اتوماسیون ترکیب مشاغل را تغییر می‌دهد، نه اینکه صرفاً مشاغل را حذف کند.
تأثیر اتوماسیون بر اشتغال در تولید، پیچیده‌تر از روایت آشنایی است که می‌گوید ربات‌ها صرفاً جای افراد را می‌گیرند. در عمل، اتوماسیون نوع کار انجام‌شده در فضای کارخانه را تغییر می‌دهد.
تولید سنتی به‌شدت به اپراتورهایی متکی بود که کارهای تکراریِ مونتاژ، بازرسی، بسته‌بندی، جابه‌جایی مواد و کار با ماشین‌آلات را انجام می‌دادند. کارخانه‌های مدرن برای انجام این وظایف، هرچه بیشتر از ربات‌ها، سامانه‌های کنترل مبتنی بر PLC، بینایی ماشین، جابه‌جایی خودکار مواد و تجهیزات تولیدیِ متصل به شبکه استفاده می‌کنند.
نتیجه، نیروی کاری با موقعیت‌های شغلی تکراریِ صرفاً محدودتر و تقاضای بیشتر برای افرادی است که می‌توانند تجهیزات خودکار را نصب، عیب‌یابی، برنامه‌ریزی، نگهداری و بهینه‌سازی کنند.
از دیدگاه اتوماسیون صنعتی، این تمایز اهمیت دارد. ربات نیاز به کار فنی را از بین نمی‌برد، بلکه نیروی کار را از وظایف تکراری تولید به‌سوی کنترل، تعمیر و نگهداری، عیب‌یابی، راه‌اندازی و مهندسی فرایند سوق می‌دهد.
کدام مشاغل تولیدی بیش از همه در معرض اتوماسیون هستند؟
اتوماسیون زمانی عملکرد به‌ویژه مؤثری دارد که یک وظیفه تکراری و قابل پیش‌بینی باشد و از قواعدی کاملاً مشخص پیروی کند. عملیات برداشتن و جای‌گذاری، جوشکاری نقطه‌ای، بازرسی ابتدایی، بسته‌بندی و جابه‌جایی مواد نمونه‌هایی هستند که سامانه‌های رباتیک می‌توانند در آن‌ها زمان چرخه‌ای ثابت و نتایج تکرارپذیر فراهم کنند.
این روند در داده‌های آمار اشتغال و دستمزدهای شغلی اداره آمار کار ایالات متحده منعکس شده است. بین سال‌های ۲۰۱۶ تا ۲۰۲۵، اشتغال در برخی مشاغل منتخب تولیدی به‌طور چشمگیری تغییر کرد. بسته‌بندان دستی و ماشین‌کاران از جمله مشاغلی بودند که بیشترین کاهش را تجربه کردند؛ اشتغال ماشین‌کاران بیش از ۲۵٪ افت کرد.
هم‌زمان، مشاغلی که به مهندسی، عیب‌یابی و حل مسائل فنی نیاز دارند، گسترش یافتند.
مهندسان صنعتی، اپراتورهای ابزارهای کنترل عددی رایانه‌ای و مکانیک‌های ماشین‌آلات صنعتی، همگی رشد اشتغال بیشتری از بسیاری از مشاغل سنتی تولیدی ثبت کردند.
تغییر بنیادی صرفاً جایگزینی فناوری نیست، بلکه بازتوزیع وظایف است. اتوماسیون بخش بیشتری از کارهای قابل پیش‌بینی را انجام می‌دهد، در حالی که افراد به‌طور فزاینده به رسیدگی به موارد استثنایی، بهینه‌سازی، تعمیر و نگهداری و تصمیم‌گیری‌هایی می‌پردازند که به قضاوت فنی گسترده‌تری نیاز دارند.
تکنسین کارخانه روزبه‌روز فنی‌تر می‌شود
یکی از روشن‌ترین تغییرات نیروی کار، اهمیت روزافزون تکنسین‌های تعمیر و نگهداری صنعتی و اتوماسیون است.
