Wystąpienie Prof. dr hab. Tomasza Rostkowskiego (SGH) podczas wydarzenia o cyfryzacji (6 grudnia 2019), pt. „Cyfryzacja HR na świecie i w Polsce”.
Adam Pokrzywniak
Kłody pod nogami kroczącego postępu
Negatywne reakcje klientów, kandydatów do pracy czy pracowników mogą w istotny sposób ograniczyć powszechność stosowania maszyn zastępujących ludzi w zawodach opartych na interakcjach międzyludzkich. W poprzedniej części artykułu pisałem o „dolinie niesamowitości”, czyli o zjawisku, kiedy interakcja z robotem wywołuje niechęć u człowieka. Ponadto, podany przykład rosnącej popularności HireVue pokazuje jak zastosowanie AI w rekrutacji i selekcji może wywołać negatywne reakcje u kandydatów do pracy. Czy na tej podstawie można mieć nadzieję, że w rozmowach handlowych czy rekrutacyjnych cały czas będzie dominować pierwiastek ludzki (przynajmniej w nadchodzącej dekadzie), a roboty będą zaledwie asystentami, którzy umówią spotkanie lub wyręczą ludzi w prostych powtarzalnych czynnościach, jak wypełnienie formularza? Myślę, że tak, szczególnie na poziomie rekrutacji na wyższe stanowiska niż tzw. „entry-level” oraz w sprzedaży wymagającej zrozumienia klienta i przekonania tegoż klienta do określonego wariantu produktu. Podobnie można liczyć na to, że chatboty wkrótce będą robić notatki za lekarzy, którzy w trakcie badania pacjenta będą dyktować maszynie przebieg wizyty. Mimo postępu w rozwoju diagnostyki medycznej w wykonaniu maszyn, wielu pacjentów, szczególnie w krajach rozwiniętych może mieć opór przed oddaniem swojego zdrowia w ręce robotów. Badanie przeprowadzone przez PWC na próbie 12.000 osób z różnych krajów pokazało, że większość osób w takich krajach jak Nigeria, Turcja czy RPA była skłonna powierzyć opiekę medyczną sztucznej inteligencji, włączając w tę opiekę także przeprowadzanie operacji. Natomiast w Niemczech, Belgii oraz UK odsetek chętnych nie przekroczył jednej trzeciej respondentów. Nasze nastawienie do kontaktów z AI może stanowić barierę albo katalizator rozwoju powszechnego zastosowania botów niezależnie od efektów prac w informatycznych laboratoriach.
Ograniczenia automatyzacji, oprócz tak czysto ludzko-osobistego aspektu opisanego powyżej, mogą mieć charakter polityczny a także ekonomiczny. W 1589 roku William Lee udał się na dwór królowej Wielkiej Brytanii, Elżbiety I, w celu uzyskania patentu swojego wynalazku – maszyny do produkcji pończoch. Patentu jednak nie uzyskał, co pewnie samo w sobie było zaskakujące dla pana Lee, ale uzasadnienie mogło wzbudzić jeszcze większe zdziwienie. Królowa bowiem powołała się na troskę o swoich podwładnych. Obawiała się, że stracą pracę ludzie wykonujący te czynności ręcznie, przez co staną się żebrakami. Opór cechu rzemieślniczego był tak silny, że Wiliam Lee został zmuszony do opuszczenia Wielkiej Brytanii. Jako ciekawostkę warto odnotować fakt, że blisko 200 lat później, brytyjski parlament uchwalił prawo, które za niszczenie maszyn przewidywało karę śmierci(!). Dziś ani jeden ani drugi akt prawny nie wydają się prawdopodobne, ale rosnące bezrobocie lub perspektywa zubożenia dużych grup społecznych może uruchomić polityczne mechanizmy, które powstrzymają rozwój automatyzacji, przynajmniej w niektórych obszarach. Choć politycy wykazują się nieudolnością w wielu aspektach, to umiejętność wykorzystywania i budowania strachu mają dobrze opanowaną. W ramach politycznych czy regulacyjnych ograniczeń należy też zwrócić uwagę na ochronę danych osobowych. Sztuczna inteligencja może być tak dobra jak rzetelne i kompletne są dane, z których ona korzysta. Obostrzenia prawne w dostępie do tych danych mogą utrudnić aplikację technologii, np. w bankowości czy służbie zdrowia. Ograniczenia te pewnie w mniejszym stopniu dotkną Chiny czy USA, które już przodują w rozwoju uczenia maszynowego, ale UE zdaje się przykładać większą wagę do ochrony danych osobowych.
