آمریکایی، ۴۸٪ گفته‌اند دست‌کم گاهی میزان استفاده یا تخصص خود در هوش مصنوعی را نزد همکاران یا مدیران بزرگ‌نمایی کرده‌اند و ۴۵٪ حتی وقتی به توانایی خود برای استفادهٔ مؤثر اطمینان ندارند، برای به‌کارگیری آن در کار فشار احساس می‌کنند. این ارقام پاسخ افراد به پرسش‌های نظرسنجی است؛ پژوهش مهارت آنان یا سهم واقعی ابزار در خروجی کار را مستقلاً نسنجیده است.

این فاصله میان آنچه کارکنان نشان می‌دهند و آنچه در کارشان رخ می‌دهد، به مسئله‌ای برای ارزیابی پذیرش AI تبدیل می‌شود. فشار برای نمایش استفاده از ابزار، همراه با ابهام دربارهٔ برنامهٔ سازمان و نیاز به آموزش، توضیح محتملی برای بخشی از اغراق است؛ داده‌های منتشرشده نشان نمی‌دهد کدام‌یک از پاسخ‌دهندگان دقیقاً به همین دلیل اغراق کرده‌اند. برای مدیر، پیامد فوری آن است که اظهار کارکنان دربارهٔ استفاده از ابزار را نمی‌توان معادل بهبود عملکرد گرفت.

آنچه کارکنان بزرگ‌نمایی کرده‌اند

پرسش پژوهش «استفاده یا تخصص» را با هم سنجیده است. پاسخ مثبت می‌تواند از بیشتر نشان‌دادن دفعات استفاده تا بزرگ‌کردن میزان تسلط را در بر بگیرد و لزوماً به معنی نساختن هیچ خروجی با AI نیست. قید «دست‌کم گاهی» نیز دربارهٔ رفتار مقطعی صدق می‌کند؛ از آن نمی‌توان نتیجه گرفت که همهٔ این افراد همواره دربارهٔ کارشان دروغ می‌گویند.

«هوش مصنوعی نمایشی» به رفتاری اشاره دارد که در آن نشانهٔ استفاده یا مهارت برای جلب رضایت سازمان پررنگ می‌شود، در حالی که ادغام ابزار در کار هنوز روشن یا جاافتاده نیست. ممکن است کسی واقعاً پیش‌نویسی را با کمک AI بسازد، اما سهم ابزار را در نتیجهٔ نهایی بیش از واقع توصیف کند؛ این وضعیت با ادعای مهارتی که اصلاً وجود ندارد یکسان نیست. نظرسنجی سهم این شکل‌های متفاوت بزرگ‌نمایی را جدا نکرده است و همین مرز، نسبت‌دادن یک انگیزهٔ واحد به همهٔ پاسخ‌دهندگان را دشوار می‌کند.

فشار، برنامهٔ مبهم و کمبود پشتیبانی

شرح پژوهش Visier می‌گوید ۵۹٪ پاسخ‌دهندگان یا باور ندارند کارفرمایشان برنامهٔ روشنی برای اثر AI بر کارکنان و مشاغل دارد یا از وجود چنین برنامه‌ای مطمئن نیستند؛ تنها ۲۱٪ کاملاً موافق‌اند که آموزش و پشتیبانی لازم را می‌گیرند و برای افزایش اطمینان، ۳۲٪ آموزش بیشتر و ۳۱٪ شفافیت بیشتر از مدیران می‌خواهند. این پاسخ‌ها نشان می‌دهد درخواست سازمان برای استفاده از ابزار، برای شمار زیادی از کارکنان با توضیح روشن دربارهٔ تغییر کار و حمایت لازم همراه نیست.

ابهام در اینجا فقط به آیندهٔ شغل مربوط نمی‌شود. وقتی روشن نباشد کدام وظیفه برای استفاده از AI مناسب است، چه کیفیتی از خروجی انتظار می‌رود و مسئول بررسی خطا کیست، کارمند ممکن است به جای بیان تردید، نشانهٔ اطاعت از انتظار مدیر را نشان دهد. چنین سازوکاری با یافته‌ها سازگار است، اما پژوهش رابطهٔ علت و معلولی میان فشار و بزرگ‌نمایی هر فرد را آزمایش نکرده است.

مصاحبه‌های همراه پژوهش نیز از تجربه‌های متفاوت خبر می‌دهند: ابزار در بعضی کارها سرعت را بالا می‌برد، اما برای برخی افراد انتظار تولید بیشتر یا نگرانی دربارهٔ اطلاعات حساس ایجاد می‌کند. آندریا درلر، مسئول پژوهش و ارزش در Visier، در گزارش HR Dive دربارهٔ این تفاوت گفت: «It is extremely idiosyncratic, it depends on the individual's workflow». بنابراین فشار یکسان برای نشان‌دادن فعالیت، می‌تواند در وظایف مختلف به رفتارهای متفاوتی منجر شود.

