Lęk przed masowym bezrobociem przez AI często bierze się z mylenia zawodów z pojedynczymi zadaniami. W wielu biurowych rolach kluczowe są relacje, negocjacje i wiedza, której nie da się łatwo zapisać w danych.
Skąd biorą się czarne scenariusze
Sondaże pokazują, że duża część społeczeństwa spodziewa się skokowego wzrostu bezrobocia w ciągu kilku lat z powodu rozwoju sztucznej inteligencji. Ten niepokój jest zrozumiały: narzędzia generatywne potrafią dziś pisać, streszczać, analizować dane i tworzyć kod szybciej niż wielu pracowników. Problem w tym, że z tych spektakularnych demonstracji łatwo wyciągnąć zbyt daleko idący wniosek: skoro AI robi „pracę umysłową”, to przejmie większość „białych kołnierzyków”.
Autorzy książki o tzw. „messy jobs” (w praktyce: zawodach, w których praca jest nieuporządkowana, wielowątkowa i zależna od ludzi) przekonują, że takie prognozy często opierają się na błędnym obrazie codzienności w firmach i instytucjach. W wielu rolach efekt końcowy nie jest prostym produktem, który da się jednoznacznie ocenić testem „działa/nie działa”. Zamiast tego liczy się proces: uzgadnianie, dopasowywanie, obchodzenie ograniczeń i budowanie zgody.
Zawód to nie jedno zadanie
Kluczowe rozróżnienie dotyczy tego, czy analizujemy całe stanowisko, czy pojedyncze czynności. W typowej pracy biurowej obok „twardej” części (analiza, raport, projekt) pojawiają się spotkania, prezentacje, praca z interesariuszami, korekty po uwagach oraz wdrożenie w realiach organizacji. To właśnie ta mieszanka sprawia, że automatyzacja rzadko jest ruchem typu „zastąp człowieka modelem” — częściej to „dołóż narzędzie do fragmentu pracy”.
Dobrym przykładem jest projekt konsultingowy, który na papierze wygląda jak dwutygodniowa analiza, a w rzeczywistości ciągnie się miesiącami, bo wymaga akceptacji wielu szczebli zarządzania i partnerów zewnętrznych. Dokument może być gotowy, ale bez politycznej zgody, uzgodnień i sekwencji decyzji nie wydarzy się nic. AI może przyspieszyć przygotowanie materiałów, lecz nie usuwa tarcia między ludźmi i interesami.
Co czyni pracę „bałaganiarską”
Pierwszy składnik „messy job” to silne splecenie zadań. Jeśli czynności nie dają się łatwo rozdzielić na niezależne moduły, trudniej je w całości zautomatyzować. Sprzedaż jest tu modelowym przypadkiem: rozmowa z klientem, wyczucie potrzeb, przypomnienie sobie właściwej oferty i dopasowanie argumentów dzieją się w jednym strumieniu działań. Narzędzie AI może podpowiedzieć, ale człowiek nadal musi prowadzić relację i podejmować decyzje w kontekście.
Drugi składnik to zarządzanie siecią relacji: wewnątrz organizacji i na zewnątrz. Kierownik techniczny w zakładzie produkcyjnym nie tylko „rozwiązuje problemy inżynierskie”, lecz także rekrutuje, negocjuje budżety, rozmawia z urzędem o pozwoleniach, tłumaczy plany różnym grupom i gasi konflikty. W takich rolach praca jest w dużej mierze społeczna, a jej wynik zależy od tego, czy inni ludzie zgodzą się współpracować.
Kiedy AI uderza najmocniej
Najbardziej narażone są te fragmenty pracy, które są pojedynczym, izolowanym zadaniem i mają wynik możliwy do obiektywnej weryfikacji. Jeśli da się jasno powiedzieć, czy rezultat jest poprawny (np. liczby się zgadzają, dokument spełnia standard, tłumaczenie jest zgodne z terminologią), łatwiej zbudować proces, w którym maszyna przejmuje większość wykonania. To nie kwestia „poziomu inteligencji” zadania, tylko jego testowalności.