Sama dostępność technologii wcale nie musi oznaczać, że będzie ona wykorzystywana na szeroką skalę. PWC w swoim raporcie zwraca uwagę, że infrastruktura telekomunikacyjna, szczególnie w krajach rozwijających się może być niewystarczająca do aplikacji sztucznej inteligencji w gospodarce. W niektórych krajach rozwiniętych sytuacja paradoksalnie może wcale nie być wiele lepsza, bo choć infrastruktura już jest, to może być ona niedopasowana do masowego wykorzystania uczenia maszynowego w wielu różnych obszarach. Sztuczna inteligencja bowiem dla swojej skuteczności wymaga dostępu do ogromnej liczby danych (big data), co z kolei wymaga choćby znacznej przepustowości łączy sieciowych. Roboty nie mają „wiedzy” w sobie, ale przez dostęp do zewnętrznych serwerów, w których dokonuje się analiza danych, są w stanie wykorzystać rozwiązania oparte na uczeniu maszynowym. Stwierdzenie, że przedsiębiorstwom musi się opłacać, aby wykorzystać sztuczną inteligencję, jest na tyle banalne, że prawie nie warto go prezentować. To jednak kalkulacja ekonomiczna, pomijając modę, która także wywiera wpływ na niektóre firmy, może stanowić istotne ograniczenie stosowania nowoczesnych technologii. Jeżeli opór społeczny i polityczny będą znaczne, wówczas automatyzacja działu sprzedaży czy obsługi klienta, mimo spadających kosztów, może być ekonomicznie nieuzasadniona, gdyż produktywność zamiast wzrastać może spadać. Cóż z tego, że 100 osób zastąpimy komputerem, jeśli stracimy 3000 klientów?
Podróż w nieznane
Czego możemy się zatem spodziewać? Przewidywanie w perspektywie kilku dekad wydaje się pozbawione sensu, chyba, że dla intelektualnej rozrywki. Postęp w rozwoju nowoczesnych technologii, w tym sztucznej inteligencji, jest tak szybki, że próba wyobrażenia sobie rynku pracy za 50 czy nawet 30 lat, to czysta fantastyka. Nie można wykluczyć pojawienia się Super AI, co zmieniłoby już naprawdę wszystko. Zainteresowanych odsyłam do podcastu (odcinek 14) na portalu http://ryzykonomia.pl/, którego autor, Jerzy Podlewski referuje przewidywania Nicka Bostroma, szwedzkiego filozofa, kierownika instytutu Future of Humanity na Uniwersytecie w Oxfordzie. W najbliższych kilku latach można się jednak spodziewać rozwoju interface’ów między maszynami a ludźmi w taki sposób, że to komputery i roboty będą się dostosowywać do nas, a nie my do nich. Na stronie platformy Business Dialog można znaleźć artykuł powołujący się na analizę instytutu Gartnera, zgodnie z którym, w najbliższym czasie to nasze, ludzkie potrzeby, przyzwyczajenia, wygoda i struktury poznawcze będą w centrum zainteresowania badaczy oraz firm technologicznych (https://dfe.org.pl/technologia-people-literate-zadanie-na-najblizsze-lata/). Projekt AlterEgo jest tego dobrym ucieleśnieniem. Sztuczna inteligencja połączoną z naszym ciałem, zespolona z nami stanowi rozwinięcie naszych struktur poznawczych. Wprawdzie AI nie czyta w naszych myślach, choć na pierwszy rzut oka tak to może wyglądać. Więcej informacji nt. tego projektu można znaleźć tu https://www.media.mit.edu/projects/alterego/overview/ lub w krótkim filmie udostępnionym poniżej. Czyżby faza augmentacji, o której pisałem w poprzednim artykule miała miejsce już dziś? Owszem, z tym jednak zastrzeżeniem, że dziś pojawiają się wynalazki, otwartym pytaniem pozostaje perspektywa czasowa masowej implementacji tych wynalazków.
