Η ραγδαία εξάπλωση της Τεχνητής Νοημοσύνης έχει αρχίσει να αλλάζει τον τρόπο που εργαζόμαστε, μαθαίνουμε και επικοινωνούμε. Όσοι έχουν κάποια επαφή με την τεχνολογία θα έχουν διαπιστώσει τις ευκολίες που παρέχει πλέον το νέο μέσο, την ταχύτητα και τον τρόπο με τον οποίο πλέον μια πληροφορία γίνεται γνώση. Εύλογα, δημιουργείται το ερώτημα ποια είναι η επόμενη ημέρα στην αγορά εργασίας. Ποια επαγγέλματα θα επηρεαστούν και ποια όχι. Και η απάντηση βρίσκεται στον ίδιο τον μηχανισμό της εξόρυξης των πληροφοριών.
Η μελέτη «Working with AI» των ερευνητών της Microsoft επιχειρεί να απαντήσει σε ένα κρίσιμο ερώτημα: σε ποιο βαθμό επηρεάζει η ΤΝ τις δραστηριότητες και τα επαγγέλματα του σύγχρονου εργατικού δυναμικού; Μελετώντας εκατοντάδες χιλιάδες συνομιλίες μεταξύ χρηστών και του Microsoft Copilot, η ομάδα ανέλυσε τις δραστηριότητες για τις οποίες οι χρήστες ζητούν βοήθεια και τις εργασίες που η ίδια η ΤΝ εκτελεί. Ο διαχωρισμός αυτός –μεταξύ στόχου του χρήστη (user goal) και ενέργειας της ΤΝ (AI action)– αποτελεί τον πυρήνα της έρευνας, προσφέροντας ένα νέο τρόπο να κατανοήσουμε αν η τεχνητή νοημοσύνη συμπληρώνει ή αντικαθιστά ανθρώπινη εργασία.
Σύμφωνα με τα ευρήματα, οι πιο συχνές δραστηριότητες για τις οποίες οι χρήστες αναζητούν βοήθεια αφορούν τη συλλογή πληροφοριών, τη συγγραφή και την επικοινωνία. Οι περισσότεροι χρησιμοποιούν το Copilot για να βρουν δεδομένα, να γράψουν κείμενα ή να εξηγήσουν κάτι σε τρίτους. Από την άλλη πλευρά, η ΤΝ «δρα» κυρίως ως σύμβουλος, δάσκαλος ή προπονητής: παρέχει πληροφορίες, καθοδήγηση και επεξηγήσεις. Η έρευνα δείχνει ότι σε περίπου 40% των συνομιλιών, οι δραστηριότητες του χρήστη και της ΤΝ δεν συμπίπτουν — δηλαδή, ο άνθρωπος και η μηχανή δεν κάνουν το ίδιο πράγμα, αλλά συνεργάζονται συμπληρωματικά. Για παράδειγμα, όταν ένας χρήστης ζητά να λύσει ένα τεχνικό πρόβλημα, ο στόχος του είναι να «χειριστεί εξοπλισμό γραφείου», ενώ η ΤΝ «εκπαιδεύει» τον χρήστη πώς να το κάνει.
Για να μεταφράσουν αυτές τις δραστηριότητες σε επιπτώσεις στην εργασία, οι ερευνητές χρησιμοποίησαν τη βάση O*NET του Υπουργείου Εργασίας των ΗΠΑ, η οποία ταξινομεί κάθε επάγγελμα στις εργασιακές του δραστηριότητες. Συνδυάζοντας τα δεδομένα των συνομιλιών με στοιχεία επιτυχίας και «εύρους επιρροής» κάθε δραστηριότητας, υπολόγισαν έναν δείκτη εφαρμοσιμότητας της ΤΝ (AI applicability score) για κάθε επάγγελμα. Ο δείκτης αυτός δείχνει πόσο πιθανό είναι ένα επάγγελμα να επηρεαστεί από τη χρήση της γενετικής ΤΝ, είτε μέσω αυτοματισμού, είτε μέσω ενίσχυσης της παραγωγικότητας.
