← همه‌ی بوک‌لت‌ها
بوک‌لت · ۱۴ خرداد ۱۴۰۵ · ۴۵ دقیقه خواندن · افق: بازبینیِ اسناد: حالا · مدیریتِ چرخه‌ی قرارداد: ۵ سال · ترافع: مقاوم تا ۱۰ سال+ حالت: عمدتاً هم‌افزایی؛ بازبینیِ اسناد جایگزینیِ واقعی

سری جزوه‌های دانش‌آگاهی · شماره‌ی آینده‌نگاری

هوش مصنوعی و بازار کار

تحقیقی جامع، واقع‌بینانه و داده‌محور درباره‌ی نابودی و زایش مشاغل — با چشم‌انداز ۲، ۵ و ۱۰ سال آینده، مسیرهای شغلی پیشنهادی، و راهبردِ تبدیل تهدید به فرصت برای ایرانِ فردا

نسخه‌ی ۱٫۲ · خرداد ۱۴۰۵ (مه ۲۰۲۶) · گروه دانش‌آگاهی

یادداشت روش‌شناختی: همه‌ی اعداد این جزوه پیش‌بینی‌اند، نه قطعیت. آینده‌ی بازار کار به تصمیم‌های سیاسی، سرعت پذیرش فناوری و واکنش جامعه بستگی دارد و هیچ نهادی آن را با دقت نمی‌داند. ما طیف کاملِ پیش‌بینی‌ها را — از خوش‌بینانه تا بدبینانه — کنار هم گذاشته‌ایم تا خودتان قضاوت کنید. این سند آموزشی است و توصیه‌ی شغلی یا مالیِ فردیِ تضمین‌شده نیست.

۰ چرا این جزوه؟ چارچوب فکری و یک هشدار

بزرگ‌ترین تغییرِ بازار کار از زمان انقلاب صنعتی در حال وقوع است، اما نه به شکلی که فیلم‌ها نشان می‌دهند. نه ربات‌هایی که یک‌شبه همه را بیرون می‌کنند؛ بلکه تغییری آرام، نابرابر و پنجره‌دار که در آن آماده‌بودن همه‌چیز است.

این جزوه سه کار می‌کند: اول، تصویر دقیق و بی‌طرفِ امروز را از روی داده‌های رسمی (مجمع جهانی اقتصاد، صندوق بین‌المللی پول، گلدمن‌ساکس، دانشگاه استنفورد و شاخص اقتصادی شرکت‌های هوش مصنوعی) به دست می‌دهد. دوم، سه چشم‌اندازِ ۲، ۵ و ۱۰ساله را با طیف خوش‌بینانه تا بدبینانه ترسیم می‌کند. سوم — و مهم‌تر از همه — به این می‌پردازد که یک فرد چه باید بکند، و به‌طور خاص، ایرانیان در دورانِ گذار و پس از آن چگونه می‌توانند این موج را به نفع خود برگردانند.

سه قانونِ خواندن این جزوه ۱) عدد ≠ سرنوشت. هر پیش‌بینی یک فرض دارد؛ ما فرض‌ها را شفاف می‌کنیم.
۲) میانگین دروغ می‌گوید. «خالصِ مثبت ۷۸ میلیون شغل» برای کسی که شغلش جزو آن ۹۲ میلیونِ نابودشده است، صفر تسلی دارد. توزیع مهم‌تر از میانگین است.
۳) زمان‌بندی همه‌چیز است. همان فناوری که در افق ۲سال «دستیار» است، در افق ۱۰سال می‌تواند «جایگزین» شود. استراتژی باید با افق هماهنگ باشد.

در سراسر متن از سه برچسب استفاده می‌کنیم تا بدانید هر توصیه برای چه کسی است: پایه برای همه، میانه برای کسی که می‌خواهد یک گام جلوتر برود، و پیشرفته برای کسی که می‌خواهد خودش سازنده‌ی موج باشد.

۱ تصویر بزرگ: چرا این موج با موج‌های قبلی فرق دارد

هر موجِ فناوری شغل‌هایی را از بین برده و شغل‌هایی ساخته است: تراکتور کشاورزِ بیلی را، خط تولید صنعتگرِ دستی را، و رایانه‌ی شخصی منشیِ ماشین‌نویس را. اما سه ویژگی، موجِ هوش مصنوعی را از همه‌ی موج‌های پیشین متمایز می‌کند.

۱) این بار، هدف «یقه‌سفیدها»ست، نه فقط «یقه‌آبی‌ها»

اتوماسیونِ گذشته عمدتاً کارهای فیزیکی و تکراری را هدف می‌گرفت. صندوق بین‌المللی پول تخمین می‌زند که این بار حدود ۴۰٪ مشاغل جهان در معرض هوش مصنوعی‌اند — و این رقم در اقتصادهای پیشرفته به ۶۰٪ می‌رسد، دقیقاً چون آن‌جا سهم کارهای شناختی (تحلیل، نوشتن، برنامه‌نویسی، حسابداری، حقوق) بیشتر است. برخلاف گذشته، این بار آسیب اولیه به طبقه‌ی متوسطِ تحصیل‌کرده می‌خورد.

۲) سرعت بی‌سابقه است

پذیرشِ این فناوری از هر فناوری قبلی سریع‌تر است. مجمع جهانی اقتصاد گزارش می‌دهد که ۸۶٪ کارفرمایان انتظار دارند تا ۲۰۳۰ هوش مصنوعی کسب‌وکارشان را دگرگون کند، و — به‌تصریحِ گزارشِ Future of Jobs 2025 — کارگران به‌طور میانگین انتظار دارند ۳۹٪ از مجموعه‌مهارت‌های امروزشان تا ۲۰۳۰ دگرگون یا منسوخ شود. نکته‌ی امیدبخش (برای تعادل): همین شاخصِ «بی‌ثباتیِ مهارت» رو به کاهش است — از ۴۴٪ در ۲۰۲۳ و اوجِ ۵۷٪ در ۲۰۲۰ — چون سهمِ بیشتری از کارگران (۵۰٪) بازآموزی را شروع کرده‌اند. پس بارِ تغییر سنگین است، اما جامعه دارد خود را تطبیق می‌دهد.

۳) این بار، فناوری «خودش یاد می‌گیرد»

ماشین‌آلاتِ قبلی ثابت بودند؛ یک‌بار طراحی می‌شدند و همان می‌ماندند. مدل‌های هوش مصنوعی هر چند ماه توانمندتر می‌شوند. این یعنی مرزِ «کاری که فقط انسان می‌تواند» ثابت نیست؛ مدام عقب می‌رود. به همین دلیل، استراتژیِ «یک مهارت یاد بگیر و تا بازنشستگی از آن نان بخور» دیگر جواب نمی‌دهد.

نکته‌ی کلیدی که بقیه‌ی جزوه بر آن سوار است تهدید اصلی، «هوش مصنوعی» نیست؛ تهدید این است که فردی که از هوش مصنوعی استفاده می‌کند جای فردی را می‌گیرد که استفاده نمی‌کند. در کوتاه‌مدت، رقیب شما یک ربات نیست — یک همکار مجهز به هوش مصنوعی است.

۲ وضعیت امروز (خرداد ۱۴۰۵): بازار کار زیر ذره‌بین

تا امروز، ۳۰ مه ۲۰۲۶، تصویر متناقض است: آمار کلانِ بیکاری هنوز پایین به‌نظر می‌رسد، اما زیر پوست بازار، ترَک‌ها پیداست — به‌ویژه برای جوانان و تازه‌فارغ‌التحصیلان.

~۱۴۲٬۰۰۰کلِ اخراج در شرکت‌های فناوری در ۲۰۲۶ (نه لزوماً ناشی از AI)
~۷۲۵ میلیارد $برآوردِ کلِ هزینه‌ی سرمایه‌ای غول‌ها روی زیرساخت AI در سالِ ۲۰۲۶
٪۲۰−افت اشتغالِ برنامه‌نویسانِ جوان از اوجِ ۲۰۲۲ (استنفورد)
٪۵٫۶بیکاری تازه‌فارغ‌التحصیلان در برابر ٪۴ کلِ بازار

دو عددِ نخست را با احتیاط بخوانید: «اخراجِ فناوری» با «اخراجِ ناشی از AI» یکی نیست (پایین‌تر توضیح می‌دهیم)، و رقمِ هزینه‌ی سرمایه‌ای، برآوردِ کلِ سال است نه آمارِ قطعیِ تاکنون.

سیگنال‌های واقعی

  • در سال ۲۰۲۵، شرکت مشاوره‌ی Challenger حدود ۵۵ هزار اخراج را مستقیماً به هوش مصنوعی نسبت داد — از مجموع ۱٫۱۷ میلیون اخراج، که بالاترین رقم از همه‌گیری ۲۰۲۰ بود.
  • غول‌هایی مانند آمازون (۱۴ هزار نقشِ اداری)، Workday و متا نیروی خود را کم کردند و صریحاً گفتند بودجه را به‌سمت هوش مصنوعی می‌برند. شرکت Coinbase از «تیم‌های تک‌نفره» و «پادهای بومیِ هوش مصنوعی» سخن گفت.
  • گلدمن‌ساکس برآورد می‌کند هوش مصنوعی هم‌اکنون رشد ماهانه‌ی استخدام را حدود ۱۶ هزار شغل کم کرده و نرخ بیکاری آمریکا را ۰٫۱ واحد بالا برده است؛ پیش‌بینی می‌کند بیکاری در ۲۰۲۶ به حدود ٪۴٫۵ برسد.
پدیده‌ی «شُست‌وشوی با AI» (AI-washing) هشدار مهمِ بی‌طرفی: بخشی از این اخراج‌ها واقعاً به‌خاطر هوش مصنوعی نیست. مدیرعامل OpenAI و تحلیلگران دویچه‌بانک اعتراف کرده‌اند که بسیاری از شرکت‌ها اخراج‌هایی را که به‌هر دلیل (استخدامِ بیش‌ازحدِ دوران کرونا، نرخ بهره، تعرفه‌ها) انجام می‌دادند، حالا با برچسبِ «هوش مصنوعی» توجیه می‌کنند، چون این برچسب برای سرمایه‌گذاران جذاب است. پس باید مراقب بود که هر اخراج را به AI نسبت ندهیم.

نقطه‌ی واقعاً نگران‌کننده: درِ ورودی

مهم‌ترین یافته‌ی واقعیِ امروز این است: آسیب نه از وسط بلکه از درِ ورودیِ مشاغل شروع شده است. کارهای ساده‌ای که همیشه پلکانِ ورودِ جوانان به بازار کار بود (دستیاری، ورود داده، کدنویسیِ مقدماتی، تحقیقِ اولیه) دقیقاً همان کارهایی‌اند که هوش مصنوعی بهتر از همه انجام می‌دهد. وقتی پله‌ی اول بشکند، نسلِ جوان نمی‌تواند از آن بالا برود. این، نه بحرانِ «بیکاریِ انبوه»، بلکه بحرانِ «نشدنِ آغازِ مسیر» است.

۳ سه چشم‌انداز آینده: نقشه‌ی ۲، ۵ و ۱۰ سال

به‌جای یک عددِ قطعی، سه افق و در هر افق سه سناریو می‌دهیم. واقعیت احتمالاً جایی بین این‌هاست — و کشور به کشور و صنعت به صنعت فرق می‌کند.