Co zatem z tym rynkiem pracy? Kończąc artykuł warto przywołać artykuł napisany przez 13 naukowców z takich uczelni jak np. MIT, Harvard University czy Boston University z 2019 roku pod wiele mówiącym tytułem „Toward understanding the impact of artificial intelligence on labor”. Autorzy wskazują na bariery w szacowaniu wpływu automatyzacji na rynek pracy. Po pierwsze, praca, szczególnie w dzisiejszych czasach, ma charakter dynamiczny i zakres obowiązków na tych samych stanowiskach nieustannie się zmienia. Zmieniają się tym samym same stanowiska, często modyfikując swoją nazwę. Większość cytowanych badań prognozujących zmiany na rynku pracy swą analizą obejmowało dziś funkcjonujące stanowiska, wpisane np. do bazy O*NET prowadzonej przez amerykańską centralną administrację . Tymczasem jedno studium, cytowane przez MGI, dowodzi, że do 2030 roku ok 8-9% siły roboczej będzie w zawodach, które w 2017 roku w ogóle nie istniały. Wg Acemoglu i Restrepo, połowę wzrostu zatrudnienia w latach 1980 – 2015 można przypisać nowym stanowiskom pracy lub zupełnie nowym zadaniom w ramach stanowisk, które nazwy nie zmieniły. Jaki jest sens prognoz, które opierają się na analizie dzisiejszej struktury zatrudnienia? Sens może i da się wykazać, ale trafność szacunków pozostaje pod dużym znakiem zapytania. Po drugie, skuteczne oszacowanie prawdopodobieństwa automatyzacji wymaga skupienia się na poziomie poszczególnych zadań (microlevel) oraz interakcji maszyna-człowiek. Za przykład weźmy stanowisko asystentki prezesa – załóżmy hipotetycznie, że wszystkie zadania można zautomatyzować (prowadzenie kalendarza, umawianie spotkań, bookowanie biletów, itd.). Czy interakcja prezesa z maszynami będzie równie skuteczna co z jedną osobą, z którą z czasem „rozumie się bez słów”? Podobne pytanie można postawić w przypadku innych stanowisk, które zawierają spory udział zadań zagrożonych automatyzacją. Księgowa czy magazynier wykonują pracę, której efekty komuś dalej przekazują, czemu towarzyszy mniej lub bardziej rozbudowana komunikacja. Modele automatyzacji nie uwzględniają interface’ów/połączeń między stanowiskami, które się da a tymi, których się nie da zautomatyzować. Do tego wszystkiego dochodzi jeszcze nieprzewidywalność zmian technologicznych (nie wiemy co zostanie wymyślone w najbliższych latach) oraz skomplikowanie interakcji ze środowiskiem – np. niektóre obszary geograficzne (np. duże miasta), są bardziej podatne niż inne na stosowanie automatyzacji. Konkludując, trzynastu autorów pisze: „researchers and policy makers are underequipped to forecast the labor trends resulting from specific cognitive technologies, such as AI.” Jeśli poprzednie zdanie jest prawdziwe, to przytoczone przewidywania dotyczące wielkości redukcji zatrudnienia można zarówno przemnożyć jak też podzielić przez tę samą, niemal dowolnie wybraną liczbę. Mimo to, mam nadzieję, że lektura powyższego artykułu i jego wcześniejszych części była w jakikolwiek sposób interesująca i dziękuję za przeczytanie go do końca 🙂
Adam Pokrzywniak | Executive Search Consultant | początkujący badacz 😉
Adam Pokrzywniak