Sztuczna inteligencja zmienia rynek pracy przede wszystkim przez przekształcanie zadań, a nie masową likwidację zawodów. Jednocześnie zwiększa produktywność i wpływa na popyt na kwalifikacje. Najnowsze badania Międzynarodowej Organizacji Pracy (MOP) i OECD pokazują, że zamiast tworzyć spekulacyjne listy „zawodów przyszłości”, warto analizować konkretne czynności wykonywane przez pracowników.
Automatyzacja zadania a likwidacja zawodu
Międzynarodowa Organizacja Pracy podkreśla, że każdy zawód składa się z wielu różnych zadań: rutynowych czynności administracyjnych, pracy z informacją oraz działań społecznych i decyzyjnych. W analizach generatywnej AI MOP stosuje podejście zadaniowe. Każda czynność otrzymuje ocenę od 0 do 1, która określa możliwość wykonania jej przez system klasy GPT-4.
Wynik 1 oznacza, że zadanie można niemal całkowicie zautomatyzować, natomiast 0 wskazuje, że technologia nie jest w stanie zastąpić człowieka.
Na tej podstawie MOP stworzyła indeks ekspozycji na AI obejmujący 436 zawodów sklasyfikowanych według ISCO-08. Pokazuje on, jaka część zadań w danym zawodzie może zostać zautomatyzowana, a jaka jedynie usprawniona przez technologię.
Globalne szacunki MOP wskazują, że około jedna czwarta pracowników wykonuje zawody, w których generatywna AI może zmienić część obowiązków. Zdecydowana większość tych miejsc pracy jest jednak narażona na transformację, a nie likwidację. W najbliższych latach AI będzie przede wszystkim zmieniać zakres obowiązków w ramach istniejących zawodów.
Automatyzacja zadania oznacza przejęcie przez AI konkretnej czynności, takiej jak wprowadzanie danych, przygotowywanie standardowej korespondencji czy tworzenie powtarzalnych zestawień. Likwidacja zawodu wymagałaby natomiast, aby niemal wszystkie jego kluczowe zadania nadawały się do automatyzacji.
Obecnie dotyczy to niewielu szerokich grup zawodowych, głównie prac biurowych i administracyjnych. W badaniach MOP tylko w tej grupie ponad 80 proc. zadań uznano za średnio lub wysoko eksponowane na generatywną AI. W innych dużych grupach udział zadań silnie narażonych na automatyzację nie przekracza kilku procent.
Komplementarność pracy i technologii
MOP wyróżnia dwa główne rodzaje wpływu AI na zadania: automatyzację, gdy system może wykonać większość czynności, oraz wspomaganie, gdy technologia ułatwia pracę, ale człowiek nadal pozostaje niezbędny.
Na tej podstawie opracowano sześciostopniową skalę ekspozycji. Na niższych poziomach, 1 i 2, AI przede wszystkim wspiera pracowników i zwiększa ich wydajność. Na poziomach 3 i 4 większa część zadań nadaje się do automatyzacji. Większość zatrudnienia w zawodach eksponowanych na AI znajduje się na poziomach typowych dla współpracy człowieka z technologią, a nie zastępowania pracowników.
Komplementarność dobrze pokazują eksperymenty dotyczące wdrażania generatywnej AI w firmach. W jednym z najlepiej udokumentowanych badań konsultanci obsługi klienta korzystający z asystenta podobnego do ChatGPT rozwiązywali o około 14–15 proc. więcej spraw na godzinę niż pracownicy bez dostępu do tego narzędzia.
Największe korzyści odnieśli mniej doświadczeni konsultanci, których produktywność wzrosła o około 34–35 proc. Wśród najbardziej doświadczonych pracowników efekty były znacznie słabsze. System podpowiadał odpowiedzi, porządkował informacje i ujednolicał ton komunikacji, ale nie zastępował konsultantów. Ostateczne decyzje i odpowiedzialność nadal należały do człowieka.
