Boom wydatków Big Tech na AI nie doprowadził do trwałego zmniejszenia zatrudnienia

Google News ujawnił uderzający zwrot w największych amerykańskich firmach technologicznych: trzy lata kampanii na rzecz efektywności nie przyniosły trwałego zmniejszenia zatrudnienia.

Google, Amazon, Meta i Microsoft zlikwidowały łącznie około 100 000 stanowisk po pandemicznej fali rekrutacji. Mimo to ich całkowite zatrudnienie i koszty związane z pracą nie poddały się stałemu spadkowi zapowiadanemu przez najbardziej głośne prognozy dotyczące AI.

Nie chodzi wyłącznie o starcie ludzi z maszynami. To konflikt między obietnicą zarządów dotyczącą szczupłych, zautomatyzowanych firm a kosztowną rzeczywistością budowania, obsługi i sprzedaży produktów AI.

Firmy generują większe przychody, intensywnie inwestują w infrastrukturę i reorganizują zespoły wokół sztucznej inteligencji. Odkrywają też, że systemy AI wymagają inżynierów, handlowców, specjalistów ds. bezpieczeństwa, menedżerów produktów i ludzkich recenzentów.

To sprawia, że ten zwrot jest ważniejszy niż kolejna fala rekrutacji lub zwolnień. Big Tech nie eliminuje pracy ludzkiej w prosty, liniowy sposób. Zmienia natomiast to, w których pracowników inwestuje, które role tracą znaczenie i jak dużą niepewność muszą absorbować zatrudnieni.

Wykres stojący za zwrotem w Big Tech

Big Tech zmniejszył zatrudnienie po 2022 roku, ale liczba pracowników nie kurczyła się dalej wraz z przyspieszeniem inwestycji w AI.

Analiza zatrudnienia Washington Post przeanalizowała dane o zatrudnieniu i ujawnienia finansowe Amazona, Google, Mety i Microsoftu. Jej wykres uchwycił wzorzec, który pojedyncze ogłoszenia o zwolnieniach zacierały.

Cztery firmy szybko rozrosły się w czasie pandemii. Usługi cyfrowe stały się niezbędne, reklama internetowa gwałtownie wzrosła, a kadra zarządzająca przygotowywała się na trwałe zmiany w zachowaniach konsumentów.

Prognoza ta okazała się zbyt optymistyczna. Wzrost się unormował, finansowanie stało się droższe, a inwestorzy zaczęli domagać się większej efektywności.

Kierownictwa odpowiedziały zwolnieniami, spłaszczeniem struktur zarządzania i zaostrzeniem standardów wyników. Według analizy Post cztery firmy łącznie zlikwidowały około 100 000 miejsc pracy po pojawieniu się szczepionek przeciwko koronawirusowi.

Spodziewany kolejny etap wydawał się prosty. Generatywna AI miała zautomatyzować więcej zadań, produktywność miała wzrosnąć, a firmy technologiczne miały osiągać większe wyniki przy mniejszej liczbie pracowników.

Ten klarowny scenariusz nigdy się nie urzeczywistnił.

Amazon, Google i Meta zatrudniają obecnie łącznie mniej więcej tyle samo osób, co w okolicach szczytu rekrutacji w 2022 roku. Koszty zatrudnienia również zaczęły ponownie rosnąć, gdy firmy rywalizowały o rzadkie kompetencje w dziedzinie AI.

Microsoft podążył podobnym schematem. Jego zatrudnienie spadło po znaczących redukcjach, jednak firma nadal rekrutowała do obszarów infrastruktury chmurowej, cyberbezpieczeństwa, badań nad AI i wdrożeń u klientów.

Wydatki na badania i rozwój dodają kolejną warstwę. Według tej samej analizy w Google, Mecie i Amazonie koszty badań pochłaniały większą część przychodów niż w 2022 roku. Microsoft odnotował nieco odmienny wzorzec, ale jego ogólne zobowiązania związane z AI pozostały ogromne.

Wydatki te obejmują więcej niż wynagrodzenia pracowników. Pokrywają także sprzęt, obiekty, oprogramowanie i usługi zewnętrzne. Mimo to podważają pogląd, że AI automatycznie przekształca działalność technologiczną w tańszy biznes.

Wykres nie dowodzi, że automatyzacja zawiodła. Pokazuje, że transformacja wymagała kosztownego zastępowania zasobów, eksperymentowania i ekspansji.