افق ۲ سال ۱۴۰۵–۱۴۰۷ · تا ۲۰۲۸ افق ۵ سال تا ۱۴۰۹–۱۴۱۰ · ۲۰۳۰–۳۱ افق ۱۰ سال تا ۱۴۱۴–۱۴۱۵ · ۲۰۳۵–۳۶ «دستیارِ همه‌جا»
AI دستیارِ روزمره می‌شود. شغل‌ها کم نابود، اما بازتعریف می‌شوند. فشار روی نقش‌های ورودی و کارهای تکراری. بهره‌وریِ کاربرانِ ماهر می‌جهد.
«بازآرایی بزرگ»
WEF: خالصِ ۷۸+ میلیون شغل اما با جابه‌جاییِ ۲۲٪. عامل‌های خودگردان (Agentic AI) فراگیر. مرز اتوماسیون/هم‌افزایی جابه‌جا می‌شود.
«نقشه‌ی نو»
عدم‌قطعیتِ بالا. از «۶٪ مشاغل» (محافظه‌کار) تا «نیمی از مشاغل ورودیِ یقه‌سفید» (بدبینانه). مشاغلی که هنوز اسم ندارند، متولد می‌شوند.
سه افقِ زمانی؛ هرچه دورتر، عدم‌قطعیت بیشتر و دامنه‌ی سناریوها بازتر.

افق ۲ سال (۱۴۰۵–۱۴۰۷ / تا ۲۰۲۸): «عصر دستیار» پایه

در این افق، نابودیِ انبوهِ شغل بعید است؛ آن‌چه رخ می‌دهد فشردگیِ تیم‌ها و بازتعریفِ نقش‌هاست. یک نفر با هوش مصنوعی کارِ سه نفر را می‌کند، پس شرکت‌ها به‌جای اخراجِ گسترده، کمتر استخدام می‌کنند — مخصوصاً در سطح ورودی. بیش‌ترین فشار بر: ورودِ داده، پشتیبانیِ مشتری سطح‌یک، کدنویسیِ مقدماتی، نوشتنِ محتوای ساده، طراحیِ گرافیکِ روتین و دستیاریِ اداری. نرخ بیکاریِ کلان احتمالاً فقط کمی بالا می‌رود (طبق گلدمن‌ساکس حدود ٪۴٫۵)، اما برای تازه‌واردها سخت‌تر می‌شود.

افق ۵ سال (تا ۲۰۳۰–۲۰۳۱): «بازآراییِ بزرگ» میانه

این افقی است که داده‌ی رسمی برایش وجود دارد. مجمع جهانی اقتصاد پیش‌بینی می‌کند تا ۲۰۳۰: حدود ۱۷۰ میلیون شغل جدید ساخته و ۹۲ میلیون شغل نابود می‌شود؛ یعنی خالصِ ۷۸ میلیون شغلِ بیشتر (رشدِ خالصِ ۷٪)، اما با «جابه‌جاییِ ساختاریِ» معادلِ ۲۲٪ کل مشاغل. ترجمه‌اش این است: حتی اگر تعداد کل شغل‌ها زیاد شود، نزدیک به یک‌پنجمِ آدم‌ها باید شغل یا مهارتشان را عوض کنند. در این افق، «عامل‌های خودگردان» (که خودشان زنجیره‌ای از کارها را بی‌نظارت انجام می‌دهند) از آزمایشگاه به محیط کار می‌آیند و معادله را تندتر می‌کنند.

افق ۱۰ سال (تا ۲۰۳۵–۲۰۳۶): «نقشه‌ی نو» — جایی که پیش‌بینی‌ها واگرا می‌شوند پیشرفته

این‌جا اتفاق‌نظر فرومی‌پاشد و باید طیف را دید:

جدول ۱ — طیف پیش‌بینی‌های ۵ تا ۱۰ساله
منبعپیش‌بینیلحن
Forresterحدود ٪۶ مشاغل (≈۱۰٫۴ میلیون نقش) تا ۲۰۳۰؛ اثر غالب «تقویت» است نه حذفمحافظه‌کار
مجمع جهانی اقتصادخالصِ مثبت ۷۸ میلیون تا ۲۰۳۰، اما با ۳۹٪ مهارت‌های منسوخمیانه
Boston Consulting۱۰ تا ۱۵٪ مشاغل ممکن است تا ۲۰۳۱ حذف شوندمیانه-بدبین
مدیرعامل Verizonبیکاری تا ۳۰٪ بالاتر در ۲ تا ۵ سالبدبینانه
مدیرعامل Anthropicتا نیمی از مشاغلِ ورودیِ یقه‌سفید در ۵ سال؛ بیکاریِ دورقمیبسیار بدبینانه
چرا این‌قدر اختلاف؟ اختلاف بر سرِ یک سؤال است: آیا شرکت‌ها صرفاً «وظیفه‌ها» را خودکار می‌کنند و انسان را برای کارهای تازه آزاد می‌گذارند (سناریوی خوش‌بین)، یا کلِ «شغل» را بازطراحی می‌کنند تا انسان کمتری لازم شود (سناریوی بدبین)؟ پاسخ به تصمیمِ مدیران، قانون‌گذاری و سرعتِ بهبودِ مدل‌ها بستگی دارد — نه به خودِ فناوری به‌تنهایی. این یعنی آینده تا حد زیادی یک انتخاب است، نه یک تقدیر. و یک یادآوریِ تاریخیِ مهم برای تعادل: هر موجِ بزرگِ فناوری تاکنون در نهایت شغلِ خالصِ بیشتری ساخته است تا نابود — گرچه با دردِ جابه‌جاییِ یک نسل. دلیلِ قطعی نداریم که این بار حتماً متفاوت باشد؛ فقط می‌دانیم که سریع‌تر و کمتر قابل‌پیش‌بینی است.

۴ مشاغل در خطر: چه چیزی کوچک یا نابود می‌شود

یک قاعده‌ی طلایی برای تشخیص خطر: هرچه کارِ شما بیشتر «الگوی تکراری روی اطلاعات» باشد، در خطرِ بیشتری است. فرقی نمی‌کند یقه‌آبی باشد یا یقه‌سفید.

جدول ۲ — مشاغلی که بیشترین افول را تجربه می‌کنند (بر پایه‌ی WEF و ILO، ۲۰۲۵–۲۰۳۰)
شغل / خانواده‌ی شغلیچرا در خطر استافق فشار
متصدیان ورود دادهکاملاً قاعده‌مند؛ هوش مصنوعی سریع‌تر و بی‌خطاتر۲ سال
صندوق‌داران و فروشِ بلیتخودپرداز، پرداخت دیجیتال، فروشگاه بدون صندوق۲–۵ سال
دستیاران اداری و منشی‌های اجراییزمان‌بندی، خلاصه‌سازی، نامه‌نگاری خودکار می‌شود۲–۵ سال
تحویلداران بانک و کارمندان باجهبانکداری موبایلی و شعبه‌ی بدون کارمند (در فهرست WEF)۵ سال
کارمندان پستدیجیتالی‌شدن مکاتبات (در فهرست WEF)۵ سال
کارمندان حسابداری، دفترداری و حقوق‌ودستمزدنرم‌افزارهای خودکارِ مالی و تطبیق (دسته‌ی دقیقِ WEF)۵ سال
طراحان گرافیکِ روتینتولید تصویر/لوگو/بنر با هوش مصنوعی مولد — تازه‌وارد به فهرستِ افول۲–۵ سال
پشتیبانیِ مشتری سطح‌یکچت‌بات‌ها و عامل‌های پاسخ‌گوی خودکار۲–۵ سال
برنامه‌نویسِ تازه‌کار / کدنویسیِ مقدماتیتولید و رفعِ خطای کد توسط مدل‌ها؛ افتِ ٪۲۰ اشتغال جوانان۲–۵ سال
مترجمِ متونِ عمومی، تصحیح‌خوان، نویسنده‌ی محتوای سادهکیفیتِ خروجیِ خودکار به‌سرعت بالا رفته؛ اما ترجمه‌ی تخصصی و بومی‌سازی بیشتر به‌سمتِ هم‌افزایی می‌رود تا حذف۲–۵ سال
نقطه‌ی کوری که نباید نادیده گرفت: اتوماسیونِ فیزیکی جدولِ بالا عمدتاً مشاغلِ «دانشی» و «اداری» است، چون موجِ امروزِ هوش مصنوعیِ مولد آن‌جا را زودتر هدف گرفته. اما این تصویر ناقص است. مجمع جهانی اقتصاد صریحاً می‌گوید رباتیک و سیستم‌های خودگردان، بزرگ‌ترین نابودکننده‌ی خالصِ شغل‌اند: کاهشِ خالصِ حدود ۶ میلیون شغل تا ۲۰۳۰. یعنی در کارخانه، انبار، حمل‌ونقل و خطوط تولید، آسیب می‌تواند از بخشِ دانشی هم بزرگ‌تر باشد — فقط آهسته‌تر و کمتر دیده‌شده. اپراتورهای ماشین‌آلاتِ ثابت، کارگرانِ مونتاژ، و رانندگانِ مسیرهای ثابت (با خودروی خودران) در میان‌مدت در خطرند. هرکس صرفاً روی «مشاغلِ یقه‌سفید» تمرکز کند، نیمی از تصویر را از دست داده است.
تفکیک مهم: «شغلِ در خطر» با «آدمِ در خطر» فرق دارد یک حسابدار که فقط دفترداری می‌کند در خطر است؛ همان حسابدار اگر مشاور مالی، تحلیل‌گرِ ریسک یا مدیر بشود، نه. خطر مال وظیفه است، نه لزوماً فرد — به‌شرط آن‌که فرد به‌موقع جابه‌جا شود. کلِ بخش ۹ (نقشه‌ی راه شخصی) همین جابه‌جایی است.

کدام ویژگی‌ها یک شغل را «دیرتر» در خطر می‌اندازند؟

  • نیاز به حضور و مهارت فیزیکیِ نامنظم: لوله‌کش، برق‌کار، پرستار، آرایشگر، تعمیرکار — محیطِ بی‌نظمِ فیزیکی هنوز برای ربات‌ها گران و سخت است.
  • مسئولیت و اعتماد: جایی که اشتباه گران است و کسی باید پاسخ‌گو باشد (پزشک، خلبان، قاضی) انسان در حلقه می‌ماند.
  • رابطه‌ی انسانی و هم‌دلی: مراقبت، رهبری، مذاکره، تربیت — جایی که «انسان‌بودنِ طرفِ مقابل» بخشی از ارزش است.

۵ اطلسِ حرفه‌ها: نقشه‌ی ریزدانه‌ی خطر و پناهگاه

جدولِ بخشِ پیش، خوشه‌های کلان را نشان داد. اما تصمیمِ شغلیِ واقعی در درونِ یک حرفه گرفته می‌شود: در هر حرفه‌ی به‌ظاهر امن، بعضی زیرنقش‌ها به‌شدت در خطرند و بعضی پناهگاه. این اطلس، هفده حرفه را یک‌به‌یک کالبدشکافی می‌کند — برای هرکدام، زیرنقش‌های در‌خطر، پناهگاه‌ها، افقِ زمانی، و یک تحلیلِ کوتاه. تحلیل عمدتاً جهانی و داده‌محور است؛ جمع‌بندیِ ایران در پایان می‌آید.

