Οι νικητές και οι χαμένοι από την ψηφιοποίηση {LF}στην αγορά εργασίας

Ισως καμία μεμονωμένη πτυχή της ψηφιακής επανάστασης δεν έχει λάβει περισσότερη προσοχή από την επίδραση της αυτοματοποίησης στην απασχόληση και στα εισοδήματα.

Οι αγορές ανταμείβουν καινοτομίες που καθιστούν τον ψηφιακό εξοπλισμό και τα συστήματα ευκολότερα στη χρήση. Καθώς εφαρμόζονται ολοένα και πιο περίπλοκες τεχνολογικές διαδικασίες, η ανάγκη για επανεκπαίδευση θα μειωθεί. Η πρόοδος στην τεχνητή νοημοσύνη θα έχει επίσης αντίκτυπο. Μέχρι πριν από περίπου δέκα χρόνια, η αυτοματοποίηση βασίστηκε στην κωδικοποίηση των εργασιών: οι μηχανές προγραμματίζονται με ένα σύνολο οδηγιών που αναπαράγουν τη λογική της ανθρώπινης λήψης αποφάσεων. Τι γίνεται όμως με εργασίες που δεν μπορούν να αποσταχθούν σε μια σειρά λογικών, προκαθορισμένων βημάτων; Από την κατανόηση της φυσικής γλώσσας έως την αναγνώριση αντικειμένων οπτικά, ένας εκπληκτικά μεγάλος αριθμός δραστηριοτήτων – ακόμη και φαινομενικά απλών – ταιριάζει σε αυτήν την κατηγορία. Αυτό έχει κρατήσει πολλές θέσεις εργασίας «ασφαλείς» από τον αυτοματισμό, αλλά όχι για πολύ, λόγω των εξελίξεων στη μηχανική μάθηση. Η μάθηση μηχανών είναι ουσιαστικά πολύ περίπλοκη αναγνώριση προτύπων. Χρησιμοποιώντας μεγάλες δεξαμενές δεδομένων και τεράστια υπολογιστική ισχύ, οι μηχανές μαθαίνουν να κάνουν πράγματα που δεν μπορούμε να κωδικοποιήσουμε. Αυτό το κάνουν χρησιμοποιώντας παραδείγματα και όχι λογική βάσει κανόνων.

Σε πολλούς τομείς – όπως η αναγνώριση προτύπων στη γενετική και τη βιοϊατρική επιστήμη – οι μηχανές δεν μπορούν μόνο να αντικαταστήσουν τους ανθρώπους εργαζομένους. Από ορισμένες απόψεις, οι ικανότητές τους επισκιάζουν αυτές κάθε ανθρώπου. Ναι, πολύ περισσότερες εργασίες και δευτερεύουσες εργασίες θα ανακατανεμηθούν σε μηχανήματα.

Στο χαμηλό άκρο του φάσματος εισοδήματος παγκοσμίως, οι εξελίξεις στην τεχνητή νοημοσύνη και τη ρομποτική θα διαταράξουν και τελικά θα αντικαταστήσουν την παραγωγή εντάσεως εργασίας – και τα μοντέλα ανάπτυξης που εξαρτώνται από αυτό. Σε πιο υψηλό επίπεδο, οι μηχανικές ικανότητες που βασίζονται στη μάθηση θα έχουν σημαντικό αντίκτυπο στην επιστημονική έρευνα και την τεχνολογική ανάπτυξη, καθώς και στις επαγγελματικές υπηρεσίες υψηλού επιπέδου. Το γεγονός παραμένει, ωστόσο, ότι αντιμετωπίζουμε πολύ περίπλοκες μεταβάσεις. Δεν μπορούμε να περιμένουμε ότι η φυσική προσαρμογή από τους εργαζομένους και τις αγορές εργασίας θα παράγει δίκαια αποτελέσματα. Αυτός είναι ο λόγος για τον οποίο οι υπεύθυνοι χάραξης πολιτικής σε συνεργασία με τις επιχειρήσεις, την εργασία και τα σχολεία πρέπει να επικεντρωθούν σε μέτρα για τη μείωση της ανισότητας εισοδήματος και πλούτου, συμπεριλαμβανομένης της διασφάλισης ευρείας πρόσβασης σε υψηλής ποιότητας κοινωνικές υπηρεσίες, όπως η εκπαίδευση και η κατάρτιση δεξιοτήτων. Χωρίς τέτοιου είδους παρεμβάσεις, υπάρχει σημαντικός κίνδυνος ο ψηφιακός μετασχηματισμός της εργασίας να αφήσει πίσω πολλούς ανθρώπους, με αρνητικές μακροπρόθεσμες συνέπειες για την κοινωνική συνοχή.

Ο Μάικλ Σπενς είναι κάτοχος Νομπέλ Οικονομικών, επίτιμος καθηγητής Οικονομικών και πρώην πρύτανης στο Graduate School of Business του Stanford University.