Πώς η τεχνητή νοημοσύνη διευρύνει όσα κάνουν οι άνθρωποι στην εργασία

Η τεχνητή νοημοσύνη αλλάζει την εργασία που κάνουν οι άνθρωποι. Σε ανάλυση περισσότερων από 800.000 μηνυμάτων από τις ΗΠΑ, η νέα μας έρευνα για τους χρήστες του ChatGPT δείχνει ότι το 16,8% των μηνυμάτων που σχετίζονται με την εργασία και το 43,5% των μηνυμάτων που αφορούν συγκεκριμένο επάγγελμα έχουν ως θέμα καθήκοντα συνδεδεμένα με άλλο επάγγελμα.

Ένας ιδιοκτήτης μικρής επιχείρησης μπορεί να συντάξει μόνος του διαφημιστικό κείμενο, να ελέγξει μια σύμβαση ή να πραγματοποιήσει μια βασική οικονομική ανάλυση. Ένας πωλητής μπορεί να χρησιμοποιήσει την τεχνητή νοημοσύνη για να διερευνήσει ένα σύνολο δεδομένων πελατών που παλαιότερα ίσως ανέθετε σε αναλυτή. Ένας επαγγελματίας του μάρκετινγκ μπορεί να επιλύσει προβλήματα σε έναν ιστότοπο χωρίς να περιμένει κάποιον προγραμματιστή. Σε κάθε περίπτωση, η τεχνητή νοημοσύνη αλλάζει όχι μόνο τον τρόπο εκτέλεσης της εργασίας, αλλά και το ποιος κάνει τι.

Η νέα μας έκθεση, Εργασία στην αιχμή: Πώς η τεχνητή νοημοσύνη διευρύνει όσα κάνουν οι άνθρωποι στην εργασία, μελετά αυτή τη μεταβολή. Ονομάζουμε το μοτίβο που προκύπτει διασταύρωση καθηκόντων: εργασία που ιστορικά συνδεόταν με ένα επάγγελμα εμφανίζεται στη χρήση της τεχνητής νοημοσύνης από ανθρώπους άλλου επαγγέλματος. Στο Πλαίσιο μετάβασης των θέσεων εργασίας στην εποχή της τεχνητής νοημοσύνης⁠(ανοίγει σε νέο παράθυρο), υποστηρίζουμε ότι πολλές θέσεις εργασίας είναι πιθανό να αναδιοργανωθούν: πρόκειται για θέσεις των οποίων τα καθημερινά καθήκοντα θα μπορούσαν να αλλάξουν σημαντικά. Αυτή η έκθεση είναι η πρώτη της νέας μας σειράς Εργασία στην αιχμή, η οποία εξετάζει πώς η τεχνητή νοημοσύνη αλλάζει την εργασία σε πραγματικό χρόνο. 

Αξιοποιώντας τη μοναδική εικόνα που έχουμε για τις αλλαγές στον κόσμο της εργασίας, θα παρέχουμε τακτικά τεκμηριωμένες αναλύσεις βασισμένες σε δεδομένα, ώστε να καθοδηγούμε την πολιτική και την πρακτική.

Πολλές μελέτες για την τεχνητή νοημοσύνη και την εργασία ξεκινούν από έναν σταθερό κατάλογο καθηκόντων που συνδέονται με ένα συγκεκριμένο επάγγελμα και εξετάζουν αν τα μοντέλα μπορούν να τα εκτελέσουν. Τα στοιχεία μας δείχνουν ότι η τεχνητή νοημοσύνη αλλάζει επίσης το ποιος αναλαμβάνει κάθε καθήκον.