قاعده‌ی واحدی که در هر هفده حرفه تکرار می‌شود وظیفه‌های روتین و قاعده‌مند — چه شناختی (پیش‌نویس، کدِ تکراری، ورودِ داده، ترجمه) و چه فیزیکی (پالت‌چینی، اسکن، شخمِ GPS-محور) — پرخطرترین‌اند. چهار «منطقه‌ی مقاوم» هم همیشه تکرار می‌شود: ۱) مهارتِ دستی در محیطِ غیرساختاریافته، ۲) قضاوت و مسئولیتِ پاسخ‌گو، ۳) اعتماد، هم‌دلی و رابطه‌ی انسانی، ۴) نظارت و راهبریِ خودِ هوش مصنوعی.
۱) حقوق و وکالت فشار بالا روی زیرنقش‌ها
⚠ زیرنقش‌های در خطر
  • بازبینیِ انبوهِ اسناد و افشای الکترونیک (بالاترین خطر)
  • بازبینی و پیش‌نویسِ قراردادهای روتین
  • تحقیقِ حقوقیِ مرحله‌ی اول
  • کارهای سندیِ دستیارانِ حقوقی (paralegal)
  • بررسیِ احرازِ صلاحیت و due diligence
🛡 پناهگاه‌ها
  • وکالتِ دادگاهی و ترافعی
  • مشاوره‌ی راهبردی و مذاکره
  • رابطه با موکل و جلبِ اعتماد
  • پرونده‌های بدیع و پیچیده
  • کارِ مستلزمِ مسئولیتِ حقوقی
افق: بازبینیِ اسناد: حالا · مدیریتِ چرخه‌ی قرارداد: ۵ سال · ترافع: مقاوم تا ۱۰ سال+ حالت: عمدتاً هم‌افزایی؛ بازبینیِ اسناد جایگزینیِ واقعی

ابزارهایی مثل CoCounsel صد صفحه را در حدود سه دقیقه می‌خوانند و تحلیل می‌کنند — کاری که برای انسان یک تا چهار ساعت طول می‌کشد؛ گلدمن‌ساکس کارِ حقوقی را در سطحِ ۴۴٪ خودکارسازیِ وظیفه‌ای می‌داند. اما خطرِ واقعی نه «حذفِ وکیل»، بلکه فشردگیِ مسیرِ ورود است: همان کارهای ساده‌ای که دستیارِ حقوقی و وکیلِ تازه‌کار با آن تجربه می‌اندوختند، دقیقاً همان‌هایی‌اند که هوش مصنوعی برمی‌دارد. وکالت به‌عنوان «حرفه» می‌ماند و حتی قوی‌تر می‌شود، اما پلکانِ تربیتِ نسلِ بعدِ وکلا باریک می‌شود — و این تهدیدی ساختاری برای کلِ حرفه است.

۲) دفترخانه و ثبت اسناد وابسته به قانون‌گذاری
⚠ زیرنقش‌های در خطر
  • آماده‌سازی و برچسب‌گذاریِ اسناد
  • احرازِ هویت (بیومتریک + پرسش‌وپاسخ)
  • بررسی‌های انطباق و کشفِ تقلب
  • بایگانی و ثبتِ سوابق
  • جست‌وجوی سند و ثبتِ نقل‌وانتقال
🛡 پناهگاه‌ها
  • خودِ عملِ تنظیمِ سندِ رسمی (شاهدِ بی‌طرفِ انسانی)
  • تأییدِ هویت، اراده و فهمِ امضاکننده
  • قضاوتِ حقوقی و حلِ اختلاف
  • املاکِ غیرِاستاندارد یا ثبت‌نشده
  • هر کاری با مسئولیتِ حرفه‌ای
افق: تأییدِ آنلاین و الکترونیک: حالا · دفترِ بلاک‌چینی: ۵ تا ۱۰ سال (بسیار وابسته به حوزه‌ی قضایی) حالت: هم‌افزایی/دستیارانه؛ زیروظایفِ دفتری خودکارشدنی

تأییدِ اسنادِ آنلاینِ از راه دور (RON) اکنون در هر پنجاه ایالتِ آمریکا با به‌رسمیت‌شناسیِ بین‌ایالتی پذیرفته شده، و دفاترِ ثبتِ زمین روی بلاک‌چین عملیاتی‌اند: جمهوری گرجستان بیش از ۳۰۰ هزار سندِ مالکیت را روی زنجیره ثبت کرده و زمانِ پردازشِ فروش را از چند روز به چند دقیقه و هزینه را تا حدود ۹۰٪ کاهش داده است. اما نکته‌ی کلیدی برای نظام‌های حقوقیِ مدنی مانند ایران این است: نقشِ قانوناً‌الزامیِ سردفتر به‌عنوانِ شاهدِ رسمی یک سنگرِ نهادیِ قوی است. فناوری می‌تواند کارهای دفتری و تأییدِ هویت را بردارد، اما تا وقتی قانون امضای رسمی را نیازمندِ یک مقامِ انسانیِ مسئول می‌داند، هسته‌ی حرفه پابرجاست. این یکی از کم‌داده‌ترین حوزه‌هاست و باید با احتیاط خواند.

۳) آزمایشگاه و تشخیص تشخیص: هم‌افزایی شدید
⚠ زیرنقش‌های در خطر
  • مرتب‌سازی و تریاژِ نمونه
  • کنترلِ کیفیتِ لام و رنگ‌آمیزی
  • کمّی‌سازیِ تصویر و پرچم‌گذاریِ نتایجِ روتین
  • آماده‌سازیِ بافت (مثلاً اتوماسیونِ هیستولوژی)
  • پیگیریِ نمونه در مرحله‌ی پیشاتحلیل
🛡 پناهگاه‌ها
  • تأییدِ نهاییِ تشخیص (تحتِ نظارت و مسئولیتِ قانونی)
  • پرونده‌های مبهم و پیچیده
  • مدیریتِ آزمایشگاه
  • تلفیقِ زمینه‌ی بالینی
  • خون‌گیری و جمع‌آوریِ نمونه (فیزیکی و بیمارمحور)
افق: پردازشِ نمونه و QC: حالا تا ۵ سال · تفسیر: هم‌افزایی · سنگرها: ۱۰ سال+ حالت: هم‌افزایی؛ اصطکاکِ مقرراتیِ بالا سرعتِ خودکارسازی را کم می‌کند

هوش مصنوعیِ پاتولوژیِ دیجیتال می‌تواند سرطانِ پروستات را «هم‌سطحِ پاتولوژیستِ باتجربه» درجه‌بندی کند و متاستازِ غددِ لنفاویِ سرطانِ پستان را تشخیص دهد. اما خودکارسازیِ واقعی عمدتاً در پیش‌پردازش (مرتب‌سازی، آماده‌سازی، کنترلِ کیفیت) رخ می‌دهد، نه در تفسیرِ نهایی. یک مطالعه‌ی دلفیِ خبرگان پیش‌بینی کرد که تا افقِ ۲۰۳۰، هیچ الگوریتمِ هوش مصنوعی در پذیرشِ روتینِ آزمایشگاه‌های آناتومیکالِ معمولی نخواهد بود، چون مقرراتی مثل CLIA/CAP اعتبارسنجیِ محلی را الزامی می‌کنند. پس تشخیص شغلی است که تقویت می‌شود نه حذف — به‌شرطِ آن‌که فردِ شاغل به‌سمتِ تفسیر، مدیریت و موارد پیچیده حرکت کند.

۴) داروسازی و صنایع دارویی R&D: رشد با هم‌افزایی
⚠ زیرنقش‌های در خطر
  • تأییدِ نسخه و تحویلِ خودکارِ دارو
  • پیش‌بینیِ موجودی و انبار
  • کنترلِ کیفیتِ تولید و نگهداریِ پیش‌بینانه
  • پردازشِ داده‌ی فارماکوویژیلانس
  • چت‌باتِ خطِ اولِ بیمار
🛡 پناهگاه‌ها
  • داروسازیِ بالینی و دارودرمانیِ دقیق
  • مشاوره و آموزشِ بیمار
  • مدیریتِ درمان‌های پیچیده
  • تأییدِ نهاییِ داروساز (مسئولیت)
  • کشفِ دارو به‌مثابه‌ی تقویتِ پژوهشگر، نه جایگزینِ او
افق: اتوماسیونِ تحویل: حالا · شتابِ کشفِ دارو: جاری · نقش‌های بالینی: هم‌افزایی ۵ تا ۱۰ سال حالت: هم‌افزایی؛ تحویلِ دارو نیمه‌خودکار

در کشفِ دارو، هوش مصنوعی کتابخانه‌های شیمیایی را غربال و برهم‌کنشِ دارو-هدف را پیش‌بینی می‌کند و جدولِ زمانیِ تحقیق را می‌فشرد (مروری بر سال‌های ۲۰۱۵ تا ۲۰۲۵ نشان داد یادگیریِ ماشین در ۴۱٪ مطالعات حضور داشته). این رشد است نه تهدید: دانشمندِ R&D تقویت می‌شود. در داروخانه اما، تأییدِ نسخه و تحویلِ خودکار (مثلِ سامانه‌های Omnicell) بخشی از کارِ روتین را برمی‌دارد، در‌حالی‌که مشاوره‌ی بالینی، مدیریتِ درمان و تأییدِ مسئولانه‌ی داروساز سنگرِ امن می‌ماند. پس آینده‌ی داروساز در حرکت از «شمارنده‌ی قرص» به «مشاورِ دارودرمانی» است.

۵) معماری و طراحیِ سازه/عمران ترسیم در خطر، طراحی امن
⚠ زیرنقش‌های در خطر
  • نقشه‌کشیِ فنی CAD (پلان، نما، جزئیات)
  • رندرینگ و بصری‌سازی
  • کشفِ تداخل (clash detection)
  • بررسیِ انطباق با ضوابط
  • تبدیلِ ابرِ نقاط به BIM و ترسیمِ سطحِ ورودی
🛡 پناهگاه‌ها
  • طراحیِ مفهومی و خلاق
  • رابطه با کارفرما
  • مدیریتِ پروژه
  • هماهنگیِ کارگاهی و سرِ زمین
  • قضاوتِ مجوز و ضوابط؛ مهرِ مهندسِ مسئول
افق: ترسیم و بصری‌سازی: حالا تا ۵ سال · طراحیِ مفهومی و مدیریتِ پروژه: مقاوم تا ۱۰ سال حالت: هم‌افزایی؛ زیروظایفِ ترسیمی خودکار

نسخه‌های جدیدِ AutoCAD و Revit حالا طراحیِ مولد دارند و گلدمن‌ساکس معماری/مهندسی را در سطحِ ۳۷٪ خودکارسازیِ وظیفه‌ای می‌داند. کارهای ترسیمی و رندرِ پایه به‌سرعت خودکار می‌شوند و نقش‌های ترسیمیِ سطحِ ورودی در حالِ فشردگی‌اند. اما طراحیِ مفهومی، حلِ مسئله‌ی فضایی، رابطه با کارفرما و مدیریتِ پروژه مقاوم می‌مانند. محاسباتِ سازه تقویت می‌شود، ولی مسئولیتِ قانونی یک مهندسِ انسانیِ پاسخ‌گو را در حلقه نگه می‌دارد. معمارِ آینده کمتر «نقشه‌کش» و بیشتر «کارگردانِ طراحی و هماهنگ‌کننده» خواهد بود.

۶) پزشکی و پزشکان تقویت، نه جایگزینی
⚠ زیرنقش‌های در خطر
  • تشخیصِ الگومحورِ تصویری در رادیولوژی، پاتولوژی، پوست و چشم
  • تریاژ
  • پیش‌نویسِ گزارش
🛡 پناهگاه‌ها
  • جراحی
  • روان‌پزشکی
  • پزشکیِ عمومی و مراقبتِ اولیه
  • تصمیم‌گیریِ بالینیِ پیچیده
  • هر مراقبتِ عملی و هم‌دلانه و رودررو
افق: هم‌افزاییِ تصویری: حالا · پشتیبانیِ تصمیمِ بالینی: ۵ سال · نقشِ پزشک: متحول (نه حذف) تا ۱۰ سال حالت: هم‌افزایی، به‌شدت — اجماع بر «تقویت، نه جایگزینی» است

تا اوتِ ۲۰۲۵، حدود ۱۲۴۷ دستگاهِ پزشکیِ مبتنی بر هوش مصنوعی مجوزِ FDA داشتند که بیش از ۷۵٪ آن‌ها رادیولوژی بودند. و این‌جا مهم‌ترین درسِ کلِ اطلس است: رادیولوژی، قناری‌ای بود که نمرد. با وجودِ پیش‌بینیِ مشهورِ سال ۲۰۱۶ که «باید آموزشِ رادیولوژیست را متوقف کرد»، رادیولوژیِ تشخیصیِ آمریکا در ۲۰۲۵ رکوردِ ۱۲۰۸ جایگاهِ دستیاری (۴٪+ رشد) را عرضه کرد، دومین تخصصِ پردرآمد شد (حدود ۵۲۰ هزار دلار، ۴۸٪ رشد از ۲۰۱۵) و نرخِ جای خالی به اوجِ تاریخی رسید. چرا؟ چون ابزارها باریک و دستیارانه‌اند، مسئولیتِ قانونی امضای یک پزشک را برای هر قرائت لازم می‌داند، و تقاضای تصویربرداری منفجر شده. پزشکی شغلی است که متحول می‌شود، نه نابود.

