De toekomst van werk: Nemen robots mijn baan over?

Toen Amerikaanse banken in de jaren negentig massaal geldautomaten begonnen te installeren, leken de menselijke kassiers die in die banken werkten, snel verouderd te zijn. Als machines de klok rond zelf geld konden uitdelen en stortingen konden accepteren, wie had er dan nog mensen nodig?

De banken eigenlijk wel. Het is waar dat de ATM’s het mogelijk maakte om filialen te runnen met veel minder werknemers: 13 gemiddeld, in plaats van 20. Maar de kostenbesparingen moedigden de moederbanken alleen maar aan om zoveel nieuwe filialen te openen dat de totale werkgelegenheid van kassiers in feite omhoog ging.

Je kunt soortgelijke verhalen vinden op gebieden als financiën, gezondheidszorg, onderwijs en recht, zegt James Bessen, de econoom van de Boston University die zijn collega’s in 2015 attent maakte op het ATM-verhaal. “Het argument is niet dat automatisering altijd meer banen oplevert,” zegt hij, “maar dat het kan en vaak doet.”

Dat is een les die het waard is om te onthouden bij het luisteren naar de steeds meer beladen voorspellingen over de toekomst van werk in het tijdperk van robots en kunstmatige intelligentie. Denk aan auto’s zonder chauffeur, of overtuigend menselijke spraaksynthese, of griezelig levensechte robots die kunnen rennen, springen en deuren openen op hun eigen: Gezien de razendsnelle vooruitgang in dergelijke toepassingen, hoe lang zal er nog iets te doen zijn voor mensen?

Die vraag heeft zijn meest apocalyptische formulering gekregen door figuren zoals Tesla- en SpaceX-oprichter Elon Musk en de overleden natuurkundige Stephen Hawking. Beiden hebben publiekelijk gewaarschuwd dat de machines uiteindelijk de menselijke capaciteiten zullen overstijgen, onze controle zullen overstijgen en misschien zelfs de ineenstorting van de menselijke beschaving zullen veroorzaken. Maar zelfs minder dramatische waarnemers maken zich zorgen. Toen het Pew Research Center in 2014 bijna 1.900 technologie-experts ondervroeg over de toekomst van werk, was bijna de helft ervan overtuigd dat kunstmatig intelligente machines binnenkort zouden leiden tot een versneld verlies van banen – bijna 50 procent tegen het begin van 2030, volgens een veel geciteerde analyse. Het onvermijdelijke resultaat, zo vreesden zij, zou massale werkloosheid zijn en een sterke toename van de nu al zorgwekkende inkomensongelijkheid. En dat zou inderdaad kunnen leiden tot een ineenstorting van de sociale orde.

Of misschien ook niet. “Het is altijd gemakkelijker om je de banen voor te stellen die vandaag bestaan en mogelijk worden vernietigd dan om je de banen voor te stellen die vandaag niet bestaan en mogelijk worden gecreëerd,” zegt Jed Kolko, hoofdeconoom bij de online vacaturebank Indeed. Veel, zo niet de meeste, deskundigen op dit gebied zijn voorzichtig optimistisch over de werkgelegenheid – al was het maar omdat het voorbeeld van de geldautomaat en vele andere laat zien hoe contra-intuïtief de gevolgen van automatisering kunnen zijn. Machine-intelligentie is nog ver verwijderd van het volledige scala van menselijke vermogens, aldus Bessen. Zelfs als je de ontwikkelingen meerekent die nu in de pijplijn zitten, zegt hij, “hebben we de komende 10 of 20 jaar weinig reden om ons zorgen te maken over massale werkloosheid.”

Dus – welke kant zal het opgaan?

