پشت پرده هوش مصنوعی: خطای بزرگ مارکس و شکل جدید استثمار ما

گزارش پیشِ رو، از یک سو بر مبنای تحلیل داده‌های تجربی مربوط به نرخ سرمایه‌گذاری، ارزش‌افزوده و اتوماسیون مبتنی بر هوش مصنوعی در فاصله سال‌های ۲۰۲۰ تا ۲۰۲۶ تنظیم شده است و از سوی دیگر می‌کوشد نسبت میان این داده‌ها و نظریات «کارل هاینریش مارکس»، اقتصاددان و فیلسوف قرن نوزدهمی را تبیین کند.

امروزه هوش مصنوعی و اتوماسیون الگوریتمی به عنوان ابزار مسلط بهره‌کشی پدیدار شده‌اند. برای فهم این وضعیت، دستگاه فکری مارکس – به ویژه مفهوم عقل کلی (General Intellect) در کتاب «گروندریسه» و قانون «نزولِ نرخِ سود» در کتاب سرمایه، ابزارهای تحلیلیِ قدرتمندی در اختیار ما می‌گذارد.

اما استفاده کارآمد از این ابزارها مستلزم آن است که ابتدا تناقضات بنیادین نظریه «ارزش-‌کار» مارکس و محدودیت‌های تئوریک او در مواجهه با دانایی، داده و فناوری اطلاعات را نقد و واسازی کنیم. این گزارش با اتکا به داده‌های سازمان بین‌المللی کار (ILO)، بانک جهانی و مطالعات اخیر اقتصادی، ضمن تحلیل انتقادی نارسایی‌های نظریه مارکس، تبیین می‌کند که چگونه می‌توان با اصلاح این رویکرد، راهکارهایی رادیکال و در عین حال واقع‌بینانه برای مقابله با بهره‌کشی الگوریتمی استخراج کرد.

نقد نظریه ارزش‌کار و قانون نزولی نرخ سود

برای فهم درستِ بهره‌کشی در عصر داده، نخست باید تناقضات فکری مارکس در صورتبندی نظریه «ارزش-کار» و «قانون نزولی نرخ سود» را مورد واکاوی قرار داد. مارکس ارزش کالایی را صرفا برخاسته از آنچه «زمان کار میانگین لازم اجتماعی» می‌نامید، می‌دانست و نیروی کار زنده انسان را تنها منبع خلق ارزش جدید (ارزش اضافی) قلمداد می‌کرد. از نظر او، ماشین‌آلات و فناوری (سرمایه ثابت) ارزش جدیدی خلق نمی‌کنند، بلکه صرفا ارزش انباشته‌شده در خود را به محصول نهایی منتقل می‌سازند.

مارکس بر اساس همین پیش‌فرض، «قانون نزولی نرخ سود» را مطرح کرد. او نرخ سود را حاصل یک فرمول کسر ساده می‌دانست: نرخ سود برابرِ ارزش اضافی (s) تقسیم بر مجموع هزینه ماشین‌آلات (c) به علاوه دستمزد کارگران (v).

منطق مارکس این بود که با پیشرفت فناوری، سرمایه‌داران هزینه‌ی بسیار بیشتری را صرف ماشین‌آلات و زیرساخت (c) می‌کنند و در مقابل، سهم دستمزد کارگران (v) کوچک‌تر می‌شود. با سنگین شدن کفه ماشین‌آلات، مخرج کسر (c+v) به شدت بزرگ می‌شود؛ اما از آنجا که ماشین به خودی خود سودی خلق نمی‌کند، صورت کسر (s) توان رقابت با این هزینه‌های غول‌آسا را ندارد. در نتیجه، حاصل این کسر یعنی «نرخ سود» سال‌به‌سال افت کرده و به سمت صفر میل می‌کند.

تناقضات درونی نظریه ارزش-کار در مواجهه با داده و الگوریتم

دستگاه نظری مارکس در برخورد با دانش، الگوریتم و هوش مصنوعی با سه تناقض و چالش بنیادین روبه‌رو می‌شود:

مسئله هزینه‌ی نهایی صفر و ارزش‌گذاری دانش: الگوریتم‌ها و مدل‌های هوش مصنوعی (مانند مدل‌های زبانی بزرگ) پس از آموزش اولیه، هزینه نهایی بازتولید نزدیک به صفر دارند. اگر صرفا زمان کار زنده تنها ملاک ارزش باشد، محصولی که توسط یک هوش مصنوعی بدون مداخله مستقیم انسانی در چند ثانیه تولید می‌شود باید ارزشی نزدیک به صفر داشته باشد، در حالی که در بازار ارزش مبادله‌ای بسیار بالایی ایجاد می‌کند. نظریه مارکس نمی‌تواند ارزش‌افزوده برخاسته از «اطلاعات»، «ساختاردهی به داده» و «شبکه‌سازی» را در چارچوب خود از کار جسمانی گنجایش دهد.

معضل کار مجرد کاربران: داده‌هایی که توسط میلیاردها کاربر در پلتفرم‌ها تولید می‌شوند، نتیجه «کار مزدی» سنتی نیستند. کاربران هنگام تورق صفحات وب یا چت با مدل‌های هوش مصنوعی، قصد انجام «کار» ندارند. گنجاندن این فعالیت‌های آزاد در قالب «کار مجرد» مورد نظر مارکس، مفهوم کار را تا حد یک ابهام کلی مخدوش می‌سازد.