۷) دستیارانِ پزشکی و کادرِ درمان نوشتاری در خطر، مراقبت امن
⚠ زیرنقش‌های در خطر
  • نسخه‌نویسی و رونویسیِ پزشکی (اسکرایبِ صوتیِ هوشمند)
  • کدگذاری و صورت‌حسابِ پزشکی
  • کارهای اداریِ داده‌محور
🛡 پناهگاه‌ها
  • پرستاری (عملی؛ شغلِ رو به رشدِ WEF)
  • خون‌گیری
  • کمک‌بهیار و مراقبِ سالمند (ربات‌ها مهارتِ کمک به خوردن/پوشیدن/جابه‌جایی را ندارند)
  • دستیارِ پزشک
افق: رونویسی و کدگذاری: حالا · مراقبتِ عملی: مقاوم تا ۱۰ سال+ حالت: آمیخته — رونویسی جایگزینی؛ مراقبتِ مستقیم به‌سختی در معرض

اسکرایبِ صوتیِ هوش مصنوعی (مثلِ Nuance DAX و Abridge) حالا فراگیر است؛ یک کارآزماییِ تصادفیِ NEJM AI در ۲۰۲۵، کاهشِ ۹٫۵٪ زمانِ نگارشِ یادداشت و یک نظامِ درمانی، کاهشِ ۲۱٪ فرسودگی را گزارش کرد. در نتیجه آگهیِ شغلِ اسکرایبِ پزشکی در ۲۰۲۵ حدود ۲۰٪ افت کرد. اما پرستاری، خون‌گیری و مراقبت از سالمند جزوِ مقاوم‌ترین مشاغل‌اند — مطالعه‌ی مایکروسافت کمک‌بهیاران را میانِ مقاوم‌ترین‌ها رتبه داد، چون ربات‌ها فاقدِ مهارتِ ظریفِ کمک به بیمار برای خوردن، پوشیدن و حرکت‌اند. نکته‌ی جالب: در داده‌ی استنفورد، اشتغالِ کمک‌بهیارانِ جوان حتی افزایش یافت.

۸) حسابداری، مالی و حسابرسی انطباق: به‌سمتِ خودکارسازی
⚠ زیرنقش‌های در خطر
  • دفترداری (دسته‌بندیِ تراکنش، مغایرت‌گیری، گزارش)
  • تهیه‌ی اظهارنامه‌ی مالیاتیِ ساده (ساعت‌ها به دقیقه)
  • ورودِ داده
  • تحلیلِ مالیِ روتین و گزارش‌گیریِ پایه
🛡 پناهگاه‌ها
  • حسابرسی (پذیرشِ کند به‌خاطرِ مسئولیت و مقررات)
  • مشاوره‌ی راهبردی
  • برنامه‌ریزیِ مالیاتیِ پیچیده
  • مشاوره‌ی سرمایه‌گذاری
  • قضاوتِ اکچوئری و کشفِ تقلبِ مبتنی بر قضاوت
افق: دفترداری و مالیات: حالا تا ۲ سال · حسابرسی: هم‌افزایی ۵ سال · مشاوره: مقاوم تا ۱۰ سال حالت: از هم‌افزایی به‌سمتِ خودکارسازیِ کارهای انطباقی؛ مشاوره هم‌افزا می‌ماند

بات‌های عامل‌محور حالا تراکنش‌ها را دسته‌بندی، حساب‌ها را مغایرت‌گیری و گزارش تولید می‌کنند، و اظهارنامه‌های ساده تقریباً به‌طورِ کامل خودکار شده‌اند. حسابداری یکی از مشاغلی است که اشتغالِ جوانانش (طبقِ استنفورد) ۱۳٪ افت کرد و گلدمن‌ساکس عملیاتِ مالی را در سطحِ ۳۵٪ خودکارسازی می‌داند. اما حسابرسی به‌خاطرِ پیچیدگیِ مقرراتی و مسئولیت، آهسته و محتاطانه هوش مصنوعی را می‌پذیرد، و مشاوره‌ی راهبردی و برنامه‌ریزیِ پیچیده مقاوم می‌مانند. حتی مورنینگ‌استار می‌گوید بعید است هوش مصنوعی مشاورِ مالی را به‌طورِ کامل جایگزین کند. مسیرِ نجات: حرکت از «ثبتِ ارقام» به «تفسیر و مشاوره».

۹) مهندسی (نرم‌افزار و سایر) ورودی فشرده، ارشد بادوام
⚠ زیرنقش‌های در خطر
  • برنامه‌نویسیِ سطحِ ورودی (کدِ تکراری، CRUD، تستِ اسکریپتی، رفعِ خطای روتین)
  • تستِ دستیِ QA
  • ترسیمِ روتین
🛡 پناهگاه‌ها
  • مهندسیِ ارشد و معماریِ سیستم (اشتغالِ ۳۰سال‌به‌بالا ۶ تا ۱۲٪ رشد کرد)
  • طراحیِ سیستم و حلِ مسئله‌ی پیچیده
  • مهندسیِ مکانیک/برق با قضاوتِ میدانی
  • نقش‌های ناظرِ هوش مصنوعی
افق: فشردگیِ ورودی: حالا · بازآراییِ میانی: ۵ سال · نقش‌های ارشد: بادوام تا ۱۰ سال حالت: هم‌افزایی برای ارشدها؛ خودکارسازیِ کارهایی که تازه‌کارها می‌کردند

هوش مصنوعی بهره‌وریِ توسعه‌ی نرم‌افزار را ۱۴ تا ۲۶٪ بالا می‌برد و مهندسِ ارشد حالا کارهای سابقِ تازه‌کار را خودش با هوش مصنوعی انجام می‌دهد. نتیجه: اشتغالِ توسعه‌دهندگانِ ۲۲ تا ۲۵ساله حدود ۲۰٪ از اوجِ ۲۰۲۲ افت کرد، در‌حالی‌که اشتغالِ ۳۰سال‌به‌بالا در همان شرکت‌ها ۶ تا ۱۲٪ رشد کرد. WEF توسعه‌دهنده‌ی نرم‌افزار را همچنان جزوِ مشاغلِ پُررشدِ مطلق می‌داند، حتی با فشردگیِ سطحِ ورودی. خطرِ مرکزی همان «باریک‌شدنِ مسیرِ ورود» است: راهِ سنتیِ کسبِ تخصصِ ارشدی دقیقاً وقتی فشرده می‌شود که ارشدها بهره‌ورتر شده‌اند.

۱۰) رسانه، طراحی و خلاقیت از پرمواجهه‌ترین‌ها
⚠ زیرنقش‌های در خطر
  • ترجمه (سخت‌ترین‌ضربه‌خورده)
  • کپی‌رایتینگ و محتوای ساده
  • طراحیِ گرافیکِ روتین (اولین حضور در فهرستِ افولِ WEF)
  • روزنامه‌نگاریِ پایه
  • تدوینِ ویدئو، تصویرسازیِ ساده، عکسِ استوک
🛡 پناهگاه‌ها
  • کارگردانیِ هنری و راهبردِ خلاق (به‌مراتب مقاوم‌تر)
  • روایتِ برند
  • روزنامه‌نگاریِ تحقیقی
  • کارِ خلاقِ اصیل و سطحِ بالا
افق: ترجمه، کپی‌رایتینگ و طراحیِ پایه: حالا · بازآرایی به‌سمتِ «بازبینیِ خروجیِ AI»: ۵ سال حالت: خودکارسازیِ واقعی در کارِ خلاقِ کالایی؛ هم‌افزایی در لایه‌ی راهبردی

این بخش جزوِ پرمواجهه‌ترین حوزه‌هاست و ترجمه سخت‌ترین‌ضربه را خورده: پژوهشِ آکسفورد (Frey و Llanos-Paredes، ۲۰۲۵) برآورد کرد گوگل‌ترنسلیت به‌تنهایی طیِ ۲۰۱۰ تا ۲۰۲۳ حدود ۲۸ هزار جایگاهِ مترجم را کم کرده، و مترجمانِ آزاد افتِ ۶۰ تا ۸۰٪ درآمد گزارش می‌کنند. آگهیِ کپی‌رایتینگ از ۲۰۲۲ حدود ۳۰٪ و آگهیِ هنرمندِ گرافیکِ رایانه‌ای در ۲۰۲۵ حدود ۳۳٪ افت کرد. اما کارگردانیِ هنری، راهبردِ خلاق و روزنامه‌نگاریِ تحقیقی به‌مراتب مقاوم‌ترند. الگو روشن است: کارِ خلاقِ کالایی‌شده خودکار می‌شود، کارِ خلاقِ راهبردی تقویت.

۱۱) آموزش بخشِ رو به رشد
⚠ زیرنقش‌های در خطر
  • نمره‌دهی و سنجش
  • تولیدِ محتوا و طرحِ درس
  • پیش‌نویسِ طراحیِ آموزشی
  • تدریسِ خصوصیِ روتین
🛡 پناهگاه‌ها
  • تدریسِ کلاسی (رابطه، الگوبودن، مدیریتِ کلاس، انگیزش)
  • آموزشِ استثنایی
  • آموزشِ کودکانِ خردسال
افق: نمره‌دهی و محتوا: حالا تا ۵ سال · تدریسِ هسته‌ای: بسیار مقاوم تا ۱۰ سال حالت: هم‌افزایی؛ معلم وقت به‌دست می‌آورد نه این‌که شغل از دست بدهد

ابزارهای تدریسِ هوش مصنوعی در حالِ گسترش‌اند و چهار از پنج دانش‌آموزِ آمریکایی حالا از هوش مصنوعی برای درس استفاده می‌کنند. کارهایی مثل نمره‌دهی و تولیدِ محتوا خودکار می‌شوند و به معلم وقت می‌دهند. اما تدریسِ کلاسی — رابطه، مربی‌گری، مدیریتِ کلاس و ایجادِ انگیزه — به‌شدت مقاوم است، و WEF معلمانِ دبیرستان و نقش‌های آموزشی/مراقبتی را جزوِ پُررشدترین‌های ۲۰۳۰ می‌داند. آموزش یکی از معدود بخش‌هایی است که هم‌زمان با موجِ هوش مصنوعی، رشد می‌کند.

۱۲) اداری و دفتری کانونِ نزدیک‌ترین آسیب
⚠ زیرنقش‌های در خطر
  • ورودِ داده
  • پیش‌نویسِ سند
  • ایمیل و مکاتبات
  • قالب‌بندیِ گزارش
  • زمان‌بندی و بایگانیِ پایه
  • پشتیبانیِ خطِ اولِ مشتری
🛡 پناهگاه‌ها
  • دستیارِ اجراییِ هماهنگیِ پیچیده با قضاوت و رابطه‌ی انسانی
  • مدیریتِ دفتر
  • نقش‌های آمیخته‌ی اداری-مدیریتِ ذی‌نفعان
افق: ورودِ داده و زمان‌بندی: حالا · پشتیبانیِ مشتری: خودکارسازیِ سنگین ۲ تا ۵ سال حالت: خودکارسازی — کانونِ آسیبِ نزدیک‌مدتِ یقه‌سفید

هم WEF و هم ILO کارِ دفتری را پرمواجهه‌ترین گروهِ شغلی می‌دانند؛ فهرستِ سریع‌ترین مشاغلِ رو به افولِ WEF را نقش‌های دفتری پُر کرده‌اند، و نماینده‌ی خدماتِ مشتری از مشاغلی بود که استنفورد افتِ اشتغالِ جوانان را در آن دید. ورودِ داده، زمان‌بندی و مکاتبه به‌سرعت خودکار می‌شوند. سنگرِ امن، دستیاری است که هماهنگیِ پیچیده، قضاوت و رابطه‌ی انسانی را اداره می‌کند — نه کسی که فقط فرم پر می‌کند یا ایمیل بازنویسی می‌کند. این کانونِ نزدیک‌ترین موجِ جابه‌جاییِ یقه‌سفید است.