Er is geen manier om het zeker te weten totdat de toekomst hier is, zegt Kolko. Maar misschien, voegt hij eraan toe, is dat niet de juiste vraag: “Het debat over het totale effect op banenverlies versus banenwinst verblindt ons voor andere kwesties die er hoe dan ook toe zullen doen” – zoals hoe banen zouden kunnen veranderen in het aangezicht van AI en robotica, en hoe de samenleving die verandering zal beheren. Zullen deze nieuwe technologieën bijvoorbeeld worden gebruikt als gewoon een nieuwe manier om menselijke werknemers te vervangen en kosten te besparen? Of zullen ze worden gebruikt om werknemers te helpen, waardoor ze unieke menselijke vaardigheden kunnen uitoefenen, zoals het oplossen van problemen en creativiteit? “Er zijn veel verschillende mogelijke manieren waarop we de toestand van de wereld zouden kunnen configureren,” zegt Derik Pridmore, CEO van Osaro, een in San Francisco gevestigd bedrijf dat AI-software voor industriële robots maakt, “en er zijn veel keuzes die we moeten maken.”

Automatisering en banen: lessen uit het verleden

In de Verenigde Staten kan het debat van vandaag over kunstmatig intelligente machines en banen niet anders dan gekleurd worden door herinneringen aan de afgelopen vier decennia, toen het totale aantal werknemers in dienst van Amerikaanse autofabrikanten, staalfabrieken en andere fabrikanten begon aan een lange, langzame daling van een hoogtepunt van 19.5 miljoen in 1979 tot ongeveer 17,3 miljoen in 2000 – gevolgd door een steile daling tot een dieptepunt van 11,5 miljoen in de nasleep van de Grote Recessie van 2007-2009. (Het totaal heeft zich sindsdien licht hersteld tot ongeveer 12,7 miljoen; in andere sterk geautomatiseerde landen zoals Duitsland en Japan werden grotendeels vergelijkbare veranderingen waargenomen). Komend bovenop een stagnatie in de loongroei sinds ongeveer 1973, was de ervaring traumatisch.

Terecht, zegt Bessen, kan automatisering onmogelijk de hele reden zijn voor de daling. “Als je teruggaat naar de voorgaande honderd jaar,” zegt hij, “automatiseerde de industrie even snel of sneller, en groeide de werkgelegenheid robuust.” Dat is hoe we miljoenen fabrieksarbeiders in de eerste plaats hebben gekregen. In plaats daarvan wijten economen de daling van de werkgelegenheid aan een samenloop van factoren, waaronder globalisering, de neergang van vakbonden en een bedrijfscultuur in de Verenigde Staten uit het 1980-tijdperk die de nadruk legde op inkrimping, kostenbesparing en kwartaalwinsten boven alles.

Maar automatisering was zeker een van die factoren. “In de drang om kosten te besparen, kozen we collectief de weg van de minste weerstand”, zegt Prasad Akella, een roboticus die oprichter en CEO is van Drishti, een start-upbedrijf in Palo Alto, Californië, dat AI gebruikt om werknemers te helpen hun prestaties aan de lopende band te verbeteren. “En dat was: ‘Laten we het naar het goedkoopste centrum offshoren, zodat de arbeidskosten laag zijn. En als we het niet kunnen offshoren, laten we het dan automatiseren.”

AI en robots op de werkplek

Automatisering heeft vele vormen aangenomen, waaronder computergestuurde staalfabrieken die door slechts een handvol werknemers kunnen worden bediend, en industriële robots, mechanische armen die kunnen worden geprogrammeerd om een gereedschap zoals een verfspuit of een lastoorts door een opeenvolging van bewegingen te bewegen. Dergelijke robots worden sinds de jaren zeventig in gestaag toenemende aantallen gebruikt. Momenteel zijn er wereldwijd ongeveer 2 miljoen industriële robots in gebruik, vooral in assemblagelijnen voor auto’s en elektronica, die elk de plaats innemen van een of meer menselijke arbeiders.

Het onderscheid tussen automatisering, robotica en AI is weliswaar nogal vaag – en wordt steeds vager, nu bestuurderloze auto’s en andere geavanceerde robots kunstmatig intelligente software in hun digitale brein gebruiken. Maar een ruwe vuistregel is dat robots fysieke taken uitvoeren waarvoor vroeger menselijke intelligentie nodig was, terwijl AI-software cognitieve taken op menselijk niveau probeert uit te voeren, zoals het begrijpen van taal en het herkennen van beelden. Automatisering is een overkoepelende term die niet alleen beide omvat, maar ook gewone computers en niet-intelligente machines.

