کلیدواژه‌ها: مهارت‌محوری، سرمایه مهارت پویا، هوش مصنوعی در منابع انسانی، نوآوری پایدار، یادگیری انتقادی، پارادوکس مهارت

۱. مقدمه

در سال 2025، بیش از 45 درصد مهارت‌های شغلی ثبت‌شده در پلتفرم‌های کاریابی جهانی نسبت به پنج سال پیش تغییر کرده‌اند (LinkedIn, 2025). همزمان، گزارش آینده مشاغل مجمع جهانی اقتصاد پیش‌بینی می‌کند که تا 2030، شش درصد از مشاغل موجود منسوخ و بیست‌وسه درصد تغییر ماهیت خواهند داد (WEF, 2025). در ایران نیز بر اساس گزارش بازار کار وزارت تعاون، کار و رفاه اجتماعی (1403)، شکاف میان مهارت‌های مورد نیاز بازار کار و مهارت‌های فارغ‌التحصیلان دانشگاهی به یکی از چالش‌های اصلی بهره‌وری سازمانی تبدیل شده است.

در این فضا، جنبش «استخدام مبتنی بر مهارت» (Skills-Based Hiring) با سرعت گسترش یافته است. شرکت‌هایی نظیر IBM، Apple و Walmart الزام مدرک دانشگاهی را برای بسیاری از مشاغل حذف کرده‌اند (Accenture, 2024). اما آیا این تحول واقعاً به نوآوری پایدار منجر می‌شود؟

این مقاله استدلال می‌کند که پاسخ ساده نیست. تمرکز افراطی بر مهارت‌های موجود و قابل اندازه‌گیری می‌تواند سازمان را در «تله بهینه‌سازی کوتاه‌مدت» گرفتار کند؛ وضعیتی که در آن کارایی امروز به بهای ظرفیت نوآوری فردا تمام می‌شود.

۲. مبانی نظری

۲.۱ نظریه سرمایه انسانی و محدودیت‌های آن

نظریه سرمایه انسانی بکر (Becker, 1964) بنیاد اقتصادی سرمایه‌گذاری در آموزش و مهارت را فراهم کرد. بر اساس این نظریه، افراد و سازمان‌ها با سرمایه‌گذاری در مهارت، بازده اقتصادی کسب می‌کنند. اما این نظریه در قالب کلاسیک خود، یک فرض ضمنی دارد: مهارت نسبتاً پایدار است.

در عصر هوش مصنوعی، این فرض شکسته شده است. اوتور (Autor, 2022) نشان می‌دهد که اتوماسیون هوشمند، نه فقط مشاغل تکراری بلکه برخی مشاغل تخصصی را نیز تهدید می‌کند. برینجولفسون و مک‌آفی (Brynjolfsson & McAfee, 2014) از «دوران دوم ماشین» سخن می‌گویند که در آن هوش مصنوعی حتی وظایف شناختی پیچیده را نیز به عهده می‌گیرد.

۲.۲ یادگیری سازمانی و فراموش‌کردن خلاق

لویت و مارچ (Levitt & March, 1988) در نظریه یادگیری سازمانی، تمایز مهمی میان «بهره‌برداری» (Exploitation) و «کشف» (Exploration) قائل شدند. سازمان‌هایی که بیش از حد بر بهره‌برداری از مهارت‌های موجود تمرکز می‌کنند، توانایی کشف مسیرهای نوآورانه را از دست می‌دهند.

این دوگانه در پژوهش نجفی و همکاران (1404) نیز بازتاب یافته است. آن‌ها در مطالعه‌ای روی سازمان‌های دولتی ایران نشان دادند که استقرار منابع انسانی مهارت‌محور، زمانی به ارزش‌آفرینی سازمانی منجر می‌شود که عوامل زمینه‌ای و مداخله‌گر — از جمله فرهنگ یادگیری — به‌درستی مدیریت شوند. این یافته تأییدی است بر این که مهارت‌محوری به‌تنهایی کافی نیست.

۲.۳ هوش مصنوعی و بازتعریف کار

چویی و همکاران (Chui et al., 2023) تخمین می‌زنند که تا 2030، هوش مصنوعی می‌تواند بین ۱۴ تا ۳۳ درصد از ساعات کاری را اتوماتیک کند. اما مهم‌تر از اتوماسیون، نقش AI در «بازشناسی و پیش‌بینی مهارت» است. سیستم‌های هوشمند HR اکنون قادرند شکاف‌های مهارتی را شناسایی و مسیرهای یادگیری شخصی‌سازی‌شده پیشنهاد دهند.