Firmy mogą likwidować jeden zespół, jednocześnie budując inny. Mogą automatyzować rutynowe programowanie, zatrudniając specjalistów do oceny modeli, zabezpieczania infrastruktury i integrowania narzędzi z systemami klientów.

To rozróżnienie ma znaczenie, gdy Google News zapełnia się informacjami o kolejnych zwolnieniach w branży technologicznej. Redukcja wskazuje, kto odchodzi dziś. Nie ujawnia jednak docelowej wielkości ani struktury firmy.

Ten zwrot ma więc charakter strukturalny, a nie sentymentalny. Big Tech nie tylko pożałował zwolnień. Jego liderzy odkryli, że AI zmienia popyt na pracę, zanim niezawodnie go zmniejszy.

Nagłówki Google News ukrywają znacznie większą zmianę w wydatkach

Zwolnienia sugerują oszczędności, lecz wydatki kapitałowe pokazują, że firmy przekierowują zasoby na wyjątkowo kosztowną rozbudowę mocy obliczeniowych.

Według majowej analizy Post czterej giganci technologiczni planowali ponad 700 miliardów dolarów łącznych rocznych nakładów inwestycyjnych. Znaczna część tych inwestycji wspiera centra danych AI, sprzęt sieciowy, chipy, budynki i infrastrukturę energetyczną.

Ta kwota zmienia sposób interpretowania zwolnień. Firma może ograniczać listę płac, jednocześnie zwiększając swoją ogólną bazę kosztową. Może też przedstawiać redukcję jako efekt automatyzacji, gdy bezpośrednia presja wynika z wydatków na infrastrukturę.

Modele AI wymagają ogromnych mocy obliczeniowych podczas trenowania i regularnego działania. Obsługa milionów użytkowników wymaga także centrów danych, sieci, chłodzenia, energii elektrycznej i wyspecjalizowanych zespołów technicznych.

Koszty te pojawiają się, zanim firmy dowiedzą się, które usługi zapewnią trwałe zwroty. Rezultatem jest presja, by ograniczać ugruntowane funkcje, jednocześnie chroniąc spekulacyjne programy AI.

Niektóre zwolnienia niewątpliwie wynikają z automatyzacji. Asystent programistyczny może obsłużyć powtarzalny kod, system wsparcia może odpowiadać na rutynowe pytania, a platforma reklamowa może tworzyć podstawowe materiały kampanii.

Jednak kadra zarządzająca często wymienia jednocześnie kilka motywów. Wskazuje na restrukturyzację, wolniejszy wzrost, powielające się warstwy zarządzania, zmianę priorytetów i efektywność wspieraną przez AI.

Ta niejednoznaczność sprawia, że proste zliczanie automatyzacji jest niemal niemożliwe. Stanowisko zlikwidowane w cyklu inwestycyjnym AI nie musi oznaczać pracy wykonywanej przez model.

Marc Andreessen, członek rady dyrektorów Mety i inwestor venture capital, argumentował, że firmy czasem wykorzystują AI jako wygodne wyjaśnienie dla konwencjonalnej restrukturyzacji. Dyrektor generalny OpenAI Sam Altman przedstawił podobną krytykę odruchowego przypisywania każdej redukcji zatrudnienia tej technologii.

Twierdzenie to zasługuje na analizę, ponieważ firmy mają silne zachęty, by podkreślać efektywność. Inwestorzy zwykle nagradzają dowody, że wysokie wydatki na AI przyniosą niższe koszty operacyjne lub szybszy wzrost przychodów.

Nazwanie redukcji „napędzaną przez AI” może więc służyć dwóm przekazom. Mówi inwestorom, że zarządzanie jest zdyscyplinowane, a pozostałym pracownikom — że automatyzacja jest nieunikniona.

Dane finansowe pozostają bardziej złożone. Wynagrodzenia techniczne są kosztowne, czołowi badacze AI są obiektem intensywnej rywalizacji, a nowe produkty wymagają funkcji sprzedażowych i wsparcia.

Centra danych potrzebują też ludzi poza zespołami programistycznymi. Firmy potrzebują pracowników budowlanych, specjalistów elektrycznych, inżynierów sieciowych, personelu bezpieczeństwa, techników i planistów energetycznych.

Część tych stanowisk znajduje się poza samymi firmami technologicznymi. Wykonawcy i dostawcy mogą się rozrastać, nawet gdy klient raportuje bardziej płaską liczbę zatrudnionych.

