آينده صنايع با هوش مصنوعي مولد
تاریخ انتشار : 1402/07/30
دنياي‌اقتصاد: بازارهاي کار به دليل عواملي مانند رشد اقتصادي، ژئوپليتيک، پايداري و فناوري، تغييرات قابل‌توجهي را تجربه مي‌کنند. براساس گزارش آينده مشاغل ٢٠٢٣، پيش‌بيني ميشود که ٢٣درصد مشاغل جهاني در پنج‌‌‌‌سال آينده دستخوش تغييراتي شوند. اين تغيير با پيشرفت فناوريهاي هوش مصنوعي مولد صورت مي‌گيرد.
معاونت بررسي‌‌‌هاي اقتصادي اتاق بازرگاني تهران در گزارشي با عنوان «مشاغل آينده با ظهور فناوريهاي نوين» تاکيد مي‌کند هوش مصنوعي و فناوريهاي پردازش متن، تصوير و صدا از اولويت‌‌‌هاي اصلي کسب‌وکارها هستند. بسياري از سازمان‌ها، برنامه‌‌‌هايي براي استفاده از هوش مصنوعي و اين فناوري‌ها در عمليات خود دارند که اين امر نگراني‌ها را در مورد تاثير فناوريهاي جديد بر سازمان‌ها و بازارهاي کار در سراسر جهان افزايش مي‌دهد.
اين گزارش به اين موضوع مي‌‌‌پردازد که چگونه وظايف شغلي را مي‌‌‌توان با استفاده از مدلهاي زباني بزرگ به صورت اتوماسيوني انجام داد يا آن را افزايش داد. وظايف روتين مي‌‌‌توانند توسط مدلهاي زباني بزرگ اتوماسيوني شوند، در حالي که وظايفي که نياز به تعامل انساني دارند، از طريق همکاري با مدلهاي زباني بزرگ ارتقا مي‌‌‌يابند. مدلهاي زباني بزرگ داراي پتانسيل تحول‌آفرين هستند و بهطور قابل‌توجهي چشمانداز اشتغال آينده را تغيير خواهند داد.
بررسي مشاغل آينده با ظهور فناوريهاي نوين، تاثير تحول‌آفرين مدلهاي زباني بزرگ بر مشاغل و ماهيت وظايف را برجسته مي‌کند. با پذيرش مدلهاي زباني بزرگ، مشاغل خاصي جايگزين مشاغل فعلي ميشوند، در حالي که برخي ديگر از مشاغل بهبود يافته و در کنار آنها نقش‌‌‌هاي کاملا جديدي ايجاد خواهد شد. براي اطمينان از اينکه پتانسيل هوش مصنوعي مولد به نفع همه افراد جامعه است، براي کسب‌وکارها و دولت‌‌‌ها ضروري است که به طور فعال نيروي کار را براي اين تحول قريب‌‌‌الوقوع آماده کنند.
اين گزارش، رويکردي ساختاريافته براي ارزيابي جامع تاثير مدلهاي زباني بزرگ بر مشاغل، با در نظر گرفتن جنبه‌‌‌هاي مثبت و منفي دارد. با پرداختن مسوولانه به چالش‌‌‌ها و فرصت‌‌‌هاي مرتبط با مدلهاي زباني بزرگ، ذي‌نفعان مي‌‌‌توانند به طور موثر در اين چشمانداز دگرگون‌کننده حرکت کنند. سياستگذاران نقشي حياتي در تطبيق استراتژي‌هاي خود با اين تغييرات ايفا کرده و امکان گذار هموار و فراگير را براي نيروي کار فراهم مي‌کنند.
سياستگذاران بايد قابليت‌‌‌هاي برنامه‌‌‌ريزي استراتژيک نيروي کار، سيستم‌هاي يادگيري مادام‌العمر و شبکه‌‌‌هاي ايمني اجتماعي را براي مديريت دوره اختلالات آتي بهبود دهند. تحليل مشابهي که در اين گزارش به اشتراک گذاشته شده است مي‌‌‌تواند به ارائه ديدگاه‌هاي دقيق‌‌‌تري از وضعيت در جغرافياي خاص کمک کند.
