Generatywna AI poszerza zakres automatyzacji, wpływając na rynek pracy i jakość danych treningowych
Rozwój generatywnej sztucznej inteligencji (genAI) budzi niepokój związany z potencjalnym wpływem na rynek pracy. Badacze z Carnegie Mellon University, University of Southern California i University of Pennsylvania analizują, w jaki sposób struktura zadań może ułatwiać lub utrudniać wdrażanie tej technologii, oraz jak pracownicy różnego typu decydują się na jej wykorzystanie. Nowe badania wskazują, że genAI prawdopodobnie rozszerzy zakres zadań podlegających automatyzacji, obejmując nawet te bardziej złożone i rzadziej wykonywane. Wyniki tych analiz zostały opublikowane w Oxford Handbook on the Foundations and Regulation of Generative AI.
Wśród kluczowych wniosków jest koncepcja tzw. "stożka automatyzacji". Umożliwia on wizualne przedstawienie, w których obszarach automatyzacja jest najbardziej prawdopodobna, biorąc pod uwagę charakterystykę technologii. Decydujące czynniki to częstotliwość wykonywania danego etapu pracy oraz jego złożoność. Dane wskazują, że automatyzacja jest bardziej prawdopodobna dla zadań wykonywanych regularnie i o średniej długości. Złożone i długotrwałe etapy pracy nadal wymagają interwencji człowieka, ze względu na potrzebę specjalistycznej wiedzy.
Badania sugerują, że genAI różni się od klasycznych maszyn tym, że jest bardziej uniwersalna i użyteczna, ale też bardziej podatna na błędy. Oznacza to, że firmy będą ostrożne we wdrażaniu tej technologii, zwłaszcza gdy stawką są duże koszty potencjalnych błędów. W takich przypadkach, genAI będzie raczej uzupełniała pracę ludzką, a nie zastępować ją.
Wpływ na strukturę zadań i rynek pracy
Autorzy podkreślają, że sama możliwość techniczna automatyzacji za pomocą genAI nie jest wystarczająca do przewidzenia trendów adopcji. Kluczowe jest interakcja cech technologicznych z układem procesów w firmie. Koszty i korzyści wynikające z podziału pracy determinują, w jaki sposób firmy organizują pracę i definiują stanowiska. Obecnie mierniki ekspozycji zawodów na genAI lub inne technologie muszą uwzględniać częstotliwość i możliwość rozdzielenia zadań.
Degradacja jakości danych treningowych i przyszłość genAI
Niezwykle istotny jest również wpływ genAI na jakość danych treningowych. Im więcej genAI wykorzystywane jest przez pracowników o niższych kwalifikacjach, którzy mogą nie być w stanie wykryć i poprawić błędy w generowanych treściach, tym większe ryzyko degradacji jakości przyszłych zbiorów danych treningowych. Powoduje to potencjalne zróżnicowanie jakości genAI – modele oparte na danych o gorszej jakości będą gorzej uzupełniać pracę wykwalifikowanych pracowników, podczas gdy konteksty wymagające wysokich standardów jakości będą doświadczać wolniejszego rozwoju i ograniczonej komplementarności z genAI.
Sieć zawodów i ryzyko pośredniego wpływu
Analiza wpływu genAI na rynek pracy wymaga szerszej perspektywy – uwzględnienia sieci powiązań pomiędzy zawodami. Nawet zawody, które nie są bezpośrednio zagrożone automatyzacją, mogą doświadczyć konkurencji i spadku wynagrodzeń, jeśli staną się celem przekwalifikowania pracowników z zawodów bezpośrednio dotkniętych automatyzacją. Z kolei zdolność rynku pracy do absorbowania pracowników z przekwalifikowanych zawodów będzie zależała od wystarczającej liczby alternatywnych stanowisk, na których automatyzacja nie stanowi poważnego zagrożenia.
Podsumowując, rozwój generatywnej AI to dynamiczny proces, który wymaga ciągłej analizy i adaptacji. Zrozumienie zasad działania "stożka automatyzacji" i uwzględnienie wpływu na zarówno rynek pracy, jak i jakość danych treningowych jest kluczowe dla minimalizacji negatywnych skutków i maksymalizacji korzyści płynących z tej przełomowej technologii.