تحلیل OpenAI از ۸۰۰,۰۰۰ پیام ChatGPT که توسط متخصصان آمریکایی ارسال شده است، نشان می‌دهد که تقریباً از هر شش دستور (prompt) مرتبط با کار، یکی از مدل می‌خواهد وظایفی را انجام دهد که به‌طور سنتی متعلق به شغل دیگری است. اگر نوشتن و خلاصه‌سازی‌های روتین را کنار بگذاریم، این رقم به ۴۳.۵٪ افزایش می‌یابد. این تغییر در حال بازتعریف نحوه گذراندن روز توسط کارکنان است و بیشترین اهمیت را برای کوچک‌ترین شرکت‌ها دارد؛ جایی که هر مهارت اضافی می‌تواند هفته‌ها از زمان انتظار برای یک متخصص بکاهد.

چرا این اعداد اهمیت دارند

این مطالعه نشان داد که درخواست‌های بین‌بخشی در عملکردهای خاصی متمرکز شده‌اند. بازاریابی و مهندسی در صدر قرار دارند؛ به‌طوری که پرس‌وجوهای مرتبط با بازاریابی در ۸.۹٪ از پیام‌های سایر نقش‌ها ظاهر شده‌اند که بالاترین نرخ در این مجموعه داده است. یک فروشنده ممکن است از ChatGPT بخواهد اعداد مربوط به ارزش طول عمر مشتری (customer-lifetime-value) را محاسبه کند که به‌طور معمول یک تحلیلگر داده انجام می‌دهد، در حالی که یک بازاریاب می‌تواند پیش از درگیر کردن یک مهندس، یک لینک خراب را عیب‌یابی کرده یا سئو (SEO) درون‌صفحه را اصلاح کند.

برای صاحبان کسب‌وکارهای کوچک، این تأثیر شدیدتر است. مالکان اکنون پیش‌نویس یادداشت‌های بررسی حقوقی را تهیه می‌کنند، پیش‌بینی‌های مالی سریع انجام می‌دهند و تحلیل‌های موردی (ad-hoc) را انجام می‌دهند که قبلاً نیاز به یک وکیل یا مدیر مالی (CFO) داشت. در تیم‌های دو تا پنج نفره، ۱۸.۹٪ از وظایف تولید شده توسط هوش مصنوعی خارج از نقش اصلی کارمند است، در حالی که این رقم در شرکت‌های بزرگ با بیش از صد کارمند، ۱۶.۳٪ می‌باشد. محاسبات ساده است: شرکت‌های بزرگ‌تر می‌توانند درخواست را به یک همکار متخصص ارجاع دهند، اما کسب‌وکارهای بسیار کوچک باید خودشان مشکل را حل کنند.

مزایا: سرعت و تحویل دقیق‌تر کارها

وقتی یک کارمند یک تحلیل اولیه یا یک پیش‌نویس حقوقی اولیه تهیه می‌کند، تحویل کار به متخصص سریع‌تر و متمرکزتر می‌شود. متخصص، بیان شفاف‌تر مسئله، داده‌های آماده‌تر و ایمیل‌های کمتری با موضوع «لطفاً توضیح دهید چه می‌خواهید» دریافت می‌کند. این امر زمان انتظار را کاهش می‌دهد، اصطکاک‌های داخلی را کم می‌کند و کیفیت درخواست‌ها را بالا می‌برد.

آنچه در معرض خطر است

این مطالعه ادعا نمی‌کند که هوش مصنوعی متخصصان را منسوخ خواهد کرد، بلکه این فناوری را به عنوان یک پاسخگوی خط مقدم معرفی می‌کند که مسئله را به منبع آن نزدیک‌تر می‌کند.

چگونه شرکت‌ها می‌توانند خود را وفق دهند

  • نقشه‌برداری از نقاط تصمیم‌گیری – شناسایی نقاطی که معمولاً یک درخواست در آن‌ها متوقف می‌شود و آزمایش اینکه آیا هوش مصنوعی می‌تواند یک پیش‌نویس قابل استفاده ارائه دهد یا خیر.
  • تعیین محدودیت‌های اختیارات – مشخص کردن اینکه کدام خروجی‌ها نیاز به تأیید یک متخصص واجد شرایط دارند.
  • آموزش برای مجموعه‌ مهارت‌های جدید – ارائه یادگیری خرد (micro-learning) در زمینه دستورنویسی (prompting)، تفسیر پیشنهادات هوش مصنوعی و شناسایی خطاهای احتمالی.
  • سنجش تأثیر – پیگیری زمان صرفه‌جویی شده در تحویل کارها در مقابل هرگونه افزایش در نرخ خطا یا نیاز به بازکاری.

سازمان‌های کوچک در مقابل بزرگ: مسیرهای متفاوت

مرز بعدی

داده‌های OpenAI نشان‌دهنده رویه‌ای است که با سرعت در حال تکامل است. با قابل‌اعتمادتر شدن مدل‌ها و تخصصی‌تر شدن آن‌ها در حوزه‌های مختلف، سهم وظایف بین‌بخشی احتمالاً افزایش خواهد یافت. سازمان‌هایی که با هوش مصنوعی صرفاً به عنوان یک ابزار بهره‌وری برخورد می‌کنند، نه به عنوان کاتالیزوری برای بازطراحی جریان‌های کاری، با خطر عقب ماندن مواجه هستند. کسانی که اکنون فرآیندها را بازطراحی می‌کنند — با تصمیم‌گیری در مورد اینکه کدام تصمیمات انسانی باقی بماند و کدام‌یک می‌تواند با هوش مصنوعی تقویت شود — چرخه‌های سریع‌تر و تیم‌های چابک‌تری خواهند داشت.

نکته کلیدی: هوش مصنوعی در حال انتقال پاسخ اولیه به منشأ مسئله است، به‌ویژه در کسب‌وکارهای کوچک که هر قابلیت اضافی، تأخیر را کاهش می‌دهد. مزیت واقعی نه از تغییر نام شغل‌ها، بلکه از بازاندیشی در این موضوع حاصل می‌شود که چه کسی چه کاری را انجام می‌دهد و در کجا یک ماشین می‌تواند به‌طور ایمن وارد عمل شود.