الذكاء الاصطناعي يأتمتة العمل الذي يخلق الخبراء

عندما تقرر الشركات ماذا تؤتمت، عادة ما تقيس الوقت والتكلفة ومعدلات الأخطاء والإنتاج. ونادراً ما تقيس ماذا تعلم الشخص الذي يقوم بالمهام. وهذا الإغفال مهم لأن العديد من المهام التي تبدو متكررة أو غير فعالة هي أيضا جزء من نظام التدريب غير المرئي الذي يصبح فيه الناس محترفين قادرين.

مثل محلل مبتدئ يبني نموذجاً أولياً، أو مطور يبحث عن خطأ أساسي، أو وكيل دعم يتعامل مع شكوى شائعة، أو محامي يعد مذكرة بحث أولية، كل هؤلاء ينتجون عملًا. كما أنهم يتعلمون كيفية تجميع المعلومات، وأي التفاصيل المهمة، وأين تظهر الأخطاء، وعندما لا يطبق نمط مألوف. إذا أزال الذكاء الاصطناعي المهمة بدون استبدال عملية التعلم، قد تكتسب المنظمة سرعة اليوم بينما تضعف الخبرة التي ستحتاجها فيما بعد.

لذلك فإن سؤال القوى العاملة أكبر من مجرد ما إذا كان الذكاء الاصطناعي من التوظيف في المراحل الأولى. القادة بحاجة إلى السؤال عما يحدث لحلقات التدريب العملي التي كانت تحوّل الموظفين قليلي الخبرة إلى أشخاص قادرين على الحكم والتصحيح والإشراف على الأنظمة الذكية.

تتكون الخبرة من خلال التصحيح

غالبًا ما يُوصف الخبراء بالمعرفة، ولكن المعرفة وحدها ليست كافية. الأشخاص المخضرمون واجهوا حالات كافية لتحديد الإشارات الضعيفة، ولاحظوا مجموعات غير عادية، وفهموا متى يكون الجواب القياسي غير آمن. هذا الحكم يتطور من خلال دورات متكررة من محاولة العمل، وتلقي التغذية الراجعة، وتصحيح الأخطاء، ومراقبة عواقب القرارات.

تكتسب مهام كثيرة للمبتدئين قيمتها تحديدًا لأنها تخلق هذه الدورات. تجبر صياغة النسخة الأولى من التحليل الشخص على تحديد ما هو ذو صلة. تنظيف البيانات يكشف عن كيفية عدم كمال المعلومات الحقيقية. التعامل مع حالات العملاء البسيطة يعلّم النمط المعتاد، الذي يجعل الحالة غير العادية أسهل في التعرف عليها فيما بعد. مراجعة ناتج نهائي أنجزه خبير لا يخلق نفس العمق لأن القرارات الصعبة قد تم اتخاذها بالفعل وإخفاؤها.

يمكن للذكاء الاصطناعي ضغط هذه الدورات. تصل المسودة الأولى قبل أن يحدد الموظف المشكلة. مساعد الشفرة يقترح الحل قبل أن يتتبع المطور موضع الفشل. أداة البحث تلخص الأدلة قبل أن يقارن المحلل المصادر. الإنتاج قد يكون أفضل وأسرع، لكن الموظف يحصل على فرص أقل لبناء نموذج داخلي يفسر سبب صحة الناتج.

يمكن للذكاء الاصطناعي تسريع التعلم، ولكن التصميم يهم

المخاطر ليست حتمية. بعض الأدلة الأقوى حول الذكاء الاصطناعي في العمل يظهر أنه يمكن أن يساعد موظفين أقل خبرة على التعلم بشكل أسرع عندما يستخدم كإرشاد بدلاً من بديل للمشاركة.

دراسة دراسة NBER حول 5,179 وكلاء دعم العملاء وجدت أن الوصول إلى مساعد الذكاء الاصطناعي زاد الإنتاجية بنسبة 14 في المائة في المتوسط، مع تحسين بنسبة 34 في المائة بين العمال المبتدئين وأقل مهارة. وجد الباحثون أدلة مقترحة أن النظام ساعد في نشر ممارسات الوكلاء الأقوى وانتقل العمال الجدد إلى المنحنى التجربي بشكل أسرع.

