از زمان ChatGPT، مدرک تحصیلی کمی کمتر درآمد می‌آورد
دانسته‌های یک کارگر دو گونه‌اند. بخشی از آن را می‌توان نوشت، آموزش داد و ذخیره کرد: فرمول‌ها، قاعده‌ها، رویه‌ها. بخش دیگر با انجام دادن آموخته می‌شود و به خود فرد وابسته می‌ماند: در مثال‌های مقاله، یک مددکار می‌آموزد کدام مراجعان به پیگیری نزدیک‌تری نیاز دارند، یک جراح می‌آموزد چه زمانی کشش بافت درست نیست، یک مذاکره‌کننده می‌آموزد حال‌وهوای جلسه را بخواند. هوش مصنوعی مولد گونهٔ نخست را درست در لحظه‌ای که به آن نیاز است ارزان و فراوان می‌کند. این بر دستمزد چه اثری دارد؟
دو قیمت روی یک فیش حقوقی
ادواردو لوی یایاتی (Eduardo Levy Yeyati)، داریو جودزیک (Darío Judzik) و خوان ایگناسیو باربیئرو (Juan Ignacio Barbiero)، از دانشگاه تورکواتو دی تلا (Torcuato Di Tella) در بوئنوس آیرس، به دو عدد آشنا می‌نگرند: یک کارگر برای یک سال تحصیل بیشتر، و برای یک سال تجربهٔ بیشتر، چقدر بیشتر درآمد دارد. تحصیل، به‌طور ناکامل، نمایندهٔ دانشی است که می‌توان نوشت؛ سال‌های پس از ترک تحصیل نمایندهٔ دانشی است که از راه تمرین به دست می‌آید.
مدل آن‌ها دو پیش‌بینی می‌کند. اگر ماشین‌ها دانش مکتوب را فراهم کنند، دستمزد اضافی تحصیل باید کاهش یابد. اگر این دانش و داوری عملی در کنار هم بهترین کارکرد را داشته باشند، تمرین باید ارزشمندتر شود — به‌ویژه در آغاز مسیر شغلی، که افراد سریع‌تر می‌آموزند. اما بخشی از تجربه به شیوهٔ قدیمی انجام کار گره خورده و ممکن است ارزشش را از دست بدهد، پس اثر می‌تواند در سال‌های بعد منفی شود.
مشاغل در معرض، مشاغل در امان
این آزمون از پیمایش جمعیت جاری (Current Population Survey) آمریکا از ژانویهٔ 2018 تا ژوئن 2026 بهره می‌گیرد: حدود 656,000 رکورد دستمزد. مشاغل بر پایهٔ شاخصی از میزان در معرض هوش مصنوعی بودن رتبه‌بندی می‌شوند که پیش از پیدایش ChatGPT ساخته شده بود. ربعِ بیشتر در معرض — توسعه‌دهندگان نرم‌افزار، دستیاران اداری، حسابداران، مدیران مالی، استادان دانشگاه — با ربعِ کمتر در معرض مقایسه می‌شود: رانندگان کامیون، کارگران انبار، نظافتچی‌ها، دستیاران مراقبت، پیشخدمت‌ها. ساعت از نوامبر 2022، با انتشار عمومی ChatGPT، به کار می‌افتد.
پیش از آن تاریخ، یک سال تحصیل در مشاغل در معرض دستمزد را حدود 7.5% بالا می‌برد، در برابر 1.7% در مشاغل در امان. تحلیل، کارگران درون یک شغل را پیش و پس از آن تاریخ مقایسه می‌کند، پس تغییرات این «قیمت‌های» تحصیل و تجربه را می‌سنجد، نه تغییر میانگین دستمزدها را.
یک سال مدرسه، با قیمتی تازه
در مشاغل در معرض، پاداش دستمزدی یک سال تحصیل نسبت به مشاغل در امان 0.55 واحد درصد کاهش یافت — از حدود 7.5% به 6.9%، افتی حدود 7% از ارزش پیشینش. در مشاغل در امان در 1.7% باقی ماند. پیش از انتشار هیچ روند تدریجی دیده نمی‌شد، و این گسست در همان دوازده ماه نخست پدیدار می‌شود.
مسیر شغلی‌ای که کج می‌شود
تجربه در کل بالا یا پایین نرفت؛ منحنی چرخید. یک سال تجربهٔ بیشتر برای کسی با سه سال سابقه 0.26 واحد بیشتر می‌ارزد، در پانزده سال تقریباً همان قدر، و در بیست‌وپنج سال 0.12 واحد کمتر. در مدل اصلی نویسندگان، اثر در حدود 18 سال تغییر علامت می‌دهد؛ با منحنی‌های انعطاف‌پذیرتر، این کجی باقی می‌ماند اما آن نقطهٔ دقیق کمتر قطعی است. این کجی در میان کارگران دارای مدرک دانشگاهی از همه شدیدتر است.
روی هم رفته، کارگری با شانزده سال تحصیل و پانزده سال تجربه در یک شغل در معرض، حدود 3.2% کمتر از آنچه روند مشاغل در امان پیش‌بینی می‌کرد درآمد دارد.
آزمون‌هایی در برابر تصادف
- جابه‌جا کردن تاریخ آغاز به ژانویهٔ 2020، آغاز همه‌گیری، هیچ اثری پدید نمی‌آورد.
- اعمال یک قاعدهٔ مشترک بر بالاترین حقوق‌ها، که آمار آمریکا سقفی برایشان می‌گذارد و از آوریل 2023 به شکل دیگری ثبتشان می‌کند، نتایج را تقریباً دست‌نخورده می‌گذارد.
- با حذف مشاغل رایانه و ریاضی، که هم‌زمان از تعدیل نیرو در صنعت فناوری آسیب دیدند، افت بازده تحصیل همچنان 0.49 واحد است.
افت پایان مسیر شغلی ضعیف‌ترین بخش شواهد است: پیش از انتشار، آن سر منحنی از پیش کمی نوسان داشت.
پیش‌بینی نیست
نویسندگان ادعا نمی‌کنند که مدرک‌ها ارزششان را از دست داده‌اند یا دانش‌آموختگان کم‌بهره‌ورتر شده‌اند. نتیجهٔ آن‌ها قیمت‌گذاری دوبارهٔ کوتاه‌مدتی درون مشاغل در معرض است. انتخاب‌های تحصیلی، آموزش‌های حرفه‌ای و مشاغل سطح ورودی خود را با آن تطبیق خواهند داد. به نوشتهٔ آن‌ها، یک پرسش شاید در بلندمدت از همه مهم‌تر باشد: اینکه آیا کارگران هنوز می‌توانند مهارت عملی‌ای را که ارزشمندتر می‌شود به دست آورند، اگر هوش مصنوعی بخشی از خود فرایند یادگیری را خودکار کند.