۱۳) تولید و کارخانه خودکار اما سرمایه‌بر
⚠ زیرنقش‌های در خطر
  • مونتاژِ تکراری
  • پالت‌چینی و جابه‌جاییِ مواد
  • ماشین‌داری (machine tending)
  • بازرسیِ کیفیتِ بصری (دقتِ ۹۹٪+ در برابر ۸۰٪ دستی)
🛡 پناهگاه‌ها
  • تعمیر و نگهداریِ غیرروتین
  • مونتاژِ پیچیده در محیطِ متغیر
  • نظارت بر رباتیک
  • ماشین‌کاریِ ماهرِ نیازمندِ قضاوت
افق: اتوماسیونِ روتین: جاری تا ۵ سال · رباتِ انسان‌نمای کارخانه‌ای: ۱۰ سال+ (و نامطمئن) حالت: خودکارسازی — اما سرمایه‌بر و کندتر از نرم‌افزار

گزارشِ World Robotics 2025 از نصبِ ۵۴۲ هزار رباتِ صنعتی در ۲۰۲۴ خبر می‌دهد (موجودیِ عملیاتیِ ۴٫۶۶ میلیون). مک‌کینزی می‌گوید مشاغلِ تولیدی تا ۸۷٪ ساعاتِ قابلِ‌خودکارسازی دارند — بالاترین در صنعت. اما رباتِ انسان‌نما هنوز در مرحله‌ی آزمایشی است: ربات Figure یک پایلوتِ حدوداً ده‌ماهه در کارخانه‌ی BMW داشت، و ایلان ماسک در تماسِ سرمایه‌گذاریِ ژانویه‌ی ۲۰۲۶ اعتراف کرد Optimus «به‌شکلِ معناداری در کارخانه‌های ما به‌کار نمی‌رود». نکته‌ی واقع‌بینانه: WEF رباتیک را بزرگ‌ترین نابودکننده‌ی خالص می‌داند، اما این آسیب آهسته، سرمایه‌بر و طیِ یک دهه پخش می‌شود — نه یک‌شبه.

۱۴) حمل‌ونقل و لجستیک تدریجی و جغرافیامحور
⚠ زیرنقش‌های در خطر
  • رانندگیِ راه‌دور و تاکسیِ اینترنتی (در نهایت)
  • برداشت/اسکن/مرتب‌سازیِ انبار
  • تحویلِ آخرین‌کیلومتر (در نهایت)
🛡 پناهگاه‌ها
  • تحویلِ محلیِ پیچیده‌ی نیازمندِ قضاوت
  • بارگیری/تخلیه و جابه‌جاییِ فیزیکی
  • نقش‌های نیازمندِ تعاملِ مشتری
  • نظارت
افق: روبوتاکسی در شهرهای منتخب: حالا · کامیونِ بی‌راننده‌ی مسیرِ ثابت: ۲ تا ۵ سال · جابه‌جاییِ گسترده‌ی راننده: ۵ تا ۱۰ سال حالت: خودکارسازی، اما به‌لحاظِ جغرافیایی تدریجی

Waymo سالِ ۲۰۲۵ را با ۴۵۰ هزار سفرِ پولیِ هفتگی (۱۵۷٪ رشد) و فعالیتِ بی‌راننده در حدود ده شهر به پایان برد و در ۲۰۲۶ به ده شهرِ دیگر و لندن گسترش می‌یابد؛ Aurora از صد هزار مایلِ کامیونِ بی‌راننده عبور کرد. اما WEF راننده‌ی تحویل را جزوِ مشاغلِ پُررشدِ مطلق می‌داند (به‌خاطرِ تجارتِ الکترونیک)، حتی هم‌زمان با پیشرفتِ خودرانی؛ و نیویورک در اوایلِ ۲۰۲۶ به‌خاطرِ نگرانیِ شغلیِ رانندگان مجوزِ Waymo را تمدید نکرد. جابه‌جاییِ راننده واقعی است اما کند، مقرراتی، وابسته به آب‌وهوا و جغرافیا. انبارها سریع‌تر خودکار می‌شوند.

۱۵) ساختمان و مشاغلِ فنیِ ماهر از قوی‌ترین سنگرها
⚠ زیرنقش‌های در خطر
  • کارهای تکراری یا خطرناک (بخشی از آجرچینی)
  • نقشه‌برداریِ پهپادی و بازرسیِ روباتیکِ لوله
  • کارِ کارخانه‌ایِ پیش‌ساخته
  • ترسیم و برآوردِ روتین
🛡 پناهگاه‌ها
  • لوله‌کش، برق‌کار، تکنسینِ تهویه
  • جوشکار و نجار
  • کارِ در محیطِ آشفته و متغیرِ نیازمندِ مهارتِ دستی و بداهه
  • حلِ مسئله‌ی سرِ کارگاه و اعتماد
افق: ابزارهای هم‌افزا: حالا · خودکارسازیِ کارِ فیزیکی: کند، ۱۰ سال+ حالت: هم‌افزایی (هوش مصنوعی در کامیون، نه روی نردبان)

این یکی از قوی‌ترین سنگرهای کلِ اقتصاد است. لوله‌کش، برق‌کار، تکنسینِ تهویه، جوشکار و نجار در محیط‌های آشفته، متغیر و غیرساختاریافته کار می‌کنند که نیازمندِ مهارتِ دستی، بداهه و حلِ مسئله‌ی درجاست. گلدمن‌ساکس ساختمان را تنها در سطحِ ۶٪ خودکارسازیِ وظیفه‌ای، نصب/تعمیر را ۴٪ و نظافتِ ساختمان را ۱٪ می‌داند. اداره‌ی آمارِ کارِ آمریکا برای لوله‌کش و برق‌کار و تکنسینِ تهویه رشد پیش‌بینی می‌کند و ساخت‌وسازِ زیرساختِ هوش مصنوعی خودش تقاضای این مشاغل را بالا برده (گلدمن حدود ۳۰۰ هزار کارگرِ بیشتر برای نیازِ انرژی تا ۲۰۳۰ تخمین می‌زند). مهارتِ دستی در محیطِ غیرساختاریافته، عملاً «دیوارِ آتشِ نهایی» در برابرِ خودکارسازی است.

۱۶) کشاورزی پارادوکسِ رشد و اتوماسیون
⚠ زیرنقش‌های در خطر
  • شخم و هدایتِ GPS-محور
  • سم‌پاشیِ دقیق (See & Spray: ۵۹٪ کاهشِ علف‌کش)
  • وجین (۳۰۰+ رباتِ خودگردانِ وجین در جهان)
  • پایشِ محصول/بیماری با پهپاد
  • شیردوشیِ روباتیک
🛡 پناهگاه‌ها
  • برداشت (سخت‌ترین مرز؛ چیدنِ نرمِ میوه هنوز آزمایشی)
  • دامداری و پرورشِ دام
  • کارِ کاربر در اقتصادهای در حالِ توسعه
افق: اتوماسیونِ مزرعه: حالا تا ۵ سال (بازارهای پیشرفته) · برداشت: ۵ تا ۱۰ سال حالت: هم‌افزایی/اتوماسیون در مزارعِ بزرگِ پیشرفته؛ رشدِ اشتغال در اقتصادهای در حالِ توسعه

بیش از ۶۰٪ کشاورزانِ آمریکا (و ۸۰٪+ مزارعِ بزرگ) از کشاورزیِ دقیق استفاده می‌کنند؛ سامانه‌ی See & Spray جان‌دیر به‌طورِ میانگین ۵۹٪ مصرفِ علف‌کش را کم کرد. اما این‌جا یک پارادوکسِ آشکار هست: WEF کارگرِ کشاورزی را #۱ مشاغلِ پُررشدِ مطلق (حدود ۳۵ میلیون خالص تا ۲۰۳۰) می‌داند، حتی با پیشرفتِ اتوماسیون. توضیح: اتوماسیون عمدتاً کمبودِ نیرو را هدف می‌گیرد و سخت‌ترین کار (برداشتِ نرم) هنوز عمدتاً دستی است؛ ضمنِ این‌که رشدِ اشتغال در اقتصادهای در حالِ توسعه (به‌خاطرِ جمعیت و تقاضای غذا) موجِ اتوماسیونِ مزارعِ بزرگ را خنثی می‌کند.

۱۷) خرده‌فروشی و خدمات یک درسِ عبرتِ مهم
⚠ زیرنقش‌های در خطر
  • صندوق‌داری (بزرگ‌ترین افولِ مطلقِ WEF، حدود ۱۶ میلیون)
  • موجودی‌گیریِ روتین
  • خدماتِ مشتریِ پایه
  • سفارش‌گیریِ غذا (نیمه)
🛡 پناهگاه‌ها
  • مهمان‌داری و خدماتِ تجربی و شخصی
  • خرده‌فروشیِ پیچیده‌ی انسان‌محور
افق: افولِ صندوق‌دار: جاری تا ۵ سال · فروشگاهِ کاملاً بی‌صندوق: هنوز در مقیاسِ بزرگ ناممکن حالت: خودکارسازیِ صندوق؛ هم‌افزایی/مقاومت در خدمات

صندوق‌داری بزرگ‌ترین افولِ مطلقِ WEF است (حدود ۱۶ میلیون، ۲۰٪). اما درسِ عبرتِ مهمی هم هست: آمازون در ۲۰۲۴ فناوریِ «Just Walk Out» را از همه‌ی فروشگاه‌های Amazon Fresh و Whole Foods در آمریکا برداشت — در مقیاسِ سوپرمارکت بیش‌از‌حد گران و پیچیده بود — و به سبدِ هوشمند و صندوقِ خودکار بازگشت و فناوری را به کسب‌وکارهای دیگر (استادیوم، دانشگاه) لایسنس داد. این هشداری واقعی است در برابرِ فرضِ خودکارسازیِ خطی و بی‌اصطکاکِ صندوق. خدمات و مهمان‌داری مقاوم می‌مانند.

جمع‌بندیِ ایران (نگاهِ بومی) مواجهه در اقتصادهای پیشرفته (~۶۰٪) به‌مراتب بالاتر از اقتصادهای در حالِ توسعه (~۴۰٪) است و شکافِ زیرساخت و پذیرش، استقرارِ محلیِ هوش مصنوعی را کند می‌کند. برای ایران: نقش‌های نهادیِ نظامِ حقوقیِ مدنی (دفترخانه و ثبت)، مشاغلِ فنیِ دستی (تأسیسات، برق، تعمیرات)، سلامت و کشاورزی نسبتاً بادوام‌اند. اما خدماتِ دیجیتالِ قابلِ‌تجارت در سطحِ جهانی — ترجمه، نرم‌افزار، طراحی، برون‌سپاریِ فرایندِ کسب‌وکار — پرمواجهه‌ترین‌اند، چون هوش مصنوعی می‌تواند آن‌ها را فرامرزی جایگزین کند. درسِ راهبردی: ایرانی که می‌خواهد از موج بهره ببرد باید روی تخصصِ عمیق + قضاوت + رابطه + نظارت بر هوش مصنوعی سرمایه‌گذاری کند، نه صرفاً مهارتِ اجراییِ ساده‌ای که فرامرزی و ارزان جایگزین می‌شود.
دو هشدارِ روش‌شناختیِ مهم ۱) مواجهه ≠ حذف. ارقامِ کلان (۴۰٪ صندوق بین‌المللی پول، ۳۰۰ میلیون گلدمن، ۳۰٪ مک‌کینزی) مواجهه یا پتانسیلِ خودکارسازیِ وظیفه را می‌سنجند، نه حذفِ محققِ شغل را. اخراج‌های واقعاً منتسب به هوش مصنوعی هنوز اقلیتِ کلِ اخراج‌ها هستند.
۲) هیاهو در برابرِ شواهد. منابعِ فروشنده‌ی فناوری (حقوقی، حسابداری، اسکرایب، کشاورزی) توان را بزرگ‌نمایی می‌کنند و بسیاری از آمارهای «X٪ شغل را هوش مصنوعی گرفت» که آنلاین می‌چرخند، پژوهشِ اولیه نیستند. درسِ رادیولوژی را به‌یاد داشته باشید: حرفه‌ای که «برای جایگزینی بهینه شده بود»، به‌جای نابودی، رکوردِ تقاضا و دستمزد دید.

