ف. کنجکاو
جمعه ۱ آبان ۱۴۰۵
پرسش آغازین: چه می‌شود اگر مُزدتان را دیگر رئیس شما تعیین نکند، بلکه الگوریتم خاصی- با تحلیل کردن رفتار کاری و موقعیت مکانی و اطلاعاتی که از زندگی اقتصادی شما به دست می‌آورد- محاسبه کند که کمترین مبلغی که حاضرید بپذیرید چقدر است؟
مقدمه: وقتی درماندگی اقتصادی به داده تبدیل می‌شود
«قیمت‌گذاری مبتنی بر نظارت»، به معنای استفاده از داده‌های شخصی برای تعیین قیمت‌های متفاوت برای افراد متفاوت، یکی از مسائل بحث‌برانگیز در اقتصاد دیجیتال شده است. شرکت‌ها دیگر فقط نمی‌پرسند کالا یا خدمات چقدر ارزش دارد، بلکه می‌کوشند بفهمند هر مشتری مشخصاً حاضر است چه مبلغی برایش بپردازد. اما همین منطق می‌تواند در سوی دیگر بازار نیز به کار گرفته شود: نه برای دریافت پول بیشتر از خریدار، بلکه برای پرداخت پول کمتر به نیروی کار.
کتاب «چاپیده‌شده» (Gouged) نوشتهٔ لیندسی اوونز (سپتامبر ۲۰۲۶) به بررسی روش‌هایی می‌پردازد که شرکت‌ها با کمک فناوری داده‌ها و قدرت بازار برای افزایش درآمدش به کار می‌گیرند. مسئله‌ای که در این بحث مطرح می‌شود از مرز بازار مصرف فراتر می‌رود و به رابطه میان کارگر و کارفرما می‌رسد.
راننده‌ای را تصور کنید که به دلیل موعد اجاره خانه مجبور است شیفت ساعت سه صبح را بپذیرد؛ یا پرستاری که برای پرداخت قسط خودرو ناچار است شیفت دیگری بردارد. اگر پلتفرمی بتواند از روی رفتار گذشته، زمان فعالیت، و الگوی پذیرش پیشنهادهای کاری تشخیص دهد که فرد تا چه اندازه به درآمد فوری نیاز دارد، آیا ممکن است از این اطلاعات برای تعیین مزد او استفاده کند؟
این پرسش دیگر صرفاً فرضیه‌ای دربارهٔ آینده نیست. پژوهش‌های حقوقی درباره کار پلتفرمی و پرونده حقوقی رانندگان اوبر نشان می‌دهند که رابطه میان داده‌های شخصی، تصمیم‌گیری خودکار و تعیین مزد به موضوعی جدّی در اقتصاد دیجیتال تبدیل شده است.
پرسش اصلی این نیست که آیا هوشواره (هوش مصنوعی) می‌تواند مزد را محاسبه کند؛ مسئله این است که چه کسی از این محاسبه سود می‌برد و کارگران تا چه اندازه می‌تواند منطق آن را بفهمد، به آن اعتراض کند یا درباره آن مذاکره کند؟
تبعیض مزد الگوریتمی چگونه کار می‌کند؟
وینا دوبال (Dubal, 2023) پژوهشگر حقوق کار در مقاله مهمی با عنوان «دربارهٔ تبعیض مزد الگوریتمی» توضیح می‌دهد که منطق تبعیض قیمتی در بازار مصرف چگونه می‌تواند به بازار کار منتقل شود. در این الگو داده‌های جزئی و گسترده درباره افراد به شرکت‌ها امکان می‌دهد پرداخت‌های متغیر و شخصی‌سازی‌شده‌ای تعیین کنند که الزاماً با تفاوت در مهارت، تجربه یا کیفیت کار توضیح داده نمی‌شوند.
منطق اقتصادی این فرایند ساده است. در بازار مصرف شرکت می‌کوشد بالاترین مبلغی را که مشتری حاضر به پرداخت آن است تخمین بزند. در بازار کار همین منطق می‌تواند وارونه شود: سیستم می‌کوشد پایین‌ترین مبلغی را پیدا کند که کارگر حاضر است در برابر آن کار کند.