یک خط تولید مدرن ممکن است شامل PLCها، درایوهای سروو، درایوهای فرکانس متغیر، کنترل‌کننده‌های ایمنی، شبکه‌های صنعتی، ربات‌ها، حسگرها، تجهیزات بینایی ماشین و ورودی/خروجی توزیع‌شده باشد. وقتی یکی از اجزا از کار می‌افتد، بازگرداندن تولید به وضعیت عادی ممکن است به دانش چندین رشته مهندسی نیاز داشته باشد.
برای مثال، توقف ناگهانی یک نقاله ممکن است مشکل مکانیکی نباشد. علت اصلی می‌تواند حسگر مجاورتی، ورودی PLC، اتصال شبکه، مدار ایمنی، خرابی درایو سروو یا منطق نادرست توالی باشد.
به همین دلیل، تکنسین‌های اتوماسیون بیش‌ازپیش به ترکیبی از دانش مکانیک، برق و سیستم‌های کنترلی نیاز دارند.
داده‌های BLS نشان می‌دهد که اشتغال مکانیک‌های ماشین‌آلات صنعتی از سال ۲۰۱۶ تا ۲۰۲۵ حدود ۳۱٪ افزایش یافته است، در حالی که اشتغال تکنولوژیست‌ها و تکنسین‌های الکترومکانیک و مکاترونیک حدود ۱۳٪ رشد کرده است. دستمزد سالانه میانه این مشاغل نیز در همین دوره به‌طور چشمگیری افزایش یافته است.
این موقعیت‌ها لزوماً به مدرک چهارساله مهندسی نیاز ندارند. تجربه عملی در زمینه PLCها، سیستم‌های الکتریکی، ابزار دقیق، رباتیک و ارتباطات صنعتی می‌تواند بسیار ارزشمند باشد.
رباتیک فرصت‌های تعمیر و نگهداری جدیدی ایجاد می‌کند
اتوماسیون رباتیک همچنین شرایط پس از نصب تجهیزات را تغییر می‌دهد.
در یک ایستگاه کاری دستی معمولی ممکن است اپراتور کاری تکراری انجام دهد. یک سلول خودکار بخش زیادی از این فعالیت را با ربات و سخت‌افزار کنترلی مرتبط جایگزین می‌کند، اما خود سلول به تجهیزی فنی تبدیل می‌شود که باید نگهداری شود.
تکنسین‌ها ممکن است نیاز داشته باشند خرابی‌های ربات را عیب‌یابی کنند، توقف‌های ایمنی را برطرف کنند، ورودی/خروجی‌ها را بررسی کنند، ابزارهای انتهای بازوی ربات را بازبینی کنند، عیب‌یابی سیستم‌های سروو را انجام دهند و توالی‌های PLC را تحلیل کنند.
همین اصل درباره انبارهای خودکار، سیستم‌های نقاله و کاربردهای سرویس‌دهی به ماشین‌آلات نیز صدق می‌کند. هرچه سیستم به‌هم‌پیوسته‌تر شود، عیب‌یابی نظام‌مند اهمیت بیشتری پیدا می‌کند.
از دیدگاه من، این یکی از پیامدهای اتوماسیون کارخانه است که کمتر به آن توجه می‌شود: اتوماسیون بخشی از نیروی کار مستقیم تولید را کاهش می‌دهد و در عین حال وابستگی فنی سیستم تولید را افزایش می‌دهد.
بنابراین، یک کارخانه بسیار خودکار ممکن است به اپراتورهای کمتری نیاز داشته باشد، اما به نیروی متخصص بیشتری احتیاج پیدا کند که بتواند زیرساخت اتوماسیون را عملیاتی نگه دارد.
مهندسان فرایند ماشین‌آلات، کنترل‌ها و تولید را به هم متصل می‌کنند
نقش مهندس تولید نیز در حال تغییر است.
مهندسان فرایند و یکپارچه‌سازان سیستم‌های اتوماسیون بیش‌ازپیش در حوزه‌های فرایندهای مکانیکی، برنامه‌نویسی PLC، رباتیک، بینایی ماشین، داده‌های تولید و بهینه‌سازی فرایند فعالیت می‌کنند.
