شاخص Bullhorn اثر AI بر شغل‌ها را ماهانه می‌سنجد؛ پیش‌بینی نیست

Bullhorn و انجمن نیرویابی آمریکا (ASA) در اعلام ۱۳ اکتبر ۲۰۲۶ همکاری پژوهشی ASA | Bullhorn AI Job Impact را برای رصد ماهانهٔ جایابی در بازار کار آمریکا راه‌اندازی کردند؛ لیا تانیگوچی، مدیر پژوهش و بینش Bullhorn، در توصیف تفاوت آن با برآوردهای آینده گفت: «Most AI impact analyses rely on projections and assumptions about the future.» این طرح مشاغل را بر پایهٔ میزان اثرپذیری وظایف از هوش مصنوعی در سه سطح می‌گذارد و سهم جایابی کارکنان ۲۵ساله و جوان‌تر را با افراد ۲۶ساله و مسن‌تر مقایسه می‌کند.

پاسخ مستقیم شاخص به پرسش دربارهٔ اثر جاری هوش مصنوعی، مشاهدهٔ تغییر در جایابی گروه‌های شغلی با میزان مواجههٔ متفاوت است. دادهٔ آن جایابی شرکت‌های کاریابی حاضر در نمونه را می‌سنجد، نه کل بازار اشتغال را.

سه سطح اثر از کجا می‌آید؟

شرح شاخص وظیفه‌محور ASA می‌گوید دادهٔ استفاده از هوش مصنوعی Anthropic با اطلاعات وظایف شغلی O*NET، متعلق به وزارت کار آمریکا، ترکیب می‌شود تا سهم وظایفی که هوش مصنوعی انجام می‌دهد یا به انجامشان کمک می‌کند برآورد شود. اهمیت هر وظیفه در شغل نیز در این محاسبه وزن دارد. در پیوند با داشبورد Bullhorn، بسامد انجام وظیفه هم لحاظ می‌شود و گروه‌های شغلی بر اساس سهم تجمیعی وظایف اثرپذیر در سطح پایین، میانه یا بالا قرار می‌گیرند.

واحد اولیهٔ سنجش، وظیفهٔ درون شغل است. بخشی از کارهای یک عنوان شغلی می‌تواند با هوش مصنوعی تغییر کند و بخش دیگر به حضور فیزیکی یا تصمیم‌گیری انسانی وابسته بماند. سطح بالای اثر به همین ترکیب وظایف اشاره دارد، نه به خودکار شدن همهٔ کارها نزد همهٔ کارفرمایان.

بخش وظیفه‌محور ASA با انتشار داده‌های زیربنایی خود به‌روز می‌شود؛ تناوب ماهانه به سنجهٔ مشترک جایابی Bullhorn و ASA مربوط است. دسته‌بندی، میزان مواجهه را توضیح می‌دهد و دادهٔ جایابی، تغییر فعالیت استخدامی را.

دادهٔ جایابی چه تصویری می‌دهد؟

در داده و روش داشبورد Bullhorn، دورهٔ گزارش‌شده تا پایان سپتامبر ۲۰۲۶ است: جایابی مشاغل کم‌مواجهه، از جمله رانندگی کامیون و مکانیکی، از ژانویهٔ ۲۰۲۳ حدود ۱۳ درصد کاهش یافته؛ افت گروه‌های پرمواجهه مانند ورود داده و خدمات مشتریان حدود ۱۷ تا ۱۸ درصد بوده است. این تفاوت در مسیر جایابی دو دسته است، نه اندازهٔ خالص اثر هوش مصنوعی.

دادهٔ جایابی از سامانهٔ اصلی جذب نیروی Bullhorn و مشتریانی می‌آید که با تجمیع اطلاعاتشان موافقت کرده‌اند. برای نسبت‌های مربوط به سطوح مواجهه، مشتری باید در همهٔ سطوح جایابی ثبت کرده باشد؛ برای نسبت‌های سنی نیز حضور هر دو گروه سنی شرط است. شاخص روند جایابی قواعد نمونه‌گیری دیگری دارد: مشتری باید در گروه موردنظر در سراسر دوره جایابی داشته باشد و سپس میانگین شاخص‌شدهٔ مشتریان گزارش می‌شود. این قواعد مقایسهٔ درون نمونه را منظم می‌کنند.

