Egyre több elemzés próbálja megmondani, mely szakmák vannak leginkább kitéve a mesterséges intelligenciának. A gond ott kezdődik, hogy ezeket a becsléseket gyakran maguk az MI-modellek készítik. Egy friss kutatás szerint pedig a modellek ugyanarra a munkára egészen más választ adhatnak.
Az MI munkaerőpiaci hatása nem egyetlen számból derül ki
A Financial Times friss elemzése egy fontos, de ritkán tárgyalt problémára hívta fel a figyelmet. Amikor azt olvasod, hogy a mesterséges intelligencia bizonyos munkák jelentős részét képes lehet automatizálni, érdemes megkérdezni, ki vagy mi mondta ezt.
Sok esetben a válasz maga is egy MI-modell.
Ez kutatási szempontból érthető. Több száz szakma több ezer feladatát emberi szakértőkkel végigértékeltetni lassú és drága. Egy nagy nyelvi modell gyorsan képes végignézni, hogy egy adott munkakörben mely feladatokat lehetne felgyorsítani MI-eszközökkel.
A probléma ott kezdődik, hogy különböző modellek ugyanarra a kérdésre nagyon eltérő választ adnak.
Ugyanaz a munka, más MI-válasz
Michelle Yin, a Northwestern University kutatója és szerzőtársai 705 amerikai foglalkozást vizsgáltak meg több MI-modell segítségével. A lényeg az volt, hogy ugyanazt a módszert alkalmazták, csak az értékelő modell változott.
Az eredmény kijózanító. Az MI-kitettségi pontszámok 3,6-szoros eltérést mutattak a modellek között. Egyes becslések szerint a magas kitettségű munkák aránya 15 százalék alatt volt, míg más modellnél 50 százalék körül alakult.
Ez nem apró módszertani különbség. Ha egy modell szerint egy szakma alig érintett, egy másik szerint pedig erősen automatizálható, akkor teljesen más következtetésre jut a kutató, a cégvezető, a HR-es és az a munkavállaló is, aki a saját jövőjét próbálja tervezni.
A Financial Times példája szerint az eredeti GPT-4 alapú értékelés több foglalkozásnál jóval alacsonyabb kitettséget mutatott, mint az újabb modellek. Claude például bátrabban sorolt vezetői és menedzsmentfeladatokat is magasabb MI-kitettség alá. Gemini több esetben óvatosabbnak bizonyult.
Mit jelent valójában az MI-kitettség?
Az MI-kitettség azt mutatja, hogy egy munkakör feladatai közül mennyit lehetne jelentősen felgyorsítani vagy részben kiváltani mesterséges intelligenciával.
Ez fontos különbség, mert a kitettség nem azonos azzal, hogy egy állás holnap megszűnik. Egy könyvelő, jogász, marketinges, ügyfélszolgálati munkatárs vagy elemző munkájában lehet sok olyan részfeladat, amelyet az MI gyorsít. Ettől még a teljes munkakör nem feltétlenül tűnik el.
A félreértés abból jön, hogy a közbeszéd gyakran összemossa a feladatot és a foglalkozást. Egy szakma több kisebb tevékenységből áll. Ha ezek közül néhány automatizálható, az átalakítja a munkát, de nem feltétlenül törli el az emberi szerepet.
Magyar munkahelyi környezetben ez különösen fontos. Egy kisvállalkozásnál ugyanaz az ember ír ajánlatot, kezel ügyfelet, készít kimutatást és szervez belső folyamatokat. Egy nagyvállalatnál ezek külön pozíciók lehetnek. Ugyanaz az MI-eszköz mást jelent a két környezetben.
A modell véleménye nem munkaerőpiaci tény
A kutatás egyik legerősebb tanulsága, hogy az MI-modellek által készített kitettségi pontszámokat óvatosan kell kezelni. Ezek nem közvetlen munkaerőpiaci mérések, hanem modellalapú becslések.
Ez nem azt jelenti, hogy minden ilyen kutatás értéktelen. Inkább azt, hogy a döntéshozóknak több modell, több adatforrás és valós munkahelyi tapasztalat alapján kellene gondolkodniuk.
Egy vállalatnál például nem elég azt megkérdezni, hogy egy modell szerint automatizálható-e az értékesítési asszisztens munkája. A jobb kérdés az, hogy mely konkrét feladatok vesznek el sok időt, hol romlik a minőség, hol kell emberi kontroll, és mely részeknél hoz valódi előnyt az MI.
Mit érdemes ebből megérteni munkavállalóként?
Ne a szakmád címét nézd, hanem a feladataid szerkezetét. Érdemes végiggondolni, mely feladataid ismétlődnek sokszor, mely részeknél kell emberi ítélőképesség, és hol tudnád az MI-t úgy használni, hogy gyorsabb vagy pontosabb legyél.
Aki csak azt figyeli, hogy az ő szakmája veszélyben van-e, könnyen félreérti a helyzetet. Aki viszont feladatokra bontja a munkáját, hamarabb látja meg, hol kell tanulnia, hol tud előnyt szerezni, és hol kell határt húznia.
A mostani kutatás alapján egy dolog biztosan látszik. Az MI munkaerőpiaci hatását nem lehet egyetlen grafikonból kiolvasni. A modellek nemcsak válaszolnak a kérdéseinkre, hanem a saját korlátaikon keresztül formálják is azt, amit látunk.
Aki ezt megérti, kevésbé fog pánikolni. És jobb döntéseket hoz.