AI’s taak is het zwaarst. Vóór ongeveer 2010 werden de toepassingen beperkt door een paradox waarop de filosoof Michael Polanyi in 1966 beroemd heeft gewezen: “We kunnen meer weten dan we kunnen vertellen” – wat betekent dat de meeste vaardigheden die ons door de dag helpen, geoefend zijn, onbewust en bijna onmogelijk te verwoorden. Polanyi noemde deze vaardigheden stilzwijgende kennis, in tegenstelling tot de expliciete kennis die in leerboeken te vinden is.

Stel je voor dat je probeert uit te leggen hoe je precies weet dat een bepaald patroon van pixels een foto van een puppy is, of hoe je veilig een bocht naar links kunt nemen tegen het tegemoetkomende verkeer in. (Het klinkt gemakkelijk genoeg om te zeggen “wacht op een opening in het verkeer” – totdat je probeert een “opening” goed genoeg te definiëren zodat een computer die kan herkennen, of om precies te definiëren hoe groot de opening moet zijn om veilig te zijn). Dit soort stilzwijgende kennis bevatte zoveel subtiliteiten, speciale gevallen en dingen gemeten op “gevoel” dat er geen manier leek voor programmeurs om het te extraheren, laat staan het te coderen in een nauwkeurig gedefinieerd algoritme.

Dag, natuurlijk, zelfs een smartphone-app kan puppyfoto’s herkennen (meestal), en autonome voertuigen maken routinematig die linkerbochten (hoewel niet altijd perfect). Wat in de afgelopen tien jaar is veranderd, is dat AI-ontwikkelaars nu enorme computerkracht kunnen gooien op enorme datasets – een proces dat bekend staat als “deep learning”. Dit komt erop neer dat de machine een ziljoen foto’s van puppy’s en een ziljoen foto’s van niet-puppy’s te zien krijgt, waarna de AI-software een ziljoen interne variabelen aanpast totdat het de foto’s correct kan identificeren.

Hoewel dit deep learning-proces niet bijzonder efficiënt is – een mensenkind hoeft maar één of twee puppy’s te zien – heeft het een transformerend effect gehad op AI-toepassingen zoals autonome voertuigen, automatische vertaling en alles waarvoor stem- of beeldherkenning nodig is. En dat is waar mensen van schrikken, zegt Jim Guszcza, US chief data scientist bij Deloitte Consulting in Los Angeles: “Wow – dingen die vroeger stilzwijgende kennis vereisten, kunnen nu door computers worden gedaan!” Aldus de nieuwe ongerustheid over massaal banenverlies in vakgebieden als rechten en journalistiek die zich nooit eerder zorgen hoefden te maken over automatisering. En dus de vele voorspellingen van snelle veroudering voor winkelbedienden, beveiligers en fast-food werknemers, maar ook voor chauffeurs van vrachtwagens, taxi’s, limousines en bestelwagens.

Met mijn collega, de robot

Maar toen werden bankbedienden ook verondersteld verouderd te raken. Wat er in plaats daarvan gebeurde, zegt Bessen, was dat automatisering via geldautomaten niet alleen de markt voor kassiers uitbreidde, maar ook de aard van de baan veranderde: Naarmate kassiers minder tijd besteedden aan het verwerken van contanten, besteedden ze meer tijd aan het praten met klanten over leningen en andere bankdiensten. “Bessen: “En omdat de interpersoonlijke vaardigheden belangrijker zijn geworden, zijn de salarissen van bankbedienden licht gestegen en is het aantal voltijdse in plaats van deeltijdse kassiersfuncties gestegen. “Dus het is een veel rijker beeld dan mensen zich vaak voorstellen,” zegt hij.

Dergelijke verhalen kunnen in veel andere industrieën worden gevonden. (Zelfs in het tijdperk van online winkelen en self-checkout, bijvoorbeeld, gaan de werkgelegenheidscijfers voor de detailhandel slim omhoog). Het feit is dat, zelfs nu, het heel moeilijk is om menselijke werknemers volledig te vervangen.

