Hvordan påvirkes dagens jobber av kunstig intelligens?

action android device electronics
Photo by Matan Segev on Pexels.com

I dette innlegget skal jeg se på hvordan dagens jobber vil påvirkes av automatisering. Det er skrevet mye nyttig om automatisering og bruk av kunstig intelligens den senere tiden.  Det er en blanding av et trusselbilde og et mulighetsbilde.  En vanlig oppfatning er at lav-statusyrker vil forsvinne og høy-statusyrker som rådgiver, advokat og revisor vil overleve.  Dette kan skyldes at media og analytikere har satt fokuset på utdanningsnivå og lønn når de vurderer effekten av KI.

Automatisering er en løsning på fjerning av farlige arbeidsoppgaver, monotone arbeidsoppgaver og kostbare arbeidsoppgaver. Det bør ikke alltid kreve kunstig intelligens (KI).  Automatisering kan også skje på områder som i praksis ikke er mulig for oss mennesker å utføre.  I disse tilfellene bruker vi mer avanserte former for KI.   Er du usikker på hva KI er, vil jeg nedenfor gi deg en forklaring.

Definisjonen på kunstig intelligens

På sitt mest avanserte utfører KI operasjoner det ikke er mulig for mennesker i praksis å gjøre.  På sitt enkleste er det i realiteten ikke snakk om kunstig intelligens, men forhåndsprogrammerte automatiske arbeidsflyter.

KI kan defineres som en datamaskins evne til å utføre kognitive oppgaver som vi vanligvis assosierer med vår egen hjerne, det vil si egenskaper som tolkning, forståelse, handling og læring.  KI omfatter en rekke teknologier som roboter, selvgående biler, bildegjenkjenning og chatbots.

Vi kan dele inn KI ut fra graden av kompleksitet.

Roboter (Bots)

Den enkleste formen er å automatisere prosesser gjennom roboter (eller bots som det nå ofte kalles). Når vi her nevner «robot» er det ikke nødvendigvis en menneskelignende skapning, men kode på en server. Dette står for om lag halvparten av alle KI-anvendelser globalt. Denne KI-typen blir mer og mer avansert grunnet fremveksten av mer sofistikert kode og integrasjon/datafangst fra flere IT-systemer.  Dette resulterer i mer avanserte algoritmer – algoritmer som kan utføre mer intelligente oppgaver enn for få år siden.  Et eksempel er chatboten du møter når du logger på nettbanken din og som besvarer enkle spørsmål. Dette er også den enkleste og billigste formen for KI.  Disse applikasjonene er ikke programmert for å lære og forbedre seg.

Kognitiv innsikt

En mer avansert form for KI er maskinlæring.  Løsningene bruker algoritmer til å avdekke mønstre i store datamengder, og deretter tolke mønstrene ut fra resultatene. En typisk anvendelse kan være å predikere belastningen i et strømnett. Et annet eksempel kan være å predikere hva en bestemt kunde sannsynligvis vil kjøpe i nettbutikken.

Kognitivt engasjement

Den mest avanserte formen for KI er løsninger som skaper kognitivt engasjement hos kunder og/eller ansatte. I en studie fra MIT utgjorde denne anvendelsen ca 16% av alle KI-prosjekter.  Her brukes teknologier som avanserte chatbots, intelligente agenter og maskinlæring. Et eksempel på anvendelse kan være intelligente agenter som 24/7 besvarer potensielle kunders spørsmål om priser, funksjonalitet, leveringsalternativer og servicer på kundens eget språk.  Et annet eksempel kan være produktanbefalinger basert på dialog med potensielle kunder.  Løsninger som skaper kognitivt engasjement brukes til å besvare ansattes spørsmål om ferie, lønn, permisjon, utdanning og sykefravær.

I resten av denne artikkelen vil jeg bruke automatisering som begrep på alle tre kategorier kunstig intelligens.

Rammeverk for hvordan jobber påvirkes av automatisering

Det er begrenset litteratur om hvordan dagens jobber vil endres som følge av automatisering.  I seg selv ikke overraskende i det vi fremdeles venter på den store automatiseringsbølgen. Professor Scott Latham og assistentprofessor Beth Humberd har analysert 50 profesjoner.  Professorene har etablert et rammeverk i to dimensjoner:

  • Hvor erstattelig er kjernekompetansen din som følge av implementeringen av automatisering?
  • Hvor store endringer blir det på leveransemodellen som følge av automatisering?

Med leveransemodell menes hvordan en elektriker utfører en installasjon eller feilsøking på et elektrisk anlegg, eller hvordan en høyskolelektor gjennomfører undervisning.