پروژه‌های مدرن ممکن است شامل یکپارچه‌سازی ربات با PLC، اتصال PLC به شبکه اترنت صنعتی، جمع‌آوری داده‌های تولید و استفاده از آن‌ها برای شناسایی تغییرات فرایند باشند.
هوش مصنوعی این روند را به حوزه‌هایی مانند نگهداری پیش‌بینانه، بینایی ماشین و بهینه‌سازی فرایند گسترش می‌دهد. بااین‌حال، هوش مصنوعی نیاز به مهندسی خودکارسازی را از بین نمی‌برد. هنوز هم کسی باید ماشین را بشناسد، متغیرهای فرایند را تعریف کند، داده‌های حسگرها را اعتبارسنجی کند و تشخیص دهد که آیا یک ناهنجاری ظاهری نشان‌دهنده مشکل واقعی در تجهیزات است یا نه.
بر اساس داده‌های OEWS اداره آمار کار ایالات متحده، اشتغال مهندسان صنایع از سال ۲۰۱۶ تا ۲۰۲۵ نزدیک به ۴۳٪ رشد کرد. این رشد نشان‌دهنده نیاز روزافزون به بهینه‌سازی سامانه‌های تولیدیِ هرچه پیچیده‌تر است.
تولید در حال تبدیل‌شدن به محیطی مهندسی و مبتنی بر داده است
تجهیزات خودکار در مقایسه با تجهیزات سنتی تولید، داده‌های عملیاتی بسیار بیشتری تولید می‌کنند.
یک خط تولید مدرن می‌تواند وضعیت ماشین‌آلات، زمان چرخه، هشدارها، زمان توقف، نرخ محصولات معیوب، مصرف انرژی، تعداد تولیدات و شاخص‌های سلامت تجهیزات را ثبت کند. وقتی این اطلاعات به سامانه‌های نظارتی و سازمانی متصل شوند، محیط تولید به محیطی سرشار از داده تبدیل می‌شود.
این امر در بخش تولید برای دانشمندان داده، متخصصان نرم‌افزار و متخصصان فناوری تقاضا ایجاد کرده است.
بر اساس داده‌های اداره آمار کار ایالات متحده (BLS) که به آن‌ها استناد شده، اشتغال در مشاغل علم داده در بخش تولید از سال ۲۰۲۱ تا ۲۰۲۵ به میزان ۱۷۱٪ افزایش یافت، درحالی‌که اشتغال در مشاغل رایانه‌ای ۷۲٪ رشد کرد. همچنین در همین دوره، اشتغال در حوزه علم داده در بخش تولید سریع‌تر از اشتغال در حوزه علم داده در مجموع صنایع افزایش یافت.
در اینجا یک نکته مهندسی مهم وجود دارد: جمع‌آوری داده در مقایسه با استفاده درست از آن آسان است.
ممکن است یک کارخانه هزاران برچسب و میلیون‌ها سابقه تاریخی داشته باشد، اما کیفیت پایین حسگرها، نام‌گذاری ناهماهنگ، مُهرهای زمانیِ مفقود یا تعریف نادرست وضعیت‌های فرایند می‌تواند استفاده از این داده‌ها را دشوار کند.
بنابراین، نیروی کار آینده در صنعت تولید به افرادی نیاز دارد که هم فرایندهای صنعتی و هم سامانه‌های اطلاعات دیجیتال را درک کنند.
خودکارسازی ارزش مهارت‌های تولیدی را تغییر می‌دهد
داده‌های دستمزد جنبه مهم دیگری از این تحول را نشان می‌دهند.
در سال ۲۰۲۵، میانگین حقوق سالانه مهندسان صنایع حدود ۱۰۲٬۰۰۰ دلار و دانشمندان داده حدود ۱۲۰٬۰۰۰ دلار بود؛ در مقایسه، این رقم برای چند شغل سنتی تولید، مانند ماشین‌کاری، جوشکاری، مونتاژ و کار با ماشین‌آلات، تقریباً ۴۵٬۰۰۰ تا ۵۵٬۰۰۰ دلار بود.
