مهارت پرامپت ۲۵٪ افت کرد؛ بازار کار «سازندگان AI» را می‌خواهد

Workday در اعلامیهٔ ۵ اکتبر ۲۰۲۶ گزارش داد که در داده‌های آگهی شغلی بیش از ۵۵۰ کارفرمای استفاده‌کننده از Workday Recruiting، تقاضای ثبت‌شده برای مهارت‌های پایه‌ای AI، از جمله پرامپت‌نویسی ساده، پس از اوج ژانویهٔ ۲۰۲۶ در ماه‌های بعد ۲۵٪ افت کرده است؛ در مقابل، تقاضا برای ساخت ابزار AI، خودکارسازی گردش‌کار و مهندسی AI از سپتامبر ۲۰۲۵ تا ژوئیهٔ ۲۰۲۶، ۵۱٪ رشد کرده است.

برای جویندهٔ کار، تغییر اصلی در نوع تواناییِ خواسته‌شده است: استفادهٔ ابتدایی از یک مدل کمتر برجسته می‌شود و ساختن ابزار یا فرایندی که دیگران بتوانند در کار از آن استفاده کنند بیشتر مطرح است. این نتیجه به آگهی‌های کارفرمایان حاضر در داده‌های Workday Recruiting مربوط می‌شود؛ دربارهٔ همهٔ مشاغل یا دستمزد مهارت‌های AI حکم نمی‌دهد.

افت مهارت پایه‌ای چه چیزی را نشان می‌دهد؟

پرامپت‌نویسی ساده در گزارش نمونه‌ای از یک دستهٔ بزرگ‌تر به نام «مهارت‌های پایه‌ای AI» است. بنابراین کاهش گزارش‌شده را نمی‌توان به همهٔ شکل‌های نوشتن دستور برای مدل تعمیم داد. کسی که ابزار AI می‌سازد نیز ممکن است برای طراحی و آزمودن آن به دستورهای دقیق نیاز داشته باشد؛ تفاوت در این است که خروجی کار او به استفادهٔ شخصی از مدل محدود نمی‌ماند.

گروه رو به رشد هم یک شغل واحد نیست. ساخت ابزار می‌تواند به ایجاد راه‌حلی برای یک وظیفهٔ مشخص اشاره کند؛ خودکارسازی گردش‌کار بر اتصال مرحله‌های کار تمرکز دارد؛ و مهندسی AI مسئولیت فنیِ پیاده‌سازی و نگهداری را به میان می‌آورد. وجه مشترک این توانایی‌ها ساختن چیزی است که بتوان آن را در یک فرایند کاری به کار گرفت.

دورهٔ سنجش این دو تغییر نیز یکسان نیست: کاهش دستهٔ پایه‌ای پس از نقطهٔ اوج آن بررسی شده، اما رشد دستهٔ کاربردی در یک بازهٔ بلندتر ثبت شده است. از این ارقام نمی‌توان نتیجه گرفت هر آگهی که دیگر پرامپت‌نویسی ساده را ذکر نمی‌کند، اکنون خواهان مهندس AI است. داده‌ها جهت تغییر تقاضای ثبت‌شده در همین مجموعه از آگهی‌ها را نشان می‌دهند.

نقشهٔ سه‌سطحی برای یادگیری و نمونه‌کار

برای متخصص فارسی‌زبانی که شرح شغل‌های بین‌المللی را می‌خواند، می‌توان دسته‌های گزارش را به سه سطح تبدیل کرد: استفادهٔ سنجیده از AI، ساخت یک گردش‌کار قابل تکرار، و مهندسی ابزاری که برای استفادهٔ دیگران آماده باشد. این نقشه یک برداشت کاربردی از دسته‌های آگهی است، نه رتبه‌بندی رسمی Workday یا شرط مشترک همهٔ کارفرمایان. مرز سطح‌ها را مسئولیت فرد در قبال خروجی روشن می‌کند.

سطح پایه با تعریف مسئله، دادن زمینهٔ مناسب به مدل و ارزیابی پاسخ شناخته می‌شود. در نمونه‌کار، ذکر نام سرویس یا نمایش یک پاسخ خوش‌ساخت به‌تنهایی معلوم نمی‌کند فرد چگونه خطا را تشخیص داده است. شرح یک مسئلهٔ واقعی، ورودی‌های مجاز، خروجی مورد انتظار و روشی که برای بازبینی پاسخ به کار رفته، تصویر دقیق‌تری از این توانایی می‌دهد.

سطح ساخت و خودکارسازی نشان می‌دهد یک کار تکراری چگونه از ورودی به خروجی می‌رسد. در این سطح، نمونه‌کار می‌تواند مشخص کند داده از کجا می‌آید، مدل کدام بخش را انجام می‌دهد، چه زمانی نتیجه به بازبینی انسان برمی‌گردد و خروجی چگونه وارد مرحلهٔ بعد می‌شود. چنین توضیحی سهم فرد را در طراحی فرایند آشکار می‌کند، حتی اگر ابزار ساخته‌شده کوچک باشد.