دولت‌‌‌ها همچنين مي‌‌‌توانند با کارفرمايان و موسسات آموزشي همکاري و از آنها حمايت کنند تا برنامه‌‌‌هاي آموزشي را ارائه دهند که نيروي کار را براي مشاغلي که با رشد همراه هستند و بيشترين بهره را از مدلهاي زباني بزرگ مي‌‌‌برند، آماده کنند. به‌‌‌علاوه، در کنار تجسم مجدد شبکه‌‌‌هاي ايمني اجتماعي و کمک در گذار به نقش‌‌‌هاي جديد، آنها بهطور دقيق‌‌‌تر براي کساني که بيشتر تحت‌تاثير قرار مي‌‌‌گيرند، هدف‌گذاري ميشوند.
رهبران کسب‌وکار مي‌‌‌توانند از بينش‌‌‌هايي درباره تاثير مستقيم مدلهاي زباني بزرگ بر مشاغل استفاده کنند تا بفهمند کدام نقش‌‌‌ها بيشتر تحت‌تاثير قرار مي‌‌‌گيرند و به‌صورت مسوولانه از انتقال کارگران به نقش‌‌‌ها و روش‌هاي جديد وظايف حمايت کنند. برنامه‌‌‌ريزي داخلي نيروي کار، يادگيري و توسعه و شيوه‌هاي مديريت استعداد نيز بايد براي حمايت از پذيرش هوش مصنوعي مولد در محل کار، جذب استعدادهاي جديد در مشاغل رو به رشد يا سرمايه‌گذاري هنگفت روي مهارت‌آموزي و ارتقاي مهارت کارگران در جهت نقش‌‌‌هاي رو به رشد تقويت شوند.
مدلهاي زباني بزرگ فرصتي براي گسترش پتانسيل انساني، رشد صنايع و تقويت اقتصادهاي جهاني است. با اين حال، پذيرش سريع آنها شامل ريسک‌‌‌ها و فرصت‌‌‌هايي براي نيروي کار است. رويکرد ارائه‌‌‌‌شده در اين گزارش به برنامه‌‌‌ريزي براي تاثير مستقيم بر وظايف و مشاغل کمک مي‌کند و دولت، مشاغل و کارگران را در مورد اقداماتي که اکنون مي‌‌‌توانند در جهت آماده شدن براي آينده انجام دهند، آگاه مي‌‌‌سازد.
در حالي که تغييرات سريع تکنولوژيک اغلب باعث پيش‌بيني و نگراني در مورد تاثير آن بر مشاغل ميشود، نوآوري‌هاي پيشين به طور کلي به فرصت‌‌‌هاي شغلي بيشتر، بهبود کيفيت شغلي و بهبود کيفيت زندگي منجر شده است. با اين حال آنها نيز باعث ايجاد اختلال و جابه‌جايي شده‌اند. هدف اين گزارش، ارائه تحليلي دقيق است که درک روشني از تاثير، فرصت‌‌‌ها و آمادگي لازم در پرتو اين تغييرات ارائه مي‌دهد.
