Генеративный искусственный интеллект (genAI) активно развивается, вызывая закономерное беспокойство относительно его влияния на рынок труда. Исследователи изучают, как структура задач влияет на внедрение genAI, как работники используют новые технологии и куда они могут перейти, если потеряют работу. Новая книга рассматривает концепцию 'конуса автоматизации', который, как полагают авторы, будет расширяться благодаря genAI, замещая рабочую силу в более сложных или редко выполняемых задачах.
В книге представлены главы, написанные учеными из Университета Карнеги-Меллона, Университета Южной Калифорнии и Университета Пенсильвании. Одна из глав, соавтором которой является Рамайя Кришнан, профессор систем управления и информационных систем Университета Карнеги-Меллона, представляет 'конус автоматизации' как визуальное представление ожидаемой автоматизации. Ключевыми факторами являются частота выполнения задачи и ее продолжительность.
Основные выводы концепции 'конуса автоматизации':
n- n
- Задачи, выполняемые с высокой частотой, более подвержены автоматизации, поскольку это позволяет максимально использовать возможности машин. n
- Автоматизация также вероятнее для задач средней продолжительности. Легкие задачи становятся объектом автоматизации только при значительном росте объемов производства. n
- Люди сохраняют экономическое преимущество при работе с особенно долгими и сложными задачами. n
GenAI может расширить 'конус автоматизации', замещая труд в более комплексных или редких операциях. Однако, если цена ошибки высока, компании могут ограничить использование genAI из-за его склонности к ошибкам. В таких случаях 'конус автоматизации' сужается, и genAI выполняет вспомогательную роль под присмотром человека.
Лоренс Алес, профессор экономики Университета Карнеги-Меллона, отмечает, что genAI отличается от классических машин своей универсальностью и полезностью, но при этом более подвержен ошибкам. Эти характеристики влияют на то, как предприятия будут внедрять genAI – будет ли он замещать или дополнять существующих работников.
Для понимания этих паттернов недостаточно учитывать только техническую осуществимость автоматизации. Экономические условия внедрения зависят от взаимодействия технических особенностей и структуры процессов. Стоимость и выгода разделения задач определяют, как компании организуют работу и определяют должности. При оценке профессиональной подверженности genAI необходимо учитывать относительную частоту и возможность разделения задач.
В долгосрочной перспективе использование genAI может повлиять на качество данных, используемых для обучения будущих моделей. По мере того как работники с разным уровнем квалификации используют genAI, увеличение количества низкокачественных результатов, созданных теми, кто хуже справляется с ошибками, может привести к деградации качества обучающих данных.
Кристоф Комбемаль, профессор инженерии и государственной политики Университета Карнеги-Меллона, прогнозирует возможное расслоение по качеству genAI. Снижение качества данных может уменьшить комплементарность технологии для высококвалифицированных специалистов. В то же время, в сферах с высокими стандартами контроля ошибок, внедрение genAI будет более медленным, но в долгосрочной перспективе приведет к более высокой комплементарности с высококвалифицированными работниками и качественными данными.
Исследователи также рассматривают потенциальные последствия профессиональных сдвигов, вызванных genAI. Для прогнозирования исходов для работников, чьи профессии оказались под угрозой, необходим сетевой подход к анализу профессий. Даже те, кто не подвержен прямому влиянию genAI, могут столкнуться с конкуренцией и снижением заработной платы, если их профессии станут альтернативой для специалистов, потерявших работу.
Устойчивость рынка труда к таким изменениям будет зависеть от наличия достаточного количества альтернативных профессий, менее подверженных автоматизации с помощью ИИ, куда работники могли бы перейти.