Οι πιο «ευάλωτες» ή μάλλον πιο δεκτικές ομάδες επαγγελμάτων είναι όσες σχετίζονται με γνωστική εργασία και επικοινωνία. Στην κορυφή βρίσκονται:
- Διερμηνείς και μεταφραστές,
- Ιστορικοί,
- Συγγραφείς, δημοσιογράφοι και επιμελητές,
- Προγραμματιστές και επιστήμονες δεδομένων,
- Εκπαιδευτικοί, πωλητές και υπάλληλοι εξυπηρέτησης πελατών.
Αντίθετα, τα επαγγέλματα με χειρωνακτικό ή φυσικό χαρακτήρα παρουσιάζουν ελάχιστη επίδραση. Επαγγελματίες όπως οδηγοί, τεχνικοί εγκαταστάσεων, καθαριστές ή εργάτες οικοδομής σπάνια χρησιμοποιούν την ΤΝ, καθώς το αντικείμενό τους απαιτεί φυσική παρουσία και δεξιότητες που η σημερινή τεχνολογία δεν αναπαράγει.
Σύμφωνα με τον δείκτη εφαρμοσιμότητας, οι κλάδοι με τη μεγαλύτερη επίδραση είναι οι Πωλήσεις, οι υπολογιστικές και μαθηματικές δραστηριότητες, καθώς και η Διοικητική Υποστήριξη. Αυτές οι κατηγορίες συγκεντρώνουν και υψηλή απασχόληση, γεγονός που σημαίνει ότι η ΤΝ ήδη αγγίζει μεγάλο ποσοστό του εργατικού δυναμικού. Η μελέτη επισημαίνει, ωστόσο, ότι οι διαφορές εκπαίδευσης και μισθών δεν αποτελούν καθοριστικό παράγοντα. Ενώ τα επαγγέλματα που απαιτούν πτυχίο τείνουν να έχουν ελαφρώς υψηλότερη «εφαρμοσιμότητα», η συνολική συσχέτιση με τους μισθούς είναι ασθενής. Με άλλα λόγια, η ΤΝ επηρεάζει εξίσου επαγγέλματα χαμηλών και μεσαίων αμοιβών, ανάλογα με το είδος των δραστηριοτήτων τους.
Ένα βασικό ερώτημα της μελέτης είναι αν η ΤΝ αντικαθιστά ή ενισχύει την ανθρώπινη εργασία. Οι ερευνητές αποφεύγουν τις απλουστεύσεις: η χρήση δεδομένων από πραγματικούς χρήστες δεν μπορεί να αποκαλύψει τις επιχειρηματικές αποφάσεις που ακολουθούν. Όπως αναφέρουν, «αν η ΤΝ κάνει έναν προγραμματιστή 50% πιο παραγωγικό, μια εταιρεία μπορεί είτε να προσλάβει περισσότερους για να αυξήσει την παραγωγή, είτε λιγότερους για να μειώσει το κόστος». Η εικόνα που προκύπτει είναι ότι, προς το παρόν, η ΤΝ ενισχύει περισσότερο παρά αντικαθιστά τον εργαζόμενο. Τα πιο επιτυχημένα παραδείγματα χρήσης αφορούν τη συγγραφή, την επεξεργασία κειμένων, τη συλλογή πληροφοριών και τη συμβουλευτική καθοδήγηση — εργασίες όπου η ΤΝ λειτουργεί ως «έξυπνος βοηθός».
Η μελέτη της Microsoft καταλήγει ότι σχεδόν κάθε επάγγελμα έχει κάποια πιθανότητα να επηρεαστεί από τη Τεχνητή Νοημοσύνη αλλά σε διαφορετικό βάθος και εύρος. Οι περισσότεροι κλάδοι δεν κινδυνεύουν από πλήρη αυτοματοποίηση, αλλά αντιμετωπίζουν μετασχηματισμό ρόλων και δεξιοτήτων. Οι συγγραφείς προειδοποιούν ότι η πραγματική οικονομική επίδραση θα εξαρτηθεί από τις αποφάσεις των οργανισμών και τη δημιουργία νέων επαγγελμάτων. Όπως συνέβη με την εισαγωγή των ΑΤΜ, η τεχνολογία μπορεί να μειώσει ορισμένα καθήκοντα αλλά να δημιουργήσει νέες ανάγκες και ευκαιρίες. Το μέλλον της εργασίας με ΤΝ, όπως δείχνει η έρευνα, δεν θα είναι μια ιστορία απώλειας αλλά συνεργασίας — όπου η τεχνολογία επεκτείνει τις ανθρώπινες δυνατότητες, και η δημιουργικότητα παραμένει το πιο πολύτιμο κεφάλαιο.