رويکرد مبتني بر وظيفه براي مواجهه مشاغل با مدلهاي زباني بزرگ
اين گزارش تاثير بالقوه مدلهاي زباني بزرگ بر وظايف شغلي مبتني بر زبان را ارزيابي مي‌کند و درجه مهارت‌هاي مبتني بر زبان موردنياز و زمان صرف‌شده براي وظايف را براي تعيين ميزان تاثير بر مشاغل در نظر مي‌گيرد. وظايف روتين و فرآيندگرا که به‌شدت به زبان متکي هستند، به احتمال زياد اتوماسيوني شده و با مدلهاي زباني بزرگ جايگزين ميشوند. از سوي ديگر، وظايف مربوط به تعامل انساني به احتمال زياد افزايش يافته و به صورت مشترک با مدلهاي زباني بزرگ صورت مي‌‌‌پذيرند. به‌عنوان مثال، وظايفي که به صورت جداگانه انجام ميشوند، مانند ورود داده‌ها، توسط مدلهاي زباني بزرگ انجام خواهند شد. به همين دليل مشاغلي که بر اين وظايف تاکيد دارند ممکن است تغيير يا کاهش يابند. از سوي ديگر، مشاغلي که نياز به استدلال و خلاقيت انتزاعي دارند، مانند وظايفي که توسط رياضيدانان، ويراستاران و توسعه‌‌‌دهندگان نرم‌افزار انجام ميشوند، با مدلهاي زباني بزرگ جايگزين نخواهند شد. معلمان مي‌‌‌توانند از مدلهاي زباني بزرگ براي برنامه‌‌‌ريزي درسي و تصحيح تمرينات دانش‌آموزان بهره‌مند شوند. توسعه‌‌‌دهندگان نرم‌افزار نيز مي‌‌‌توانند از مدلهاي زباني بزرگ براي توليد بلوک‌هاي استاندارد کد، افزايش کارآيي و تخصيص زمان بيشتر براي مشاغل سطح بالا استفاده کنند. توسعه نرم‌افزار بهطور کلي داراي وظايفي با پتانسيل بالا براي اتوماسيون شدن است که مي‌‌‌تواند تغييرات متحول‌کننده‌اي در صنعت ايجاد کند. با استفاده از هر دو روش يادگيري به صورت ماشيني و دستي، وظايف شغلي به صورت جداگانه، با توجه به مواجهه احتمالي آنها با پذيرش مدلهاي زباني بزرگ رتبه‌‌‌بندي ميشوند که مي‌‌‌توانند به يکي از چهار دسته زير طبقه‌‌‌بندي شوند:
پتانسيل بالا براي اتوماسيون شدن: در آينده، وظيفه توسط مدلهاي زباني بزرگ انجام ميشود، نه انسان‌ها؛
پتانسيل بالا براي ارتقا: انسان‌ها به انجام وظيفه ادامه داده و مدلهاي زباني بزرگ بهره‌وري انسان را افزايش مي‌دهند؛
پتانسيل کم براي اتوماسيون شدن يا ارتقا: انسان‌ها بدون تاثيرپذيري قابل‌توجهي از مدلهاي زباني بزرگ به انجام وظيفه ادامه خواهند داد؛
بدون تاثير (مشاغلي که مبتني بر مدلهاي زبان نيستند).
وظايف آشکار: وظايف با پتانسيل بالا براي اتوماسيون شدن، توسط مدلهاي زباني بزرگ معمولا فعاليت‌‌‌هاي معمولي و اداري را شامل ميشود، همچنين برخي از وظايف تجزيه و تحليل ابتدايي مانند طراحي پايگاه داده يا تجزيه و تحليل داده‌ها را در بر مي‌گيرد. از سوي ديگر، وظايف با پتانسيل بالا براي ارتقا نيازمند مهارت‌هاي استدلال انتزاعي و شامل تعامل با مردم است. براي مثال، ارزيابي قابليت‌‌‌ها يا عملکرد پرسنل و جمع‌‌‌آوري داده‌ها در خصوص نيازها يا نظرات مصرف‌کننده، وظايفي هستند که مي‌‌‌توانند از مدلهاي زباني بزرگ بهره ببرند. در حالي که جنبه‌‌‌هاي خاصي از وظايف مانند اجراي نظرسنجي را مي‌‌‌توان به صورت اتوماسيوني انجام داد، ساخت و بيان سوالات نظرسنجي همچنان به توجه و تاييد انسان نياز دارد.