Για να μετρήσουμε τη διασταύρωση καθηκόντων, διαχωρίζουμε πρώτα την εργασία που συνδέεται με ένα συγκεκριμένο επάγγελμα από εκείνη που εμφανίζεται σε πολλά επαγγέλματα. Ορισμένες δραστηριότητες, όπως η σύνταξη κειμένων, η σύνοψη και ο προγραμματισμός, είναι τόσο κοινές σε πολλά επαγγέλματα ώστε να μην αποτελούν ένδειξη διασταύρωσης. Αυτές τις ταξινομούμε ως γενικές. Για τα υπόλοιπα μηνύματα εξετάζουμε αν το καθήκον εμπίπτει στο επάγγελμα του ίδιου του χρήστη ή βρίσκεται εκτός αυτού. Μεταξύ των μη γενικών μηνυμάτων, το 43,5% αφορά καθήκοντα εκτός του επαγγέλματος του χρήστη, προσφέροντας μια πρώτη εικόνα για το πώς η τεχνητή νοημοσύνη μπορεί να αναδιαμορφώνει το περιεχόμενο των θέσεων εργασίας πριν αυτές οι αλλαγές εμφανιστούν στις περιγραφές ή στους τίτλους τους.

Αυτό υποδηλώνει ότι σημαντικό μέρος της εργασιακής χρήσης του ChatGPT προέρχεται από χρήστες που διευρύνουν τον ρόλο τους. Το μοτίβο είναι ιδιαίτερα έντονο σε αρκετές ομάδες. Αφού εξαιρεθεί η γενική εργασία, τα καθήκοντα εκτός επαγγέλματος αντιστοιχούν στο: 

• 77% των μηνυμάτων συγκεκριμένου επαγγέλματος από εργαζομένους στην εμπειρία πελατών
• 75% από σχεδιαστές
• 69% από εργαζομένους στο ανθρώπινο δυναμικό
• 56% από εργαζομένους στον νομικό κλάδο 
• 53% από επαγγελματίες του μάρκετινγκ

Αυτά τα επαγγέλματα «δανείζονται» τα συγκεκριμένα καθήκοντα από άλλους ρόλους. Τα στοιχεία δείχνουν έναν μεταβαλλόμενο καταμερισμό εργασίας: ορισμένες δραστηριότητες που παλαιότερα απαιτούσαν ανάθεση μπορούν πλέον να εκτελούνται από το άτομο που εντοπίζει πρώτο την ανάγκη.

Ο παρακάτω θερμικός χάρτης απεικονίζει τη διασταύρωση καθηκόντων, εξετάζοντας με τη θέση εργασίας ποιου επαγγέλματος μοιάζει περισσότερο κάθε μη γενικό μήνυμα. Τα καθήκοντα μάρκετινγκ και μηχανικής διαχέονται περισσότερο, καθώς εμφανίζονται συχνά σε μηνύματα εργαζομένων εκτός αυτών των κλάδων.

Όταν περάσουμε από τα επαγγέλματα στα επιμέρους καθήκοντα, η διασταύρωση καθηκόντων δεν κατανέμεται ομοιόμορφα. Τόσο οι οικονομικοί υπολογισμοί όσο και η επίλυση τεχνολογικών προβλημάτων συγκαταλέγονται στα τρία συχνότερα εξωτερικά καθήκοντα και στις επτά άλλες επαγγελματικές ομάδες της ανάλυσης. Η εργασία μάρκετινγκ διαχέεται επίσης ευρέως: η δημιουργία υλικού μάρκετινγκ εμφανίζεται σε πέντε άλλες ομάδες και είναι ιδιαίτερα συχνή στους χρήστες που ασχολούνται με τον σχεδιασμό.

Η εξέταση ευρύτερων συνόλων καθηκόντων αποκαλύπτει δύο διακριτές κατευθύνσεις διασταύρωσης. Ορισμένα επαγγέλματα ενσωματώνουν πολλά καθήκοντα από άλλα επαγγέλματα. Άλλα παρέχουν καθήκοντα που εμφανίζονται σε πολλά διαφορετικά επαγγέλματα.

Ο σχεδιασμός αποτελεί παράδειγμα του πρώτου μοτίβου. Περίπου το 35,2% των μηνυμάτων από σχεδιαστές αφορά εργασία που συνήθως συνδέεται με άλλο επάγγελμα, ενώ τα καθήκοντα σχεδιασμού αντιστοιχούν μόλις στο 1,7% των μηνυμάτων από εργαζομένους άλλων κλάδων. Οι σχεδιαστές αξιοποιούν σε μεγάλο βαθμό εξωτερικά καθήκοντα, αλλά η ίδια η εργασία σχεδιασμού σπάνια εμφανίζεται αλλού.