۶ مشاغل در حال زایش: چه چیزی متولد و بزرگ می‌شود

آن ۱۷۰ میلیون شغلِ جدید سه جنس‌اند: فناورانه (می‌سازند و می‌رانند)، سبز (گذار انرژی)، و انسانی-حضوری (آن‌چه ماشین نمی‌تواند). جالب آن‌که بیشترین رشدِ «تعدادی» نه در فناوری، که در مشاغلِ خط‌مقدم است.

جدول ۳ — سریع‌ترین مشاغلِ رو به رشد تا ۲۰۳۰ (WEF / ILO)
گروهنمونه‌هامحرّککیفیت (دستمزد/ثبات)
رشدِ درصدیِ بالا (فناوری)متخصص داده‌های کلان، مهندس فین‌تک، متخصص هوش مصنوعی و یادگیری ماشین، توسعه‌دهنده‌ی نرم‌افزار، تحلیل‌گر امنیت اطلاعاتAI و دیجیتالدستمزد بالا
رشدِ سبزمتخصص خودروی برقی/خودران، مهندس محیط‌زیست، مهندس انرژی‌های تجدیدپذیرگذار انرژیدستمزد بالا
رشدِ تعدادیِ بزرگ (خط‌مقدم)کارگر کشاورزی، رانندهٔ تحویل کالا، کارگر ساختمانجمعیت و تقاضااغلب کم‌دستمزد/بی‌ثبات
اقتصادِ مراقبتپرستار، مراقب سالمند و کودک، مددکارسالمندیِ جمعیتمتغیر
آموزشمعلم دبیرستان، مربی مهارت، طراح آموزشبازآموزیِ مداوممتوسط
«رشد» همیشه به‌معنای «فرصتِ خوب» نیست دقت کنید که بیشترین رشدِ تعدادی (نه درصدی) در مشاغلِ خط‌مقدم است — کارگر کشاورزی، راننده‌ی تحویل، کارگر ساختمان. اما این رشد محرّکش جمعیت و تقاضاست، نه هوش مصنوعی، و این مشاغل عمدتاً کم‌دستمزد، فصلی یا بی‌ثباتاند. پس «۱۷۰ میلیون شغلِ جدید» را یک‌کاسه نبینید: بخش بزرگی از آن، شغل‌های پردرآمدِ فناوری نیست؛ بلکه کارهای پرتعدادِ کم‌مزد است. شکافِ دستمزد می‌تواند هم‌زمان با رشدِ تعداد، بدتر شود — همان «قطبی‌شدنِ درآمد» که صندوق بین‌المللی پول هشدار می‌دهد.

نقش‌های نوظهور (که بعضی هنوز نامِ رسمی ندارند)

بخشی از آن ۱۷۰ میلیون، نقش‌هایی است که تازه متولد شده‌اند. اما واقع‌بین باشیم: این‌ها هنوز در فهرستِ ده‌تاییِ پرتقاضای WEF نیستند و حجمشان کوچک است؛ بعضی هم نه «شغلِ» مستقل، بلکه مهارتی هستند که به نقش‌های موجود اضافه می‌شود:

  • مهندس پرامپت / معمارِ گفتگو با AI — در حالِ تثبیت است و آگهیِ استخدام دارد؛ هرچند بعضی پیش‌بینی می‌کنند با هوشمندترشدنِ مدل‌ها، به‌تدریج در نقش‌های دیگر حل شود.
  • توانِ «ناوبریِ عامل‌های AI» — بیشتر یک مهارت است که به نقش‌های موجود (مدیر محصول، مهندس DevOps) افزوده می‌شود تا یک شغلِ کاملاً جدا.
  • مهندس بازیابی و یکپارچه‌سازیِ دانش (RAG) — وصل‌کردنِ مدل‌ها به داده‌ی واقعیِ سازمان؛ تقاضای واقعی اما هنوز نیچ.
  • متخصص اخلاق، ایمنی و انطباقِ AI — با قوانینِ تازه (مثلاً قانون AI ایالت کلرادو از تیر ۱۴۰۵) در حال رشد، اما هنوز کوچک.
  • ممیزِ صحت و کیفیتِ خروجیِ AI — انسانی که خطای مدل را می‌گیرد، آن‌جا که اشتباه گران است.
الگوی برنده‌ی تکرارشونده تقریباً همه‌ی نقش‌های رو به رشد یک ویژگی مشترک دارند: ترکیبِ مهارتِ فنی با تخصصِ یک حوزه یا با مهارتِ انسانی. نه فقط برنامه‌نویس، بلکه برنامه‌نویسی که پزشکی می‌فهمد. نه فقط پرستار، بلکه پرستاری که با ابزار هوش مصنوعی کار می‌کند. آینده مالِ آدم‌های «T‑شکل» است: یک تخصصِ عمیق + سوادِ گسترده در هوش مصنوعی.

۷ مکانیزم پنهان: «وظیفه» در برابر «شغل»، هم‌افزایی در برابر جایگزینی

برای پیش‌بینیِ سرنوشتِ شغلِ خودتان، باید این دو تمایز را بفهمید. این بخش، قلبِ تحلیلیِ جزوه است.

۱) شغل = بسته‌ای از وظیفه‌ها

هیچ هوش مصنوعی‌ای «یک شغل» را یک‌جا نمی‌بلعد؛ وظیفه‌ها را یکی‌یکی برمی‌دارد. یک شغلِ معمولی ۲۰ تا ۳۰ وظیفه دارد. اگر AI ده‌تای آن را بردارد، شغل نابود نمی‌شود — بازتعریف می‌شود و شاید سه نفر به یک نفر تبدیل شوند. شاخص اقتصادیِ Anthropic (که میلیون‌ها گفتگوی واقعی را تحلیل می‌کند) نشان می‌دهد تا اوایل ۲۰۲۶ حدود ۴۹٪ مشاغل دست‌کم یک‌چهارمِ وظیفه‌هایشان را با کمکِ هوش مصنوعی انجام داده‌اند — رقمی که تنها در یک سال از ٪۳۶ به این‌جا رسید.

۲) هم‌افزایی (Augmentation) در برابر جایگزینی (Automation)

هم‌افزایی AI دستیارِ انسان است
انسان تصمیم می‌گیرد، AI کار را تند و بهتر می‌کند. شغل می‌ماند، بهره‌وری بالا می‌رود. غالبِ مصرفِ عمومی (≈۵۲–۵۷٪).
جایگزینی AI کارِ انسان را می‌کند
وظیفه بی‌نظارت به AI سپرده می‌شود. این‌جاست که شغل حذف می‌شود. در ترافیکِ API و کاربردهای سازمانی غالب است (تا ٪۷۵).
روندِ نگران‌کننده: مهاجرتِ تدریجی از «هم‌افزایی» به‌سمتِ «جایگزینی»، به‌ویژه در کاربردهای سازمانی.

اما یک تفکیکِ حیاتی این‌جا هست که خوش‌بینیِ ساده را خنثی می‌کند. «بیشترِ کاربرد هم‌افزایی است» فقط درباره‌ی مصرفِ عمومی (مثل گفتگوی فردی با دستیارها، حدود ۵۲٪ هم‌افزایی) صادق است. اما در کاربردِ سازمانی — یعنی همان جایی که بیشترِ شغل‌ها هستند و شرکت‌ها از طریق API سامانه‌هایشان را خودکار می‌کنند — تصویر کاملاً برعکس است: داده‌ی Anthropic نشان می‌دهد آن‌جا تا ٪۷۵ تا ۷۷ کاربرد، «جایگزینی» است نه هم‌افزایی. به‌علاوه، کارهایی مثل کدنویسی به‌تدریج از حالتِ «دستیار در گفتگو» به‌سمتِ «گردش‌کارِ خودکارِ سازمانی» مهاجرت می‌کنند و آن‌جا نیاز به نظارتِ انسانی کم می‌شود. پس فریبِ میانگین را نخورید: همان وظیفه‌ای که امروز در دستِ شما تقویت است، وقتی به خطِ تولیدِ سازمانی برود، می‌تواند شما را جایگزین کند.

چرا این تفکیک سرنوشت‌ساز است بخشِ سازمانی (شرکت‌ها) بیشترِ مشاغلِ مزدبگیر را در خود دارد و دقیقاً همان بخش است که به‌سمتِ جایگزینی می‌رود. اگر فقط به تجربه‌ی شخصیِ خود از «دستیارِ کمک‌کننده» نگاه کنید، خطر را دست‌کم می‌گیرید. تصویرِ درست این است: برای فرد ابزار، اما برای سازمان جایگزین.
یک یافته‌ی عملی و مهم همان داده‌ها نشان می‌دهد کاربرانِ باتجربه به‌مراتب موفق‌تر از تازه‌کارها در خودکارسازیِ کارها با هوش مصنوعی‌اند. ترجمه‌ی شغلی: کسی که زودتر و عمیق‌تر یاد بگیرد از این ابزارها استفاده کند، نه‌تنها جایگزین نمی‌شود، بلکه بهره‌ورتر و گران‌تر می‌شود. این، شکافِ تازه‌ای می‌سازد — نه بین «باسواد و بی‌سواد»، بلکه بین «مسلط به AI و نامسلط».

۸ مهارت‌های آینده: وقتی دانستن ارزان می‌شود چه چیزی گران می‌ماند

تا دیروز، «دانستنِ یک چیز» ارزش داشت. حالا که هر دانشی یک پرسش با هوش مصنوعی فاصله دارد، ارزش جابه‌جا شده است: از دانستن به قضاوت، طرح‌سؤال، و عمل.

سه لایه‌ی مهارتِ آینده

جدول ۴ — معماریِ مهارت برای دهه‌ی پیش رو
لایهچه چیزیچرا مقاوم در برابر AI
۱) مهارت‌های انسانیتفکر نقاد، حل مسئله‌ی خلاق، هم‌دلی و رهبری، مذاکره، انعطاف و یادگیریِ مادام‌العمر، کنجکاویدقیقاً همان چیزهایی که WEF برای ۲۰۳۰ «سریع‌ترین رشدِ تقاضا» می‌داند
۲) سوادِ هوش مصنوعیطرحِ درست پرسش، نقدِ خروجی، فهمِ محدودیت‌ها و خطاها، چیدنِ گردش‌کار با ابزارهامهارتِ «همراه‌شدن با موج» به‌جای غرق‌شدن در آن
۳) تخصصِ عمیقِ حوزه‌اییک حوزه را عمیق بلدبودن (پزشکی، حقوق، مهندسی، مالی، کشاورزی...)AI داده می‌دهد؛ تخصص می‌گوید کدام داده درست و کجا به‌کار می‌آید
فرمولِ ارزشِ آینده ارزشِ شما = (تخصصِ عمیقِ حوزه) × (سوادِ هوش مصنوعی) + (مهارت‌های انسانیِ غیرقابل‌اتوماسیون). توجه کنید که دو عاملِ اول در هم ضرب می‌شوند: اگر یکی صفر باشد، حاصل صفر است. مهندسی که AI بلد نیست و فردی که AI بلد است اما هیچ تخصصی ندارد، هر دو آسیب‌پذیرند. نقطه‌ی طلایی، تقاطعِ این دوست.