چرا فعالیت ثبت‌شده به معنای پذیرش واقعی نیست؟

تعداد ورود به یک ابزار فقط نشان می‌دهد دسترسی برقرار شده و کاربر آن را باز کرده است. شمار درخواست‌های ثبت‌شده نیز نمی‌گوید پاسخ تولیدشده در کار به کار رفته، بازنویسی شده یا کنار گذاشته شده است. در نتیجه، داشبورد فعالیت می‌تواند استفادهٔ اجباری برای برآورده‌کردن انتظار مدیر را همان‌قدر پررنگ نشان دهد که کاربردی مؤثر و داوطلبانه را.

تفاوت در ماهیت وظایف این مشکل را بیشتر می‌کند. یک درخواست کوتاه برای پیدا کردن خطای یک متن ممکن است اثر بیشتری از چندین درخواست بی‌نتیجه برای تولید همان متن داشته باشد. در مقابل، درخواست‌های متعدد همیشه اتلاف وقت نیستند؛ گاهی بخشی از آزمودن گزینه‌ها و رسیدن به پاسخ دقیق‌ترند. بدون دیدن محصول نهایی و زمان بازبینی انسانی، هیچ‌کدام از این ردپاها به‌تنهایی دربارهٔ بهره‌وری یا مهارت داوری نمی‌کنند.

خوداظهاری هم همچنان می‌تواند برای فهمیدن تجربهٔ کارمند مفید باشد، اما بهتر است پرسش از «چند بار از AI استفاده کردی؟» به «کدام بخش کار تغییر کرد و چه چیزی بهتر یا دشوارتر شد؟» نزدیک شود. پاسخ دوم به مدیر امکان می‌دهد نیاز به آموزش، نامناسب‌بودن ابزار برای یک وظیفه یا نگرانی دربارهٔ خطا را ببیند. اگر ارزیابی فقط بر میزان استفاده پاداش بگذارد، انگیزهٔ نشان‌دادن فعالیت را افزایش می‌دهد، حتی وقتی نتیجهٔ کار تغییری نکرده باشد.

چه چیزی تغییر واقعی کار را نشان می‌دهد؟

برای سنجش پذیرش واقعی، واحد مقایسه باید وظیفه و خروجی آن باشد، نه صرف بازشدن ابزار. کیفیت را می‌توان با دقت نتیجه، تناسب آن با نیاز و مقدار اصلاحی که پیش از تحویل لازم بوده سنجید. این چارچوب یک پیشنهاد تحلیلی برای ارزیابی عملکرد است؛ خود این نظرسنجی آزمون مقایسه‌ای میان کار با ابزار و بدون آن انجام نداده است.

زمان ذخیره‌شده نیز زمانی معنا دارد که مدت بررسی، بازنویسی و رفع اشکال از صرفه‌جویی اولیه کسر شود. اگر پیش‌نویس زودتر آماده شود اما کنترل آن زمان بیشتری بگیرد، شمار استفاده تصویری نادرست از سود کار می‌دهد. خطاهای کشف‌شده پیش از تحویل و خطاهایی که از بازبینی عبور می‌کنند، ضلع دیگر همین سنجش‌اند: کاهش زمان با افزایش خطای نهایی، بهبود بی‌قیدوشرط نیست.

در یک مثال فرضی، دو کارمند به یک ابزار دسترسی دارند: یکی برای رعایت دستور سازمان چند بار آن را باز می‌کند و خروجی را کنار می‌گذارد؛ دیگری کمتر سراغ آن می‌رود، اما نتیجهٔ قابل استفاده‌ای می‌سازد و خطاها را پیش از تحویل می‌گیرد. شمار ورود، نفر اول را فعال‌تر نشان می‌دهد؛ کیفیت خروجی، زمان خالص و خطاهای کشف‌شده تصویر دیگری می‌سازند. چنین تفاوتی همان چیزی است که مدیر در ارزیابی عملکرد و تعیین نیاز آموزشی باید ببیند.

این درصدها به کارکنان تمام‌وقت آمریکا مربوط است و اندازهٔ همین رفتار را در محیط‌های کار فارسی‌زبان نشان نمی‌دهد. با این حال، هر جا استفاده از AI به شاخص عملکرد تبدیل شود، اتکا به نشانه‌های ظاهری می‌تواند نیاز واقعی به آموزش را پنهان کند و کارآمدی ابزار را بیش از آنچه در خروجی دیده می‌شود نشان دهد.

بیشتر بخوانید:

• Passkey یا اپ احراز هویت؛ فقط یکی در برابر فیشینگ طراحی شده است