فرض کنید دو راننده برای سفری مشابه درخواست دریافت می‌کنند. یکی از آنها معمولاً پیشنهادهای کم‌درآمد را رد می‌کند؛ دیگری به دلیل فشار مالی تقریباً هر پیشنهادی را می‌پذیرد. اگر الگوریتم از رفتار گذشته آنها بیاموزد ممکن است به این نتیجه برسد که برای جلب رضایت راننده دوم نیازی به پیشنهاد مزد بالاتری نیست. در چنین وضعیتی تفاوت پرداخت دیگر الزاماً بازتاب ارزش متفاوت کار نیست؛ ممکن است از تفاوت در قدرت چانه‌زنی دو نفر ناشی شود. در این میان مسئله زمانی جدی می‌شود که داده‌های شخصی و رفتاری برای تخمین میزان آسیب‌پذیری فرد به کار گرفته شوند و کارگران بدون اطلاع از معیارهای تصمیم‌گیری مزدهای متفاوتی دریافت کنند.
در این بحث مفهوم «دلالان داده» نیز اهمیت پیدا می‌کند. این شرکت‌ها و واسطه‌ها در بازار اطلاعات شخصی فعالیت می‌کنند و می‌توانند داده‌های گردآوری‌شده از منابع مختلف را بفروشند یا در اختیار دیگران بگذارند. ترکیب داده‌های مالی، مکانی، رفتاری و اطلاعات استنباط شده از فعالیت‌های روزمره در صورت دسترسی و استفاده از سوی شرکت‌ها می‌تواند تصویری دقیق‌تر از شرایط زندگی افراد بسازد.
نکته اساسی این است که هرچه داده‌های بیشتری درباره افراد گردآوری شود امکان استفاده از اطلاعاتی که ارتباط مستقیمی با کیفیت کار ندارند نیز افزایش می‌یابد. به این ترتیب وضعیت مالی و میزان نیاز انسان به درآمد می‌تواند به متغیری در محاسبه اقتصادی شرکت تبدیل شود.
پروندهٔ اوبر: چه کسی تعیین می‌کند جابه‌جایی مسافر چقدر می‌ارزد؟
در سپتامبر ۲۰۲۶، اقدامی حقوقی به نمایندگی از حدود ۲۴۰هزار راننده اوبر در اروپا در دادگاه منطقه‌یی آمستردام مطرح شد. این اقدام را بنیاد «بین‌الملل تبادل اطلاعات کارگر» (Worker Info Exchange International) پیگیری می‌کند و به شیوهٔ استفاده اوبر از الگوریتم‌ها برای تعیین مزد و تخصیص سفرها مربوط است (Hills, 2026).
شاکیان مدعی‌اند که تغییرات سیستم پرداخت اوبر مزد رانندگان را کاهش داده، پیش‌بینی درآمد را دشوارتر کرده و سهم شرکت از کرایه برخی سفرها را افزایش داده است. آنها همچنین می‌گویند اوبر از داده‌های شخصی رانندگان برای آموزش الگوریتم‌هایش استفاده کرده و شیوه تعیین مزد را به اندازه کافی شفاف نکرده است.
در گزارشی از ITV News از این پرونده برآورد کارشناسانی که به سفارش این سازمان داده‌های رانندگان را بررسی کرده‌اند نشان می‌دهد که رانندگان مورد بررسی در بریتانیا، پس از تعدیل تورمی به‌طور متوسط سالانه حدود ۵۳۳۷ پوند کمتر درآمد داشته‌اند. این رقم برآوردی مبتنی بر تحلیل داده‌هاست؛ نه مبلغی که دادگاه به‌عنوان خسارت قطعی تأیید کرده باشد (Hills, 2026).
در پژوهشی جداگانه که دانشگاه آکسفورد با همکاری Worker Info Exchange انجام داده داده‌های حدود ۱٫۵ میلیون سفر متعلق به ۲۵۸ راننده در فاصله سال‌های ۲۰۱۶ تا ۲۰۲۴ بررسی شده است. بر اساس گزارش منتشرشده از این پژوهش میانگین درآمد ناخالص ساعتی رانندگان پیش از کسر هزینه‌های خودرو و سایر مخارج شغلی از حدود ۲۲٫۲۰ پوند به ۱۹٫۰۶ پوند کاهش یافته است. پژوهش همچنین از افزایش نابرابری درآمد میان رانندگان و دشوارتر شدن پیش‌بینی مزد خبر می‌دهد.
