به گزارش پایگاه خبری پیام خانواده؛ تحولات اخیر در فناوری‌های هوش مصنوعی، علاوه بر پیشرفت‌های فنی و علمی، پرسش‌های عمیقی درباره عدالت، توزیع منافع و آینده ساختارهای کاری در سطح جهانی پدید آورده است. در پسِ هر سامانه هوشمند، میلیون‌ها نفر نیروی انسانی حضور دارند که کار پنهان آن‌ها زیرساخت اصلی آموزش و کارکرد مدل‌های یادگیری ماشین را شکل می‌دهد. بر اساس برآورد بانک جهانی ،۱۵۰ تا ۴۳۰ میلیون نفر در سراسر جهان در قالب مشاغل داده‌محور فعالیت می‌کنند که بخش عمده‌ای از این نیرو در کشورهای جنوب جهانی متمرکز است.
وظایف این کارگران شامل برچسب‌گذاری، پالایش، بازبینی و آماده‌سازی مجموعه‌های عظیم داده برای آموزش مدل‌های زبانی، بصری و تصمیم‌گیر است، اما این فعالیت در بیشتر موارد در محیط‌هایی با حقوق پرداختی پایین، امنیت شغلی اندک و فقدان حمایت نهادی انجام می‌شود. در بسیاری از کشورها، این کارگران در چارچوب پیمانکاری‌های چندلایه یا پلتفرم‌های بین‌المللی بدون قرارداد شفاف و حقوق صنفی معین مشغول به کار هستند. از همین رو، مطالعه آینده نیروی کار داده در جنوب جهان نه‌تنها مسئله‌ای فناورانه بلکه پرسشی بنیادین درباره ساختارهای اقتصادی، عدالت شناختی و روابط قدرت در عصر هوش مصنوعی محسوب می‌شود. این بازاندیشی مستلزم بررسی پیوند میان فناوری، کار انسانی و توسعه پایدار است تا نقش واقعی کارگران داده در تولید ارزش فناورانه آشکار و در سیاست‌گذاری‌های جهانی بازتعریف شود.
ماهیت کار داده و پیامدهای انسانی آن در فرایند توسعه هوش مصنوعی
داده‌های برچسب‌گذاری‌شده اساس آموزش مدل‌های هوش مصنوعی هستند. کارگران داده در پلتفرم‌های برون‌سپاری و شرکت‌های فرعی به صورت روزانه هزاران تصویر، متن و ویدئو را طبقه‌بندی می‌کنند تا الگوریتم‌ها بتوانند الگوها را شناسایی و پیش‌بینی کنند. با این حال، این کار ظاهراً فناورانه در عمل به شکل کار تکراری، طاقت‌فرسا و روان‌آزار در محیط‌هایی موسوم به «کارخانه‌های دیجیتال» انجام می‌شود.
مطالعات پروژه «Fairwork»، متعلق به دانشگاه آکسفورد، نشان می‌دهد که هیچ‌یک از پانزده پلتفرم بررسی‌شده در جریان این پروژه پژوهشی، در شاخص‌های حداقلی پرداخت منصفانه، شرایط کار، قراردادها، مدیریت و نمایندگی کارگری، امتیازی بالاتر از حداقل کسب نکرده‌اند. علاوه بر این، در پیمایش مؤسسه حقوق بشری «Equidem» در سال ۲۰۲۵ نیز از میان ۷۶ کارگر در کلمبیا، غنا و کنیا، ۶۰ مورد صدمات روانی شامل اضطراب، افسردگی و اختلال اضطراب پس از سانحه گزارش شده است. مواردی از کار بدون مزد، اضافه‌کاری اجباری و تأخیر در پرداخت‌ها نیز به طور مکرر در جریان تحقیقات صورت گرفته در این حوزه، به ثبت رسیده است.
ابعاد ساختاری استثمار دیجیتال زنجیره ارزش داده
بر اساس گزارش‌های منتشر شده، با برون‌سپاری چندلایه فعالیت‌های مرتبط با پشتیبانی داده‌محور از توسعه هوش مصنوعی، به پیمانکاران محلی و واسطه‌های فرعی، شفافیت و مسئولیت‌پذیری را از میان رفته است. شرکت‌های بزرگ فناوری از طریق قراردادهای مبهم با شرکت‌های خدماتی ثالث، مسئولیت مستقیم در قبال شرایط کاری کارگران را انکار می‌کنند.
در پاره‌ای موارد کارگران نمی‌دانستند این شرکت زیرمجموعه «ScaleAI» و در نهایت تأمین‌کننده داده برای غول‌های فناوری آمریکایی است. وجود چنین زنجیره‌های غیرشفافی، کارگران را از امکان پیگیری حقوق خود محروم نموده و سازوکارهای اعتراض و شکایت مؤثری برای آنان باقی نگذاشته است.
مقاومت، سازماندهی و پاسخ‌های حقوقی
با وجود این ساختارهای ناعادلانه، جنبش‌های صنفی و اقدامات حقوقی در چند کشور برای مقابله با چالش‌های کارگران داده شکل گرفته است. به عنوان مثال، در کنیا، اتحادیه کارگران برچسب‌گذار داده برای مطالبه دستمزد منصفانه و حمایت روانی تشکیل شده است. همچنین اتحادیه‌های فراملی مانند «African Content Moderators Union» و «Global Trade Union Alliance» نیز در پی ایجاد همبستگی جهانی در میان کارگران پلتفرمی هستند.
