استخدام نیروی تازه‌کار در Anthropic از ۲۷ به ۹ درصد رسید؛ گزارش تازه درباره کار با عامل‌های هوش مصنوعی برای دانشجوها چه پیامی دارد؟

این گزارش چه چیزی را بررسی کرده است؟

نویسندگان گزارش، چهار پژوهشگر اقتصاد در Anthropic، از داده‌های داخلی شرکت استفاده کرده‌اند: آمار کارکنان، میزان استفاده از هوش مصنوعی، شاخص‌های خروجی کار، نظرسنجی از کارکنان، پیام‌های کانال‌های داخلی، تقویم جلسه‌ها و فرم‌های ارزیابی مصاحبه‌های استخدامی. کنار این داده‌ها با ۱۷ نفر از کارکنان هم مصاحبه شده است.

خود Anthropic تأکید می‌کند که شرکتش نمونه معمولی نیست. این شرکت یک مجموعه نرم‌افزاری است که بیش از تقریباً هر جای دیگری از هوش مصنوعی استفاده می‌کند. برای همین گزارش را «نشانه‌ای زودهنگام» از تغییرات آینده می‌داند، نه تصویری از کل بازار کار.

عدد اصلی: استخدام نیروی تازه‌کار چقدر کم شد؟

طبق گزارش، از اوایل ۲۰۲۵ سهم نیروهای تازه‌کار در بخش‌های فنی از ۲۱ درصد به ۱۴ درصد رسیده است. تغییر در استخدام‌های جدید تندتر بوده و سهم تازه‌کارها در استخدام‌های فنی از ۲۷ درصد به ۹ درصد افت کرده است. آگهی‌های شغلی برای این سطح هم از دسامبر ۲۰۲۵ به‌شدت کم شده است. به گزارش The Decoder، فقط ۶ درصد موقعیت‌های فنی باز شرکت برای تازه‌کارهاست.

Anthropic دلیل اصلی را توانایی بیشتر عامل‌های هوش مصنوعی می‌داند. کارهایی مثل نوشتن کد و پیدا کردن باگ، که معمولاً اولین کارهای یک برنامه‌نویس تازه‌کار است، بیشتر و بیشتر به Claude سپرده می‌شود. The Decoder می‌نویسد افت استخدام تازه‌کارها در شغل‌هایی بیشتر بوده که Claude در آن‌ها پیچیده‌ترین کارها را انجام می‌دهد. نکته مهم اینکه در بخش‌های غیرفنی سهم تازه‌کارها تقریباً ثابت مانده است.

این عددها درصد هستند، نه تعداد. گزارش می‌گوید تعداد کل کارکنان فنی Anthropic همچنان رشد کرده؛ آنچه کم شده سهم تازه‌کارها در میان آن‌هاست.

عامل‌هایی که بیشتر از انسان‌ها «ساعت کار» دارند

گزارش می‌گوید ساعت کار عامل‌های هوش مصنوعی در مارس ۲۰۲۶ برای اولین بار از ساعت کار انسان‌ها جلو زد. تا اوت ۲۰۲۶، عامل‌هایی که خود کارکنان راه‌اندازی می‌کنند شش برابر ساعت کار کارکنان را ثبت کرده بودند. به گزارش The Decoder این نسبت در بخش‌های پژوهشی به ۱۹ به ۱ رسیده است.

باید دقت کرد این مقایسه چطور حساب شده است. ساعت کار عامل یعنی زمانی که مدل واقعاً در حال پردازش یا استفاده از ابزار است، و ساعت کار انسان با فرض ۴۰ ساعت در هفته برای هر نفر محاسبه شده است. پس «شش برابر» یعنی زمان کار ماشین، نه اینکه شش ربات جای هر نفر را گرفته باشند. گزارش همچنین می‌گوید حدود ۸۰ درصد زمان جلسه‌های Claude به انتظار برای پاسخ انسان می‌گذرد؛ یعنی انسان هنوز گلوگاه اصلی است.

بهره‌وری چقدر بالا رفت و چه شک‌هایی وجود دارد؟

طبق گزارش، تعداد ثبت کد هر مهندس به حدود پنج برابر شش ماه قبل رسیده است. The Decoder عددهای تیم‌های دیگر را هم آورده: تیم حقوقی ۳٫۱ برابر قرارداد بیشتر بررسی کرده، تیم فروش ۱٫۷ برابر قرارداد بیشتر بسته و تیم حسابداری ۱٫۴ برابر فاکتور بیشتر پردازش کرده است.

خود نویسندگان چند احتیاط را هم گفته‌اند. کسانی که زودتر سراغ عامل‌ها رفته‌اند از قبل هم روند رو به رشدی داشتند. درآمد و تقاضای شرکت هم در همین دوره به‌سرعت بالا رفته است. کد بیشتر هم لزوماً به معنای کد بهتر نیست. The Decoder هم یادآوری می‌کند که در کل اقتصاد هنوز افزایش قابل اندازه‌گیری بهره‌وری از هوش مصنوعی دیده نشده است.