وظايف با پتانسيل کمتر براي مواجهه با مدلهاي زباني بزرگ شامل تعامل و همکاري قابل‌توجهي است؛ مانند مذاکره، قرارداد، توسعه برنامه‌‌‌هاي آموزشي و اقدامات علمي و فني که ممکن است از ابزارهاي تکنولوژيک پيشرفته استفاده کنند. در نهايت، مشاغل غير‌زباني عمدتا شامل حرکت فيزيکي مانند بارگيري محصولات، فعاليت‌‌‌هاي مونتاژ، کشاورزي و نظافت و ساير وظايفي از اين قبيل هستند.
اين گزارش نشان مي‌دهد که چگونه مشاغل مختلف توسط مدلهاي زباني بزرگ، براساس وظايف خاص تحت‌تاثير قرار مي‌‌‌گيرند. مشاغل پرمخاطب مانند توسعه‌‌‌دهندگان نرم‌افزار داراي پتانسيل بالاتري براي اتوماسيوني شدن و ارتقاي وظايف هستند، اما مشاغلي که کمتر در معرض مدلهاي زباني بزرگ هستند، مانند مديران منابع انساني، پتانسيل کمتري براي اتوماسيون شدن و ارتقا، با تاکيد بيشتر بر تعامل مستقيم و وظايف هماهنگي، دارند.
تجزيه و تحليل براساس شغل
مشاغل داراي پتانسيل براي اتوماسيون شدن: در اين گزارش تجزيه و تحليل مبتني بر وظيفه ارائه ميشود که در آن مشاغل داراي بالاترين پتانسيل براي اتوماسيون شدن وظايف، توسط مدلهاي زباني بزرگ برجسته ميشوند. مشاغلي که پتانسيل بالايي براي اتوماسيون شدن دارند، معمولا شامل رويه‌‌‌هاي معمول و تکراري هستند و به ارتباطات بين فردي کمتري نياز دارند.
براساس تجزيه و تحليل، مشاغلي که بيشترين توان بالقوه براي اتوماسيون شدن را دارند، شامل صاحبان اعتبار و کارمندان، تحليلگران مديريت، بازاريابان تلفني و دستياران آماري ميشوند. اين مشاغل اغلب شامل انواع مختلفي از کارمندان اداري هستند؛ بهويژه مشاغلي که درگير وظايف ثبت سوابق و مديريت اطلاعاتند، حوزه‌هايي هستند که مدلهاي زباني بزرگ در آن، سطح بالايي از شايستگي را نشان داده‌اند. به‌عنوان مثال، منشي‌‌‌هاي حقوقي و دستياران اداري تقريبا ٥٤درصد از وقت خود را صرف وظايفي مي‌کنند که پتانسيل بالايي براي اتوماسيون شدن دارند.
مشاغل با پتانسيل ارتقا: مشاغل با بالاترين پتانسيل براي ارتقا توسط مدلهاي زباني بزرگ بر تفکر انتقادي و مهارت‌هاي حل مساله پيچيده، بهويژه مشاغلي در زمينه‌‌‌هاي علوم، فناوري، مهندسي و رياضيات (STEM) تاکيد دارند. در صدر اين فهرست، پذيره‌نويسان بيمه قرار دارند، به طوري که آنها ١٠٠درصد وقت خود را صرف وظايفي مي‌کنند که پتانسيل ارتقا توسط سيستم‌هاي هوش مصنوعي مولد را دارند. پس از آن مهندسان زيست‌پزشکي، رياضيدانان و ويراستاران قرار دارند. ١٥شغل برتر باقي‌مانده نيز فني يا بسيار تخصصي هستند و اغلب به مدارک يا آموزش‌هاي پيشرفته نياز دارند. توجه داشته باشيد که بسياري از مشاغل با بالاترين پتانسيل ارتقا نيز داراي پتانسيل اتوماسيون شدن هستند که در نتيجه در مجموع، در معرض مواجهه اين مشاغل با مدلهاي زباني بزرگ قرار مي‌‌‌گيرند که از جمله آنها مي‌‌‌توان به ارزيابي‌‌‌کنندگان بيمه و ارزيابان املاک و مستغلات اشاره کرد.