خطای نظری در نادیده گرفتن باروری سرمایه ثابت: خروجی ناشی از تطبیق دستگاه فکری مارکس با شرایط امروز، نقش خودکارسازی و هوش الگوریتمی در پردازش اطلاعات و اتخاذ تصمیمات بهینه‌ساز را صرفا به عنوان «انتقال ارزش» می‌بیند، اما در واقعیت، الگوریتم‌ها با کاهش هزینه‌های مبادلاتی، مدیریت زنجیره تامین و بهینه‌سازی فرایندها، ارزشِ بهره‌وری نوینی ایجاد می‌کنند که مستقل از میزان کار زنده مصرف‌شده در آن بازه زمانی است.

مسابقه تسلیحاتی بر سر عقل کلی

در کنار نارسایی‌های اثبات‌شده در دستگاه ریاضی و محاسباتی مارکس، تحلیل جامعه‌شناختی و کیفی او از نحوه سلطه سرمایه و شکل‌گیری بیگانگی، همچنان ظرفیت فوق‌العاده‌ای برای افشای ماهیت بهره‌کشی الگوریتمی داراست. در سرمایه‌داری دیجیتال، بیگانگی به عمیق‌ترین شکل خود بازتولید می‌شود.

کاربران پلتفرم‌ها و آفرینندگان داده، بی‌آنکه خود آگاه باشند، منابع اصلی تغذیه هوش مصنوعی را فراهم می‌کنند و در نهایت، محتوایی که حاصل دانش جمعی بشر است، توسط چند انحصار چندملیتی به مالکیتی خصوصی مبدل می‌گردد. الگوریتم‌ها که باید تسهیل‌کننده حیات انسان باشند، به ابزار نظارت بر کارگران، سرکوب دستمزدها و تعیین تکلیف برای فعالیت‌های روزمره تبدیل می‌شوند.

در این چارچوب، همان‌گونه که مارکس در گروندریسه مفهوم «عقل کلی» را تبیین کرده بود، دانش اجتماعی انباشته‌شده به نیروی اصلی تولید بدل می‌شود؛ با این تفاوت که بر خلاف تصور ساده‌انگارانه مارکس، این غلبه دانایی خودبه‌خود سبب فروپاشی سرمایه‌داری نمی‌شود، بلکه سرمایه، دانش عمومی را محصور کرده و از آن انحصارهای بی‌سابقه‌ای خلق می‌کند.  

برای برپایی مقاومتی کارآمد در برابر این انحصارهای الگوریتمی و مهار بهره‌کشی مدرن، باید از راهکارهای توزیعی و سطحی عبور کرد. سیاست‌هایی نظیر «مالیات بر ربات‌ها» یا «درآمد پایه همگانی» گرچه در کوتاه‌مدت ممکن است فشار اقتصادی را کاهش دهند، اما به علت نادیده گرفتن ساختار مالکیت، در بلندمدت توسط بازار جذب شده و حتی به تورم بخش‌های اساسی مانند مسکن دامن می‌زنند. راهکار واقعی نه در توزیع مجدد درآمد ناشی از بهره‌کشی، بلکه در دگرگونی روابط قدرت و دستکاری در مالکیت ابزارهای فناوری نهفته است.

نخستین گام ساختاری، آزادسازی زمان از طریق کاهش بنیادین ساعات کار هفتگی است تا ثمره افزایش بهره‌وری ناشی از هوش مصنوعی مستقیم به شکل زمان آزاد و رهایی از کار اجباری به جامعه بازگردد. گام دوم، تعاریف نوین از مالکیت داده است که بر اساس آن، زیرساخت‌ها، داده‌های عظیم و مدل‌های پایه هوش مصنوعی به عنوان «مشاعات عمومی» و کالای ملی قلمداد شوند تا امکان انحصار شرکتی از بین برود. در نهایت، اعمال دموکراسی صنعتی از طریق تشکیل «شوراهای کنترل فناوری» در محیط‌های کاری، راه را بر اعمال تصمیمات یک‌جانبه الگوریتمی می‌بندد و توان وتوی موازین اتوماسیون را به نیروهای انسانی می‌سپارد.

فراتر رفتن از تناقضات مارکس

در نهایت باید اذعان داشت که گرچه جهاز نظری مارکس در توصیف ارزش مبادله‌ای اطلاعات و قانون نزولی نرخ سود با تناقضات علمی آشکار روبه‌رو است و توان تحلیل الگوریتم‌های شناختی را ندارد، اما ارزیابی انتقادی او از سلطه ماشین بر انسان و انحصار دانش، قطب‌نمای ارزشمندی برای طراحی سیاست‌های ضدبهره‌کشی است. مهار هوش مصنوعی نیازمند گذر از جزم‌گرایی ایدئولوژیک و کاربست هوشمندانه دیدگاه‌های انتقادی برای دستیابی به خرد جمعی مشاع و کنترل دموکراتیک بر فناوری آینده است.

منابع

International Labour Organization (ILO): World Employment and Social Outlook; Analyzing the impact of automation on labor income share and structural wage dynamics

World Bank: World Development Report: Data for Better Lives; Empirical analysis of transfer payments, housing sector inflation, and redistributive policies in emerging economies