چه کسانی بیشترین استفاده را از هوش مصنوعی دارند؟
نحوه کار مهندسان نرمافزار در سیلیکونولی طی چند سال گذشته بهطور چشمگیری تغییر کرده است. خروجی کار هنوز همان است: حجم زیادی کد. اما بهجای اینکه ساعتها پشت صفحهکلید بنشینند و تایپ کنند، بسیاری از آنها حالا داخل میکروفون صحبت میکنند.
دستورهایشان با کمک هوش مصنوعی به متن تبدیل میشود و سپس در اختیار ایجنتهای هوش مصنوعی قرار میگیرد؛ رباتهایی نرمافزاری که میتوانند با برنامهها تعامل کنند و در این مورد، خودشان کد بنویسند.
کالین جارویس از OpenAI، سازنده ChatGPT، میگوید سایر کارکنان اداری هنوز «وارد چنین دنیایی نشدهاند».
اما آینده OpenAI و در مقیاسی بزرگتر، آینده کل رونق هوش مصنوعی، به این بستگی دارد که این وضعیت تغییر کند.
غولهای ابری آمریکا و آزمایشگاههای هوش مصنوعی مانند Anthropic و OpenAI برای توجیه سرمایهگذاری عظیم خود در مراکز داده، نیاز دارند استفاده از این فناوری همچنان با سرعت زیادی گسترش پیدا کند.
یک محاسبه سرانگشتی اکونومیست نشان میدهد برای پوشش هزینه ساخت مراکز داده، مجموع درآمد سالانه حاصل از هوش مصنوعی باید تا پایان دهه به حدود ۲.۵ تریلیون دلار برسد؛ در حالی که این رقم اکنون حدود ۱۵۰ میلیارد دلار است.
برنامهنویسان فعلاً بیشترین استفاده را دارند
تا اینجا، هیچ گروه شغلی به اندازه توسعهدهندگان نرمافزار به هوش مصنوعی روی نیاورده است.
بر اساس نظرسنجی Stack Overflow، حدود ۸۰ درصد برنامهنویسان میگویند از دستکم یک ابزار هوش مصنوعی برای کدنویسی استفاده میکنند.
در ژوئن ۲۰۲۵، مجموع درآمد سالانه تکرارشونده چهار استارتاپ کدنویسی هوش مصنوعی یعنی Cognition، Cursor، Lovable و Replit حدود ۸۰۰ میلیون دلار بود.
اکنون این رقم به حدود ۶ میلیارد دلار رسیده است.
شرکت تحقیقاتی SemiAnalysis نیز برآورد میکند در سهماهه دوم امسال، بیش از نیمی از مجموع درآمد سالانه تکرارشونده Anthropic و OpenAI از حوزه کدنویسی به دست آمده باشد.
همین موضوع توضیح میدهد چرا هوش مصنوعی در صنایعی که سهم بیشتری از کارکنان آنها مهندس نرمافزار هستند، سریعتر گسترش یافته است.
خوشبینها ممکن است این موضوع را نشانهای بدانند که رونق AI تازه در ابتدای راه است و با بلوغ کاربردهای دیگر، هزینهکرد روی این فناوری در سالهای آینده بسیار بیشتر خواهد شد.
اما یک احتمال دیگر هم وجود دارد: شاید کدنویسی یک استثنا باشد و دلایل ساختاری خاصی باعث شده هوش مصنوعی در این حوزه تا این حد موفق شود.
حقوق، مالی و خدمات مشتری؛ سه نامزد بعدی
سه حوزهای که اغلب بهعنوان کاربردهای بزرگ بعدی هوش مصنوعی مطرح میشوند، خدمات حقوقی، امور مالی و خدمات مشتریان هستند.
هر سه حوزه رشد قابلتوجهی را تجربه میکنند.
سه شرکت Harvey، Clio و Legora که ابزارهای حقوقی مبتنی بر هوش مصنوعی میسازند، مجموع درآمد سالانه تکرارشونده خود را طی یک سال تقریباً دو برابر کرده و به حدود یک میلیارد دلار رساندهاند.
