هجوم به شغل‌های آنلاین هوش مصنوعی؛ کار برای ماشین‌هایی که روزی جای ما می‌نشینند

نیماد- روی صحنه، سیاست‌مداران و مدیران فناوری از «انقلاب هوش مصنوعی» می‌گویند؛ پشت لپ‌تاپ‌ها اما هزاران جوان و کارمند پاره‌وقت در سکوت، داده برچسب می‌زنند، متن می‌نویسند، جواب چت‌بات‌ها را نمره می‌دهند و برای ماشین‌ها دستورالعمل می‌نویسند. این‌ها کارگران تازه‌وارد اقتصاد دیجیتال‌اند که عنوان شغلی‌شان «متخصص داده‌ هوش مصنوعی»، «آنلاین‌ریتر»، «پرامپت‌نویس» یا «ارزیاب محتوا» است؛ اغلب دورکار، پاره‌وقت و پروژه‌ای.

این گزارش نگاهی دارد به ماهیت این موج تازه، میزان اقبال نسل جوان، دستمزدها و آسیب‌شناسی این بازار کار.

این شغل‌های تازه دقیقا چه می‌کنند؟

شرکت‌هایی مثل RWS (گرداننده پروژه‌ TrainAI)، دیتا انوتیشن تک (DataAnnotation.tech)، تلوس (TELUS) و اپن (Appen)، امروز شبکه‌هایی جهانی از «کارگران داده» ساخته‌اند. در صفحه‌ معرفی پروژه «ترین ای آی» (TrainAI Community) فهرستی از نقش‌ها دیده می‌شود: «آنلاین‌ریتر- online rater» یا ارزیاب نتایج جستجوی آنلاین، جمع‌آورنده‌ی داده، برچسب‌زن داده (Data Annotator)، ارزیاب موتور جست‌وجو، ارزیاب تبلیغات و فرصت‌های پروژه‌محور دیگر برای آموزش هوش مصنوعی.

این کارها چند دسته‌اند:

جمع‌آوری داده: ضبط صدا به زبان‌های مختلف، گرفتن عکس از فضاهای شهری و اشیاء، نوشتن متن‌های کوتاه در موضوعات گوناگون.

برچسب‌گذاری و حاشیه‌نویسی: مشخص کردن اشیاء در تصاویر، رونویسی صدا، دسته‌بندی متن‌ها (مثبت/منفی، خبری/تبلیغاتی، توهین‌آمیز/بی‌خطر و…)، یا اصلاح و ویرایش متن‌های تولیدشده توسط مدل‌های زبانی.

ارزیابی کیفیت: نقش‌هایی مثل Online Rater یا Search Quality Rater که باید نتیجه‌ی جست‌وجو، پاسخ چت‌بات یا محتوای تبلیغاتی را از نظر ارتباط، دقت و اخلاقی بودن نمره بدهند.

پرامپت‌نویسی و طراحی سناریو: سطح بالاتر ماجراست؛ جایی که فرد باید برای مدل‌های زبانی و تولیدی، دستورالعمل‌های دقیق طراحی کند تا پاسخ مطلوب برای یک صنعت خاص (بازاریابی، کدنویسی، خدمات مشتری و…) تولید شود.

شرکت‌ها این فعالیت‌ها را در قالب پروژه‌های کوتاه‌مدت تعریف می‌کنند؛ از یک تست چندساعته تا پروژه‌های چندماهه. معمولا فقط یک لپ‌تاپ، اینترنت پرسرعت و تسلط خوب به یک زبان (اغلب انگلیسی) لازم است.

چرا این بازار ناگهان بزرگ شد؟

گسترش مدل‌های زبانی و تصویری، تقاضا برای داده‌ی باکیفیت را انفجاری بالا برده است. خودِ شرکت‌های تکنولوژی می‌گویند بدون انبوهی از داده‌‌ی تمیز، «هوش» هوش مصنوعی کار نمی‌کند. RWS در معرفی خدمات TrainAI صراحتا می‌نویسد: ما داده‌ی متنی، صوتی، تصویری و ویدئویی را با کمک جامعه‌ای جهانی از «متخصصان داده‌ی هوش مصنوعی» جمع‌آوری و برچسب‌گذاری می‌کنیم تا مدل‌ها قابل‌اعتماد شوند.