Ten ruch sprawia, że firmowe dane o zatrudnieniu są niepełną miarą. Mogą pomijać pracę zlecaną na zewnątrz, pracowników tymczasowych, konsultantów i osoby zatrudnione przez partnerów infrastrukturalnych.

Zmiana wydatków wyjaśnia także, dlaczego organizacje mogą wyglądać na szczuplejsze, nie stając się prostsze. Mniejsza liczba warstw zarządzania może pozostawić pracownikom odpowiedzialność za więcej systemów, dostawców i zautomatyzowanych procesów.

Pracownicy stają się wtedy nadzorcami maszyn, a nie bezpośrednimi wykonawcami. Muszą sprawdzać wyniki, poprawiać błędy, dokumentować awarie i decydować, kiedy zadanie wymaga ludzkiego osądu.

Te obowiązki rzadko pojawiają się podczas demonstracji AI. Stają się widoczne dopiero wtedy, gdy system trafia do rzeczywistego procesu pracy z terminami, regulacjami, oczekiwaniami klientów i wymogami bezpieczeństwa.

Dlatego budżet kapitałowy firmy może opowiadać bardziej użyteczną historię niż pojedynczy nagłówek o zwolnieniach. Pieniądze pokazują, gdzie zarząd oczekuje przyszłego wzrostu, nawet jeśli nie potrafi jeszcze opisać docelowej struktury zatrudnienia.

Obietnice efektywności zderzają się z rzeczywistością zatrudnienia

Sednem rywalizacji jest obietnica trwałej efektywności pracy kontra nieustająca potrzeba wyspecjalizowanej pracy ludzi.

Podczas pierwszego boomu generatywnej AI kadra zarządzająca często przedstawiała modele jako szeroką warstwę zwiększającą produktywność. Pracownicy mieli wykonywać więcej pracy, zespoły miały się zmniejszać, a organizacje miały działać szybciej.

Stwierdzenia te łączyły kilka różnych rezultatów. Produktywność może rosnąć bez zmniejszania zatrudnienia. Firma może wykorzystać zaoszczędzony czas do tworzenia większej liczby funkcji, obsługi większej liczby klientów lub wejścia na nowe rynki.

Firmy technologiczne mają silne powody, by wybierać ekspansję. Oprogramowanie często wiąże się z niskimi kosztami dystrybucji, więc dodatkowe efekty pracy inżynierów mogą wspierać dodatkowe przychody.

Analityk Evercore ISI Mark Mahaney powiedział Post, że spodziewa się dalszego zwiększania zatrudnienia przez duże firmy technologiczne. Uzasadniał to tym, że bardziej produktywni programiści mogą realizować więcej projektów generujących przychody.

To klasyczny problem efektu odbicia w automatyzacji. Gdy dany zasób staje się bardziej produktywny, firmy nie zawsze zużywają go mniej. Czasem zwiększają jego wykorzystanie, ponieważ nowa działalność staje się atrakcyjna ekonomicznie.

Narzędzia AI do programowania ilustrują ten mechanizm. Asystent może przygotować testy, podsumować nieznany kod lub zaproponować implementację. Może to skrócić część prac rozwojowych.

Szybsze generowanie kodu może jednak prowadzić do powstania większej ilości kodu wymagającego przeglądu. Może także zwiększać liczbę prototypów, integracji i zobowiązań związanych z utrzymaniem.

Programista nadal musi ocenić architekturę, bezpieczeństwo, wydajność i założenia zawarte w wygenerowanym wyniku. Ta praca staje się ważniejsza, gdy systemy produkcyjne wpływają na klientów lub informacje wrażliwe.

Ten sam wzorzec pojawia się w obsłudze klienta. Zautomatyzowany agent może klasyfikować zgłoszenia i odpowiadać na przewidywalne pytania. Skomplikowane spory dotyczące rozliczeń, kwestie bezpieczeństwa i nietypowe problemy z kontami nadal wymagają eskalacji.

Zespoły sprzedażowe napotykają kolejne ograniczenie. AI może przygotowywać wiadomości kontaktowe i podsumowywać konta, lecz zakupy korporacyjne zależą od zaufania, negocjacji, kontroli zgodności i polityki organizacyjnej.