Harvey میگوید زمانی که وکلا در پلتفرم این شرکت سپری میکنند، هر ماه دو برابر میشود.
بانکداران و دیگر کارکنان حوزه مالی نیز بهتدریج AI را پذیرفتهاند.
استارتاپ Rogo که ابزارهای هوش مصنوعی برای صنعت خدمات مالی میسازد، تنها در سهماهه گذشته ۱۰۰ مشتری سازمانی جدید اضافه کرده و درآمد سالانه تکرارشوندهاش ۵۰ درصد افزایش یافته است.
در خدمات مشتریان نیز استفاده از هوش مصنوعی رو به رشد است.
شرکت Sierra که ابزارهایی برای این حوزه تولید میکند، در ماه ژوئن به درآمد سالانه تکرارشونده ۲۰۰ میلیون دلاری رسید؛ دو برابر رقم نوامبر سال گذشته.
سرمایهگذاران جسورانه نیز به این حوزه خوشبین هستند. از ابتدای امسال تاکنون حدود ۳ میلیارد دلار در استارتاپهای هوش مصنوعی خدمات مشتری سرمایهگذاری شده؛ بیشتر از هر دسته کاربردی دیگر در AI.
در مقابل، سرمایهگذاری روی استارتاپهای کدنویسی AI متوقف یا کند شده است؛ بخشی از دلیل این موضوع این است که ابزارهای کدنویسی خود آزمایشگاههای بزرگ هوش مصنوعی بهسرعت در حال مسلط شدن بر بازارند.
چرا کدنویسی متفاوت است؟
حقوق، امور مالی و خدمات مشتریان از برخی جهات شبیه برنامهنویسیاند. بازارهای بزرگی هستند و بخش زیادی از کار در آنها ساختارمند و تکراری است.
اما چهار عامل، کدنویسی را متفاوت میکند:
وجود داده آموزشی فراوان، امکان ساده آزمایش خروجی، نیاز کمتر به تعامل انسانی و ویژگیهای خود برنامهنویسان.
شرکتهای هوش مصنوعی تلاش میکنند بازارهای دیگر را هم تا حد ممکن شبیه کدنویسی کنند، اما این کار آسان نخواهد بود.
اینترنت پر از کد است، نه مذاکره حقوقی
یکی از دلایل موفقیت AI در برنامهنویسی این است که حجم عظیمی از کد متنباز در اینترنت منتشر شده است.
این کدها وارد دادههای آموزشی مدلها شدهاند و در برخی موارد تقریباً یکپنجم کل داده آموزشی را تشکیل میدهند.
اما برای موضوعاتی مانند شکایت مشتریان یا مذاکرات قراردادی، چنین حجم عظیمی از محتوای عمومی وجود ندارد.
این یعنی مدلهای هوش مصنوعی برای یادگیری بسیاری از مشاغل دیگر، با کمبود داده باکیفیت روبهرو هستند.
فهمیدن درست یا غلط بودن کد آسانتر است
کدی که هوش مصنوعی مینویسد نسبتاً راحت قابل آزمایش است.
اجرای تستهای نرمافزاری بخش عادی کار مهندسان است؛ یک قطعه کد میتواند قطعه کد دیگری را بررسی کند.
همین موضوع احتمال شناسایی خطاهای کد تولیدشده توسط AI را پیش از ایجاد خسارت جدی افزایش میدهد.
آزمایش همچنین باعث بهتر شدن مدلها میشود، چون سیستم خیلی سریع متوجه میشود چه زمانی اشتباه کرده است.
اما در حوزههای دیگر، ارزیابی نتیجه بسیار دشوارتر است.
برای مثال، تشخیص اینکه آیا یک مشتری عصبانی واقعاً آرام شده یا یک مدل ارزشگذاری مالی تمام ظرافتهای حسابهای یک شرکت را بهدرستی لحاظ کرده، به این سادگی نیست.
بیشتر اطلاعات مورد نیاز برنامهنویسی از قبل دیجیتال است
ابزارهای کدنویسی یک مزیت دیگر هم دارند.