Podobne rezultaty przyniosły eksperymenty ze specjalistami wykonującymi zadania pisemne i analityczne. W badaniu obejmującym 453 osoby wykorzystanie generatywnej AI skróciło czas realizacji zadań o około 40 proc., a ich jakość, ocenianą przez niezależnych ekspertów, poprawiło o około 18 proc.
Największy wzrost jakości odnotowano wśród osób, które początkowo osiągały słabsze wyniki. AI może więc częściowo wyrównywać poziom umiejętności, szczególnie skutecznie wspierając mniej doświadczonych pracowników. Z czasem może to wpłynąć na strukturę wynagrodzeń i awansów, nawet jeśli liczba etatów pozostanie bez większych zmian.
Jak mierzyć ekspozycję na AI bez list „zawodów przyszłości”
MOP i OECD odchodzą od prostego podziału zawodów na „znikające” i „powstające”. Zamiast tego analizują ekspozycję poszczególnych zadań na możliwości technologii.
Indeks MOP powstał na podstawie bazy obejmującej prawie 30 tys. czynności przypisanych do zawodów w klasyfikacji ISCO-08. Eksperci i systemy AI oceniają każde zadanie pod kątem tego, czy oraz w jakim stopniu może zostać wykonane przez technologie klasy GPT-4. Takie oddolne podejście pozwala analizować rzeczywistą strukturę pracy bez tworzenia spekulacyjnych prognoz.
Indeks łączy oceny zadań z mikrodanymi dotyczącymi zatrudnienia. Pozwala dzięki temu oszacować udział pracowników na poszczególnych poziomach ekspozycji oraz odróżnić czynności o wysokim potencjale automatyzacji od tych, które AI będzie przede wszystkim wspierać.
W praktyce można określić, jaka część czasu pracy w danym zawodzie jest teoretycznie podatna na przejęcie przez generatywną AI, bez uznawania całej profesji za zagrożoną likwidacją.
OECD rozwija równolegle metody oparte na dopasowaniu funkcji AI do kompetencji wymaganych w pracy. Analizy obejmują między innymi tworzenie treści, analizę tekstu i przetwarzanie danych, a także częstotliwość występowania tych czynności w poszczególnych zawodach i sektorach.
W przeciwieństwie do wcześniejszych wskaźników automatyzacji, które koncentrowały się głównie na rutynowości pracy, nowe miary OECD uwzględniają zdolność AI do wykonywania zadań poznawczych. Przesuwa to uwagę z prac fizycznych na zawody wymagające wykształcenia średniego i wyższego.
Nowsze wskaźniki wskazują na szczególnie duży wpływ AI na wykwalifikowane zawody związane z biznesem, finansami, IT i edukacją. W tych obszarach generatywna sztuczna inteligencja najlepiej radzi sobie z tekstem, kodem i materiałami edukacyjnymi.
Globalne analizy MOP pokazują również wyraźne różnice między państwami. W gospodarkach wysokodochodowych większa część pracowników wykonuje zawody o wysokim potencjale automatyzacji zadań. W krajach o niższych dochodach ekspozycja na AI jest relatywnie mniejsza.
Dlaczego warto unikać „list zawodów przyszłości”
Analiza zadań zamiast całych zawodów pozwala uniknąć kilku istotnych pułapek:
- Zmienność zawodów – pojawiają się nowe obowiązki, inne znikają, a nazwa stanowiska często pozostaje bez zmian;
- Różnice między organizacjami – zakres obowiązków w tym samym zawodzie może znacząco różnić się zależnie od firmy, sektora lub kraju;
- Potrzeba precyzyjnego planowania – wiedza o zadaniach podatnych na automatyzację lub wspomaganie ułatwia projektowanie szkoleń i organizowanie pracy.
Sztywny podział na zawody, które przetrwają lub znikną, nie uwzględnia dynamiki rynku pracy ani zróżnicowania obowiązków. Z perspektywy firm i polityki publicznej ważniejsze jest określenie, które czynności można zautomatyzować, a które warto usprawnić za pomocą AI.
Produktywność zamiast masowych zwolnień?