Nie oznacza to, że każda wyparta rola wraca. Firmy mogą trwale usuwać wąskie zadania, ograniczać liczbę stanowisk juniorskich lub przenosić pracę do tańszych wykonawców.

Oznacza to jednak, że stwierdzenie „AI zastąpiła tę pracę” jest często niepełne. Praca mogła zostać przeniesiona, podzielona lub powrócić w innej kategorii zawodowej.

Google stanowi użyteczny przykład, ponieważ działa po obu stronach tej transformacji. Tworzy modele i infrastrukturę, a jednocześnie wdraża AI do wyszukiwania, reklamy, oprogramowania zwiększającego produktywność i usług chmurowych.

Produkty te tworzą możliwości automatyzacji dla wewnętrznych zespołów Google. Generują też popyt na inżynierów, badaczy, specjalistów ds. sprzedaży, ewaluatorów bezpieczeństwa i wsparcie klientów.

Meta stoi przed podobną sprzecznością. Jej kierownictwo podkreślało bardziej szczupłą działalność, jednocześnie mocno angażując się w modele, systemy rekomendacji, automatyzację reklam i infrastrukturę obliczeniową.

Amazon może automatyzować procesy magazynowe, handlowe i korporacyjne. Jednocześnie jego dział chmurowy musi budować moce oraz pomagać klientom wdrażać złożone systemy AI.

Microsoft sprzedaje automatyzację pracy za pośrednictwem Copilot oraz usługi modelowe przez Azure. Nadal potrzebuje ludzi do zabezpieczania wdrożeń, wspierania klientów korporacyjnych i zarządzania globalną infrastrukturą.

Firmy te nie zmierzają wspólnie ku jednej idealnej organizacji. Każda z nich prowadzi wiele eksperymentów dotyczących pracy w różnych jednostkach biznesowych.

Dlatego najbardziej przekonująca interpretacja nie jest taka, że ludzie pokonali AI. Dowody wskazują raczej na przejście od szerokiego wzrostu zatrudnienia do selektywnej, stale ponownie ocenianej rekrutacji.

Wśród zwycięzców prawdopodobnie znajdą się osoby potrafiące definiować problemy, weryfikować zautomatyzowaną pracę i łączyć modele z rzeczywistymi systemami biznesowymi. Pracownicy skupieni na standaryzowanych zadaniach produkcyjnych są pod większą presją.

Dla pracowników umysłowych szczególnie cenne staje się zachowanie kontekstu. Narzędzia takie jak osobista baza wiedzy mogą zachowywać decyzje, źródła i historię projektów, których brakuje ogólnym modelom.

Ten kontekst nie gwarantuje bezpieczeństwa zatrudnienia. Ułatwia jednak wykazanie wartości ludzkiego osądu, gdy organizacje mierzą rezultaty, a nie widoczny wysiłek.

Odwrócenie trendu nie oznacza końca cyklu zwolnień

Stabilne łączne zatrudnienie może współistnieć z dotkliwą utratą miejsc pracy, słabszą pozycją negocjacyjną i trudniejszym rynkiem dla poszczególnych pracowników.

Łączny wynik korporacyjny traktuje każdego pracownika jak wymienialnego. Pracownicy doświadczają zwolnień zależnie od stanowiska, lokalizacji, poziomu doświadczenia, statusu imigracyjnego i wynagrodzenia.

Firma może zlikwidować tysiące ogólnych stanowisk programistycznych, jednocześnie zatrudniając mniejszą liczbę badaczy modeli. Łączne zatrudnienie może wyglądać stabilnie, choć struktura możliwości zmieniła się dramatycznie.

Wpływ jest szczególnie dotkliwy dla początkujących pracowników. Stanowiska entry-level tradycyjnie pozwalają uczyć się poprzez dokumentację, testowanie, rutynowe programowanie, badania i wsparcie operacyjne.

Są to również zadania, które systemy generatywne mogą częściowo wykonywać. Menedżerowie mogą likwidować stanowiska juniorskie, zanim ustalą, w jaki sposób przyszli starsi pracownicy zdobędą doświadczenie.

Opóźnione konsekwencje mogą ujawnić się po latach. Firmy, które przestają szkolić osoby na początku kariery, mogą ostatecznie stanąć przed niedoborem ludzi zdolnych do przeglądu złożonych systemów.

Rynek pracy już stał się mniej wyrozumiały. „Post” osobno informował o powszechnym poczuciu niepewności wśród pracowników wśród doświadczonych pracowników z Doliny Krzemowej.