مهارتی که WEF آن را پرتقاضاترین مهارتِ ۲۰۲۵ می‌داند، تفکر تحلیلی است — هفت کارفرما از ده، آن را ضروری می‌دانند. و این تصادفی نیست: وقتی پاسخ‌ها ارزان می‌شوند، توانِ پرسیدنِ پرسشِ درست و سنجیدنِ پاسخ گران می‌شود.

۹ نقشه‌ی راه شخصی: مسیرهای شغلی در سه سطح

حالا به سؤالِ واقعیِ شما می‌رسیم: «من چه کنم؟» پاسخ بسته به جایی است که ایستاده‌اید. سه مسیر را جدا می‌کنیم، و در هرکدام راهبردِ یکسانی پنهان است: روی موج سوار شو، زیرِ موج نمان.

مسیر الف: اگر در شغلی هستید که می‌ماند اما تغییر می‌کند پایه

پزشک، حقوق‌دان، معلم، مهندس، حسابدار، بازاریاب، مدیر. شغلتان نابود نمی‌شود اما اگر AI را نادیده بگیرید، همکارِ مجهز به AI جایتان را می‌گیرد.

  • هر هفته دستِ‌کم یک کارِ تکراریِ خود را با یک ابزار هوش مصنوعی انجام دهید تا «سواد عملی» بسازید.
  • وظایفِ خود را فهرست کنید و بپرسید کدام «الگوی تکراری» است (در خطر) و کدام «قضاوت/رابطه/مسئولیت» است (پناهگاه). وقت و یادگیریِ خود را به‌سمتِ پناهگاه ببرید.
  • تخصصِ حوزه‌ای‌تان را عمیق‌تر کنید؛ این همان عاملی است که AI نمی‌تواند جایگزینش کند.

مسیر ب: اگر در شغلی هستید که در خطرِ افول است میانه

ورود داده، پشتیبانیِ ساده، دفترداری، طراحیِ روتین، ترجمه‌ی عمومی، کدنویسیِ مقدماتی. باید زودتر از موج حرکت کنید، نه وقتی اخراج شدید.

  • جابه‌جاییِ افقی: از وظیفه‌ی در‌خطر به وظیفه‌ی مجاورِ مقاوم بروید. مثال: متصدیِ پشتیبانی → مدیرِ تجربه‌ی مشتری و ناظرِ چت‌بات. طراحِ روتین → مدیرِ هنری و کارگردانِ خروجیِ AI. مترجم → بومی‌سازِ تخصصی و ویراستارِ نهایی.
  • به‌سمتِ کارِ حضوری/فیزیکی یا مراقبتی: مهارت‌های فنیِ دستی (تأسیسات، برق، تعمیرات) و مشاغلِ مراقبتی دیرتر در خطرند و تقاضایشان بالاست.
  • پل‌سازی: با دوره‌های کوتاهِ آنلاین، از مهارتِ فعلی به یکی از مشاغلِ رو به رشدِ جدول ۳ پل بزنید. (سال ۲۰۲۴ روی یک پلتفرم، به‌طور میانگین شش ثبت‌نامِ آموزشِ هوش مصنوعیِ مولد در هر دقیقه ثبت شد — رقابت جدی است، پس زود شروع کنید.)

مسیر ج: اگر می‌خواهید سازنده‌ی موج باشید پیشرفته

برای کسانی با پیشینه‌ی فنی یا روحیه‌ی کارآفرینی، این بزرگ‌ترین پنجره‌ی فرصتِ یک نسل است:

  • ساختِ راهکارهای عمودی: به‌جای رقابت با مدل‌های بزرگ، روی یک حوزه‌ی خاص تمرکز کنید (هوش مصنوعی برای کشاورزی، سلامت، حقوق، آموزش فارسی...). ارزش در «لایه‌ی کاربرد» است، نه در ساختِ مدلِ پایه.
  • ناوبریِ عامل‌ها: یاد بگیرید چند «عاملِ» هوش مصنوعی را برای انجامِ یک فرایندِ کامل (مثلاً کلِ گردش‌کارِ یک شرکتِ کوچک) هماهنگ کنید. این، مدیریتِ نسلِ بعد است.
  • کارآفرینیِ تک‌نفره: ابزارهای هوش مصنوعی به یک نفر امکان می‌دهند کاری را بکند که دیروز یک تیم می‌خواست. کسب‌وکارهای «یک‌نفره با درآمدِ تیمی» در حال ظهورند.
قانون عملیِ مشترکِ هر سه مسیر امروز یک ابزارِ هوش مصنوعی را انتخاب کنید و یک کارِ واقعیِ این هفته را با آن انجام دهید. سوادِ هوش مصنوعی با خواندن به‌دست نمی‌آید، با انجام‌دادن به‌دست می‌آید. شکافِ واقعیِ آینده، شکافِ «کسانی که شروع کردند» و «کسانی که فردا شروع می‌کنند» است.

۱۰ خاورمیانه: دو سرنوشت در یک منطقه

خاورمیانه یک‌پارچه نیست. در این منطقه دو مسیرِ کاملاً متفاوت در حال شکل‌گیری است: قطب‌های پیشروِ خلیج فارس، و بقیه‌ی منطقه که در خطرِ جاماندن است.

قطب‌های پیش‌رو: امارات و عربستان

طبق گزارش PwC، هوش مصنوعی تا ۲۰۳۰ حدود ۳۲۰ میلیارد دلار (معادلِ ۱۱٪ تولید ناخالص) به اقتصاد خاورمیانه می‌افزاید. سهمِ نسبیِ امارات نزدیک به ۱۴٪ تولید ناخالص و عربستان حدود ۱۲٫۴٪ (≈۱۳۵ میلیارد دلار) خواهد بود. این کشورها AI را اهرمِ خروج از وابستگی به نفت می‌بینند و میلیاردها دلار در زیرساخت، مدل‌های بومی و جذبِ استعداد سرمایه‌گذاری می‌کنند. روایتِ رسمیِ دبی این است: «AI شغل‌ها را حذف نمی‌کند، بلکه دگرگون می‌کند.»

بقیه‌ی منطقه: خطرِ گسترشِ شکاف

اما همان منطقی که صندوق بین‌المللی پول هشدار می‌دهد این‌جا بی‌رحمانه عمل می‌کند: کشورهایی که زیرساخت، اینترنت آزاد و نیروی کارِ ماهر ندارند، نه‌تنها از مزیت‌های AI بهره نمی‌برند، بلکه نسبت به همسایگانِ پیشرفته‌تر عقب‌تر می‌افتند. در این کشورها، کاربردِ غالبِ هوش مصنوعی به‌سمتِ «جایگزینیِ مستقیم» می‌رود (نه هم‌افزایی)، چون کاربرانِ اولیه عمدتاً فنی‌اند و کارِ مشخص را به ماشین می‌سپارند. نتیجه: خطرِ بزرگ‌ترشدنِ شکافِ دیجیتال و درآمدی، هم میان کشورها و هم درونِ هر کشور.

درسِ منطقه‌ای برای ایران تفاوتِ امارات و یک کشورِ جامانده، نه در «استعداد» که در سه چیز است: اینترنتِ باز و پرسرعت، سرمایه‌گذاری در آموزش، و سیاستِ بازِ جذبِ استعداد. این دقیقاً سه نقطه‌ای است که ایرانِ فردا باید رویشان متمرکز شود — موضوعِ بخش بعد.

۱۱ ایرانِ پس از گذار: تبدیل تهدید به فرصت

این بخش با یک فرض نوشته شده است: ایران در آستانه‌ی یک دورانِ گذار و بازسازی است. سؤال این نیست که «آیا موجِ هوش مصنوعی می‌آید؟» — می‌آید. سؤال این است که آیا ایرانیان آماده‌اند که این بار، برخلافِ موج‌های قبلیِ فناوری، سوارِ موج شوند نه قربانیِ آن.

میراثِ دوران بسته: سه زخمی که باید درمان شود

  • گسستِ دیجیتال: سال‌ها فیلترینگ، قطعیِ اینترنت و شبکه‌ی داخلیِ محدود، ایران را از موجِ جهانیِ هوش مصنوعی جدا نگه داشته است. نخستین و حیاتی‌ترین گامِ گذار، اینترنتِ باز، آزاد و پرسرعت است؛ بدون آن، هیچ‌یک از فرصت‌های زیر ممکن نیست.
  • فرارِ مغزها: بخش بزرگی از استعدادِ فنیِ ایران بیرون از کشور است. این، در نگاهِ اول زخم است؛ اما در گذار می‌تواند به بزرگ‌ترین دارایی بدل شود (پایین‌تر).
  • انزوای مالی: تحریم و قطعِ ارتباط با نظامِ بانکیِ جهانی، صادراتِ مهارتِ دیجیتال را دشوار کرده است. عادی‌سازیِ روابط، درِ بازارِ کارِ جهانی را به روی نیروی کارِ ایرانی باز می‌کند.

چرا گذار، یک «پنجره‌ی فرصتِ» نادر است

کشورهایی که دیر وارد یک فناوری می‌شوند، گاهی می‌توانند مراحلِ میانی را بپرند و مستقیم به جدیدترین نسل برسند — همان‌طور که بسیاری از کشورهای آفریقایی تلفنِ ثابت را رد کردند و مستقیم به موبایل و پرداختِ موبایلی (مثل M-Pesa) رسیدند. اما این‌جا باید صادق و دقیق بود: «جهش» فقط در لایه‌ی نرم ممکن است، نه در زیرساختِ سخت. ایران می‌تواند در مهارت، مصرف، و راهکارهای کاربردی سریع جلو بپرد (چون این‌ها فقط به اینترنت و آموزش نیاز دارند). اما زیرساختِ سختِ هوش مصنوعی — مرکزداده، تراشه‌های پیشرفته، پهنای باند — جهش‌پذیر نیست و به سرمایه‌گذاریِ پیوسته و چندساله نیاز دارد. پس انتظارِ «معجزه‌ی یک‌شبه» نداشته باشید؛ آن‌چه واقعی است، جهش در توانمندیِ انسانی است.

پنج اهرمِ تبدیلِ تهدید به فرصت برای ایرانِ فردا ۱) صادراتِ نیروی کارِ دیجیتال: با اینترنتِ باز و دسترسیِ بانکی، یک توسعه‌دهنده، طراح یا تحلیل‌گرِ ایرانی می‌تواند از داخلِ کشور برای کارفرمای جهانی کار کند و ارز بیاورد. این، سریع‌ترین مسیرِ اشتغال‌زایی است و به کارخانه و زمان نیاز ندارد — فقط به مهارت و اتصال.
۲) بازگشت و شبکه‌ی دیاسپورا: همان مغزهای فراری، در صورتِ فضای باز، یا بازمی‌گردند یا (مهم‌تر) به‌عنوان پلِ سرمایه، دانش و بازار عمل می‌کنند — همان نقشی که دیاسپورای هند و چین برای کشورشان ایفا کرد.
۳) راهکارهای بومیِ فارسی: بازارِ ابزارها و خدماتِ هوش مصنوعیِ فارسی‌زبان تقریباً خالی است. مدل‌ها، دستیارها و راهکارهای صنعتیِ بومی (برای کشاورزی، سلامت، آموزش، حقوقِ ایران) فرصتی دست‌نخورده است.
۴) جوانیِ جمعیت + بازآموزی: برخلافِ کشورهای پیر، ایران نیروی جوانِ تحصیل‌کرده دارد. یک برنامه‌ی ملیِ بازآموزیِ مهارتِ دیجیتال می‌تواند همین جمعیت را به مزیتِ رقابتی بدل کند.
۵) جایگاهِ جغرافیایی و انرژی: ایران با انرژیِ ارزان و موقعیتِ مرکزی، می‌تواند میزبانِ زیرساختِ داده و مرکز‌داده‌های منطقه‌ای شود — اگر ثبات و اتصالِ جهانی فراهم باشد.
واقع‌بینی: ایران «دیرواردِ» این بازار نیست، «عقب‌افتاده» است نباید این فرصت‌ها را ساده‌سازی کرد. بازارِ صادراتِ نیروی کارِ دیجیتال یک اقیانوسِ آبی نیست؛ هند، فیلیپین، اوکراین و ویتنام سال‌هاست در آن مستقرند، زیرساخت و شهرت دارند و قیمت‌شکن‌اند. ایران با میراثِ تحریم و قطعیِ اینترنت، از خطِ استارت عقب‌تر شروع می‌کند. همین‌طور «بازگشتِ دیاسپورا» یک آرمان است نه یک قطعیتِ داده‌محور؛ تجربه‌ی کشورهایی مثل ونزوئلا و آرژانتین نشان می‌دهد بازگشتِ مغزها فقط با بازشدنِ سیاسی اتفاق نمی‌افتد، بلکه به ثباتِ بلندمدت، امنیتِ حقوقی و فرصتِ اقتصادیِ واقعی نیاز دارد. این اهرم‌ها ممکناند، اما خودکار نیستند — هرکدام به سیاست‌گذاریِ درست و سال‌ها کارِ پیوسته وابسته‌اند. مزیتِ واقعیِ ایران نه «آسانیِ مسیر»، که «اندازه و کیفیتِ سرمایه‌ی انسانیِ جوان» است؛ بقیه را باید ساخت.