Staalfabrieken zijn een uitzondering die de regel bewijst, zegt Bryan Jones, CEO van JR Automation, een bedrijf in Holland, Michigan, dat verschillende vormen van hardware en software integreert voor industriële klanten die willen automatiseren. “Een staalfabriek is echt een vervelende, zware omgeving,” zegt hij. Maar het proces zelf – smelten, gieten, walsen, enzovoort – is in wezen hetzelfde, ongeacht het soort staal dat je maakt. De staalfabrieken zijn dus relatief gemakkelijk te automatiseren, zegt hij, en dat is de reden waarom de staalindustrie zoveel banen heeft geschrapt.

Wanneer mensen beter zijn

“Waar het moeilijker wordt om te automatiseren is wanneer je veel variabiliteit en maatwerk hebt,” zegt Jones. “Dat is een van de dingen die we nu in de auto-industrie zien: De meeste mensen willen iets dat op hen is afgestemd,” met een persoonlijke keuze van kleur, accessoires of zelfs voor- en achtergrills. Elk voertuig dat van de lopende band komt, kan een beetje anders zijn.

Het is niet onmogelijk om dat soort flexibiliteit te automatiseren, zegt Jones. Kies een taak, en er is waarschijnlijk een laboratorium robot ergens die het onder de knie heeft. Maar dat is niet hetzelfde als het kosteneffectief doen, op schaal. In de echte wereld, zoals Akella aangeeft, zijn de meeste industriële robots nog steeds grote, blinde machines die hun bewegingen uitvoeren ongeacht wie of wat er in de weg staat, en die om veiligheidsredenen van mensen moeten worden afgeschermd. Met zulke machines, zegt hij, “vereist flexibiliteit een hoop herscholing en een hoop programmering – en dat gebeurt niet van de ene dag op de andere.”

Zet dat eens af tegen menselijke arbeiders, zegt Akella. Het herprogrammeren is eenvoudig: “Je loopt gewoon de fabrieksvloer op en zegt: ‘Jongens, vandaag maken we dit in plaats van dat.'” En beter nog, mensen komen uitgerust met vaardigheden die weinig robotarmen kunnen evenaren, waaronder fijne motorische controle, hand-oog coördinatie en een talent voor het omgaan met het onverwachte.

Dit alles is de reden waarom de meeste automakers vandaag niet proberen om alles op de assemblagelijn te automatiseren. (Een paar van hen hebben het in het begin wel geprobeerd, zegt Bessen. Maar hun faciliteiten eindigden meestal zoals General Motors’ Detroit-Hamtramck assemblagefabriek, die al snel een debugging-nachtmerrie werd na de opening in 1985: de robots verfden elkaar net zo vaak als ze de Cadillacs verfden). In plaats daarvan beperken bedrijven als Toyota, Mercedes-Benz en General Motors de grote, domme, omheinde robots tot taken die vuil, gevaarlijk en repetitief zijn, zoals lassen en spuiten. En ze sturen hun menselijke werknemers naar plaatsen zoals de eindassemblage, waar ze de laatste stukken in elkaar kunnen zetten terwijl ze controleren op uitlijning, pasvorm, afwerking en kwaliteit – en of het eindproduct overeenkomt met het maatwerkverzoek van de klant.

Om die menselijke werknemers te helpen, investeren veel fabrikanten (en niet alleen autofabrikanten) bovendien zwaar in collaboratieve robots, of “cobots” – een van de snelstgroeiende categorieën van industriële automatisering van dit moment.

Samenwerkende robots: Machines werken met mensen

Cobots zijn nu verkrijgbaar bij ten minste een half dozijn bedrijven. Maar ze zijn allemaal gebaseerd op concepten die zijn ontwikkeld door een team onder leiding van Akella in het midden van de jaren negentig, toen hij stafingenieur was bij General Motors. Het doel was om robots te bouwen die veilig zijn om in de buurt te zijn, en die kunnen helpen bij stressvolle of repetitieve taken, terwijl de controle nog steeds bij de menselijke werknemers blijft.