Eksperymenty dotyczące wdrażania generatywnej AI w obsłudze klienta oraz zadaniach pisemnych konsekwentnie pokazują, że pierwszym namacalnym skutkiem jest wzrost produktywności, a nie natychmiastowa redukcja zatrudnienia.
W badaniu obejmującym konsultantów telefonicznej obsługi klienta liczba rozwiązanych spraw na godzinę wzrosła o 14–15 proc. Jednocześnie poprawiły się jakość obsługi i satysfakcja klientów. Nie stwierdzono przy tym masowej redukcji zatrudnienia będącej bezpośrednim skutkiem wdrożenia narzędzia.
Podobnie w eksperymentach z zadaniami pisemnymi pracownicy wykonywali więcej pracy w krótszym czasie i osiągali lepsze wyniki. Generatywna AI w pierwszej kolejności zwiększa więc efektywność wykorzystania istniejącego kapitału ludzkiego.
Interpretacja MOP jest zgodna z tymi wynikami. Skoro większość zawodów znajduje się na poziomach, na których AI wspiera pracę zamiast ją zastępować, najbardziej prawdopodobnym efektem jest zmiana zakresu obowiązków i wzrost produktywności.
Presja na zmianę modelu zatrudnienia może być jednak silna tam, gdzie znaczna część zadań nadaje się do automatyzacji. Dotyczy to zwłaszcza klasycznych prac biurowych i administracyjnych.
Zmiany kwalifikacji – gdzie rośnie presja na umiejętności związane z AI?
Według analiz MOP największą ekspozycję na generatywną AI mają zawody biurowe i administracyjne, a następnie technicy, średni personel oraz specjaliści. Wynika to z rosnących możliwości technologii w wykonywaniu zadań cyfrowych, językowych i analitycznych.
Presja na zmianę kwalifikacji jest szczególnie silna w administracji, finansach, biznesie, IT i edukacji. Są to sektory, które od lat znajdują się w centrum transformacji cyfrowej.
MOP zwraca także uwagę na wymiar płci. Kobiety są nadreprezentowane w wielu zawodach administracyjnych, należących do grup najbardziej narażonych na automatyzację zadań. Transformacja związana z generatywną AI może więc silniej dotknąć zawody sfeminizowane, jeśli nie będzie jej towarzyszyć aktywna polityka przekwalifikowania i rozwoju kompetencji.
W praktyce rośnie znaczenie trzech grup umiejętności:
- Umiejętność pracy z AI – obejmuje formułowanie poleceń, weryfikowanie odpowiedzi oraz integrowanie narzędzi AI z firmowymi systemami i procesami;
- Kompetencje analityczne i branżowe – pozwalają oceniać informacje generowane przez AI oraz podejmować decyzje na podstawie danych i specjalistycznej wiedzy;
- Umiejętności społeczne, komunikacyjne i przywódcze – należą do najtrudniejszych do automatyzacji i zyskują na znaczeniu, gdy technologia przejmuje część rutynowej pracy informacyjnej.
Co z tego wynika dla biznesu i polityki publicznej?
Z perspektywy firm najważniejsza zmiana polega na tym, że zarządzanie zasobami ludzkimi powinno koncentrować się na zadaniach, a nie wyłącznie na nazwach stanowisk.
Indeksy ekspozycji MOP i metody OECD pokazują, że zespoły wykonujące ten sam zawód mogą mieć diametralnie różne profile ryzyka. Zależy to od tego, czy w ich pracy dominuje obsługa dokumentów i przygotowywanie powtarzalnych zestawień, czy zadania strategiczne, podejmowanie decyzji i kontakt z klientem.
Dla polityki publicznej kluczowe są trzy obszary działania:
- Systemy monitorowania rynku pracy – powinny wykorzystywać dane o zadaniach, śledzić ekspozycję na AI i szybko identyfikować grupy wymagające wsparcia szkoleniowego;
- Programy przekwalifikowania – powinny rozwijać techniczne, analityczne i społeczne kompetencje potrzebne do efektywnej współpracy z AI;
- Polityka równościowa – powinna uwzględniać sytuację kobiet i innych grup nadreprezentowanych w zawodach o wysokiej ekspozycji na automatyzację zadań.
