تأثیر هوش مصنوعی بر ساختار تیم‌ها: چرا حذف نیروهای جونیور یک ریسک استراتژیک است؟

در یک جلسه آموزشی مالی، یک تحلیل‌گر FP&A متدی را که تنها بیست دقیقه قبل در مورد پرامپت‌نویسی (Prompting) آموخته بود، روی یک گزارش تحلیل انحراف ماهانه که شامل چهار واحد تجاری بود اجرا کرد. گزارشی که معمولاً یک و نیم تا دو ساعت زمان می‌برد، در حضور همه حاضرین و تنها در دو دقیقه به پایان رسید. واکنش مدیران حاضر در جلسه یکسان بود: اگر نیروهای خبره می‌توانند با این سرعت کار کنند، چرا باید در بودجه سال آینده برای استخدام یک تحلیل‌گر جونیور (Junior) هزینه کنیم؟

ترس از جایگزینی یا تغییر در مدل یادگیری؟

این پرسش هسته اصلی بحث‌های فعلی درباره تأثیر هوش مصنوعی بر مشاغل است؛ بحث‌هایی که عمدتاً تحت تأثیر ترس هستند: کاهش فرصت‌های شغلی برای تازه‌کارها، کمرنگ شدن پله‌های ترقی در سطوح ابتدایی و استفاده کارکنان ارشد از هوش مصنوعی برای جذب کارهایی که پیش از این، ابزاری برای آموزش نسل بعدی بود.

شواهدی برای این نگرانی وجود دارد. محققان آزمایشگاه اقتصاد دیجیتال استنفورد دریافتند که اشتغال کارکنان ۲۲ تا ۲۵ ساله در مشاغلی که در معرض هوش مصنوعی مولد (Generative AI) هستند، کاهش یافته است. این اثر بیشتر در مشاغلی دیده شد که هوش مصنوعی می‌توانست وظایف را به‌طور کامل خودکار کند، در حالی که در شرکت‌هایی که از AI برای حمایت از کارکنان استفاده می‌کردند، وضعیت اشتغال پایدارتر بود.

بهره‌وری کوتاه‌مدت در مقابل پایداری بلندمدت

با این حال، داده‌های اخیر از شرکت‌های پیشرو نشان می‌دهد که روند متفاوتی در جریان است. در میان نزدیک به ۲۲,۰۰۰ شرکت آمریکایی، پذیرندگان شدید AI، تعداد کارکنان بخش اداری (White-collar) خود را در دو سال گذشته ۱۰.۲٪ افزایش داده‌اند و نقش‌های سطح ابتدایی ۱۲٪ رشد داشته‌اند. تفاوت اصلی در اینجا طراحی تیم (Team Design) است.

افزایش بهره‌وری ناشی از AI دارای تاریخ انقضا است. طی یک یا دو سال، سرعت جدید تبدیل به استاندارد (Baseline) سازمان می‌شود. شرکت‌هایی که لایه جونیور خود را برای کسب سود کوتاه‌مدت حذف می‌کنند، در آینده هیچ نیرویی نخواهند داشت که آماده ارتقا به سطوح مدیریتی و تخصصی باشد. این یک مشکل در «خط لوله استعدادها» (Talent Pipeline) است؛ چرا که قضاوت و تجربه مدیریتی از طریق مواجهه مکرر با تصمیمات واقعی، بازخوردها و نتایج به دست می‌آید و نمی‌توان آن را به‌صورت آنی سفارش داد.

مدل «مرکز و پره» برای مدیریت تیم‌های مدرن

برای مقابله با این چالش، می‌توان از مدل سیستم‌های چند-عاملی (Multi-agent AI systems) الگو گرفت که در آن یک عامل هماهنگ‌کننده (Orchestrator) در مرکز قرار دارد و عوامل کوچک‌تر وظایف خاص را انجام می‌دهند. در طراحی تیم‌های انسانی:

• کارمند ارشد (The Hub): نقش مرکز را ایفا می‌کند و به جای تفویض ساده وظایف، نحوه اجرای کار را شکل می‌دهد.
• نیروهای جونیور و عوامل AI (The Spokes): به عنوان پره‌های اطراف مرکز عمل می‌کنند.

در این مدل، نیروی جونیور با مشاهده نحوه رویکرد AI به تحقیق، تحلیل و حل مسئله یاد می‌گیرد و همزمان، AI نیز به دلیل اصلاحات، پالایش‌ها و بازخوردهایی که نیروی جونیور ارائه می‌دهد، بهبود می‌یابد.

تغییر در معیارهای استخدام و مهارت‌های مورد نیاز

در عصر AI، مدل یادوری تغییر کرده است. جونیورها دیگر با انجام کارهای تکراری از صفر یاد نمی‌گیرند، بلکه از طریق هدایت وظایف، قضاوت درباره خروجی و بازگرداندن تصمیمات بهتر به سیستم رشد می‌کنند. بنابراین، معیارهای استخدام باید تغییر کند:

• کنجکاوی: تمایل به یادگیری ابزارها و درک تغییرات محیط کار.
• هوش هیجانی (EQ): توانایی تعاملات بین‌فردی و درک نیازهای واقعی ذینفعان.
• قدرت تشخیص و قضاوت: توانایی شناسایی استدلال‌های ضعیف در خروجی‌های AI و تشخیص زمان مناسب برای ارجاع مسئله به سطوح بالاتر.

در نهایت، همگی ما اکنون در جایگاه مدیر هستیم؛ برخی انسان‌ها را مدیریت می‌کنند، برخی ماشین‌ها را و تعداد کمی مهارت لازم برای مدیریت هر دو را به دست خواهند آورد.