Om een gevoel voor het probleem te krijgen, zegt Akella, stel je voor dat je een batterij van een transportband oppakt, twee stappen loopt, hem in de auto laat vallen en dan teruggaat voor de volgende – één keer per minuut, acht uur per dag. “Ik heb dat werk zelf gedaan,” zegt Akella, “en ik kan u verzekeren dat ik zeer pijnlijk thuiskwam.” Of stel je voor dat je een “cockpit” van 150 pond oppakt – het dashboard van de auto, met alle bijbehorende instrumenten, displays en airconditioningsapparatuur – en het op zijn plaats manoeuvreert door de deuropening van de auto zonder iets te breken.

Het bedenken van een robot die bij dergelijke taken kon helpen, was destijds een vrij nieuwe onderzoeksuitdaging, zegt Michael Peshkin, een mechanisch ingenieur aan de Northwestern University in Evanston, Illinois, en een van de verschillende externe onderzoekers die Akella in zijn team opnam. “Het ging erom de autonomie van robots te vergroten, hun detectievermogen te verbeteren en hun vermogen om te gaan met variabiliteit,” zegt hij. Maar tot dit project kwam, had niemand zich al te zeer gericht op het vermogen van robots om met mensen samen te werken.

Dus voor hun eerste cobot begonnen hij en zijn Northwestern-collega Edward Colgate met een heel eenvoudig concept: een klein karretje uitgerust met een stel heffers dat bijvoorbeeld de cockpit zou ophijsen, terwijl de menselijke arbeider het op zijn plaats begeleidde. Maar het karretje was niet alleen passief, zegt Peshkin: Hij voelde zijn positie aan en draaide zijn wielen om binnen een “virtueel beperkingsoppervlak” te blijven – in feite een onzichtbare trechter in de lucht die de cockpit zonder een krasje door de deur en op zijn plaats zou loodsen. De arbeider kon dan de uiteindelijke pasvorm en bevestigingen zonder inspanning controleren.

Een ander door GM gesponsord prototype verving de kar door een door de arbeider geleide robotarm die auto-onderdelen kon optillen terwijl hij aan een beweegbaar ophangpunt aan het plafond hing. Maar het deelde hetzelfde principe van machinehulp plus arbeiderscontrole – een principe dat van cruciaal belang bleek te zijn toen Peshkin en zijn collega’s hun prototypes uitprobeerden op de assemblagelijnarbeiders van General Motors.

“We verwachtten veel weerstand,” zegt Peshkin. “Maar in feite waren ze gastvrij en behulpzaam. Ze begrepen volledig het idee om hun ruggen te beschermen tegen blessures.” En net zo belangrijk, de werknemers hielden van het gebruik van de cobots. Ze vonden het fijn om iets sneller of iets langzamer te kunnen gaan als ze daar zin in hadden. “Met een auto die elke 52 seconden langskomt,” zegt Peshkin, “was dat kleine beetje autonomie echt belangrijk.” En ze vonden het leuk om deel uit te maken van het proces. “Mensen willen hun vaardigheden laten zien,” zegt hij. “Ze genieten ervan hun lichaam te gebruiken, plezier te hebben in hun eigen beweging.” En de cobots gaven hen dat, zegt hij: “Je kon langs het virtuele oppervlak duiken, de cockpit naar binnen leiden en genieten van de beweging op een manier die vaste machines niet toestonden.”

AI en zijn grenzen

Akella’s huidige bedrijf, Drishti, meldt een vergelijkbare verwelkomende reactie op zijn op AI gebaseerde software. De details zijn vertrouwelijk, zegt Akella. Maar het basisidee is om geavanceerde computervisietechnologie te gebruiken om enigszins te functioneren als een GPS voor de assemblagelijn, waarbij werknemers afslag-voor-afslag instructies en waarschuwingen krijgen terwijl ze gaan. Stel dat een arbeider een iPhone in elkaar aan het zetten is, legt hij uit, en de camera die van bovenaf meekijkt denkt dat slechts drie van de vier schroeven vastzitten: “We waarschuwen de werknemer en zeggen: ‘Hé, zorg ervoor dat je die schroef ook vastdraait voordat hij de lijn afgaat.'”

