پایگاه خبری فولاد ایران- در گفتمان جهانی درباره آینده‌ی کار، اغلب تمرکز بر مشاغل دفتری، اتوماسیون کارهای سفید (مدیریتی-اداری) و بهره‌وری شرکت‌هاست. آنچه غالباً نادیده گرفته می‌شود این است که برای اکثریت مردم در جنوب جهانی، مشاغل به ندرت رسمی است.
طبق گزارش مجمع جهانی اقتصاد، در سراسر آفریقا، آسیای جنوبی و بخش‌های زیادی از آمریکای لاتین، کار غیررسمی همچنان شکل غالب اشتغال است. در برخی مناطق، این نوع کار بیش از ۸۰٪ از کل نیروی کار را تشکیل می‌دهد – از کارگران خانگی، دست‌فروشان، فروشندگان بازار، بنّاها و غیره – مشاغلی که قرارداد رسمی ندارند اما برای اقتصاد حیاتی‌اند. به گفته‌ی WIEGO و سازمان بین‌المللی کار (ILO)، حدود ۶۱٪ از کارگران جهان به‌طور غیررسمی مشغول‌اند – یعنی حدود دو میلیارد نفر.
به‌طور کلی، چارچوب‌های توسعه‌ای، کار غیررسمی را نشانه‌ای از عقب‌ماندگی دانسته‌اند – با این فرض که مشاغل باید به تدریج رسمی شده و در بازارهای کار قانونمند جذب شوند. اما این فرض اکنون منسوخ شده است؛ کار غیررسمی رو به زوال نیست، بلکه در حال تحول است.
کارگران در اقتصاد غیررسمی روز‌به‌روز دیجیتالی‌تر و منطبق با روندهای بازار می‌شوند. بسیاری از آن‌ها برای پیدا کردن مشتری، هماهنگی با همکاران یا تبلیغ خدمات خود از واتساپ یا تلگرام استفاده می‌کنند. آن‌ها بدون نیاز به رزومه، اعتبار دیجیتال می‌سازند و مهارت‌هایی خارج از نهادهای رسمی کسب می‌کنند.
به‌جای حذف کار غیررسمی، باید سیستم‌هایی طراحی کنیم که با آن سازگار باشند – و ابزارهای هوش مصنوعی می‌توانند راه‌حل‌هایی امیدبخش برای این هدف ارائه دهند.
یکی از چالش‌های اساسی در اقتصاد غیررسمی، نبود شفافیت و دیده‌شدن است. بسیاری از کارگران خارج از دسترس آمارهای ملی، حمایت‌های کاری مؤثر یا سیستم‌های تأیید هویت دیجیتال فعالیت می‌کنند. آن‌ها چندزبانه، چندمهارته و سیارند، اما اغلب ثبت نشده‌اند. هوش مصنوعی می‌تواند این وضعیت را تغییر دهد.
ابزارهای صوتی مبتنی بر پردازش زبان طبیعی (NLP) به کارگران اجازه می‌دهد تا با پلتفرم‌ها به زبان محلی خود ارتباط بگیرند. سیستم‌های بینایی ماشین می‌توانند مهارت‌های فنی را از طریق شناسایی تصاویر تأیید کنند و به کارگران کمک کنند نمونه‌کار دیجیتال بسازند. الگوریتم‌های یادگیری ماشین می‌توانند کارگران را براساس زمان در دسترس بودن، نزدیکی مکانی و امتیازدهی همتایان، به کارها متصل کنند.
در شهرهایی مانند آکرا (غنا) یا احمدآباد (هند)، که بازارهای کار متراکم ولی بی‌سازمان‌اند، هوش مصنوعی می‌تواند روند اتصال کارگران به کارفرمایان را سریع‌تر و عادلانه‌تر کند. یک کارگر ساختمانی می‌تواند براساس عملکرد قبلی و نظرات مشتریان، برای پروژه‌ای مناسب پیشنهاد شود. یک پرستار کودک می‌تواند براساس وقت‌شناسی و قابلیت اطمینان، امتیاز بگیرد و سابقه کاری قابل اثباتی ایجاد کند.
چنین سیستمی الزاماً کارگران را به‌صورت سنتی رسمی نمی‌کند، بلکه مشارکت اقتصادی آن‌ها را به رسمیت می‌شناسد و به آن‌ها اختیار، استمرار و اعتبار می‌دهد.
فراتر از توانمندسازی فردی، هوش مصنوعی در سطح منطقه‌ای نیز فرصت‌هایی فراهم می‌کند.
پلتفرم‌های مبتنی بر هوش مصنوعی می‌توانند دسته‌بندی‌های شغلی را هماهنگ، شناسایی مهارت‌ها را استاندارد، و توصیف مشاغل را به چند زبان ترجمه کنند. ابزارهای تحلیل پیش‌بینی نیز می‌توانند به دولت‌ها کمک کنند روندهای بازار کار را ردیابی، جریان‌های مهاجرت غیررسمی را پیش‌بینی یا تقاضا برای مهارت‌های خاص در مناطق مرزی را تخمین بزنند.
در آسیای جنوبی و آمریکای لاتین، که پویایی‌های مشابهی وجود دارد، هوش مصنوعی می‌تواند هویت‌های دیجیتال قابل‌حمل ایجاد کند تا کارگران غیررسمی اعتبار و گواهی‌نامه‌های خود را بین مناطق جابه‌جا کنند. این ابزارها می‌توانند زمینه ادغام منطقه‌ای را با ایمن‌تر، هوشمندتر و فراگیرتر کردن تحرک شغلی فراهم کنند.
با تکامل این سیستم‌ها، ممکن است شاهد گذار از کارهای موقتی به کارهای پلتفرمی با رویکردی راهبردی باشیم.
اما برای رسیدن به این هدف، فناوری باید قابل‌دسترس، منصفانه و با نظارت دقیق طراحی شود. این یعنی ساخت پلتفرم‌هایی که به زبان‌های محلی سخن بگویند، با ابزارهای مالی غیررسمی یکپارچه شوند، و مالکیت داده‌ها و اعتبار را به خود کارگران واگذار کنند.
منبع: مجمع جهانی اقتصاد