کار، مهارت ها و هوش مصنوعی: زوایای منابع انسانی در آینده ی عامل محور

خلاصه

یک پنل در دانشگاه MIT در مورد نقش در حال تکامل هوش مصنوعی در منابع انسانی بحث کرد و تاکید کرد که اگرچه هوش مصنوعی می تواند بسیاری از وظایف را اتوماتیک کند، اما عنصر انسانی همچنان حیاتی است. کارشناسان خاطرنشان کردند که احساسات کارگران دیدگاه های مثبتی در مورد توسعه مهارت ها و در مقابل احساسات منفی در مورد حجم کار را نشان می دهد. چالش ها شامل عقب ماندگی در رعایت الزامات، پیاده سازی پراکنده هوش مصنوعی و نیاز رهبران منابع انسانی به مهارت های مبتنی بر داده بیشتر است. این پنل تاکید کرد که "گروه های عامل" می توانند وظایف تکراری را انجام دهند و به انسان ها اجازه دهند تا بر کارهای استراتژیک و با شناخت بالا تمرکز کنند و بهره وری را افزایش دهند. با این حال، این تمرکز شدید ممکن است منجر به خستگی انسان شود، زیرا وظایف "بی فکر" استراحت های ذهنی لازم را فراهم می کنند. رهبری تطبیقی ​​برای پیشرفت سازمان ها بسیار مهم است و سریع تر از توسعه هوش مصنوعی یاد می گیرند. اعضای پنل معیارهای بهره وری متنوعی را از "روح زمان" (راحتی انسان با هوش مصنوعی) گرفته تا درآمد به ازای هر نفر پیشنهاد کردند که بر بحث های جاری در مورد تاثیر هوش مصنوعی در محل کار تاکید دارد.

هوش مصنوعی می تواند تا حدودی امور مربوط به حقوق و دستمزد، توسعه محصول، استخدام نیرو، استخدام استعدادها و سمینارهای ایمنی را انجام دهد. اما اکثر ما معتقدیم که انسانیت هنوز در این نوع مدیریت سازمانی نقش دارد. به هر حال، متخصصان منابع انسانی سیستم هایی را هدایت می کنند که توسط انسان ها ساخته شده اند و ارتباط انسانی، حتی در عصر اتوماسیون، هنوز هم مهم است.

کنفرانس MIT در سال ۲۰۲۶

من در یک میزگرد در رویداد Imagination in Actionدر آوریل گذشته در MIT چیزهای زیادی در این مورد شنیدم. (سلب مسئولیت: من به برگزاری سالانه رویدادهای IIAکمک می کنم.) این میزگرد به سرپرستی مایکل هیز از Practical.ai، برخی از راه هایی را که منابع انسانی و کار اداری با توجه به ظهور انبوهی از عوامل، طی خواهند کرد، بررسی کرد.

در کنار هیز، این میزگرد شامل لیزا سیمون از Revelio Labs، دیرک جانکر از Crunchr، مایکل کربس، یکی از بنیانگذاران Goldstar AIو آمیت موهیندرا، مشاور هوش مصنوعی بود.

احساسات در سال ۲۰۲۶

در ابتدای صحبت، سایمون در مورد نظرسنجی از کارگران در این اقتصاد جدید صحبت کرد.

او گفت: «وقتی واقعا روی آنچه مردم می گویند، چه مثبت و چه منفی، تمرکز می کنیم، توسعه مهارت در واقع مثبت است. بنابراین آنها نسبت به توسعه مهارت احساس بهتری دارند، اما حجم کار و فرهنگ، عمدتا حجم کار، محرکی است که احساسات را پایین می آورد.»

جانکر افزود: «همه در مورد هوش مصنوعی صحبت می کنند، اما هنوز برای رسیدن به این سطح، به انطباق داخلی و دستورالعمل ها نیاز است. کشش واقعی چیزی است که وقتی چندین عامل را در شبکه ها با هم ببینیم، خواهیم دید. من فکر می کنم منابع انسانی شروع به رسیدن به آنجا کرده است، اما اساسا در نیمه راه هستیم.»