مشاغل با پتانسيل کمتر براي تحول و وظايفي که مبتني بر زبان نيستند: انتظار مي‌رود مشاغلي که وظايف آنها مبتني بر زبان نيست، کمتر يا هرگز در معرض تاثيرات بالقوه مدلهاي زباني بزرگ قرار نگيرند. نتايج نشان مي‌دهد، مشاغل با کمترين پتانسيل مواجهه با مدلهاي زباني بزرگ (اعم از اتوماسيون شدن يا ارتقا) مشاغلي هستند که به درجه بالايي از تعامل شخصي نياز دارند که از جمله آنها مي‌‌‌توان به متخصصان بهداشت و درمان يا معلمان، مشاغل فيزيکي مانند ورزشکاران يا کارگران اشاره کرد. مشاغل با کمترين امکان مواجهه با مدلهاي زباني بزرگ شامل مشاوران، روحانيون، وکلا و دستياران حقوقي، خدمات پرستاري در منزل و سپس متخصصان بيهوشي هستند. مشاغل اجتماعي، خدمات اجتماعي و مراقبت‌‌‌هاي بهداشتي در ميان مشاغلي که پتانسيل پاييني براي اتوماسيون شدن يا ارتقا دارند، برجسته هستند و ١٠ شغل از ١٥شغل برتر با کمترين پتانسيل مواجهه را تشکيل مي‌دهند.
فراتر از مشاغل با پتانسيل کم، تعدادي از مشاغل مبتني بر وظايف زباني نيستند و پتانسيل تحت‌تاثير قرار گرفتن توسط مدلهاي زباني بزرگ را ندارند. اين مشاغل عبارتند از: ماشين ظرفشويي، کارگران تعمير و نگهداري بزرگراه، دستگاه برش و صاف‌کننده گوشت، مرغ و ماهي، تجهيزات ماشين‌‌‌هاي ريل‌‌‌گذار و تعمير و نگهداري ريل، اپراتورها، کمک‌‌‌دهندگان، نجاران، دستگاه تنظيم‌‌‌کننده کالاهاي کاغذي، اپراتورها و مناقصه‌‌‌ها، سلاخي‌‌‌ها و بسته‌‌‌بندي‌هاي گوشت، روستابوت‌ها، نفت و گاز، دستگاه‌هاي پرس، نساجي، پوشاک و مواد مرتبط - لمينت و فابريکاتور فايبرگلاس.
مشاغل نوظهور
هوش مصنوعي مولد، معرف الگوي جديدي از همکاري بين انسان و هوش مصنوعي (ربات) است که به بازتعريف چگونگي انجام وظايف پرداخته و به تغيير شکل ماهيت نقش‌‌‌هاي شغلي مختلف منجر ميشود. پيش‌بيني قطعي درخصوص نقش‌‌‌هاي جديدي که با پذيرش زبان مدلهاي زباني بزرگ ممکن است ايجاد شوند، وجود ندارد. با اين حال، واضح است که فضايي براي توسعه شغلي در چند حوزه کليدي وجود دارد. دسته‌‌‌بندي بصري ذيل، از مشاغل نوظهور مي‌‌‌تواند به کشف ارزش هوش مصنوعي مولد و کاهش پيامدهاي مرتبط کمک کند. مدل مهندسي سريع هوش مصنوعي، طراحان رابط و تجربه کاربري (طراحان رابط و تعامل)، توليدکنندگان محتواي هوش مصنوعي، متصديان و مربيان داده و متخصصان اخلاق و حکمراني از جمله اين مشاغل هستند.