Vi snakker om alle former for automatisering i denne analysen.  På kort sikt er det mest av robotisering, mens på mellom lang sikt (3-5 år) vil profesjoner som har et høyere kunnskapsinnhold påvirkes mer av automatisering gjennom prosjekter som utnytter kognitiv innsikt.  På lang sikt vil vi kunne se flere prosjekter med kognitivt engasjement.

Noen jobber har veldig tydelig kjernekompetanse, for eksempel rørlegger sertifisert til å arbeide på industrielle anlegg med høyt trykk i gassfarlig område.  Andre jobber har mer «myke» kompetanseområder rundt evner til relasjonsbygging og kommunikasjon.  Selgere kan være et eksempel på sistnevnte. Profesjoner hvis arbeidsoppgaver kan standardiseres gjentas hyppig, vil sannsynligvis kunne automatiseres.  Arbeidsoppgaver som krever hands-on problemløsning med liten grad av standardisering, vil vanskelig kunne automatiseres.

Jobber påvirkes av kunstig intelligens

Vedvarende jobber

Det finnes profesjoner hvor både kjernekompetansen og leveranseformen er for vanskelig og/eller for dyr å automatisere. Et eksempel her er rørleggeren som skal reparere en lekkasje i ditt hundre år gamle oppussingsprosjekt uten en eneste arbeidstegning. Dette er jobber som er vanskelig å standardisere. Oppgavene krever tilpasning til hver enkelt operasjon; et gammelt hus er ikke likt et annet gammelt hus – selv ikke i samme gate!  Denne kategorien kan vi kalle vedvarende jobber (Engelsk: durable jobs)

Dekonstruerte jobber

Kjernekompetansen er ikke utsatt for automatisering i seg selv, men hvordan kompetansen omsettes i tjenester, f.eks. undervisning og forskning vil endres. Fremveksten av onlineundervisning, kollektiv problemløsning, m.m. vil endre måten læreren underviser på, men kjernekompetanse innen pedagogikk og økonomi er relativt upåvirket.  Fremtidige studenter kommer til å forvente at tjenesten leveres på andre måter, gjerne kombinerer online-verktøy, automatiske tester og evalueringer med tradisjonell tavleundervisning.  Denne kategorien kan vi kalle dekonstruerte jobber (Engelsk: deconstructed jobs).

Utdøende jobber

Det finnes mange profesjoner hvor kjernekompetansen er i ferd med å miste sin verdi og måten tjenesten leveres på er endret for alltid.  Den kan ikke reverseres.   Overraskende for mange gjelder dette også profesjoner som krever høy utdanning.  Bibliotekarer er et eksempel på en døende profesjon.  Billettører er et eksempel på en profesjon uten krav til høy utdanning som er i ferd med å automatiseres bort.    Denne kategorien kan vi kalle utdøende jobber (Engelsk: displaced jobs)

Disrupsjonsutsatte jobber

Disrupsjon oppstår når en tjeneste en profesjon utfører er i høy grad standardisert, men kunden foretrekker å få levert tjenesten på samme måte.  Et eksempel kan være eiendomsmeglere.  Her har vi fått mange automatiske tjenester med roboter som søker opp attraktive eiendommer og eiendomsoppgjør som i høy grad kan automatiseres. Likevel velger en klar majoritet å benytte megler som har tradisjonelle tjenester og prisingsmodeller. Tilsvarende kan vi se på regnskapsførere. Fremveksten av blockchain-teknologien og automatisk postering av regnskapsbilag vil erstatte store deler av profesjonens kjerneoppgaver.  Tjenesten vil fortsatt etterspørres – bedriftseiere vil ha regnskap og rapporter – men kompetanseområdet til regnskapsføreren påvirkes i høy grad. Denne kategorien kan vi kalle disrupsjonsutsatte jobber (Engelsk: disrupted jobs).

Dermed har vi fått følgende fire kategorier; Durable, Deconstructed, Displaced og Disrupted.

Modellen er oversiktlig og pedagogisk, men virkeligheten er langt mer kompleks.  Arbeidslivet lar seg ikke fullt ut gjenskape i en 2×2-matrise, men det er noen viktige læringspunkter å ta med seg enten du er arbeidsgiver eller arbeidstaker:

  • Det er viktig å forstå hvilke mekanismer som påvirker automatiseringen
  • Det er viktig å forstå at automatisering skjer uavhengig av profesjonens status
  • Profesjoner kan bevege seg mellom kategoriene – bildet er langt fra statisk
  • Det er viktig å ha en positiv innstilling til endring – nye jobber vil oppstå – ikke alt vil automatiseres bort. Roboter og algoritmer må designes, trenes, optimaliseres, overvåkes og forvaltes.  Her vil det oppstå nye muligheter.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s