همچنین در پرونده جاری شاکیان مدعی‌اند که الگوریتم، رفتار رانندگان را تحلیل می‌کند تا پیش‌بینی کند چه مبلغی برای پذیرش هر سفر کافی خواهد بود. اهمیت این پرونده در این است که امکان بررسی حقوقی یکی از بنیادی‌ترین مسائل اقتصاد پلتفرمی را فراهم می‌کند: آیا شرکتی که هم به داده‌های کارگر دسترسی دارد و هم قیمت پیشنهادی کار را تعیین می‌کند می‌تواند بدون نظارت مؤثر قواعد چانه‌زنی را به سود خودش تغییر دهد؟
چرا مسئله به حوزهٔ پرستاری هم رسیده است؟
این موضوع محدود به رانندگان و پیک‌های اینترنتی نیست. در حوزهٔ پرستاری نیز استفاده از پلتفرم‌های تأمین نیروی انسانی و برنامه‌های دیجیتال برای پر کردن شیفت‌های خالی پرسش‌هایی جدّی دربارهٔ تعیین مزد پیش آورده است.
سازمان ملی پروژهٔ حقوق اشتغال در آمریکا (NELP) گزارش کرده است که برخی پرستاران فعال در پلتفرم‌هایی مانند Clipboard Health و ShiftKey با شیوه‌هایی روبه‌رو شده‌اند که در آنها مزدهای پیشنهادی برای شیفت‌های مختلف تغییر می‌کند و رقابت بر سر پذیرش مزد کمتر می‌تواند به بخشی از فرایند تخصیص کار تبدیل شود. این سازمان همچنین به ابزارهای مدیریت نیروی انسانی اشاره می‌کند که امکان تنظیم لحظه‌یی مزد و پاداش را فراهم می‌کنند (Dworak-Fisher et al., 2025).
بت بروکس نیز در مقاله‌ای که در سال ۲۰۲۵ در نشریهٔ نِرس لیدر (Nurse Leader) منتشر کرد مستقیماً این پرسش را مطرح می‌کند که آیا مناقصهٔ شیفت پرستاران می‌تواند مصداقی از تبعیض مزد الگوریتمی باشد.
در حراجی معکوس مسئله می‌تواند از این قرار باشد: برای پر کردن شیفت مشخص چه کسی حاضر است با مزد کمتری کار کند؟ اگر سیستم فقط به دنبال پایین‌ترین پیشنهاد باشد بیمارستان ممکن است هزینه کمتری بپردازد اما نیروی کار برای دستیابی به فرصت شغلی در موقعیت رقابتی نامتوازن قرار می‌گیرد. باید یاداور شد که مسئله خطر استفاده از فناوری برای انتقال رقابت از سطح کیفیت خدمات به سطح میزان آمادگی افراد برای پذیرش مزد پایین‌تر است.
این نگرانی در حرفه پرستاری اهمیت ویژه‌ای دارد. پرستاران از دانش تخصصی و مسئولیت‌های سنگین برخوردارند؛ بنابراین اگر شیوه تخصیص کار و تعیین مزد بر اساس رقابت برای پذیرش پایین‌ترین مبلغ شکل بگیرد پیامدهای آن ممکن است فراتر از درآمد فردی باشد و به فرسودگی شغلی، ثبات نیروی انسانی و کیفیت خدمات درمانی نیز مربوط شود.
در اینجا پرسش اصلی روشن است: آیا فناوری برای افزایش اختیار نیروی کار به کار گرفته می‌شود، یا برای آنکه کارفرما بتواند با دستیابی به اطلاعات بیشتر هزینهٔ نیروی انسانی را تا حد ممکن پایین نگه دارد؟
هوشواره (هوش مصنوعی) مقصر اصلی نیست؛ قدرت نامتوازن مسئله است. تمرکز صرف بر هوشواره ممکن است ما را از مسئله عمیق‌تر دور کند. الگوریتم به‌خودی‌خود نه استثمارگر است و نه الزاماً تبعیض‌آمیز. نتیجه به هدف طراحی سیستم، نوع داده‌های مورد استفاده، ساختار بازار و قواعدی بستگی دارد که بر تصمیم‌گیری آن حاکم‌اند.