معیارهای استخدام چطور عوض شد؟

شاید کاربردی‌ترین بخش گزارش برای جویندگان کار همین باشد. در سال ۲۰۲۴ فقط حدود ۵ درصد ارزیابی‌های مصاحبه فنی و ۷ درصد ارزیابی‌های غیرفنی به استفاده داوطلب از ابزارهای هوش مصنوعی اشاره داشتند. تا ۲۰۲۶ این سهم در مصاحبه‌های فنی سه برابر و در مصاحبه‌های غیرفنی چهار برابر شده است.

برای داوطلبان فنی، اشاره به «استقلال در کار» و «قضاوت» بیشترین رشد را داشته و تأکید بر دانش تخصصی یک حوزه کم شده است. برای نقش‌های غیرفنی هم توجه به مشتری و هم‌سویی با مأموریت شرکت بیشتر شده است. نکته جالب دیگر اینکه کارکنان قدیمی‌تر در ۲۰۲۶ پنجاه درصد بیشتر از ۲۰۲۵ بین بخش‌های مختلف جابه‌جا شده‌اند و سهم کارهای مربوط به ساختن ابزار و داشبورد برای عامل‌ها از ۱۰ به ۲۲ درصد جلسه‌ها رسیده است.

• استفاده درست از ابزارهای هوش مصنوعی در مصاحبه‌ها خیلی بیشتر دیده می‌شود
• استقلال و قضاوت برای نقش‌های فنی مهم‌تر شده است
• جابه‌جایی بین بخش‌ها و نقش‌های چندرشته‌ای بیشتر شده است
• بخش بزرگ‌تری از کار به ساختن و مدیریت ابزار برای عامل‌ها می‌گذرد

برای دانشجوها و تازه‌کارها در ایران چه پیامی دارد؟

این گزارش درباره یک شرکت در آمریکاست و نباید آن را مستقیم به بازار کار ایران تعمیم داد. اما جهت تغییر روشن است: کارهای ساده و تکراری اول از همه به عامل‌ها سپرده می‌شوند. اگر برنامه شما این است که با انجام همین کارهای ساده وارد بازار شوید و کم‌کم یاد بگیرید، بهتر است از همین حالا مسیر را کمی عوض کنید.

پیشنهاد ما این است که به جای رقابت با هوش مصنوعی در کارهایی که خودش سریع‌تر انجام می‌دهد، روی مهارت‌هایی سرمایه‌گذاری کنید که گزارش نشان می‌دهد ارزششان بالا رفته است: کار کردن با عامل‌ها، بررسی دقیق خروجی آن‌ها و تصمیم‌گیری درباره اینکه چه کاری به ماشین سپرده شود.

• یک پروژه واقعی کوچک را از ابتدا تا انتها با کمک یک عامل هوش مصنوعی بسازید و نتیجه را در رزومه نشان دهید
• یاد بگیرید خروجی هوش مصنوعی را بررسی و آزمایش کنید، نه اینکه فقط آن را کپی کنید
• کنار تخصص اصلی‌تان با یک حوزه دیگر مثل فروش، محصول یا داده هم آشنا شوید
• مهارت نوشتن دستورالعمل روشن برای عامل‌ها را مثل یک مهارت شغلی جدی تمرین کنید

بحث بزرگ‌تر: متخصص‌های فردا از کجا می‌آیند؟

The Decoder از قول نولان لاوت، پژوهشگر دانشگاه عملیات ویژه ناتو، به نگرانی‌ای اشاره می‌کند که او «تراژدی منابع مشترک شناختی» می‌نامد: شرکت‌ها از صرفه‌جویی امروز سود می‌برند، اما هزینه کم شدن متخصص‌های آینده بین همه پخش می‌شود. به گفته او اثر این موضوع حدود سال‌های ۲۰۳۰ تا ۲۰۴۵ دیده می‌شود، چون متخصص‌های امروز ۵ تا ۲۰ سال پیش آموزش دیده‌اند.

خود Anthropic هم در گزارش می‌پذیرد که راهکارهای داخلی‌اش، مثل سهیم کردن گسترده کارکنان در سهام و جابه‌جایی نیروها بین بخش‌ها، مشکل کم شدن استخدام تازه‌کارها را حل نمی‌کند و برای بازآموزی و حمایت از درآمد افراد به سیاست‌گذاری دولت‌ها نیاز است. باید دید شرکت‌های دیگر هم چنین داده‌هایی منتشر می‌کنند یا نه، و آیا همین روند در بیرون از شرکت‌های هوش مصنوعی هم دیده می‌شود.