A IBM acredita que 100% dos trabalhos acabarão mudando devido à inteligência artificial e as novas pesquisas empíricas divulgadas nesta quarta-feira,30, pelo MIT-IBM Watson AI Lab revelam como isso acontecerá. A pesquisa, "O futuro do trabalho: como as novas tecnologias estão transformando tarefas", usou técnicas avançadas de aprendizado de máquina para analisar 170 milhões de vagas de emprego on-line nos Estados Unidos entre 2010 e 2017. Ela mostra, nos estágios iniciais da adoção da IA, como as tarefas de empregos individuais estão se transformando e o impacto no emprego e nos salários
"À medida que as novas tecnologias continuam a crescer nas empresas e nos setores, é nossa responsabilidade como inovadores entender não apenas as implicações dos processos de negócios, mas também o impacto social", disse Martin Fleming, vice-presidente e economista-chefe da IBM. "Para esse fim, esta pesquisa empírica do MIT-IBM Watson AI Lab lança uma nova luz sobre como as tarefas estão se reorganizando entre pessoas e máquinas como resultado da IA ??e das novas tecnologias".
Embora a maioria dos trabalhos mude à medida que novas tecnologias, como IA, são dimensionadas, a pesquisa mostra que poucos trabalhos realmente desaparecem. O que está mudando fundamentalmente é a maneira como trabalhamos. As principais conclusões incluem:
Resultados da pesquisa
As tarefas estão mudando entre pessoas e máquinas – mas a mudança é lenta.
Com o forte crescimento do emprego e a transformação da força de trabalho em andamento, a demanda geral por tarefas que compõem as ocupações diminuiu entre 2010 e 2017. Em mais de 18.500 tarefas, para cada ocupação, em média, os trabalhadores foram solicitados a executar 3,7 menos tarefas em geral em 2017 do que sete anos antes.
As tarefas com maior probabilidade de serem executadas por IA ou aprendizado de máquina estão desaparecendo dos requisitos de trabalho dos empregadores com mais frequência do que aquelas com maior probabilidade de serem realizadas por um trabalhador. A diminuição dos requisitos de tarefas provavelmente deve-se aos empregadores que buscam maior foco dos trabalhadores e à adoção precoce de IA e aprendizado de máquina, indicando uma mudança fundamental na maneira como o trabalho é realizado.
Ao analisar o impacto da IA ??e do aprendizado de máquina nas tarefas ao longo dos sete anos, os dados mostram:
Entre as tarefas mais adequadas ao aprendizado de máquina (por exemplo, agendamento, validação de credenciais), os trabalhadores, por ocupação, foram solicitados a executar 4,3 menos tarefas.
Entre as tarefas menos adequadas para o aprendizado de máquina (por exemplo, design, conhecimento do setor), os trabalhadores, por ocupação, foram solicitados a executar 2,9 menos tarefas.
Isso reflete um declínio 46% maior na demanda por tarefas com maior probabilidade de serem adequadas para aprendizado de máquina, em comparação com aquelas com menor probabilidade.
Tarefas que aumentam em valor tendem a exigir "habilidades pessoais"
Como a tecnologia reduz o custo de algumas tarefas, o valor das tarefas restantes que compõem uma ocupação aumenta. As tarefas baseadas em habilidades e conhecimentos intelectuais, além de exigir, até certo ponto, flexibilidade física, bom senso, julgamento, intuição, criatividade e linguagem falada tendem a aumentar em valor.
Aqui estão alguns exemplos entre faixas de salário e ocupações:
Nas ocupações de negócios e finanças de altos salários, as tarefas de conhecimento do setor estão em ascensão. Os salários anuais das tarefas de conhecimento do setor aumentaram em valor entre 2010 – 2017 em US$ 6.387, em média, enquanto os salários anuais das tarefas de fabricação e produção diminuíram em valor em US$ 5.218 por ano, em média.
Nas ocupações de serviços e cuidados pessoais de baixo salário (cabeleireiros, profissionais de recreação, instrutores de fitness etc.), os salários anuais para tarefas de design – como design de apresentação ou design digital – aumentaram entre 2010 e 2017 em US$ 12.000, em média entre esses trabalhadores.
De fato, as tarefas de design – design gráfico e visual, design industrial, interface do usuário, experiência do usuário e design de apresentações – aumentaram consistentemente em valor entre ocupações e grupos salariais. Nas ocupações de vendas de salários médios, o valor das tarefas de design aumentava anualmente em US$ 8.522. E, em ocupações de alto salário em computadores e matemática, o valor das tarefas de design aumentava anualmente em US$ 6.011.
Essas descobertas estão alinhadas com o recente estudo do IBM Institute for Business Value (IBV), The Enterprise Guide to Closing the Skills Gap, que relatou que as duas principais habilidades procuradas em 2018 eram habilidades comportamentais – gerenciamento de tempo e vontade de ser flexível, ágil e adaptável mudar.
Empregos de alto e baixo salário estão ganhando tarefas e ganhando mais
Entre os três níveis – empregos com baixos salários, empregos com salários médios e altos – os trabalhadores no nível intermediário estão sendo espremidos. Os dados mostram Entre as tarefas mais adequadas ao aprendizado de máquina (por exemplo, agendamento, validação de credenciais), os trabalhadores, por ocupação, foram solicitados a executar 4,3 menos tarefas.