بخش بزرگی از اطلاعات مورد نیاز برای انجام یک وظیفه، از قبل در کدبیس برنامه وجود دارد یا از طریق APIها، یعنی مسیرهای دیجیتالی ارتباط نرمافزارها، قابل دسترسی است.
اما در بسیاری از مشاغل دیگر، اطلاعات مهم اصلاً دیجیتال نیست.
ممکن است بخشی از دانش فقط در ذهن یک کارمند مرکز تماس باشد یا مثلاً از حالت چهره و رفتار وکیل طرف مقابل در یک مذاکره به دست آید.
شرکتهای AI در حال حل مشکل دادهاند
شرکتهای هوش مصنوعی در حال تلاش برای رفع این موانع هستند.
وینستون واینبرگ، مدیرعامل Harvey، میگوید پیشرفت مدلها باعث شده شرکتش بتواند بخشی از آموزش ابزارهای حقوقی را با استفاده از داده مصنوعی انجام دهد؛ یعنی دادههایی که خود سیستمهای AI تولید میکنند.
استارتاپهایی مانند Mercor نیز متخصصان حوزههای مختلف را به شرکتهای AI متصل میکنند تا دانش تخصصی آنها وارد مدلها شود.
پینگ وو، مدیرعامل Cresta، میگوید استارتاپ او با تحلیل هزاران متن مکالمه مراکز تماس میتواند بخشی از دانشی را که در ذهن کارکنان وجود دارد استخراج کند؛ مثلاً اینکه بازپرداخت پول مشتری در شرایط مختلف چگونه انجام میشود.
همزمان، شرکتهای AI شمار زیادی از مهندسان موسوم به Forward-Deployed Engineers را مستقیماً به دفاتر مشتریان میفرستند تا مشکلات واقعی را حل کرده و ابزارها را متناسب با نیاز هر شرکت بهبود دهند.
مهمترین تفاوت شاید خود برنامهنویسان باشند
آخرین عامل موفقیت AI در کدنویسی شاید سختترین مورد برای تکرار در مشاغل دیگر باشد: خود مهندسان نرمافزار.
برنامهنویسان معمولاً هم علاقه زیادی به فناوری دارند و هم به تغییر عادت کردهاند؛ زیرا زبانها و ابزارهای برنامهنویسی مرتباً بهروزرسانی میشوند.
به گفته آنیش آچاریا از شرکت سرمایهگذاری Andreessen Horowitz، بخش بزرگی از پذیرش ابزارهای کدنویسی AI بهصورت از پایین به بالا اتفاق افتاده است.
خود برنامهنویسان ابزارهای تازه را پیدا کردهاند، امتحان کردهاند و بدون آنکه مدیران شرکت ابتدا دستور استفاده از آنها را بدهند، وارد جریان کاریشان کردهاند.
اما برای مثال، کارکنان مراکز تماس معمولاً نه انگیزه کافی و نه آزادی لازم برای آزمایش ابزارهای تازه در محل کار را دارند. آنها اغلب منتظر میمانند فناوری جدید از طرف مدیریت به آنها تحمیل یا ارائه شود.
وکلا و کارکنان صنعت مالی نیز باید محتاطتر باشند، زیرا مقررات فراوانی بر حرفه آنها حاکم است.
آیا بقیه مشاغل هم به برنامهنویسان میرسند؟
بدون تردید استفاده از هوش مصنوعی در سایر مشاغل ادامه خواهد یافت و با قدرتمندتر شدن مدلها و افزایش اعتماد شرکتها به واگذاری وظایف به ایجنتهای AI، حتی ممکن است سرعت بیشتری بگیرد.
اما هنوز مشخص نیست هیچ گروه شغلی دیگری در آینده نزدیک بتواند به سطح استفاده برنامهنویسان برسد.
ممکن است مدت زیادی طول بکشد تا بیشتر کارکنان اداری نیز مانند مهندسان سیلیکونولی، بخش زیادی از روز کاری خود را صرف صحبت کردن داخل میکروفون و سپردن کارها به ایجنتهای هوش مصنوعی کنند.