Dit heeft zijn Big Brother-aspecten, geeft Drishti’s marketingdirecteur, David Prager, toe. “Maar we hebben veel voorbeelden van operators op de werkvloer die zeer betrokken raken en uiteindelijk zeer waarderend zijn,” zegt hij. “Ze weten heel goed dat automatisering en robotisering op hen afkomen, en ze zien heel snel dat dit een instrument is dat hen helpt efficiënter en preciezer te werken en dat uiteindelijk waardevoller is voor het bedrijf. Het bedrijf is dus meer bereid om in zijn mensen te investeren, in plaats van ze uit de vergelijking te halen.”

Dit thema – technologie gebruiken om mensen te helpen hun werk te doen in plaats van mensen te vervangen – zal waarschijnlijk nog lange tijd een kenmerk zijn van AI-toepassingen. Net als bij robotica, zijn er nog steeds een aantal belangrijke dingen die AI niet kan doen.

Neem bijvoorbeeld medicijnen. Deep learning heeft al software voortgebracht die röntgenstralen net zo goed of beter kan interpreteren dan menselijke radiologen, zegt Darrell West, een politicoloog die innovatie bestudeert aan het Brookings Institution in Washington, DC. “Maar we zullen niet willen dat de software iemand vertelt: ‘Je hebt net een mogelijke diagnose van kanker gekregen'”, zegt hij. “Je hebt nog steeds een radioloog nodig om de AI te controleren, om er zeker van te zijn dat wat het heeft waargenomen ook echt het geval is” – en dan, als de resultaten slecht zijn, een kankerspecialist om het nieuws aan de patiënt te vertellen en te beginnen met het plannen van een behandelingskuur.

Zo ook in de advocatuur, waar AI een enorme hulp kan zijn bij het vinden van precedenten die relevant zouden kunnen zijn voor een zaak – maar niet bij het interpreteren ervan, of het gebruiken ervan om een zaak in de rechtbank op te bouwen. Meer in het algemeen, zegt Guszcza, is AI op basis van deep-learning heel goed in het identificeren van kenmerken en het richten van de aandacht waar dat nodig is. Maar het schiet tekort als het gaat om zaken als het omgaan met verrassingen, het integreren van veel verschillende kennisbronnen en het toepassen van gezond verstand – “alle dingen waar mensen heel goed in zijn.”

En vraag de software niet om echt te begrijpen waar het mee te maken heeft, zegt Guszcza. Tijdens de verkiezingscampagne van 2016, om Google’s Translate-hulpprogramma te testen, probeerde hij een klassiek experiment: Neem een kop – “Hillary gooit de deur dicht voor Bernie” – en vraag Google dan om het te vertalen van Engels naar Bengaals en weer terug. Resultaat: “Barney slaat de deur in bij Clinton.” Een jaar later, nadat Google een enorme upgrade van Translate had gedaan met behulp van deep learning, herhaalde Guszcza het experiment met als resultaat: “Hillary Barry opende de deur.”

“Ik zie geen bewijs dat we volledige common-sense redenering gaan bereiken met de huidige AI,” zegt hij, een punt echoënd dat door veel AI-onderzoekers zelf is gemaakt. In september 2017, bijvoorbeeld, vertelde deep learning-pionier Geoffrey Hinton, een computerwetenschapper aan de Universiteit van Toronto, de nieuwssite Axios dat het veld een aantal fundamenteel nieuwe ideeën nodig heeft als onderzoekers ooit hopen AI op menselijk niveau te bereiken.

Baanevolutie

De beperkingen van AI zijn een andere reden waarom economen zoals Bessen niet zien dat het op korte termijn massale werkloosheid zal veroorzaken. “Bij automatisering gaat het bijna altijd om het automatiseren van een taak, niet van de hele baan”, zegt hij, een punt dat door vele anderen naar voren is gebracht. En hoewel elke baan op zijn minst een paar routinetaken heeft die baat zouden kunnen hebben bij AI, zijn er maar heel weinig banen die helemaal routinematig zijn. Bessen: “Toen hij systematisch alle banen bekeek die in de volkstelling van 1950 werden opgesomd, was er maar één beroep waarvan je kon zeggen dat het duidelijk niet meer bestond: liftbedieners. Er waren er 50.000 in 1950, en vandaag eigenlijk geen.