این به این معنا نیست که مهارت‌های سنتی تولید بی‌اهمیت شده‌اند. در واقع، ماشین‌کاران، برق‌کاران، جوشکاران و کارکنان باتجربه تعمیر و نگهداری اغلب دانش عملی‌ای دارند که جایگزینی آن با نرم‌افزار آسان نیست.
مسئله این است که مهارت‌های موردنیاز کارخانه‌های خودکار متفاوت‌اند.
تکنسینی که نقشه‌های برق، عیب‌یابی PLC، کنترل موتور، شبکه‌های صنعتی و سامانه‌های مکانیکی را می‌شناسد، اغلب می‌تواند به شیوه‌هایی در یک کارخانهٔ خودکار نقش داشته باشد که از عهدهٔ فردی با شغلی کاملاً دستی برنمی‌آید.
دستمزد بالاتر کارکنان فنی لزوماً به‌معنای افزایش کل هزینه‌های نیروی کار نیست
خودکارسازی ترکیب هزینه‌های حقوق و دستمزد در تولید را تغییر می‌دهد، نه اینکه صرفاً هزینه‌های نیروی کار را حذف کند.
ممکن است یک کارخانه اپراتورهای تولید کمتری داشته باشد، اما برای مهندسان، تکنسین‌ها، برنامه‌نویسان و متخصصان داده دستمزد بیشتری بپردازد. بنابراین میانگین هزینهٔ هر کارمند فنی افزایش می‌یابد، حتی اگر شمار کارگران مستقیم تولید کاهش یابد.
بااین‌حال، خودکارسازی همچنان می‌تواند هزینهٔ نیروی کار مربوط به هر واحد تولیدشده را کاهش دهد، زیرا هم‌زمان با افزایش میزان تولید، نیاز به نیروی کار برای کارهای تکراری کمتر می‌شود.
این تفاوت هنگام ارزیابی پروژه‌های خودکارسازی اهمیت دارد.
پرسش درست صرفاً این نیست: «این ربات جای چند کارمند را می‌گیرد؟»
پرسش مهندسی و مالی مفیدتر این است: سامانهٔ خودکار چگونه بر توان عملیاتی، زمان آماده‌به‌کاری، کیفیت، نیازهای نگهداری، نیروی انسانی، مصرف انرژی و هزینهٔ کل هر واحد تأثیر می‌گذارد؟
این محاسبهٔ جامع‌تر، تصویر بسیار واقع‌بینانه‌تری از ارزش خودکارسازی ارائه می‌دهد.
شکاف مهارتی اکنون مانعی برای خودکارسازی است
یکی از بزرگ‌ترین چالش‌ها این است که کارکنانی که شغلشان را از دست داده‌اند، همیشه نمی‌توانند مستقیماً به موقعیت‌های فنی تازه‌ای که ایجاد شده‌اند منتقل شوند.
یک اپراتور مونتاژ باتجربه ممکن است فرایند تولید را بسیار خوب بشناسد، اما در برنامه‌نویسی PLC، شبکه‌های صنعتی، سامانه‌های سروو یا برنامه‌نویسی ربات تجربه‌ای نداشته باشد.
به همین ترتیب، ممکن است مهندسی با دانش نظری قوی پیش از آنکه بتواند به‌طور مؤثر عیب‌یابی یک ماشین تولیدی را انجام دهد، به تجربهٔ عملی قابل‌توجهی نیاز داشته باشد.
این موضوع میان مهارت‌های موجود در نیروی کار سنتی تولید و مهارت‌های موردنیاز کارخانه‌هایی که هرچه بیشتر خودکار می‌شوند، شکاف ایجاد می‌کند.
بنابراین تولیدکنندگان به چیزی فراتر از راهبردهای استخدام نیاز دارند. آن‌ها به مسیرهای آموزشی ساختارمند نیاز دارند.
کالج‌های محلی، آموزشگاه‌های فنی، تولیدکنندگان تجهیزات، یکپارچه‌سازان سیستم و خود تولیدکنندگان، همگی در پرورش تکنسین‌هایی که بتوانند با تجهیزات واقعی صنعتی کار کنند، نقش دارند.