W tym materiale przywołano ponad 800 000 ogłoszonych zwolnień w sektorze technologicznym od 2022 roku, na podstawie danych śledzonych przez Layoffs.fyi. Liczba obejmuje redukcje w różnych firmach, krajach i warunkach biznesowych.

Ogłoszone cięcia nie stanowią kontrolowanego pomiaru wypierania pracowników przez AI. Pokazują jednak, jak często pracownicy technologiczni musieli mierzyć się z reorganizacjami.

Szerszy rynek amerykański stanowi niezbędną przeciwwagę. Czerwcowy raport o zatrudnieniu z 2026 roku wykazał 162,3 mln zatrudnionych osób i stopę bezrobocia na poziomie 4,2 proc.

Zatrudnienie w sektorze informacji niewiele zmieniło się w kilku ostatnich raportach, zanim w czerwcu spadło o 9 000 stanowisk. Usługi profesjonalne i biznesowe dodały w tym miesiącu 36 000 miejsc pracy.

Te kategorie są szerokie. Sektor informacji obejmuje media i telekomunikację, podczas gdy usługi profesjonalne obejmują wiele zawodów poza dużymi platformami technologicznymi.

Dane krajowe nie mogą więc potwierdzić ani wykluczyć wpływu AI w konkretnych zawodach. Pokazują, dlaczego zwolnień w Big Tech nie należy traktować jako bezpośredniego wskaźnika całej gospodarki.

Kolejna niepewność dotyczy produktywności. Główny ekonomista Burning Glass Institute, Gad Levanon, powiedział „Post”, że liczba godzin w sektorze informacji spadła po 2022 roku, podczas gdy produkcja rosła o około 8 proc. rocznie.

Taki wzorzec jest zgodny z wyższą produktywnością, ale nie wyodrębnia jej przyczyny. Na produkcję na godzinę mogą wpływać struktura branży, ceny, inwestycje kapitałowe, outsourcing i popyt.

Wdrażanie AI również przebiega nierównomiernie. Model, który oszczędza czas jednemu programiście, może tworzyć dodatkową pracę drugiemu, ponieważ różnią się bazy kodu, złożoność zadań i standardy przeglądu.

Anneke Buffone, była pracownica Meta, opisała konieczność ponownego wykonywania pełnej błędów pracy AI mimo presji menedżerów, by nadal korzystać z systemu. Jej relacja ilustruje ryzyko ukryte przez wskaźniki wdrożenia.

Panel kontrolny może pokazać, że pracownik otworzył asystenta AI lub wygenerował wiele sugestii. Nie może jednak ustalić, czy końcowa praca stała się dokładniejsza lub bardziej wartościowa.

To rozróżnienie ma znaczenie, gdy pracodawcy włączają korzystanie z AI do ocen wyników. Mierzenie aktywności w narzędziach może nagradzać widoczne użycie zamiast trafnego osądu.

Sceptyczny pogląd nie zakłada zatem, że AI nie przynosi żadnych zysków produktywności. Zakłada, że firmom brakuje spójnego sposobu odróżniania użytecznej automatyzacji od przeniesionej pracy weryfikacyjnej.

Liczby nagłówkowe mogą tworzyć to samo zniekształcenie. Strumień artykułów Google News o zwolnieniach może sugerować szybką substytucję, podczas gdy łączne zatrudnienie wskazuje jedynie na umiarkowane kurczenie się.

Możliwe jest również przeciwne zniekształcenie. Ogłoszenie o rekrutacji może brzmieć uspokajająco, nawet jeśli firma poszukuje pracowników tylko na wąski zestaw wyspecjalizowanych stanowisk.

Pracownicy powinni odczytywać oba rodzaje ogłoszeń jako sygnały dotyczące alokacji. Ujawniają one, co kierownictwo obecnie ceni, a nie rozstrzygającą odpowiedź na temat długoterminowego zapotrzebowania na ludzi.

AI zmienia strukturę zawodów bardziej niż liczbę miejsc pracy

Najwyraźniejszym krótkoterminowym skutkiem jest redystrybucja zawodowa, z zasobami przesuwającymi się w stronę infrastruktury, wdrożeń, bezpieczeństwa i ról związanych z AI.

Dyrektorzy często mówią o automatyzacji tak, jakby firma dysponowała jedną pulą pracy. W praktyce duże organizacje obejmują tysiące procesów o odmiennych ograniczeniach technicznych, prawnych i komercyjnych.