اين گزارش، همچنين تاثير مدلهاي زباني بزرگ بر مشاغل مربوط به خدمات مشتري را مورد بحث قرار مي‌دهد و بيان مي‌کند در حالي که ممکن است دسته‌‌‌هاي شغلي جديدي ظهور کنند، پيش‌بيني اختراع مجدد نقش‌‌‌هاي موجود نيز مهم است. تجزيه و تحليل انجام‌شده روي مشاغل مربوط به خدمات مشتري، ١٣وظيفه اصلي را شناسايي مي‌کند که از اين ميان، چهار وظيفه بدون تغيير باقي مي‌‌‌مانند و در چارچوب توانايي‌‌‌هاي انساني هستند، چهار وظيفه را مي‌‌‌توان با استفاده از هوش مصنوعي مولد بهطور کامل اتوماسيوني کرد، پنج وظيفه را مي‌‌‌توان براي افزايش عملکرد انساني افزايش داد و در نهايت پنج‌‌‌‌وظيفه جديد با ارزش بالا پديدار خواهد شد.
هوش مصنوعي مولد، نمايندگان خدمات مشتري (CSR) را قادر مي‌‌‌سازد تا در وظايف جديدي مانند ارائه بازخورد براي بهبود سيستم، همسويي با نيازهاي مشتري، آزمايش و اطمينان از رفتار اخلاقي و نظارت بر حريم خصوصي داده‌ها شرکت کنند. اين مسووليت‌‌‌ها به نمايندگان خدمات مشتري براي شکل دادن به استقرار هوش مصنوعي، بهينه‌‌‌سازي تجربيات مشتري و حفظ استانداردهاي اخلاقي در عمليات خدمات مشتري قدرت مي‌دهد.
تجزيه و تحليل بر اساس صنعت
معيارهاي مواجهه با مدلهاي زباني بزرگ براي همه مشاغل در يک صنعت خاص به طور ميانگين و موزون‌شده بر حسب تعداد شاغلان محاسبه ميشوند و ممکن است به چند صنعت تعلق داشته باشند. دو صنعت با بالاترين برآورد براي اتوماسيون شدن و ارتقا، خدمات مالي و بازارهاي سرمايه و پس از آن بيمه و مديريت بازنشستگي هستند. فناوري اطلاعات و ارتباطات ديجيتال و همچنين سرگرمي و ورزش رسانه‌‌‌اي نيز داراي پتانسيل قابل‌توجهي هستند.
طبق نظر رهبران تجاري که در گزارش آينده مشاغل ٢٠٢٣ مورد بررسي قرار گرفته است، صنايعي که پتانسيل زيادي براي مواجهه با مدلهاي زباني بزرگ دارند نيز قصد دارند فناوريهاي هوش مصنوعي را با بيشترين ميزان مواجهه با رشته‌‌‌هاي مدلهاي زباني بزرگ، يعني مديريت بيمه و بازنشستگي، خدمات فناوري اطلاعات و رسانه، سرگرمي و ورزش به کار گيرند. اين نشان مي‌دهد در حالي که معرفي اين فناوريهاي جديد ممکن است ماهيت بازار کار را تغيير دهد، لزوما تعداد کل مشاغل را کاهش نمي‌‌‌دهد. علاوه بر اين، مطالعه‌اي بر روي نمايندگان خدمات مشتري نشان مي‌دهد که اجراي هوش مصنوعي مولد با جابه‌جايي کارکنان کمتر همراه است و نشان مي‌دهد که چگونه سازمان‌ها مي‌‌‌توانند از هوش مصنوعي مولد در ارتباط با تخصص انساني براي طراحي مجدد نقش‌‌‌هاي شغلي، افزايش بهره‌وري و بهبود تجربه کارکنان استفاده کنند.
تجزيه و تحليل بر اساس تابع
رتبه‌‌‌بندي‌هاي مواجهه با مدلهاي زباني بزرگ براي مشاغل نيز ممکن است در گروه‌هاي عملکردي جمع‌‌‌آوري شوند که موضوعات مشابهي را براي اتوماسيون شدن و ارتقاي بالقوه نشان مي‌دهد. همان‌طور که با تجزيه و تحليل صنعت و بسياري از تجزيه و تحليل‌‌‌هاي موجود در گزارش آينده مشاغل ٢٠٢٣ مشخص شده است، دو حوزه موضوعي با بيشترين ميزان بالقوه مواجهه با مدلهاي زباني بزرگ شامل فناوري اطلاعات و امور مالي هستند.