لازم به ذکر است که پژوهش peer-reviewed فارسی در حوزه خاص هوش مصنوعی در منابع انسانی هنوز محدود است و این خود یک شکاف پژوهشی مهم در ادبیات مدیریتی ایران به شمار می‌رود.

۳. پارادوکس مهارت: سه وجه پنهان

۳.۱ تله بهینه‌سازی کوتاه‌مدت

سازمانی که استخدام را بر پایه مهارت‌های دقیقاً مورد نیاز امروز انجام می‌دهد، در کوتاه‌مدت کارآمدتر می‌شود. اما این دقت، ذاتاً محافظه‌کارانه است. نوآوری اغلب از ترکیب غیرمنتظره مهارت‌ها، نه از تخصص خالص، به وجود می‌آید.

شواهد: گزارش Accenture (2024) نشان می‌دهد شرکت‌هایی که سیستم‌های استخدام مهارت‌محور سخت‌گیرانه دارند، ۲۸ درصد کمتر از میانگین صنعت، نوآوری بین‌رشته‌ای ثبت می‌کنند.

۳.۲ سوگیری الگوریتمی در شناسایی مهارت

سیستم‌های AI که برای شناسایی مهارت طراحی شده‌اند، بر داده‌های تاریخی آموزش دیده‌اند. این یعنی تمایل به بازتولید الگوهای موجود، نه کشف استعدادهای نوظهور. کودیان (Kodiyan, 2023) هشدار می‌دهد که سیستم‌های HR هوشمند اگر بدون نظارت انسانی عمل کنند، می‌توانند تنوع شناختی سازمان را کاهش دهند.

۳.۳ فرسودگی یادگیری (Learning Fatigue)

فشار مداوم برای «ارتقای مهارت» (Upskilling) و «تغییر مهارت» (Reskilling) می‌تواند به پدیده‌ای منجر شود که آن را فرسودگی یادگیری می‌نامیم. کارکنانی که در چرخه مداوم یادگیری-فراموشی-یادگیری گرفتار می‌شوند، انگیزه نوآوری خود را از دست می‌دهند. این پارادوکس سوم است: سرمایه‌گذاری در یادگیری می‌تواند به مانع نوآوری تبدیل شود.

۴. چارچوب سرمایه مهارت پویا (DSC)

برای برون‌رفت از این پارادوکس‌ها، چارچوب سرمایه مهارت پویا پیشنهاد می‌شود:

نوآوری پایدار=St×Lc×GAI

که در آن:

• St = مهارت‌های آستانه‌ای (Threshold Skills): توانایی‌های حداقلی که عملکرد جاری را تضمین می‌کنند

• Lc= ظرفیت یادگیری انتقادی (Critical Learning Capacity): توانایی نه‌فقط یادگیری مهارت جدید، بلکه «فراموش کردن خلاق» مهارت منسوخ

• GAI = حاکمیت هوش مصنوعی انسان‌محور (Human-Centered AI Governance): AI تحلیل می‌کند، انسان قضاوت می‌کند

نکته کلیدی مدل: رابطه ضربی — نه جمعی — است. اگر هر یک از سه مؤلفه به صفر نزدیک شود، کل مدل فرو می‌ریزد. قوی بودن در دو مؤلفه، ضعف مؤلفه سوم را جبران نمی‌کند.

۵. نقش هوش مصنوعی: از ابزار به معماری

تفاوت بنیادین میان دو رویکرد استفاده از AI در منابع انسانی را می‌توان چنین نشان داد:

رویکرد ابزاری رویکرد معماری بُعد

فیلتر رزومه طراحی مسیر استعداد استخدام

پیشنهاد دوره چارچوب رشد فردی توسعه

گزارش شکاف مهارتی پیش‌بینی نیاز آینده تحلیل

AI تصمیم می‌گیرد AI پیشنهاد، انسان قضاوت می‌کند حاکمیت

سوگیری پنهان شفافیت و مسئولیت‌پذیری ریسک

سازمان‌هایی که AI را در سطح معماری تصمیم به کار بردند، نرخ نوآوری‌شان ۲.۴ برابر بیشتر از سازمان‌هایی بود که آن را صرفاً به‌عنوان ابزار اتوماسیون به کار گرفتند (Accenture, 2024).

۶. دلالت‌های رفتاری: سه تناقض که مدیران باید بشناسند

تناقض اول — مهارت در برابر یادگیرپذیری:

استخدام فرد با مهارت دقیق امروز، ممکن است به معنای استخدام فردی باشد که فردا قادر به تطبیق نیست. معیار واقعی نه «چه می‌داند» بلکه «چقدر سریع یاد می‌گیرد» است.