در سطح کلان‌تر، گزارش‌های شرکت‌های بزرگ فناوری و مشاوران مدیریتی می‌گویند تقریباً همه‌ی شرکت‌ها در حال سرمایه‌گذاری روی هوش مصنوعی یا همانAI  هستند و انتظار می‌رود «دو سوم مشاغل» به نوعی از هوش مصنوعی متأثر شوند؛ یا بخشی از کارشان اتوماسیون شود، یا مجبور شوند برای ادامه‌ی کار با AI سازگار شوند.

مایکروسافت در تصویری که از «آینده‌ی کار» ارائه کرده، می‌گوید هر کارمند در آینده «رئیس چند کارمند هوش مصنوعی» خواهد بود؛ یعنی AI بسیاری از روتین‌ها را انجام می‌دهد و انسان نقش ناظر، طراح و تصمیم‌گیر را دارد. اما تا رسیدن به آن آینده، به یک ارتش کارگران نامرئی نیاز است که همین کارهای تکراری و خُرد را برای آموزش این سیستم‌ها انجام دهند.

نسل جوان: بین امید و اضطراب

برای بسیاری از جوانان – از دانشجویان در اروپا و آمریکا تا جوانان در خاورمیانه و آمریکای لاتین – این مشاغل راه دسترسی نسبتا آسان به درآمد دلاری یا یورویی است؛ مخصوصا در کشورهایی که بازار کار داخلی محدود و تورم بالاست. پلتفرم‌ها معمولا محدودیت جدی برای مدرک دانشگاهی ندارند و مهارت زبانی و عبور از چند آزمون آنلاین کافی است.

اما در کنار این جذابیت، سطح بالایی از اضطراب هم وجود دارد. در نظرسنجی اخیر Harvard Youth Poll «نظرسنجی جوانان هاروارد» از جوانان آمریکایی، ۵۹ درصد پاسخ‌دهندگان گفته‌اند AI را تهدیدی برای آینده‌ی شغلی خود می‌دانند؛ ۴۴ درصد معتقدند هوش مصنوعی بیشتر شغل‌ها را از بین می‌برد تا این‌که فرصت جدید ایجاد کند.

این دوگانه‌گی در فضای فارسی‌زبان هم دیده می‌شود: از یک‌سو آموزشگاه‌ها و اینفلوئنسرها دوره‌های پرامپت‌نویسی و «کار از راه دور با هوش مصنوعی» تبلیغ می‌کنند؛ از سوی دیگر، نگرانی جدی نسبت به حذف مشاغل سنتی رسانه، ترجمه، کد‌نویسی و حتی کار دفتری شکل گرفته است.

دستمزدها: از ده دلار در ساعت تا صد هزار دلار در سال

واقعیت این بازار «هوش مصنوعی» به‌شدت ناهمگن است. در بالاترین لایه، شغل‌هایی مثل Prompt Engineer، AI Product Manager یا LLM Strategist به‌سرعت وارد فهرست مشاغل با درآمد بالای صد هزار دلار در سال شده‌اند. یک گزارش تحلیلی می‌گوید متوسط حقوق پرامپت‌انجینیر در آمریکا حدود ۱۳۶ هزار دلار در سال است و برخی نقش‌های تخصصی حتی تا ۳۰۰–۴۰۰ هزار دلار در شرکت‌های بزرگ می‌رسند. در بریتانیا هم تخمین‌ها از حدود ۸۵ تا بیش از ۱۲۰ هزار پوند در سال حکایت دارد.