تصميم العمل يهم. تلقّى الوكلاء اقتراحات خلال محادثات العملاء الحقيقية، ولكنهم ما زالوا بحاجة إلى تفسير الوضع، واختيار كيفية الاستجابة، ومراقبة النتيجة. بقيت حلقة التعلم سليمة. أتاح الذكاء الاصطناعي وصولًا في الوقت المناسب إلى أنماط الخبراء من دون استبعاد الموظف تمامًا من القرار.

هذا يختلف عن تدفق العمل الذي يكتمل النظام المهمة، ويقوم الموظف بموافقة سريعة في النهاية. عندما يبقى الناس نشطين في التشخيص والاختيار والنتيجة، يمكن للذكاء الاصطناعي أن يعمل كمدرب. عندما يتم تقليلهم إلى قبول الإنتاج المطلي، قد يزيد التكنولوجيا من الإنتاج قصير الأمد بينما تفعل القليل للقدرة طويلة الأمد.

الآلية تصل إلى المهام التي تبني رأس المال البشري

من السهل افتراض أن الذكاء الاصطناعي سيزيل فقط العمل المتكرر منخفض المهارة. الأدلة الحالية تشير إلى نمط أكثر تعقيدًا.

مؤشر مؤشر الاقتصادي لشركة Anthropic في يناير 2026 وجد أن المهام التي غطاها نظام Claude تطلبت تعليمًا أكثر من المتوسط الاقتصادي. في تقدير تجريبي، وجد الباحثون أن إزالة المهام التي غطاها الذكاء الاصطناعي من المهن سوف ينتج عنه تأثير أولي لتقليص المهارات على الوظائف لأن العديد من المهام المغطاة تمثلت أجزاء تعليمية أعلى في الدور.

الروتين والتنمية ليستا متناقضين. يمكن أن يصبح إعداد التحليل روتينًا لموظف مخضرم بينما يبقى ممارسة أساسية لموظف مبتدئ. يمكن أن تكون مهام مثل صياغة العقود القياسية، وتصحيح الأخطاء الشائعة، وإعداد التوقعات، ومراجعة تاريخ العملاء قابلة للتأتمت، ولكنها تعرض الموظفين أيضًا إلى هيكل المهنة.

هذا يخلق مشكلة استراتيجية. قد تكون المهمة الأسهل للتأتمت هي أيضًا المهمة التي يتعلم فيها موظف جديد السياق اللازم لمعالجة المهمة الصعبة فيما بعد.

مفارقة التحقق

تستجيب العديد من المنظمات بالقول أن الناس سوف ينتقلون من الإنتاج إلى التحقق. سوف يولد الذكاء الاصطناعي العمل، بينما يبقى البشر يتحققون من الدقة، ويطبقون السياق، ويعتبرون مسؤولين. هذا يبدو معقولاً، ولكنها تحتوي على مفارقة: التحقق نفسه يتطلب الخبرة التي كانت تعمل المهمة التأتمتية على مساعدتها في إنشائها.

دراسة دراسة بحثية لشركة مايكروسوفت شملت 319 عامل معرفي و936 مثال لاستخدام الذكاء الاصطناعي التوليدي وجدت أن الثقة المتزايدة في الذكاء الاصطناعي ترتبط بانخفاض في الجهد النقدي. وجدت الدراسة أيضًا أدلة مقترحة أن النظام نقل ممارسات الوكلاء الأقوى وانتقل العمال الجدد إلى المنحنى التجربي بشكل أسرع.

يمكن لموظف غير متمرس أن يتحقق مما إذا كانت الإجابة متعارضًا أو غير مدعوم. من الصعب ملاحظة أن التحليل استخدم الإطار الخطأ، أو تجاهل قيدًا تشغيليًا، أو وصل إلى استنتاج معقول لسبب خاطئ. يمكن للناتج المصقول للذكاء الاصطناعي أن يخفي عدم وجود الفهم لأنه يبدو كاملًا قبل أن يطور الموظف الحكم لاستجوابها.