Warto zauważyć paradoks: nawet bardzo złożone aktywności mogą być podatne na automatyzację, jeśli mają jasne reguły i jednoznaczne kryterium sukcesu. Historia informatyki zna przykłady, gdy systemy komputerowe szybko przeskakiwały ludzi w dziedzinach wymagających ogromnej liczby kombinacji, bo dało się bezspornie ocenić wynik. Tam, gdzie świat jest „domknięty” regułami, AI ma przewagę.
Trzy rodzaje wiedzy, których nie widać w danych
W pracy biurowej często decyduje wiedza strategiczna: to, czego nie mówi się wprost, bo jest elementem gry interesów. Spotkanie może wyglądać jak miejsce podejmowania decyzji, ale realne ustalenia bywają rozstrzygnięte wcześniej, a rozmowa jest tylko rytuałem lub polem manewru. Model uczony na nagraniach i notatkach może nie uchwycić tego, co najważniejsze, bo sedno tkwi w intencjach, przemilczeniach i układzie sił.
Drugi typ to wiedza ukryta (tacit knowledge) — umiejętności i intuicje, które posiadamy, ale trudno je opisać instrukcją. Doświadczony specjalista potrafi przewidzieć, że klient odrzuci propozycję, choć nie umie wskazać jednego „parametru”, który o tym przesądza. Trzeci typ to wiedza powstająca w rozmowie: marketing widzi jedno, sprzedaż drugie, a dopiero w dyskusji rodzi się wspólne rozumienie problemu. Tego nie da się w pełni „zebrać” przed faktem, bo pojawia się dopiero w interakcji.
Technologia nie rozwiązuje problemu władzy
Ograniczenia dla produktywności często nie wynikają z braku informacji, lecz z konfliktu interesów, regulacji, biurokracji i lokalnej polityki. Można wiedzieć, jak rozwiązać problem (np. jak budować szybciej), a mimo to utknąć, bo ktoś ma motywację, by blokować zmianę. AI może przygotować analizę, projekt pisma czy warianty argumentacji, ale nie zastąpi negocjacji z aktorami, którzy grają o własne cele.
Co więcej, lepsze narzędzia mogą wzmacniać zatory zamiast je usuwać. Jeśli technologia ułatwia składanie skarg, mobilizowanie sprzeciwu czy prowadzenie sporów, to rośnie zdolność grup interesu do hamowania inwestycji. W takim ujęciu przyszłość pracy zależy nie tylko od możliwości modeli, lecz także od tego, jak instytucje i procesy decyzyjne reagują na nowe „wzmacniacze” po obu stronach konfliktu.
Jak myśleć o odporności zawodowej
Praktyczna wskazówka jest mniej efektowna niż hasła o „zawodach przyszłości”, ale bardziej użyteczna: ocenić, czy główny rezultat pracy da się systematycznie i zewnętrznie zweryfikować jako poprawny lub błędny. Jeśli tak, a większość dnia polega na wytwarzaniu właśnie takiego wyniku, ryzyko automatyzacji rośnie. Jeśli natomiast praca składa się z wielu splecionych czynności, ma komponent relacyjny i wymaga poruszania się w sieci interesów, staje się trudniejsza do „wycięcia” jednym wdrożeniem.
To nie znaczy, że „messy jobs” są nietykalne. AI będzie w nich coraz częściej asystować: przygotuje materiały, podsumuje wątki, zaproponuje scenariusze. Różnica polega na tym, że w takich rolach człowiek pozostaje właścicielem kontekstu, odpowiedzialności i relacji — a to właśnie te elementy najtrudniej zamienić na zestaw danych i testów.
Oryginalny tekst: Professor: A “messy” job is the defense against AI unemployment