پس از آن نيز فروش، عمليات و منابع انساني قرار دارند. عملکردهاي شغلي که احتمالا اتوماسيوني ميشوند نيز شانس بالايي براي بهبود يا ارتقا توسط فناوري دارند. درواقع، نوآوري فناورانه، مشاغل را با حذف برخي از وظايف و بااهميت‌‌‌تر شدن برخي ديگر، جابه‌جا و متحول مي‌کند.
مدلهاي زباني بزرگ؛ رشد مشاغل و کاهش وظايف
انتظارات رشد، بر تغيير نيروي کار در وظايف و عناوين شغلي تاکيد مي‌کند و آمادگي براي گذار را نشان مي‌دهد.
رشد مورد انتظار و کاهش وظايف: بر اساس اين گزارش، پيش‌بيني ميشود وظيفه پردازش اطلاعات و داده‌ها، اتوماسيون‌شده‌ترين شغل حال حاضر و پنج سال آينده جهان باشد که با تجزيه و تحليل مبتني بر وظيفه در اين گزارش مطابقت دارد و پتانسيل بالايي براي اتوماسيون شدن در مشاغلي مانند طراحي پايگاه داده، تجزيه و تحليل داده‌ها براي بهبود عملياتي و به دست آوردن اطلاعات در مورد کالاها يا خدمات را مشخص مي‌کند. علاوه بر اين، گزارش آينده مشاغل ٢٠٢٣ نشان مي‌دهد وظايف مبتني بر استدلال و تصميم‌گيري، کمترين پتانسيل را براي اتوماسيون شدن دارند. در راستاي اين امر، تجزيه و تحليل مبتني بر وظيفه در اين گزارش، وظايف تصميم‌گيري را به عنوان پتانسيل بالايي براي ارتقا شناسايي مي‌کند که شامل وظايفي مانند ارزيابي قابليت‌‌‌ها يا عملکرد شخصي، خواندن اسناد براي فرآيندهاي شغلي و ارزيابي شرايط بيمار يا مشتري يا گزينه‌‌‌هاي درماني است. وظايف تصميم‌گيري همچنين پتانسيل کمي براي مواجهه با مدلهاي زباني بزرگ در فعاليت‌‌‌هاي علمي يا فني مستقيم دارند.
اين واقعيت که نتايج نظرسنجي از گزارش آينده مشاغل ٢٠٢٣ و تجزيه‌وتحليل مبتني بر وظيفه در اين گزارش، روندهاي رايج در گذار نيروي کار را مشخص مي‌کند، نشان مي‌دهد اين تغييرات نشان‌دهنده تحولات قابل‌توجهي است. همچنين نشان مي‌دهد رهبران کسب‌وکار درحال‌حاضر اين روندها را تشخيص داده‌اند و انتظار مي‌رود براي تجهيز نيروي کار خود براي تغييرات در آينده به‌خوبي آماده باشند.رشد مورد انتظار و کاهش مشاغل: بررسي‌‌‌ها نشان مي‌دهد ارتباط واضحي بين پتانسيل ارتقاي شغل و رشد و همچنين بين پتانسيل اتوماسيون شدن شغلي و رشد وجود دارد. انتظار مي‌رود مشاغل با پتانسيل بالا براي ارتقا، يعني مشاغلي که مي‌‌‌توانند توسط مدلهاي زباني بزرگ ارتقا يابند يا به آنها کمک شود، رشد خواهند کرد. برخلاف آن، پيش‌بيني ميشود مشاغل با پتانسيل بالا براي اتوماسيون شدن يعني مشاغلي که در معرض خطر جايگزيني با مدلهاي زباني بزرگ هستند، رشد کمتري داشته باشند. از سوي ديگر، مشاغل با پتانسيل کمتر براي قرار گرفتن در معرض مدلهاي زباني بزرگ نيز نرخ رشد کمتري را نشان مي‌دهند.