یونکر به «سه پایه» و چالشی که هوش مصنوعی باید به آنها بپردازد اشاره کرد: پیاده سازی پراکنده، سرمایه گذاری ناکافی در فناوری و قابلیت های توسعه نیافته.

او گفت: «اگر به افرادی که امروزه سازمان های منابع انسانی را رهبری می کنند، چه در دفتر مرکزی و چه در حوزه میدانی، نگاه کنید، اگر به تحصیلات آنها نگاه کنید، هرگز واقعا شامل استراتژی، امور مالی و تجزیه و تحلیل نبوده است. بنابراین ما باید کمی در زمینه فناوری داده ها و قابلیت ها پیشرفت کنیم.»

موهیندرا افزود:

او گفت: «حداقل در گذشته افراد بسیار کمی برای اجرای صفحات گسترده یا ساخت مدل ها به بخش منابع انسانی پیوسته اند، چه برسد به ساخت نمایندگان. بنابراین مسیر تبدیل منابع انسانی به بخش داده محورتر، تحلیلی تر و حتی دیجیتالی تر، طولانی بوده است.»

موهیندرا اظهار داشت که اکنون فرصتی برای منابع انسانی وجود دارد، اگر رهبران بتوانند آن را به عنوان یک مشکل تطبیقی ​​​​در نظر بگیرند و آماده باشند تا ابهام و عدم قطعیت موجود را مدیریت کنند.

او گفت: «منابع انسانی یک محیط واقعا غنی برای هوش مصنوعی است، انواع هوش مصنوعی، چه تحلیلی، چه مولد و چه عامل محور.»

انجام وظایف

در ادامه ی ارائه، کربس توضیح داد که چگونه گروه های کاری می توانند قابلیت ها را ایجاد کنند.

او گفت: «وقتی شما عامل ها و گروه هایی از عامل ها را با انسان ها جفت می کنید، می تواند واقعا قدرتمند باشد و واقعا خروجی یک کارمند را افزایش دهد، بدون اینکه تعداد ساعات کاری آنها افزایش یابد.»

او ادعا کرد که گروه های کاری می توانند وظایف قطعی و واحدهای کاری اتمی را انجام دهند و انسان ها را آزاد بگذارند تا با تصویر کلی کار کنند.

او در مورد این روش جدید استفاده از LLMها توضیح داد: «آنچه واقعا انجام می دهد این است که مهم ترین چیزها را برای انسان هایی که در مرکز این گروه های کاری قرار دارند، خلاصه می کند.»

او گفت: «این برنامه با دقت زیادی برنامه ریزی شده تا دقیقا با خروجی آن شخص مطابقت داشته باشد، درست است؟» «تا با ترجیحات و همه چیز آنها مطابقت داشته باشد. بنابراین فقط این نیست که چیزهایی را در chatGPTتایپ کنید و 10 بار مختلف 10 پاسخ مختلف دریافت کنید و از پاسخ ناامید شوید.»

رهبری و مربیگری

سیمون با اشاره به نقش رهبری در عصر هوش مصنوعی گفت: «مربیگری و تجربه مربیگری افراد واقعا در حال گذر از یک لحظه بزرگ است.»

«ما در حال بحث هستیم: آیا هوش مصنوعی جایگزین انسان ها خواهد شد؟ اما مطمئنا، هوش مصنوعی رهبرانی را که هرگز در وهله اول بر پتانسیل انسانی تاکید نکرده یا سعی در به حداکثر رساندن آن نداشته اند، افشا کرده است. بنابراین، می دانید، شکل سنتی رهبری، این رهبری تحول آفرین که در آن رهبر یک چشم انداز، یک چشم انداز قانع کننده دارد، مردم را به دنبال خود می کشاند... رهبر واقعا باید به یک رهبر سازگار تبدیل شود. و رهبران سازگار به سازمان های خود کمک می کنند تا در شرایط عدم قطعیت با هم یاد بگیرند. آنها آنها را به روشی خاص بسیج می کنند. تنها راهی که سازمان ها با هوش مصنوعی پیشرفت می کنند این است که رهبران به سازمان ها کمک کنند سریع تر از توسعه فناوری یاد بگیرند.»