دوبال (Dubal, 2023) در پژوهشش نشان می‌دهد که پرداخت متغیر و شخصی‌سازی‌شده می‌تواند تجربهٔ کار را از نظر کارگران به نوعی قمار تبدیل کند، زیرا درآمد به‌جای آنکه بر قواعد نسبتاً روشن و قابل‌پیش‌بینی استوار باشد به پیشنهادهایی وابسته می‌شود که منطق آنها برای نیروی کار آشکار نیست.
در چنین شرایطی، کارگر نه‌فقط با کارفرما، بلکه با سیستمی روبه‌روست که رفتار گذشتهٔ او را تحلیل می‌کند، واکنش‌هایش را می‌سنجد، و می‌تواند در هر لحظه پیشنهاد تازه‌ای ارائه دهد. اگر این فرایند شفاف نباشد، فرد حتی ممکن است نداند چه رفتاری به مزد کمتر، کاهش دسترسی به کار، یا تغییر فرصت‌های درآمدی او منجر شده است.
این همان انتقال قدرت از انسان به الگوریتم نیست، بلکه انتقال و متمرکز شدن قدرت در دست نهادی است که الگوریتم را طراحی می‌کند و داده‌های لازم برای تصمیم‌گیری را در اختیار دارد.
قانون‌گذاران چه می‌کنند؟
تعیین مزد مبتنی بر نظارت به‌تدریج وارد بحث قانون‌گذاری شده است. یکی از نمونه‌های مهم، طرح HB 148 در ایالت مریلند آمریکاست. این طرح استفاده از داده‌های نظارتی همراه با سامانه تصمیم‌گیری خودکار برای پیشنهاد یا تعیین مزد شخصی‌سازی‌شده را هدف قرار می‌دهد و برای آن ممنوعیت‌هایی پیشنهاد کرده است. با این حال تا زمان نگارش این مقاله وضعیت رسمی طرح همچنان نشان می‌دهد که در مرحله بررسی کمیته قرار داشته و به قانون تبدیل نشده است (Maryland General Assembly, 2026).
از منظر حقوقی نیز پرونده اوبر به مقررات حفاظت از داده‌های شخصی اتحادیه اروپا مربوط می‌شود. مادهٔ ۲۲ مقررات عمومی حفاظت از داده‌ها (GDPR) در برابر برخی تصمیم‌های مهمی که صرفاً بر پردازش خودکار داده‌ها، از جمله پروفایل‌سازی، استوارند برای افراد حمایت‌هایی در نظر می‌گیرد. با این حال، اجرای این حمایت به شرایط حقوقی مشخص و استثناهای مقرر در قانون وابسته است؛ بنابراین، صرف استفاده از الگوریتم به معنای نقض قطعی این ماده نیست. (European Parliament & Council of the European Union, 2016).
افزون بر آن شفافیت به‌تنهایی کافی نیست. اگر کارگر بداند که الگوریتم مزدش را تعیین کرده اما امکان اعتراض، مذاکره یا انتخاب واقعی دیگری نداشته باشد، آگاهی به‌تنهایی مشکل را حل نمی‌کند.
حمایت مؤثر باید دست‌کم سه موضوع را در بر بگیرد: دسترسی کارگر به اطلاعات قابل فهم درباره معیارهای تعیین مزد؛ امکان بررسی و اعتراض به تصمیم‌های خودکار همراه با نظارت انسانی مؤثر؛ و محدود کردن استفاده از داده‌های نامرتبط با صلاحیت و عملکرد شغلی برای تعیین میزان پرداخت.
همچنین نباید اجازه داد طبقه‌بندی صوری افراد به‌عنوان پیمانکار مستقل مسئولیت پلتفرم‌ها را در برابر شرایط کاری و شیوه‌های تعیین مزد از میان ببرد. شکل حقوقی رابطه کاری مهم است اما به‌تنهایی نمی‌تواند پاسخ‌گوی تمام مسائل ناشی از تمرکز داده و قدرت در اقتصاد دیجیتال باشد.
خلاصهٔ کلام
در گذشته یکی از هدف‌های اصلی قوانین کار تعیین کفِ عمومی مزد بود، حداقلی که کارفرما نمی‌توانست از آن پایین‌تر برود. اما اقتصاد داده‌محور امکان شکل‌گیری نوع دیگری را مطرح می‌کند: به‌جای آنکه فقط بپرسیم کمترین مزد مجاز چقدر است، بپرسیم کمترین مزدی که هر فرد حاضر است بپذیرد چقدر خواهد بود.