اما کفِ این هرم، همان کارگران داده‌ی دورکار هستند. داده‌های سایت‌های کاریابی و خود پلتفرم‌ها تصویری کم‌وبیش چنین به دست می‌دهند:

Online Rater / Quality Rater: بسته به کشور و شرکت، از حدود ۱۰ تا ۳۰ دلار در ساعت. گزارش ZipRecruiter متوسط درآمد سالانه یک رِیتر آنلاین در آمریکا را حدود ۴۰ هزار دلار برآورد می‌کند.

Data Annotation / RLHF: DataAnnotation.tech صراحتا از «۲۰ دلار به بالا در ساعت» برای پروژه‌های آموزش مدل‌های زبانی سخن می‌گوید؛ یک وب‌سایت راهنمای شغلی، میانگین دستمزد متخصصان داده‌گزاری در آمریکا را نزدیک ۲۶ دلار در ساعت گزارش کرده است.

پروژه‌های RWS و مشابه: تجربه‌ی کاربران در انجمن‌های کار آنلاین از دستمزدهایی در بازه‌ی ۸ تا ۳۰ دلار در ساعت خبر می‌دهد؛ برخی رِیترها در آمریکا حدود ۱۵ دلار در ساعت حقوق گرفته‌اند، درحالی‌که نرخ‌ها در اروپا و آسیا پایین‌تر است.

مشاغل ارزیابی در TELUS: برآورد گلس‌دور برای Online Rater در آمریکا بین ۲۹ تا ۵۴ دلار در ساعت است؛ البته این ارقام اغلب برای قراردادهای محدود و بسیار رقابتی است.

به زبان ساده، برای بخشی از جوانان در کشورهای در حال توسعه، حتی ۸–۱۵ دلار در ساعت هم عدد قابل‌توجهی است؛ اما این دستمزدها هیچ ضمانتی برای تداوم پروژه، بیمه، بازنشستگی یا امنیت شغلی ندارند.

مزایا: انعطاف، دسترسی، تجربه

از نگاه بسیاری از جوانان، جذابیت اصلی این مشاغل سه چیز است:

انعطاف زمانی: اغلب پروژه‌ها اجازه می‌دهند فرد ساعات کار را خودش انتخاب کند؛ دانشجو یا شاغل می‌تواند کنار درس و کار اصلی، چند ساعت در هفته کار کند.

دورکاری واقعی: نیاز به حضور فیزیکی نیست؛ یک لپ‌تاپ، اینترنت و حساب پی‌پال یا بانکی کافی است.

ورود کم‌هزینه به دنیای AI: برای کسی که می‌خواهد فضای هوش مصنوعی را لمس کند، کار روی پروژه‌های RLHF یا برچسب‌گذاری می‌تواند شروعی باشد برای حرکت به سمت یادگیری عمیق‌تر برنامه‌نویسی، علم داده و… .

آسیب‌ها و تناقض‌های بازار کار جدید

اما روی دیگر این سکه، مجموعه‌ای از آسیب‌ها و ساختارهای نابرابر است که کمتر دیده می‌شود:

ناامنی و ناپایداری

پروژه‌ها ممکن است ناگهان متوقف شوند یا ساعات مجاز کار به‌شدت کاهش یابد. بسیاری از رِیترها در فوروم‌ها می‌نویسند بعد از چند ماه کار، بدون توضیح واضح «دی‌اکتیو» شده‌اند و دسترسی‌شان به پروژه بسته شده است.

فقدان حقوق کارِ سنتی

بیشتر این مشاغل در قالب قراردادهای «فریلنس» یا «پارت‌تایمِ پروژه‌ای» تعریف می‌شوند؛ یعنی خبری از حداقل دستمزد ملی، بیمه‌ی درمان، مرخصی، حق بیکاری و نمایندگی صنفی نیست. این همان منطق اقتصاد پلتفرمی است که پیش‌تر در تاکسی‌های اینترنتی و پیک‌های آنلاین دیده بودیم، اکنون در سطحی جهانی و در کارِ دانشی تکرار شده است.