این حرف زیادی است. اما فکر می کنم توصیف نحوه ی عملکرد این نوع رهبری، در حال حاضر، مناسب باشد، زیرا بشریت در نوعی دوراهی با هوش مصنوعی قرار دارد.

یونکر افزود که چشم انداز و تثبیت چشم انداز، از اهمیت اساسی برخوردار است.

او گفت: «اگر به شرکت های بزرگ فکر کنید، یک جزیره ی منابع انسانی، یک جزیره ی مالی، یک جزیره ی عملیات تجاری وجود دارد و قدرت واقعی هوش مصنوعی در اتصال این جزایر مختلف است.»

اطلاعات بیشتر در مورد عوامل عامل

با بازگشت به نقش دسته ها، کربس به این ایده بازگشت که انسان ها در دنیای فردا از LLMها برای «عدم تحمل مسائل کوچک» استفاده خواهند کرد.

او گفت: «این کار مهم ترین وظایف استراتژیک با سطح شناختی بالا را به انسان محول می کند، زیرا همه آنها را به سمت پایین هدایت می کند، در حالی که عامل ها وظایف تکراری تر را انجام می دهند.»

اما سپس، همانطور که هیز و بقیه در مورد این موضوع صحبت کردند، این آگاهی پدیدار شد که این رهبری سطح بالا، همیشه ممکن است انسان ها را خسته کند.

«این کار مهم ترین وظایف استراتژیک با سطح شناختی بالا را به انسان تحمیل می کند، زیرا همه آنها را به سمت پایین هدایت می کند، در حالی که عامل ها وظایف تکراری تر را انجام می دهند.

«چه کسی حدس می زد که با گذشت دهه های گذشته و گذراندن روزهایمان در محل کار و انجام کارهای فکری سخت، معلوم شود که در واقع به کار بی فکرتری نیاز داشته ایم تا به مغزمان در طول روز استراحتی بدهیم. ما هرگز به آن به عنوان استراحت فکر نکرده بودیم، اما به نظر می رسد که داریم کمی یاد می گیریم.»

در واقع، همه ما در حال یادگیری هستیم، در عصری که ارزش ها و اهداف واقعی جوامع بشری را که با چیزی که اکنون برخی آن را «هوش مصنوعی خداگونه» می نامند، در حال رقابت هستند، آشکار می کند.

معیارهای بهره وری

در پایان سخنرانی، که هر یک از اعضای پنل معیار بهره وری خود را مطرح کردند، کمی بیشتر توضیح داده شد.

موهیندرا گفت: «فکر می کنم این تمرکز بر بهره وری، این وسواس در مورد بهره وری، بالاخره در مقطعی به ما آسیب خواهد رساند.» او با مطرح کردن معیار ارزشمند خود، از چیزی جدید به نام «zeitgeist» نام برد که به طور سنتی مانند «zeitgeist» آلمانی نوشته نمی شود و از نظر او، معیاری برای سنجش راحتی انسان با هوش مصنوعی است.

یونکر به ایده پول پرداخت و پیشنهاد کرد که طرفین برای تولید جریان نقدی آزاد بیشتر در هوش مصنوعی سرمایه گذاری کنند و پیشنهاد داد که ما هوش مصنوعی را از این طریق اندازه گیری کنیم.

سیمون در نهایت گفت: «من شخصا هرگز معیار بهره وری ندیده ام که فکر کنم به طور کامل آنچه را که واقعا سعی در اندازه گیری آن داریم، در بر بگیرد.» و در نهایت «درآمد به ازای هر نفر» را به عنوان معیار خوبی انتخاب کرد.

کربس میزان استفاده از توکن به ازای هر کارمند را به عنوان معیاری برای بررسی چگونگی بهره گیری افراد از این فناوری پیشنهاد داد. این مجموعه ای از زوایای مفید بود و این سخنرانی، به طور کلی، به نظر من یک بحث اساسی در مورد پیاده سازی هوش مصنوعی در محل کار بود.