درباره «نردبان شکسته مهارت‌ها» و ضرورت بازطراحی مسیر یادگیری در سازمان‌ها
بسیاری از ما کار حرفه‌ای خود را با وظایفی آغاز کرده‌ایم که امروز ممکن است ساده و تکراری به نظر برسند: جمع‌آوری اطلاعات، تهیه پیش‌نویس نامه، بررسی اولیه یک پرونده، تنظیم جدول یا خلاصه‌کردن گزارش.
اما همین کارها، نخستین فرصت‌های یادگیری ما بودند. با انجام آن‌ها، اشتباه‌کردن، دریافت بازخورد و اصلاح دوباره، به‌تدریج فهمیدیم چه چیزی مهم است، کجا باید تردید کنیم و چه زمانی به بررسی بیشتری نیاز داریم.
اکنون هوش مصنوعی می‌تواند بسیاری از این فعالیت‌ها را در زمانی کوتاه انجام دهد. این قابلیت، فرصتی برای افزایش بهره‌وری است؛ اما پرسشی کمتر دیده‌شده را هم پیش روی سازمان‌ها قرار می‌دهد:
اگر کارهایی که افراد از طریق آن‌ها تجربه کسب می‌کردند خودکار شوند، مسیر تبدیل‌شدن یک نیروی تازه‌کار به کارشناس خبره چگونه شکل می‌گیرد؟
دیلویت در مقاله‌ای با عنوان «هوش مصنوعی در حال تغییر کار است؛ شاید چگونگی شکل‌گیری تخصص را هم محدود کند»، از مفهوم نردبان شکسته مهارت‌ها (Broken Skills Ladder) استفاده می‌کند.
منظور، فاصله‌ای است که ممکن است میان «تخصص موردنیاز سازمان» و «فرصت‌های موجود برای پرورش آن تخصص» ایجاد شود.
در مسیر معمول رشد حرفه‌ای، فرد از وظایف ساده‌تر شروع می‌کند و به‌تدریج مسئولیت مسائل پیچیده‌تر را می‌پذیرد. برای مثال، برنامه‌نویس تازه‌کار با نوشتن کدهای ابتدایی و رفع خطاهای آن، مبانی کار را می‌آموزد؛ سپس برای طراحی و نگهداری سامانه‌های پیچیده آماده می‌شود.
هوش مصنوعی می‌تواند بخش زیادی از فعالیت‌های ابتدایی را انجام دهد؛ درحالی‌که نیاز سازمان به تخصص پیشرفته همچنان باقی است. در نتیجه، ممکن است از کارکنان انتظار قضاوت حرفه‌ای داشته باشیم، بدون آنکه فرصت کافی برای شکل‌گیری این قضاوت فراهم کرده باشیم.
دیلویت برای بررسی این مسئله، قابلیت خودکارسازی حدود ۱۹ هزار وظیفه کاری را تحلیل کرده و با استفاده از داده‌های شغلی O*NET، آن‌ها را به مهارت‌ها مرتبط کرده است. مسئله محوری این تحلیل، تغییر در مسیر پرورش مهارت‌هاست.
کارشناس باتجربه هنگام بررسی یک پاسخ، فقط به درستی جمله‌ها نگاه نمی‌کند. او ممکن است متوجه شود که یک فرض مهم نادیده گرفته شده، اطلاعات کافی وجود ندارد یا پیشنهاد ارائه‌شده با شرایط واقعی سازگار نیست.
این توانایی معمولاً حاصل سال‌ها مواجهه با مسئله، مشاهده پیامد تصمیم‌ها و دریافت بازخورد است.
به همین دلیل، توصیه رایجِ «خروجی هوش مصنوعی را بررسی کنید» نیازمند تأمل بیشتری است. بررسی مؤثر خروجی، خودش یک مهارت تخصصی است. فرد باید موضوع را به‌اندازه کافی بشناسد تا بتواند خطا، ابهام یا اطلاعاتِ ازقلم‌افتاده را تشخیص دهد.
اگر فرصت تمرین و تجربه کاهش یابد، سازمان ممکن است در کوتاه‌مدت خروجی بیشتری تولید کند، اما در بلندمدت با دشواری پرورش افرادی روبه‌رو شود که توان ارزیابی همان خروجی‌ها را دارند.
در محیط اداری، بخش مهمی از تجربه کارشناسی از مسیر تهیه مکاتبات، بررسی سوابق، تطبیق اسناد و مشارکت در رسیدگی به پرونده‌ها شکل می‌گیرد.
فرض کنیم تهیه پیش‌نویس پاسخ یک دستگاه اجرایی به هوش مصنوعی سپرده شود. متن سریع‌تر آماده می‌شود، اما کارشناس تازه‌کار ممکن است دیگر ناچار نباشد سوابق را جست‌وجو کند، تفاوت وضعیت‌ها را بفهمد یا برای انتخاب عبارت مناسب استدلال کند.
در ادامه، از همین فرد انتظار می‌رود درستی متن تولیدشده را تأیید کند. اینجا پرسش اصلی آشکار می‌شود: او فرصت یادگیریِ آنچه باید بررسی کند را کجا به دست آورده است؟
این مثال، برداشتی کاربردی از بحث مقاله برای نظام اداری است. پیام آن برای مدیران این است که هنگام خودکارسازی یک وظیفه، نقش آن وظیفه در تربیت نیروی انسانی را هم بررسی کنند.