Και αυτό είναι ένα πολύ ανακουφιστικό συμπέρασμα για έναν αναλυτή της αγοράς που βρίσκεται μέσα στις πρώτες θέσεις των επαγγελμάτων που θεωρούνται ευάλωτα από την νέα πραγματικότητα.
Ποια επαγγέλματα δέχονται την μεγαλύτερη επίδραση από την ΤΝ
*Κάλυψη (Coverage): Δείχνει σε ποιο ποσοστό των εργασιακών δραστηριοτήτων ενός επαγγέλματος παρατηρήθηκε ότι υπάρχει μη αμελητέα χρήση της ΤΝ (στην περίπτωσή αυτή, του Bing Copilot). Δηλαδή, πόσο μεγάλο κομμάτι της δουλειάς κάποιου επαγγέλματος έχει ήδη «καλυφθεί» ή επηρεαστεί από πραγματική χρήση της ΤΝ. Π.χ. μια τιμή 0.90 σημαίνει ότι περίπου το 90% των βασικών δραστηριοτήτων του επαγγέλματος εμφανίζονται συχνά στις συνομιλίες χρηστών με την ΤΝ.
*Ολοκλήρωση (Completion): Μετρά πόσο συχνά η ΤΝ ολοκληρώνει επιτυχώς μια εργασία για την οποία τη χρησιμοποίησε ο χρήστης. Προκύπτει από ανθρώπινη αξιολόγηση και από μοντέλο που ανιχνεύει αν η απάντηση της ΤΝ έλυσε το ζητούμενο. Υψηλή τιμή (π.χ. 0.90) σημαίνει ότι η ΤΝ καταφέρνει να εκτελεί σωστά τα αιτήματα που σχετίζονται με το συγκεκριμένο επάγγελμα.
*Εύρος (Scope): Αναφέρεται στο μέγεθος ή ποσοστό του έργου που η ΤΝ φαίνεται ικανή να εκτελέσει ή να βοηθήσει. Μετράται σε κλίμακα (π.χ. «καθόλου» έως «πλήρες») και έχει μετατραπεί σε αριθμητικό μέσο όρο. Μια τιμή 0.57 δείχνει ότι η ΤΝ μπορεί να καλύψει αρκετά μεγάλο μέρος των καθηκόντων του επαγγέλματος, όχι απαραίτητα όλα.
*Δείκτης (Score):Είναι ο συνολικός “δείκτης εφαρμοσιμότητας ΤΝ” (AI applicability score) που υπολόγισαν οι ερευνητές. Συνδυάζει τις τρεις προηγούμενες μετρήσεις:
Δείκτης=Κάλυψη × Ολοκλήρωσης × Εύρος (σε πιο σύνθετη μορφή με βάρη ανά επάγγελμα).
Αντιπροσωπεύει το πόσο πιθανό είναι η ΤΝ να επηρεάσει ουσιαστικά το συγκεκριμένο επάγγελμα .Όσο υψηλότερος ο δείκτης, τόσο μεγαλύτερη η πιθανότητα το επάγγελμα να μετασχηματιστεί ή να ενισχυθεί από την ΤΝ.
*Απασχόληση (Employment): Δείχνει τον αριθμό ατόμων στις ΗΠΑ που εργάζονται στο συγκεκριμένο επάγγελμα (σύμφωνα με τα στοιχεία του U.S. Bureau of Labor Statistics, 2023). Χρησιμοποιείται για να σταθμίσει τη σημασία του κάθε επαγγέλματος στην αγορά εργασίας. Π.χ. οι «Customer Service Representatives» έχουν πάνω από 2,8 εκατομμύρια εργαζόμενους, άρα μικρές αλλαγές στην αποτελεσματικότητα τους με ΤΝ επηρεάζουν μεγάλο μέρος του εργατικού δυναμικού.