Aan de andere kant heb je geen massale werkloosheid nodig om massale omwentelingen op de werkplek te hebben, zegt Lee Rainie, directeur van internet- en technologieonderzoek bij het Pew Research Center in Washington, DC. “De experts zijn het er nauwelijks over eens of robotica en kunstmatige intelligentie zullen leiden tot meer banen of minder banen,” zegt hij, “maar ze zullen zeker banen veranderen. Iedereen verwacht dat deze grote uitsortering van vaardigheden en functies zo ver het oog reikt zal doorgaan.”

Erger nog, zegt Rainie, “de meest bezorgde experts in onze steekproef zeggen dat we nog nooit in de geschiedenis zo snel met dit niveau van verandering te maken hebben gehad.” Het gaat niet alleen om informatietechnologie, of kunstmatige intelligentie, of robotica, zegt hij. Het gaat ook om nanotechnologie, biotechnologie, 3D-printing, communicatietechnologieën – en ga zo maar door. “

Voorbereiding op de toekomst van werk

Als dat zo is, zou het resulterende tijdperk van voortdurende baanveranderingen een aantal radicale veranderingen in de bredere samenleving kunnen afdwingen. Suggesties van de deskundigen van Pew en anderen omvatten een grotere nadruk op permanente educatie en herscholing voor volwassenen die nieuwe vaardigheden zoeken, en een sociaal vangnet dat is vernieuwd om mensen te helpen van baan naar baan en van plaats naar plaats te gaan. Er is zelfs opkomende steun in de tech-sector voor een soort gegarandeerd jaarlijks inkomen, op basis van de theorie dat de vooruitgang in AI en robotica uiteindelijk de huidige beperkingen zal overstijgen en massale verstoringen van de werkplek onvermijdelijk zal maken, wat betekent dat mensen een buffer nodig zullen hebben.

Dit is het soort discussie dat echt heel snel politiek wordt. En op dit moment, zegt Rainie, tonen de opiniepeilingen van Pew aan dat het niet echt op de radar van het publiek staat: “Er zijn veel doorsnee mensen, doorsnee werknemers die zeggen: ‘Ja, iedereen wordt hierdoor in de problemen gebracht – maar ik niet. Mijn bedrijf staat er goed voor. Ik kan me niet voorstellen hoe een machine of een stuk software mij zou kunnen vervangen.””

Maar het is een discussie die dringend gevoerd moet worden, zegt West. Als we alleen al kijken naar wat er al in de pijplijn zit, zegt hij, “zal de volledige technologische revolutie tussen 2020 en 2050 plaatsvinden. Dus als we nu veranderingen doorvoeren en de dingen in de komende 20 jaar geleidelijk invoeren, is het heel goed beheersbaar. Maar als we wachten tot 2040, zal het waarschijnlijk onmogelijk te hanteren zijn.”

Opmerking van de redacteur: Dit verhaal werd op 1 augustus bijgewerkt om de details van een experiment van Jim Guszcza te corrigeren. Het verhaal zei oorspronkelijk dat een experiment tijdens de verkiezingscampagne van 2016 werd uitgevoerd om te zien hoeveel deep learning Google’s Translate-vermogen had verbeterd; in feite werd het experiment van 2016 uitgevoerd voordat Google Translate volledig had geüpgraded met deep learning. De eerste test werd gedaan met de kop “Hillary slams the door on Bernie,” niet “Bernie slams the door on Hillary” zoals oorspronkelijk vermeld. De kop die resulteerde na vertaling van Engels naar Bengaals en weer terug was “Barney slam the door on Clinton,” niet “Barry is blaming the door on Hillary’s door.” De deep-learning verbeteringen werden een jaar later getest met dezelfde initiële kop en de resulterende kop na de vertaling naar het Bengaals en terug was “Hillary Barry opende de deur.”