سطح مهندسی به اجرای قابل نگهداری همان ایده مربوط است: اتصال اجزا، تعیین دسترسی، آزمودن خروجی و رسیدگی به خطا پس از نخستین اجرا. نمونه‌کار در این سطح زمانی گویاست که طراحی و پیاده‌سازی فرد را از قابلیت‌های آمادهٔ ابزار جدا کند و روش سنجش کارکرد را نشان دهد. یک نمایش اولیه می‌تواند ایده را روشن کند، اما به‌تنهایی دربارهٔ عملکرد آن در استفادهٔ روزمره اطلاعات کافی نمی‌دهد.

این سه سطح لزوماً عنوان‌های جداگانهٔ استخدامی نیستند. ممکن است یک آگهی از متقاضی بخواهد از ابزار آماده استفاده کند و هم‌زمان بخشی از گردش‌کار را نیز بسازد. خواندن فعل‌های شرح شغل، مانند «استفاده»، «ساخت»، «خودکارسازی» و «نگهداری»، روشن‌تر از تکیه بر عبارت کلی «مهارت AI» نشان می‌دهد کارفرما چه مسئولیتی را به نقش سپرده است.

فاصلهٔ میان خواستهٔ کارفرما و فرصت یادگیری

تغییر خواسته‌های آگهی فوراً به معنای آماده بودن کارکنان برای نقش‌های تازه نیست. فیل ویلبورن، مدیر ارشد Workday، در گفت‌وگو با Channel Dive این فاصله را چنین توصیف کرد: «There's a gap right now between what organizations are asking of workers and what we're giving them to meet that ask.» این گفته به مسئلهٔ آموزش کارکنان اشاره دارد، نه به تضمین استخدام برای هر کسی که مهارت فنی تازه‌ای می‌آموزد.

برای متقاضی، ادعای «آشنایی با AI» نمی‌گوید در کدام بخش از کار نقش داشته است. اگر خروجی مشترک چند نفر یا متکی به ابزار آماده بوده، مشخص کردن سهم فرد در تعریف مسئله، ساخت فرایند، آزمون و نگهداری اهمیت پیدا می‌کند. این شفافیت به کارفرما کمک می‌کند توانایی استفاده از مدل را از مسئولیت ساخت راه‌حل تشخیص دهد.

تفاوت میان این دو نوع شواهد برای متخصصانی که تجربهٔ رسمیِ شغلی با عنوان AI ندارند نیز معنادار است. یک نمونه‌کار می‌تواند محدودهٔ مشارکت فنی آنان را نشان دهد، بی‌آنکه عنوان شغلی بزرگ‌تری به تجربه‌شان نسبت دهد. ارزش چنین نمونه‌ای به روشن بودن مسئله، روش و محدودیت نتیجه بستگی دارد؛ تعداد دستورهایی که برای تولید خروجی نوشته شده، به‌تنهایی این اطلاعات را فراهم نمی‌کند.

این ارقام تا کجا قابل تعمیم‌اند؟

مبنای ارقام مهارت، داده‌های مربوط به درخواست‌های استخدام کارفرمایانی است که از Workday Recruiting استفاده می‌کنند. این محدوده برای مشاهدهٔ تغییر در تقاضای ثبت‌شده نزد مشتریان آن سامانه مفید است، اما نمایندهٔ خودکار بازار کار ایران و افغانستان یا تمام کارفرمایان جهان نیست. آگهی نیز خواستهٔ اعلام‌شدهٔ کارفرما را ثبت می‌کند؛ از آن نمی‌توان فهمید در نهایت چه کسی استخدام شده یا برای کدام مهارت دستمزد بیشتری گرفته است.

به نوشتهٔ ERP LEADERS، در اطلاعات منتشرشده اندازهٔ پایهٔ رشد مهارت‌های کاربردی و تعریف دقیق شاخص «تقاضا» روشن نشده است. در نتیجه، درصد رشد را نمی‌توان به تعداد مشخصی فرصت شغلی تبدیل کرد. برای خواننده‌ای که میان مسیرهای یادگیری انتخاب می‌کند، نشانهٔ قابل اتکا در این داده‌ها تغییر جهت مهارت‌های خواسته‌شده است؛ ارزش هر مسیر در یک آگهی مشخص را همچنان شرح مسئولیت‌های همان نقش تعیین می‌کند.

بیشتر بخوانید:

• ۴۸٪ کارکنان دربارهٔ مهارت AI اغراق کرده‌اند؛ فشار سازمانی متهم است
• WME استودیوی درون‌سازمانی سازندگان را ساخت؛ ۱۱ نفر آغاز کارند
• تقاضای مهارت AI در ۲۷ کشور بالا رفت؛ سرعت رشد یکسان نیست