البحث حول الحدود التكنولوجية غير المنتظمة يجعل المشكلة أكثر تحديداً. في تجربة مع 758 مستشار، أكمل مستخدمو الذكاء الاصطناعي المهام داخل حدود التكنولوجيا 25.1 في المائة أسرع، وأنتجوا نتائج بأكثر من 40 في المائة من الجودة. على مهمة خارج تلك الحدود، ومع ذلك، كان مستخدمو الذكاء الاصطناعي أقل احتمالاً للوصول إلى الحل الصحيح بنسبة 19 نقطة مئوية مقارنة بالمشاركين الذين يعملون بدون الذكاء الاصطناعي.

القدرة الحاسمة ليست ببساطة استخدام الذكاء الاصطناعي. إنها التعرف على عندما يعمل النظام خارج حدود الأداء الموثوق. هذه الحدود نادراً ما تكون واضحة، ويتطلب التعلم منها الخبرة مع الحالات الناجحة والفشل.

مخاطر الخلافة الخفية

توقعت تقرير المنتدى الاقتصادي العالمي حول مستقبل الوظائف 2025 أن 39 في المائة من مهارات العمال سوف تتغير بحلول عام 2030. كما وجد أن 63 في المائة من أصحاب العمل يعتبرون bereits فجوات المهارات عقبة رئيسية للتحول، بينما يخطط 77 في المائة لتحديث مهارات الموظفين و 41 في المائة يتوقعون تقليل أعداد القوى العاملة مع تأتمت الذكاء الاصطناعي للمهام.

قد تتعارض هذه الاستراتيجيات إذا أزالت المؤسسات قدرًا كبيرًا من العمل الذي يتم من خلاله تكوين المهارات. يمكن للشركة أن تقلل من التوظيف في المراحل الأولى، وتعتمد على موظفين كبار لمراقبة الذكاء الاصطناعي، ومع ذلك تواصل تسجيل إنتاجية قوية لعدة سنوات. الضعف يظهر لاحقًا، عندما يغادر الموظفون المخضرمون، أو يتوسع الطلب، أو تحتاج المنظمة إلى موظفين قادرين على التعامل مع مواقف لم يرها النظام.

يمكن للموظفين الخبراء أن يصبحوا أيضًا مقيدة تشغيلية جديدة. إذا زاد الذكاء الاصطناعي من حجم العمل بينما يمكن فقط لمجموعة صغيرة التحقق من الإنتاج الصعب، يقضون هذه المجموعة أكثر وقتًا في المراجعة والتصحيح بدلاً من التدريس. تكتسب الشركة قدرة إنتاجية، ولكنها تركز الحكم في أيدي أقل.

لا يمكن لأي منظمة أن تأتمت نظام التدريب ثم افترض أنها سوف تستمر في شراء الخبرة من السوق. إذا اتبعت العديد من الشركات نفس الاستراتيجية، فسوف يصبح الحمام الخارجي للمواهب الخبراء أقل كثافة وأكثر تكلفة.

قياس القيمة التنموية للعمل

قبل تأتمت المهمة، يجب على الشركات تقييمها على بعدين. الأول هو قيمة الإنتاج: كم هو مهم، مكلف، وحساس للوقت؟ الثاني هو قيمة التنمية: ما هي القدرة التي تبنيها المهمة؟

المهام التي تملك قيمة إنتاج منخفضة وقيمة تنمية منخفضة هي مرشحون واضحون للتأتمت الكامل. إعادة تنسيق الوثائق الروتينية أو نقل المعلومات بين الأنظمة قد تعلم القليل بعد الوصول إلى الكفاءة الأساسية.

المهام التي تملك قيمة إنتاج عالية ولكن قيمة تنمية منخفضة يمكن تأتمتها مع التحكم المناسب. المنظمة لا تزال تحتاج إلى الحوكمة لأن النتيجة مهمة، ولكن الحفاظ على العملية اليدوية قد يساهم قليلاً في نمو الموظف.

الفئة الأكثر إهمالا تحتوي على مهام ذات قيمة إنتاج فورية متواضعة ولكن قيمة تنمية عالية. قد لا يكون مسودة موظف مبتدئ الأولى مهمة تجارياً لأن شخصًا كبيرًا سوف يعدلها، ومع ذلك، فإن إنتاجها يخلق مقارنة قيمة بين التفكير الأولي وتغذية الخبراء الراجعة. إزالة هذه الخطوة توفر الوقت، ولكنها تزيل الممارسة أيضًا.