بخش مهمی از خبرگی، «دانش ضمنی» است؛ دانشی که افراد در عمل به کار می‌گیرند، اما همیشه نمی‌توانند آن را به‌روشنی توضیح دهند.
یک کارشناس باسابقه ممکن است با دیدن پرونده‌ای بگوید: «این مورد نیاز به بررسی بیشتری دارد.» گاهی دلیل این تشخیص، ترکیبی از تجربه‌های پیشین، شناخت زمینه و توجه به نشانه‌هایی است که در هیچ چک‌لیستی ثبت نشده‌اند.
دیلویت تأکید می‌کند که انتقال این نوع دانش، به مشاهده، تکرار، مربیگری و تجربه مشترک وابسته است. به همین دلیل، مستندسازی فرایندها به‌تنهایی جایگزین همکاری میان نیروهای تازه‌کار و باتجربه نمی‌شود.
با تغییر شیوه کار بر اثر هوش مصنوعی، لازم است این ارتباط‌ها آگاهانه‌تر طراحی شوند.
مقاله بر شبیه‌سازی، تمرین سناریومحور، کارآموزی، مربیگری و اجتماعات حرفه‌ای تأکید می‌کند. بر پایه این پیشنهادها، می‌توان چند اقدام عملی برای سازمان‌ها در نظر گرفت.
هرگاه وظیفه‌ای به هوش مصنوعی سپرده می‌شود، بررسی کنیم کارکنان قبلاً از انجام آن چه چیزی می‌آموختند و اکنون این یادگیری چگونه تأمین خواهد شد.
برای مثال، پس از خودکارسازی تهیه پیش‌نویس گزارش، می‌توان از کارشناس خواست فرض‌ها، استنادها و کاستی‌های متن را شناسایی و اصلاحات خود را توضیح دهد.
تأیید یا رد یک خروجی، به‌تنهایی فرصت یادگیری محدودی ایجاد می‌کند. ارزش آموزشی زمانی بیشتر می‌شود که فرد توضیح دهد:
کدام بخش قابل‌اتکاست و چرا؟
چه اطلاعاتی کم است؟
کدام نتیجه به بررسی بیشتری نیاز دارد؟
چه تغییری در متن یا پیشنهاد لازم است؟
گفت‌وگو درباره این پاسخ‌ها با کارشناس ارشد، می‌تواند بخشی از منطق قضاوت حرفه‌ای را آشکار کند.
پرونده‌های مختومه، با رعایت محرمانگی و حذف اطلاعات هویتی، می‌توانند مبنای تمرین باشند. کارکنان ابتدا مسئله را بررسی کنند و پیشنهاد خود را بنویسند؛ سپس آن را با تصمیم و استدلال کارشناسان باتجربه مقایسه کنند.
این روش، امکان تمرین را بدون تحمیل پیامد به پرونده جاری فراهم می‌کند.
انتقال تجربه اگر صرفاً به فرصت‌های اتفاقی وابسته باشد، ممکن است زیر فشار کار روزمره کنار گذاشته شود. جلسات بررسی پرونده، همکاری دونفره و مربیگری می‌توانند جای مشخصی در برنامه کاری داشته باشند.
در این جلسات، توضیح «چرا چنین تصمیمی گرفتیم» به‌اندازه بیان نتیجه اهمیت دارد.
در کنار کاهش زمان انجام کار، باید بررسی کنیم آیا توان کارکنان در تشخیص خطا، تحلیل مسئله، توضیح تصمیم و رسیدگی مستقل به موارد پیچیده‌تر رشد کرده است یا خیر.
افزایش سرعت، تنها بخشی از نتیجه‌ای است که سازمان به آن نیاز دارد. حفظ و توسعه توان تخصصی، بخش دیگر آن است.
هوش مصنوعی می‌تواند فرصت بیشتری برای یادگیری ایجاد کند؛ به شرط آنکه زمان آزادشده به تمرین، بازخورد و مواجهه هدایت‌شده با مسائل پیچیده‌تر اختصاص یابد.
نگرانی اصلی زمانی شکل می‌گیرد که وظایف ابتدایی حذف شوند، اما سازمان فرض کند مسیر رشد کارکنان همچنان خودبه‌خود ادامه پیدا می‌کند.
برای مدیران منابع انسانی و متولیان تحول اداری، هر پروژه خودکارسازی یک پرسش تکمیلی دارد:
«پس از تغییر این کار، کارکنان ما چگونه یاد می‌گیرند و تجربه کسب می‌کنند؟»
پاسخ به این پرسش، تعیین می‌کند که افزایش بهره‌وری امروز، با پرورش کارشناسان خبره فردا همراه خواهد شد یا خیر.
منبع اصلی:
Elliott, C., Cluver, M., Mariani, J., Agarwal, S., & Kannan, T. (2026, June 30). AI is changing work. It might also be limiting how expertise is built. Deloitte Insights, Deloitte Center for Government Insights.