رقابت جهانی و فشردن دستمزدها

وقتی یک شرکت می‌تواند برای همان کار از کارگری در آمریکای شمالی با ۲۰–۳۰ دلار در ساعت یا از کارگری در آسیا با ۵–۱۰ دلار در ساعت استفاده کند، فشار طبیعی بازار پایین نگه داشتن دستمزدهاست. بسیاری از پلتفرم‌ها هم علنا می‌گویند نرخ پرداخت را بر اساس «شرایط اقتصادی منطقه‌ی زندگی شما» تنظیم می‌کنند.

کارِ نامرئی و «خودت را حذف کن»

تناقض بزرگ این کارها در این است که کارگرِ امروز با برچسب‌گذاری و تصحیح خطاها، مدل را هر روز «هوشمندتر» می‌کند؛ مدلی که فردا می‌تواند خودش بخش بزرگی از همین کار را انجام دهد و نیاز به نیروی انسانی را کاهش دهد. IBM و دیگر شرکت‌های بزرگ آشکارا می‌گویند بخشی از نقش‌های منابع انسانی و پشتیبانی را همین حالا با AI جایگزین کرده‌اند.

فشار روانی و اخلاقی

بخشی از این کارها – مخصوصا ارزیابی محتوا و پالایش داده‌ی متنی و تصویری – ناگزیر شامل مواجهه‌ی مداوم با محتوای خشونت‌آمیز، پورنوگرافیک، نژادپرستانه و نفرت‌پراکن است. این جنبه هنوز به‌قدر کافی در اسناد رسمی شرکت‌ها دیده نمی‌شود، اما تجربه‌ی کارگران محتوا در شبکه‌های اجتماعی نشان داده که این نوع کار می‌تواند تبعات جدی روانی داشته باشد.

چه باید کرد؟ از مهارت‌آموزی فردی تا سیاست‌گذاری عمومی

برای فردِ جویای کار، استفاده‌ی هوشمندانه از این فرصت‌ها یعنی نگاه کردن به آن‌ها به‌عنوان «پله» نه «سقف». کسب تجربه‌ی اولیه در پروژه‌های داده می‌تواند انگیزه‌ای باشد برای رفتن به سمت مهارت‌های پایدارتر: برنامه‌نویسی، علم داده، طراحی محصول، پژوهش کاربر و…؛ حوزه‌هایی که هنوز – و احتمالا در آینده‌ی نزدیک – در لایه‌ی تصمیم‌گیری و خلاقیت انسانی به شدت نیاز دارند.

برای سیاست‌گذار و نهادهای صنفی، چالش اصلی این است که چگونه در فضای کاری مرزی و جهانی، حداقلی از حقوق کارگری، شفافیت قراردادها و حمایت اجتماعی را تضمین کنند؛ الزام پلتفرم‌ها به شفاف‌سازی نرخ‌ها و معیارهای ارزیابی و امکان تشکیل تشکل‌های صنفی دیجیتال فراملی از جمله کارهایی‌ست که باید مد نظر قرار داد.

برای جامعه‌ی دانشگاهی و رسانه‌ای، ضروری‌ست که در کنار روایت‌های پرزرق‌وبرق از «انقلاب هوش مصنوعی»، این لایه‌ی نامرئی کار نیز دیده شود؛ همان جوانانی که در آپارتمان‌های کوچک‌شان در تهران، دهلی یا استانبول، پشت صفحه‌ی نمایش، برای ماشین‌ها معنی تولید می‌کنند.

بازار جدید کارِ هوش مصنوعی، میدان بزرگ تضادهاست: در نوک هرم شغل‌هایی با درآمدهای نجومی و عنوان‌های فریبنده، و در قاعده‌ هرم میلیون‌ها ساعت کار خُرد و نامرئی. برای نسل جوان، ورود به این میدان هم می‌تواند فرصت باشد هم دام؛ فرصتی برای آشنا شدن با زبانی که جهان کار آینده را شکل می‌دهد، و دامی که انسان را در سطح کارهای تکراری و بی‌افق متوقف می‌کند.