سهم گروه‌های پرمواجهه از کل جایابی‌ها نیز در این دوره اندکی کوچک‌تر شده است. «سهم» نسبت یک گروه به کل جایابی‌های ثبت‌شده است؛ اگر کل جایابی‌ها هم تغییر کند، حرکت سهم به‌تنهایی تعداد مطلق فرصت‌های شغلی را روشن نمی‌کند. افت شاخص، مسیر یک دسته را در زمان نشان می‌دهد؛ تغییر سهم، جای آن را در ترکیب نمونه.

تفکیک سنی چه چیزی را آشکار می‌کند؟

در مشاغل پرمواجهه، کارکنان جوان‌تر در بیشتر ماه‌های دوره سهم کوچک‌تری از جایابی‌ها داشته‌اند. این تفاوت به ترکیب افراد جایابی‌شده نزد مشتریان حاضر در نمونه مربوط است و شمار همهٔ فرصت‌های آغاز مسیر شغلی را نشان نمی‌دهد.

چند سازوکار می‌تواند پشت این جابه‌جایی سهم باشد. اگر کارهای معمولِ آغاز یک حرفه کمتر به نیروی تازه‌کار سپرده شود، تقاضا برای افراد جوان ممکن است کاهش یابد؛ اگر کارفرمایان برای همان عنوان شغلی تجربهٔ بیشتری بخواهند، ترکیب سنی نیز عوض می‌شود. ترکیب متقاضیان یا مسیر استخدام هم ممکن است تغییر کرده باشد؛ دادهٔ موجود این توضیح‌ها را از هم جدا نمی‌کند.

چرا مواجههٔ بالا به معنای حذف شغل نیست؟

میان استفاده از هوش مصنوعی برای یک وظیفه و از بین رفتن یک موقعیت شغلی چند گام فاصله است. ابزار ممکن است بخشی از کار را سریع‌تر کند، کیفیت خروجی را تغییر دهد یا شرح شغل را دگرگون کند، بی‌آنکه کارفرما جایگاه شغلی را حذف کند. برعکس، افت جایابی در یک گروه نیز ممکن است با کاهش سفارش مشتریان شرکت‌های کاریابی، تغییر بودجهٔ کارفرمایان یا انتقال جذب نیرو به استخدام مستقیم رخ دهد.

شاخص این عوامل را با آزمایشی که اثر مستقل هوش مصنوعی را جدا کند نمی‌سنجد؛ دو لایهٔ مشاهده را کنار هم می‌گذارد: مواجههٔ وظایف و روند جایابی. هم‌زمانی افت بیشتر در گروه پرمواجهه، فرضیهٔ اثرگذاری هوش مصنوعی را جدی‌تر می‌کند، اما علت را ثابت نمی‌کند. جایابی جریان ورود به کار را ثبت می‌کند؛ حذف شغل مستلزم داده دربارهٔ خروج کارکنان است.

چرا نتیجهٔ آمریکا به ایران و افغانستان تعمیم نمی‌یابد؟

مبنای روند استخدامی این شاخص، جایابی مشتریان واجد شرایط Bullhorn در بازار آمریکاست و طبقه‌بندی مواجهه نیز از دادهٔ کاربرد هوش مصنوعی و شرح وظایف همان چارچوب ساخته شده است. سهم شرکت‌های کاریابی در استخدام، ساختار مشاغل، امکان دسترسی به ابزارهای هوش مصنوعی و شیوهٔ ثبت جایابی در ایران و افغانستان می‌تواند متفاوت باشد. حتی در آمریکا نیز نتیجه دربارهٔ مشتریان مشارکت‌کننده است و تمام استخدام‌های مستقیم یا غیررسمی را در بر نمی‌گیرد.

تخمین تغییر اشتغال در ایران یا افغانستان به دادهٔ محلیِ قابل‌مقایسه دربارهٔ وظایف و جذب نیرو نیاز دارد. به‌روزرسانی‌های بعدی شاخص نشان خواهد داد آیا فاصلهٔ جایابی میان گروه‌ها در همین بازار و همین روش پایدار می‌ماند یا تغییر می‌کند.

بیشتر بخوانید:

• HubSpot حدود ۶۶۰ شغل را حذف می‌کند؛ ساختار مدیریتی تخت‌تر می‌شود
• حفرهٔ SharePoint فعالانه سوءاستفاده می‌شود؛ نصب وصله پایان بررسی نیست
• Google Takeout بکاپ کامل نیست؛ تغییرات اخیر می‌توانند جا بمانند