Entre as tarefas menos adequadas para o aprendizado de máquina (por exemplo, design, conhecimento do setor), os trabalhadores, por ocupação, foram solicitados a executar 2,9 menos tarefas.
Isso reflete um declínio 46% maior na demanda por tarefas com maior probabilidade de serem adequadas para aprendizado de máquina, em comparação com aquelas com menor probabilidade.
Tarefas que aumentam em valor tendem a exigir "habilidades pessoais"
Como a tecnologia reduz o custo de algumas tarefas, o valor das tarefas restantes que compõem uma ocupação aumenta. As tarefas baseadas em habilidades e conhecimentos intelectuais, além de exigir, até certo ponto, flexibilidade física, bom senso, julgamento, intuição, criatividade e linguagem falada tendem a aumentar em valor.
Empregos de alto e baixo salário estão ganhando tarefas e ganhando mais
Entre os três níveis – empregos com baixos salários, empregos com salários médios e altos – os trabalhadores no nível intermediário estão sendo espremidos. Os dados mostram:
As tarefas passaram dos empregos de salário médio para os de salário baixo e alto, na proporção de 4 para 1.
Como resultado, os salários estão subindo mais rapidamente nos níveis de salário alto e baixo do que no nível de salário médio.
Os trabalhadores com baixos salários ganhavam em média US$ 600 em remuneração anual mais do que os trabalhadores com salários médios. Os trabalhadores com altos salários ganharam em média US$ 1.200 em remuneração anual mais do que os trabalhadores com salários médios no mesmo período.
Novas tecnologias como a IA apenas começaram a transformar o trabalho e, embora a taxa e o ritmo da mudança sejam lentos agora, provavelmente acelerará à medida que mais soluções de IA forem adotadas em toda a economia. Os trabalhadores têm tempo para se adaptar aprendendo ou aprimorando habilidades que exigem inovação, pensamento criativo ou insight e experiência profundos. Enquanto isso, os empregadores de todas as indústrias devem começar a se concentrar em re-capacitar suas forças de trabalho, redesenhar as funções e apoiar o avanço na carreira.
A IBM fez parceria com clientes para concluir com êxito mais de 1.000 projetos de transformação de RH globalmente. Ao aplicar os recursos de IA ao ciclo de vida dos funcionários, a IBM ajudou os clientes a promover talentos, capacitar seus funcionários e transformar seus negócios para a era da IA. Esses serviços ajudam as empresas a preencher a lacuna de habilidades provocada por essas novas tecnologias e ajudam seus funcionários a mudarem para uma parceria com máquinas.
Para estudantes, trabalhadores e alunos ao longo da vida, a IBM está trabalhando para resolver a lacuna de habilidades de alta tecnologia por meio de uma variedade de iniciativas de desenvolvimento e educação de habilidades, incluindo:
P-TECH: Uma parceria público-privada entre escolas secundárias, envolvendo mais de 75 parceiros de faculdades comunitárias e 600 parceiros do setor, projetados para atender a lacunas de habilidades. Mais de 23 países – incluindo França, Austrália e Taiwan – anunciaram a intenção de abrir P-TECHs ou já os abriram. O modelo foi desenvolvido para ajudar a fortalecer as economias regionais e as populações desfavorecidas, promovendo uma força de trabalho mais inclusiva e preparando os alunos para trabalhos "inovadores" – como analistas de computação em nuvem ou cibersegurança – que são qualificados, cargos de tecnologia que não exigem necessariamente um diploma universitário tradicional de quatro anos;
Aprendizagem: em parceria com o Departamento do Trabalho dos EUA, o programa de 12 a 24 meses combina aprendizes com um mentor da IBM para trabalhar em projetos da IBM, juntamente com o aprendizado tradicional em sala de aula, nos campos de crescimento mais rápido da tecnologia;
Devoluções: Um programa de seis meses criado para facilitar a volta ao setor de tecnologia para pessoas que estão fora da força de trabalho há pelo menos 24 meses;
SkillsBuild: Uma nova plataforma de aprendizado e educação digital que fornece candidatos a emprego – incluindo aqueles que procuram emprego, voltando ao trabalho após licença, veteranos, refugiados ou pessoas que mudam de profissão – com conteúdo de aprendizado digital credenciado, treinamento personalizado e experiência prática de aprendizado para ajudá-los reinsira a força de trabalho com sucesso; e
Treinamento de carreira STEM para mulheres: programas em todo o mundo para ajudar as meninas a obter uma base sólida em STEM e iniciativas para ajudar as mulheres a entrar no setor de tecnologia.
Metodologia
O estudo do MIT-IBM Watson AI Lab, O futuro do trabalho: como as novas tecnologias estão transformando tarefas, aplica a adequação à rubrica de aprendizado de máquina (SML) (Brynjolfsson, Mitchell e Rock, 2018, O que as máquinas podem aprender e o que isso significa ocupações e economia?) para 170 milhões de vagas de emprego on-line nos EUA fornecidas pela Burning Glass Technologies. A análise primária foi realizada usando técnicas de aprendizado de máquina IBM em dados de 2010-2017.