Στη μηχανική παρατηρείται σχεδόν το αντίστροφο. Μόνο το 18,5% των μηνυμάτων μηχανικής αφορά καθήκοντα από άλλους κλάδους, αλλά τα καθήκοντα μηχανικής αντιστοιχούν στο 7,4% των μηνυμάτων εργαζομένων άλλων επαγγελμάτων. Η μηχανική αποτελεί σημαντική πηγή εργασίας που αναλαμβάνουν άνθρωποι σε άλλους κλάδους, από την επίλυση προβλημάτων λογισμικού έως την εργασία με τεχνικά συστήματα.

Το μάρκετινγκ ξεχωρίζει και προς τις δύο κατευθύνσεις. Οι επαγγελματίες του μάρκετινγκ αφιερώνουν το 24,3% των μηνυμάτων τους σε καθήκοντα που συνδέονται με άλλα επαγγέλματα, ενώ τα καθήκοντα μάρκετινγκ αντιστοιχούν στο 8,9% των μηνυμάτων εργαζομένων σε άλλους κλάδους — το υψηλότερο ποσοστό εξωτερικής διάχυσης στο δείγμα. Οι εργαζόμενοι στο μάρκετινγκ συνδυάζουν καθήκοντα από πολλούς τομείς, ενώ η εργασία μάρκετινγκ διαχέεται επίσης ευρέως σε ολόκληρο τον οργανισμό.

Το μέγεθος και η δομή μιας επιχείρησης διαμορφώνουν τον τρόπο με τον οποίο η τεχνητή νοημοσύνη αλλάζει την εργασία. Σε μια μεγάλη εταιρεία, οι εργαζόμενοι μπορεί να έχουν πρόσβαση σε εξειδικευμένες ομάδες, καθιερωμένες ροές εργασίας και εσωτερικές υπηρεσίες. Σε έναν μικρότερο οργανισμό, ο εργαζόμενος που βρίσκεται πιο κοντά στο πρόβλημα είναι πιθανότερο να το αναλάβει αντί να το αναθέσει.

Μεταξύ των μέσων χρηστών, το ποσοστό καθηκόντων εκτός επαγγέλματος μειώνεται από 18,9% για χρήστες σε χώρους εργασίας με 2–5 θέσεις σε 16,3% για χρήστες σε χώρους εργασίας με περισσότερες από 100 θέσεις. Μεταξύ των πιο εντατικών χρηστών, δεν παρατηρούμε το ίδιο μονότονο μοτίβο.

Μια πιθανή εξήγηση είναι ότι οι χρήστες μέτριας έντασης σε μικρότερους οργανισμούς στρέφονται στην τεχνητή νοημοσύνη όταν συναντούν εργασία που διαφορετικά θα απαιτούσε άλλη ειδικότητα. Οι εντατικοί χρήστες μπορεί, αντίθετα, να έχουν αναπτύξει σταθερές ροές εργασίας με υποστήριξη τεχνητής νοημοσύνης που μοιάζουν περισσότερο μεταξύ των οργανισμών ή να χρησιμοποιούν την τεχνητή νοημοσύνη εντατικότερα στο βασικό τους επάγγελμα.

Η τεχνητή νοημοσύνη μπορεί να είναι ιδιαίτερα χρήσιμη ως εργαλείο γενικής χρήσης όπου οι εξειδικευμένοι πόροι είναι περιορισμένοι.

Τέτοια δεδομένα χρήσης της τεχνητής νοημοσύνης δείχνουν προς τα πού μετατοπίζεται η εργασία. Μας επιτρέπουν να δούμε πώς η τεχνητή νοημοσύνη δίνει στους εργαζομένους τη δυνατότητα να πειραματίζονται με νέους συνδυασμούς δραστηριοτήτων, προτού οι επιχειρήσεις αναθεωρήσουν τις περιγραφές θέσεων εργασίας ή δημιουργήσουν νέους τίτλους. Υπό αυτή την έννοια, τα μοτίβα χρήσης ενδέχεται να αποτελούν πρώιμη ένδειξη επαγγελματικών αλλαγών, τις οποίες οι συμβατικές στατιστικές της αγοράς εργασίας θα καταγράψουν αργότερα.