ارزشمندترین کارکنان در چندین حوزه مهارت خواهند داشت
تکنسین تولید در آینده بیش‌ازپیش در نقطهٔ تلاقی چندین رشتهٔ مهندسی فعالیت خواهد کرد.
دانش برق به‌تنهایی شاید کافی نباشد. دانش مکانیک به‌تنهایی شاید کافی نباشد. برنامه‌نویسی PLC به‌تنهایی شاید کافی نباشد.
ترکیب مهارت‌های کاربردی می‌تواند شامل عیب‌یابی الکتریکی، PLC، رباتیک، کنترل حرکت، ابزار دقیق، شبکه‌های صنعتی، ایمنی ماشین‌آلات، سیستم‌های HMI و تحلیل داده باشد.
این به آن معنا نیست که هر تکنسینی باید مهندس نرم‌افزار شود.
در عوض، نیروی کار به افراد بیشتری نیاز دارد که بتوانند نحوه تعامل لایه‌های مختلف یک سیستم تولید خودکار را درک کنند.
توانایی جابه‌جایی میان ماشین فیزیکی و معماری کنترلی آن هرچه بیشتر ارزشمند می‌شود.
اتوماسیون بیش از عنوان شغلی، به سازگاری پاداش می‌دهد
نباید اتوماسیون تولید را گذار ساده‌ای از «مشاغل اپراتوری» به «مشاغل مهندسی» دانست.
اپراتورهای تولید همچنان حضور خواهند داشت، اما مسئولیت‌هایشان ممکن است به‌تدریج شامل کار با سلول‌های خودکار، پایش وضعیت تجهیزات، واکنش به هشدارها و اجرای رویه‌های اولیه بازیابی شود.
تکنسین‌ها به نرم‌افزار و شبکه‌ها نزدیک‌تر کار خواهند کرد. مهندسان بیشتر با داده‌های تولید سروکار خواهند داشت. متخصصان داده به درک عمیق‌تری از فرایندهای فیزیکی تولید نیاز خواهند داشت.
مرز میان این مشاغل در حال کم‌رنگ‌تر شدن است.
بنابراین، از دیدگاه اتوماسیون صنعتی، قوی‌ترین نیروی کار لزوماً آنی نیست که بیشترین تعداد مدرک دانشگاهی را دارد. نیروی کار قوی، توانایی یادگیری معماری‌های کنترلی جدید، عیب‌یابی تجهیزات ناآشنا و سازگاری با تغییر فناوری تولید را دارد.
مزیت بعدی تولید به همکاری انسان‌ها و اتوماسیون وابسته است
اتوماسیون اشتغال در تولید را تغییر می‌دهد، اما تغییر مهم‌تر در ترکیب فنی نیروی کار است.
ماشین‌ها هرچه بیشتر وظایف تکراری را انجام می‌دهند و انسان‌ها مسئولیت‌های بیشتری در مهندسی، نگهداری، عیب‌یابی، بهینه‌سازی و تصمیم‌گیری مبتنی بر داده بر عهده می‌گیرند.
چالش این است که سخت‌افزار اتوماسیون را اغلب می‌توان سریع‌تر از آنچه نیروی کار فنی را پرورش داد، تهیه کرد.
تولیدکنندگانی که با آموزش، برنامه‌های کارآموزی، توسعه فنی میان‌رشته‌ای و آموزش عملی اتوماسیون این شکاف مهارتی را برطرف کنند، برای محیط‌های تولیدی هرچه پیچیده‌تر آمادگی بیشتری خواهند داشت.
کارخانه آینده صرفاً ربات‌های بیشتری نخواهد داشت. به افرادی نیاز خواهد داشت که بدانند چرا ربات متوقف شده، PLC چه کاری انجام می‌دهد، فرایند چگونه باید کار کند و داده‌های تولید چه چیزی را نشان می‌دهند.
این توانمندی فنی انسانی همچنان یکی از مهم‌ترین اجزای یک سیستم تولید خودکار خواهد بود.