منتظرِ تغییرِ کلان نمانید؛ آماده‌سازیِ فردی همین حالا ممکن است:

  • پایه انگلیسیِ کاری و سوادِ پایه‌ی هوش مصنوعی را همین حالا بسازید — این‌ها بلیتِ ورود به بازارِ جهانی‌اند و مستقل از سیاست‌اند.
  • میانه یک مهارتِ «قابلِ صدور» بسازید: برنامه‌نویسی، طراحی، تحلیل داده، بازاریابیِ دیجیتال، تولید محتوا. نمونه‌کار (portfolio) بسازید که از مرز عبور کند، نه رزومه‌ای که فقط برای بازارِ داخل باشد.
  • پیشرفته روی یک راهکارِ بومیِ هوش مصنوعی برای یک مشکلِ واقعیِ ایران کار کنید (مثلاً پایشِ کشاورزی، سلامتِ از راه دور، آموزشِ فارسی). در روزِ گذار، شما با یک محصولِ آماده وارد می‌شوید، نه با یک ایده.
جمعِ بخش تهدیدِ هوش مصنوعی برای ایران واقعی است: اگر بسته بماند، شکاف با جهان عمیق‌تر می‌شود. اما در سناریوی گذار و بازگشایی، همین فناوری می‌تواند سریع‌ترین موتورِ بازسازیِ اقتصادی و اشتغال‌زایی باشد — چون برخلافِ صنعتِ سنگین، به زمانِ کم، سرمایه‌ی کم و فقط دو چیز نیاز دارد که ایران فراوان دارد: استعدادِ جوان و اتصال به جهان. کاری که امروز می‌توانید بکنید، ساختنِ مهارت است؛ بقیه‌اش با بازشدنِ فضا، شتاب می‌گیرد.

۱۲ چک‌لیست عملی و جمع‌بندی

اگر فقط یک صفحه از این جزوه را به‌خاطر بسپارید، همین باشد.

۱۰ کارِ امروز و این‌ماه ◆ یک ابزار هوش مصنوعی را انتخاب و یک کارِ واقعیِ این هفته را با آن انجام دهید.
◆ وظایفِ شغلِ خود را فهرست کنید؛ هرکدام را «تکراری/الگومند» یا «قضاوت/رابطه/مسئولیت» برچسب بزنید.
◆ زمان و یادگیریِ خود را از ستونِ اول به ستونِ دوم منتقل کنید.
◆ تخصصِ حوزه‌ایِ خود را یک پله عمیق‌تر کنید (همان چیزی که AI نمی‌تواند جایگزینش کند).
◆ انگلیسیِ کاری را تقویت کنید — کلیدِ بازارِ جهانیِ کار.
◆ یک مهارتِ «قابلِ صدور» را شناسایی و شروع کنید.
◆ یک نمونه‌کارِ آنلاین بسازید که از مرز عبور کند.
◆ اگر در شغلِ در‌خطر هستید، همین حالا مسیرِ جابه‌جاییِ افقی را طراحی کنید — نه بعد از اخراج.
◆ هر اخراجی را به AI نسبت ندهید؛ علتِ واقعی را بسنجید (پدیده‌ی «شُست‌وشوی با AI»).
◆ یاد بگیرید پرسشِ درست بپرسید و خروجیِ AI را نقد کنید — این، گران‌ترین مهارتِ دهه است.

پنج جمله که کلِ جزوه را خلاصه می‌کند

  • رقیبِ کوتاه‌مدتِ شما رباتی نیست؛ همکارِ مجهز به هوش مصنوعی است.
  • خطر مالِ وظیفه است نه لزوماً فرد — اگر فرد به‌موقع جابه‌جا شود.
  • میانگین («خالصِ ۷۸ میلیون شغل») تسلی‌بخش است، اما توزیع سرنوشت‌ساز است؛ ۹۲ میلیون نفر واقعاً جابه‌جا می‌شوند.
  • آینده یک انتخاب است، نه تقدیر؛ به تصمیمِ مدیران، قانون و سرعتِ یادگیریِ شما بستگی دارد.
  • برای ایران، این فناوری در سناریوی بسته یک تهدید و در سناریوی باز، سریع‌ترین موتورِ بازسازیست.

۱۳ واژه‌نامه

هوش مصنوعیِ مولد (Generative AI)
سامانه‌هایی که محتوای تازه می‌سازند: متن، تصویر، کد، صدا. مثل ChatGPT یا Claude.
عاملِ هوش مصنوعی / عامل خودگردان (Agentic AI)
سامانه‌ای که نه‌فقط پاسخ می‌دهد، بلکه زنجیره‌ای از کارها را خودش و بی‌نظارتِ لحظه‌به‌لحظه انجام می‌دهد. محرّکِ اصلیِ موجِ بعدیِ اتوماسیون.
هم‌افزایی (Augmentation)
کاربردی که در آن AI دستیارِ انسان است؛ انسان تصمیم می‌گیرد و شغل می‌ماند.
جایگزینی (Automation)
کاربردی که در آن وظیفه بی‌نظارتِ انسان به AI سپرده می‌شود؛ این‌جا شغل حذف می‌شود.
جابه‌جاییِ ساختاریِ بازار کار (Labour-market churn)
مجموعِ شغل‌های ساخته‌شده و نابودشده، صرف‌نظر از خالصِ آن. WEF این رقم را برای ۲۰۳۰ معادلِ ۲۲٪ مشاغل می‌داند.
مواجهه (Exposure)
سهمی از وظایفِ یک شغل که AI می‌تواند در آن دخیل شود. مواجهه ≠ نابودی؛ بخشی از آن «تقویت» است.
جهشِ قورباغه‌ای (Leapfrogging)
پریدن از مراحلِ میانیِ یک فناوری و رسیدنِ مستقیم به جدیدترین نسل — فرصتی برای کشورهای دیرواردشونده.
نیروی T‑شکل (T‑shaped)
فردی با یک تخصصِ عمیق (خطِ عمودیِ T) و سوادِ گسترده در زمینه‌های دیگر از جمله AI (خطِ افقیِ T).
سوادِ هوش مصنوعی (AI Literacy)
توانِ طرحِ درستِ پرسش، استفاده‌ی مؤثر از ابزارها، و نقدِ خروجیِ آن‌ها.
شُست‌وشوی با AI (AI‑washing)
نسبت‌دادنِ تصمیم‌ها (به‌ویژه اخراج‌ها) به هوش مصنوعی، در حالی‌که علتِ واقعی چیز دیگری است.
هزینه‌ی سرمایه‌ای (CapEx)
سرمایه‌گذاریِ بلندمدت روی زیرساخت — این‌جا، مرکزداده و تراشه‌های هوش مصنوعی.

۱۴ منابع

داده‌های این جزوه از منابعِ رسمیِ زیر گرفته شده است (وضعیت تا ۳۰ مه ۲۰۲۶). اعداد، پیش‌بینی‌اند و با گذر زمان به‌روزرسانی می‌شوند.

  • World Economic Forum — Future of Jobs Report 2025 (پیش‌بینیِ ۱۷۰/۹۲ میلیون شغل، جابه‌جاییِ ۲۲٪، فهرستِ مشاغلِ رو به رشد و افول). weforum.org
  • International Monetary Fund — Gen‑AI: Artificial Intelligence and the Future of Work (مواجهه‌ی ۴۰٪ جهانی، ۶۰٪ اقتصادهای پیشرفته، نابرابری). imf.org
  • Goldman Sachs Research — تحلیلِ اثرِ AI بر بازار کارِ آمریکا، ۲۰۲۶ (≈۱۶هزار شغل در ماه، بیکاریِ ٪۴٫۵). goldmansachs.com
  • Stanford HAI — AI Index 2026 (افتِ ٪۲۰ اشتغالِ توسعه‌دهندگانِ جوان). hai.stanford.edu
  • Anthropic — Economic Index reports, ۲۰۲۵–۲۰۲۶ (هم‌افزایی/جایگزینی، ۴۹٪ مشاغل، مهاجرتِ کاربردها). anthropic.com
  • Challenger, Gray & Christmas — گزارش‌های ماهانه‌ی اخراج‌ها، ۲۰۲۵–۲۰۲۶.
  • PwC Middle East — The potential impact of AI in the Middle East ($۳۲۰ میلیارد تا ۲۰۳۰؛ امارات ۱۴٪، عربستان ۱۲٫۴٪). pwc.com/m1
  • Boston Consulting Group، Forrester، و اظهاراتِ مدیرانِ صنعت (Verizon, Anthropic) — برای طیفِ پیش‌بینی‌های ۵ تا ۱۰ساله.
  • Layoffs.fyi و رصدخانه‌های اخراجِ فناوری — آمارِ ۲۰۲۶ (۱۱۳–۱۴۲ هزار اخراج، CapEx ≈۷۲۵ میلیارد دلار).
📚 تهیه‌شده توسط گروه دانش‌آگاهی · ‎@daneshagahi
این جزوه با ذکر منبع، آزادانه قابلِ استفاده، بازنشر و اشتراک‌گذاری است.
نسخه‌ی ۱٫۲ · خرداد ۱۴۰۵ · بخشی از سری جزوه‌های آگاهیِ عمومی.
به امیدِ پیروزیِ خرد و نور بر جهل و تاریکی.

خواندنی‌های مرتبط

کارگاه خانگی هوش مصنوعی فارسی — تولید متن و صدا، رایگان و آفلاین

کارگاه خانگی هوش مصنوعی فارسی — تولید متن و صدا، رایگان و آفلاین

پر کردن شکاف عملیاتی‌سازی: چرا آینده هوش مصنوعی کاربردی متعلق به سیستم‌های اج قطعی و خط‌لوله‌های مدولار بالینی است؟

شتاب پیشرفت‌های تئوریک هوش مصنوعی خیره‌کننده است، اما عملیاتی‌سازی این مدل‌ها نیازمند حذف تاخیرهای تصادفی در پردازش سخت‌افزاری و طراحی خط‌لوله‌های مدولار در صنایع حساس است.

عبور از بنچمارک‌های ایستا و بازیابی معنایی: مهندسی استدلال مبتنی بر حالت در سیستم‌های عملیاتی هوش مصنوعی

استقرار سیستم‌های هوش مصنوعی مولد در محیط‌های عملیاتی نیازمند گذار از بنچمارک‌های ایستا به ابزارهای تحلیل پویا، پیاده‌سازی مدل‌های بازیابی بر اساس منطق استدلال به جای شباهت معنایی و نسخه-گذاری حافظه عامل‌ها مانند یک وضعیت نرم‌افزاری متغیر است.