در عین حال، اقدامات تلافی‌جویانه و اخراج فعالان صنفی در کشورهایی مانند ترکیه و غنا نشان می‌دهد که مسیر تحقق عدالت در این زمینه هنوز دشوار است. در طول سال‌های اخیر، دستگاه قضائی کنیا در پرونده‌ای تاریخی به کارگران حق طرح دعوی علیه شرکت پیمانکار را اعطا کرده و در کلمبیا وزارت کار، شرکت «Teleperformance» را به دلیل پرداخت ناچیز و مواجهه کارگران با محتوای آزاردهنده تحت پیگرد قرار داده است. در غنا نیز شکایات کارگران پیمانکار شرکت متا در جریان است. با این وجود، این رویکرد پرونده‌محور نمی‌تواند جایگزین اصلاح ساختاری در زنجیره کار داده شود.
گذار به اتوماسیون و پرسش از اخلاق فناوری
شرکت‌های فناوری برای کاهش فشار روانی بر نیروی انسانی به سمت اتوماسیون در نظارت محتوایی و برچسب‌گذاری داده حرکت کرده‌اند. ابزارهایی مانند «ModBot» واشنگتن‌پست یا رابط برنامه نویسینظارت داده «Jigsaw»، متعلق به گوگل نمونه‌هایی از تلاش برای جایگزینی بخشی از نیروی انسانی با الگوریتم‌ها هستند.
هرچند این راهکارها می‌توانند بار روانی کار برای نیروی انسانی را کاهش دهند، اما با مسائلی چون سوگیری داده، ضعف در فهم بافت فرهنگی و خطاهای تصمیم‌گیری روبه‌رو هستند. حذف انسان از حلقه تصمیم در زمینه‌هایی چون زبان‌های محلی یا پدیده‌های نوظهور فرهنگی، می‌تواند به بازتولید تبعیض و حذف فرهنگی بینجامد. در واقع، همان داده‌هایی که با کار انسانی ساخته شده‌اند، ممکن است با پردازش ماشینی در خدمت تقویت ساختارهای نابرابر جهانی قرار گیرند.
چشم‌انداز سیاستی و مسیر آینده
به باور کارشناسان، آینده نیروی کار داده در جنوب جهان نیازمند مداخله چندسطحی است. آن‌ها معتقدند که در سطح بین‌المللی، باید مسئولیت شرکت‌ها و پیمانکاران در چارچوب اصول راهنمای سازمان ملل درباره کسب‌وکار و حقوق بشر و دستورالعمل‌های سازمان بین‌المللی کار در زمینه کار شایسته برای اقتصاد پلتفرمی مشخص شود. همچنین نهادهای منطقه‌ای مانند اتحادیه آفریقا و آسه‌آن نیز باید دستورالعمل‌های الزام‌آور برای حمایت از حقوق کارگران دیجیتال تدوین کنند. علاوه بر این، در سطح ملی نیز کشورها باید قوانین کار را به حوزه کار دیجیتال گسترش دهند و مقررات ویژه‌ای برای حمایت روانی، ایمنی شغلی، شفافیت قراردادها و حق تشکل‌یابی کارگران داده تصویب کنند. تجربه اتحادیه اروپا در تصویب دستورالعمل کار پلتفرمی در سال ۲۰۲۴ و قانون حمایت از کارگران دیجیتال در شیلی می‌تواند الگوی مناسبی برای این امر باشند.
هم‌زمان، شرکت‌ها باید رویکردی ترکیبی میان انسان و ماشین اتخاذ کنند. اتوماسیون نباید به معنای حذف نیروی انسانی، بلکه باید مکملی برای استفاده از هوش فرهنگی و زبانی کارگران محلی در بهبود کیفیت داده و عدالت الگوریتمی باشد. ادغام هوش مصنوعی با ظرفیت انسانی می‌تواند به الگویی پایدارتر از توسعه فناوری بینجامد که در آن، جنوب جهانی نه صرفاً تأمین‌کننده نیروی کار ارزان، بلکه شریک دانشی و فرهنگی در تولید آینده دیجیتال جهان باشد.
جمع‌بندی
جهان در آستانه بازتعریف رابطه میان کار، فناوری و عدالت اجتماعی قرار دارد. این بازتعریف صرفاً فنی یا اقتصادی نیست بلکه متضمن تغییر در بنیان‌های اخلاقی، نهادی و معرفتی نظام تولید داده و هوش مصنوعی نیز هست. کارگران داده و هوش مصنوعی در جنوب جهان نقشی حیاتی در تغذیه نظام‌های فناورانه دارند زیرا داده‌هایی که آن‌ها پالایش و برچسب‌گذاری می‌کنند زیربنای تصمیم‌گیری الگوریتمی در مقیاس جهانی است، با این حال جایگاه آنان در زنجیره ارزش به حاشیه رانده شده و فاقد قدرت چانه‌زنی و سهم عادلانه از منافع فناوری هستند.
در نهایت، می‌توان نتیجه گرفت که تحقق آینده‌ای عادلانه در حوزه هوش مصنوعی مستلزم بازشناسی ارزش افزوده انسانی در فرایندهای فناورانه، استقرار نظام شفاف نظارت بر زنجیره تأمین داده، تضمین حقوق کارگران دیجیتال و بازتوزیع منافع حاصل از اتوماسیون است. افزون بر این، باید الگوی حکمرانی داده‌ای طراحی شود که کرامت انسانی و تنوع فرهنگی جوامع جنوب را به رسمیت بشناسد و به کارگران این حوزه نقشی فعال در شکل‌دهی به سیاست‌های فناورانه بدهد. تنها از رهگذر چنین بازاندیشی اخلاقی، حقوقی و نهادی می‌توان از بازتولید استعمار داده‌ای و نابرابری شناختی جلوگیری کرد و جهانی فراگیرتر، مسئولانه‌تر و متوازن‌تر برای هوش مصنوعی رقم زد.