این دو پرسش تفاوتی اساسی دارند. اولی به استاندارد اجتماعی مربوط است؛ دومی ممکن است آسیب‌پذیری فردی را به متغیری در محاسبهٔ اقتصادی تبدیل کند.
شواهد مربوط به کار پلتفرمی، تحلیل‌های حقوقی، و مناقشه‌های جاری نشان می‌دهد که شخصی‌سازی مزد دیگر موضوعی صرفاً نظری نیست. بااین‌حال، باید میان خطر بالقوهٔ فناوری، ادعاهای مطرح‌شده در پرونده‌های حقوقی، و واقعیت‌هایی که با پژوهش مستقل یا حکم قضایی تأیید شده‌اند تمایز گذاشت.
مسئله در نهایت این نیست که هوشواره (هوش مصنوعی) می‌تواند تصمیم‌های پیچیده بگیرد؛ مسئله این است که آیا شرکت‌ها باید اجازه داشته باشند که از اطلاعات شخصی و رفتاری کارگران برای تعیین مزدی استفاده کنند که به‌جای ارزش کار میزان ناچاری آنان را منعکس می‌کند.
مصرف‌کننده‌ای که قیمت کالایی را نامناسب بداند در بسیاری از موارد می‌تواند از خرید صرف‌نظر کند. اما کارگری که به درآمد روزانه‌اش وابسته است آزادی انتخاب محدودتری دارد. وقتی اجاره خانه، هزینه درمان و مخارج زندگی به درآمد امروز وابسته‌اند رد کردن پیشنهاد مزد ممکن است به معنای از دست دادن فرصت پرداخت هزینه‌های ضروری باشد. به همین دلیل، چانه‌زنی میان کارگر و پلتفرم را نمی‌توان همیشه معادل انتخاب آزادانه مصرف‌کننده دانست.
در اقتصاد صنعتی کارگر تلاش می‌کرد ارزش نیروی کارش را بفروشد؛ در اقتصاد داده‌محور این خطر وجود دارد که شرکت پیش از ارائه پیشنهاد از روی داده‌ها تخمین بزند کارگر تا چه اندازه تحت فشار است و تا کجا حاضر خواهد شد از خواست‌هایش عقب‌نشینی کند.
پرسش تعیین‌کننده این است: آیا در اقتصاد الگوریتمی داشتن شغل بدون حق دانستن منطق تعیین مزد و اعتراض به آن هنوز به معنای برخورداری از رابطه کاری عادلانه است؟
اگر قرار است فناوری به افزایش بهره‌وری و بهبود زندگی انسان کمک کند، نباید به ابزاری برای تبدیل کردن نیازهای اولیهٔ انسان به فرصت‌های تازهٔ سودآوری تبدیل شود. مزد عادلانه فقط عددی نیست که کارگر در پایان کار دریافت می‌کند، بلکه به قواعد تعیین آن، امکان اعتراض به تصمیم‌ها، و توازن قدرت میان دو طرف نیز وابسته است.
در نهایت، الگوریتم شاید بتواند حدس بزند شما با چه مبلغی حاضر به کار کردن هستید، اما این توانایی فنی به‌خودی‌خود به معنای حق اخلاقی یا قانونی شرکت‌ها برای استفاده از این اطلاعات نیست.
منابع:
Brooks, B. A. (2025). Is registered nurse shift bidding a form of algorithmic wage discrimination? Nurse Leader, 23(4), Article 102435.
Dubal, V. E. (2023). On algorithmic wage discrimination. Columbia Law Review, 123(7), 1929–1992.
Dworak-Fisher, S., Garofalo, P., Ocampo, D., & Sonn, P. K. (2025, December 17). To make New York more affordable the next mayor should ban “surveillance” pay and price setting. National Employment Law Project.
European Parliament & Council of the European Union. (2016). Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 (General Data Protection Regulation). EUR-Lex.
Hills, J. (2026, September 2). Uber accused of using drivers’ personal data to determine how much they are paid. ITV News.
Maryland General Assembly. (2026). House Bill 148: Consumer Protection and Labor and Employment—Surveillance-Based Price and Wage Setting—Prohibition.
Owens, L. (2026). Gouged: The end of a fair price—and what that means for your wallet. Viking.
Worker Info Exchange. (2025, June 19). New research exposes deepening exploitation of Uber drivers by algorithmic pay.
Stichting WIE International. (n.d.). The claim.