تناقض دوم — شخصی‌سازی در برابر انسجام:

یادگیری کاملاً شخصی‌سازی‌شده می‌تواند انسجام تیمی و زبان مشترک سازمانی را از بین ببرد. تعادل میان رشد فردی و یادگیری جمعی ضروری است.

تناقض سوم — کارایی در برابر کشف:

فضاهایی که برای کشف و آزمایش طراحی شده‌اند، ذاتاً کارآمد نیستند. اما بدون آن‌ها، نوآوری به شعار تبدیل می‌شود.

۷. چارچوب اجرایی پنج‌گامی

گام اول — ممیزی مهارت دو لایه:

لایه اول: مهارت‌های آستانه‌ای (چه می‌توانند الان انجام دهند؟)

لایه دوم: ظرفیت یادگیری (چقدر سریع مهارت جدید می‌گیرند؟)

هر دو لایه باید در ارزیابی‌های دوره‌ای اندازه‌گیری شوند.

گام دوم — نقشه مهارت پویا:

نقشه مهارت نباید ثابت باشد. باید هر شش ماه یک‌بار بازنگری شود و با تغییرات بازار کار و فناوری هم‌راستا گردد.

گام سوم — استقرار حاکمیت AI انسان‌محور:

هیچ تصمیم HR مهمی — استخدام، ارتقا، پایان همکاری — نباید صرفاً بر اساس توصیه الگوریتم گرفته شود. یک کمیته انسانی باید توصیه‌های AI را بررسی و تأیید کند.

گام چهارم — پیوند شاخص‌های نوآوری با شاخص‌های یادگیری:

اگر KPI نوآوری از KPI توسعه مهارت جدا باشد، هیچ‌کدام به دیگری منجر نمی‌شود. این دو باید در داشبورد مدیریتی یکپارچه شوند.

گام پنجم — طراحی فضای تنفس یادگیری:

بخشی از ساعات کاری رسمی باید به «کشف بدون هدف فوری» اختصاص یابد. این فضا نه برای ارتقای مهارت فوری، بلکه برای تحریک کنجکاوی و خلاقیت است.

۸. نتیجه‌گیری

مهارت‌محوری یک انتخاب درست است، اما یک راه‌حل کامل نیست. سازمان‌هایی که فقط مهارت‌های قابل اندازه‌گیری امروز را می‌بینند، در واقع نقشه گذشته را برای آینده‌ای ناشناخته استفاده می‌کنند. نوآوری پایدار به چیزی بیشتر از مهارت نیاز دارد: به ظرفیت یادگیری انتقادی، به حاکمیت هوشمند انسان‌محور، و به شجاعت سازمانی برای کشف ناشناخته. چارچوب DSC نه یک نسخه جادویی، بلکه یک چارچوب تفکر است برای مدیرانی که می‌خواهند HR را از واحد اجرایی به موتور استراتژیک نوآوری تبدیل کنند.

پرسش نهایی برای هر مدیر HR این است: آیا سیستم من استعدادهایی را جذب می‌کند که سازمان را به جایی می‌رسانند که هنوز نمی‌شناسیم؟

منابع

منابع فارسی:

نجفی، ع.، مرادی حقیقی، م.، حاج علیان، ف.، و امیرمیاندرق، م. (1404). ارائه و تبیین مدلی برای ارزش‌های سازمانی مبتنی بر منابع انسانی مهارت‌محور. فصلنامه مدیریت و چشم‌انداز آموزش، 7(3)، 1-17.

وزارت تعاون، کار و رفاه اجتماعی. (1403). گزارش بازار کار ایران: شکاف مهارتی و چالش‌های اشتغال. تهران: معاونت روابط کار.

منابع انگلیسی:

Accenture. (2024). Skills-based organizations: Building a future-ready workforce. Accenture Research.

Autor, D. H. (2022). The labor market impacts of technological change: From unbridled enthusiasm to qualified optimism to widespread concern. Journal of Economic Perspectives, 36(4), 3-30.

Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. University of Chicago Press.

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.

Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L., & Zemmel, R. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey Global Institute.

Kodiyan, A. A. (2023). An overview of ethical issues in using AI systems in hiring decisions. Preprints, 2019120044.

Levitt, B., & March, J. G. (1988). Organizational learning. Annual Review of Sociology, 14, 319-340.

LinkedIn. (2025). 2025 Workplace learning report: Skills disruption and the future of work. LinkedIn Learning.

World Economic Forum. (2025). The future of jobs report 2025. World Economic Forum.

این مقاله برای «انجمن فرهیختگان نوآور» تهیه شده است.

نویسنده: نادیا ایزی دکتری تخصصی منابع انسانی — 2026

انجمن فرهیختگان هیچ مسئولیتی نسبت به محتوای مقاله ندارد.