المهام التي تملك قيمة إنتاج عالية وقيمة تنمية عالية يجب أن تُكمل عادةً بدلاً من تفويضها بالكامل. يمكن للموظفين استخدام الذكاء الاصطناعي للبحث والخيارات والنقد، ولكنهم يجب أن يحتفظوا بمسؤولية معنوية لتحديد المشكلة، وشرح القرار، والتعلم من النتيجة.

بناء طبقة التدريب بشكل متعمد

بعد تحديد المهام التنموية، يمكن للشركات إعادة تصميمها بدلاً من الحفاظ على سير العمل غير الفعال دون تغيير. الهدف ليس إجبار الموظفين على تكرار كل عملية يدوية من الماضي. إنه إعادة إنشاء الخبرات التي تبني الحكم في شكل أسرع وأكثر قصدية.

خيار واحد هو الحفاظ على التفكير الأولي. قبل رؤية توصية الذكاء الاصطناعي، يسجل الموظف تشخيصًا أوليًا أو توقعًا أو قرارًا. يمكن للنظام بعد ذلك تقديم بديل، ويجب على الموظف أن يفسر أين تختلف وائي النهجين سيستخدمه.

يمكن للمنظمات أيضًا بناء مكتبات لفشل الذكاء الاصطناعي، والحالات الحدية، والقرارات المتنازع عليها. مراجعة الإنتاج الناجح فقط تعلم الموظفين الثقة في النظام. دراسة أين فشل يساعدهم على التعرف على الشروط التي تتطلب الترفع، أو الأدلة الإضافية، أو التدخل البشري.

يجب على المديرين تقييم ما إذا كان التعلم ينتقل إلى ما وراء الأداة. هل يمكن للموظف أن يشرح المنطق وراء الإنتاج النهائي؟ هل يمكنهم تحديد الافتراضات التي ستجعلها خاطئة؟ هل يمكنهم التكيف عندما يتغير السياق أو يصبح الذكاء الاصطناعي غير متاح؟ هذه الأسئلة تكشف المزيد عن الجاهزية أكثر من عدد الدفعات المستخدمة أو المهام المكتملة.

أهم شيء، الموظفون المبتدئون ما زالوا بحاجة إلى مسؤولية حقيقية. تساعد المحاكاة والممارسة المنظمة، ولكن الخبرة تعتمد أيضًا على العواقب، والتعليقات، والاتصال بالتعقيد الحقيقي. يجب أن يجعل الذكاء الاصطناعي هذه الخبرات أكثر أمانًا وتكرارًا، ولا إزالتها تمامًا.

سوف تأتي ميزة القوى العاملة من خبرة أسرع

المنظمات الأقوى لن تكون تلك التي تؤتمت أكبر عدد من المهام المبتدئة. سوف تكون تلك التي تزيل الجهد منخفض القيمة بينما تسرع من تطور الأشخاص الذين يمكنهم استخدام الذكاء الاصطناعي وتحديه والإشراف عليه بشكل مسؤول.

هذا يتطلب تعريفًا أوسع لعودة الاستثمار على التأتمت. الوقت المحفوظ والإنتاج المُنتج مهمين، ولكن القادة يجب أن يقيسوا أيضًا ما إذا كان سير العمل الجديد يngthen أو يضعف توريد المنظمة المستقبلية من الحكم. عملية تقلل التكلفة بينما تضر بpipeline الخبرة قد تكون فعالة فقط على مدى زمني قصير.

قبل الموافقة على مشروع التأتمت التالي، يجب على القادة أن يطرحوا سؤالاً إضافياً: ماذا تعلم الناس من خلال القيام بهذا العمل، وأين سوف يحدث هذا التعلم بعد تأتمت العمل؟

الجواب سوف يحدد ما إذا كان الذكاء الاصطناعي ينتج فقط المزيد من الإنتاج أو يساعد على إنتاج الجيل التالي من الخبراء.