Niektóre procesy są silnie ustrukturyzowane. Mają jasno określone dane wejściowe, przewidywalne wyniki i wystarczającą liczbę przykładów do oceny działania.

To atrakcyjne cele automatyzacji. Klasyfikacja dokumentów, podstawowe tłumaczenie kodu, standardowe odpowiedzi dla klientów i powtarzalne analizy mogą odpowiadać temu wzorcowi.

Inne procesy zależą od niepełnych informacji. Wymagają negocjacji, odpowiedzialności, fizycznego dostępu, pamięci instytucjonalnej lub zrozumienia nietypowych konsekwencji.

AI może wspierać te zadania, nie przejmując za nie odpowiedzialności. Człowiek nadal odpowiada za decyzję, czy wynik pasuje do sytuacji.

Tworzy to popyt na pracę integracyjną. Firmy potrzebują pracowników, którzy potrafią przeprojektowywać procesy wokół modeli, ustanawiać punkty kontrolne i określać, kiedy automatyzacja musi się zatrzymać.

Potrzebują także ewaluacji. Ewaluacja modeli to systematyczne testowanie dokładności, bezpieczeństwa i zachowania systemu w realistycznych warunkach.

Imponujący wynik benchmarku nie gwarantuje niezawodnego działania w środowisku prywatnych danych firmy. Wewnętrzna terminologia, kontrola dostępu i nieaktualne dokumenty mogą zmienić rezultaty.

Z tego samego powodu rośnie zapotrzebowanie na bezpieczeństwo. Systemy AI mogą ujawniać poufne informacje, przyjmować złośliwe instrukcje lub działać za pośrednictwem narzędzi z nadmiernymi uprawnieniami.

Zespoły prawne i ds. zgodności muszą ustalić, jak modele współdziałają z przepisami o prywatności, własnością intelektualną, prawem pracy i wymaganiami specyficznymi dla branży.

Dostawcy chmury zyskują pracę dzięki tej złożoności. Klienci potrzebują mocy obliczeniowej, ale także wskazówek architektonicznych, wsparcia migracyjnego, monitorowania i kontroli kosztów.

Sama infrastruktura tworzy kolejny łańcuch zatrudnienia. Centra danych wymagają budowy, wytwarzania energii, konserwacji, sieci i ochrony fizycznej.

Te miejsca pracy nie są substytutem dla każdego wypartego projektanta, rekrutera czy programisty. Geografia, kwalifikacje i warunki pracy mogą uniemożliwiać łatwe przejście.

Ta niezgodność pomaga wyjaśnić, dlaczego wzrost firmy może współistnieć z indywidualnymi trudnościami. Nowe miejsca pracy mogą pojawiać się w innych miejscach i wymagać innego doświadczenia.

W zespołach programistycznych oczekiwania również się zmieniają. Pracodawcy coraz częściej chcą inżynierów, którzy potrafią nadzorować generowany kod i rozumieją szerszy system.

To połączenie sprzyja doświadczeniu. Starsi pracownicy często posiadają kontekst potrzebny do rozpoznania wiarygodnie brzmiącego, lecz niebezpiecznego wyniku.

Doświadczeni pracownicy nie są jednak automatycznie chronieni. Wysokie wynagrodzenia mogą czynić ich celem podczas redukcji kosztów, zwłaszcza gdy kadra zarządzająca uważa, że mniejsze zespoły mogą korzystać z AI.

Pracownicy umysłowi mogą reagować, dokumentując uzasadnienie ważnej pracy. Przeszukiwalny drugi mózg może pomóc łączyć decyzje, dowody i wyniki między projektami.

Celem nie jest generowanie większej ilości tekstu. Chodzi o zachowanie kontekstu, który pozwala człowiekowi wychwycić pewny siebie błąd zautomatyzowanego systemu.

Firmy muszą rozwiązać powiązany problem zarządczy. Jeśli usuną zbyt wiele wiedzy instytucjonalnej, nowe systemy AI mogą szkolić się lub wyszukiwać informacje w niepełnych wewnętrznych zasobach.

Automatyzacja wzmacnia wtedy organizacyjną amnezję. Zespoły mogą szybciej tworzyć odpowiedzi, nie wiedząc, dlaczego podjęto wcześniejsze decyzje.

To sprawia, że zarządzanie wiedzą staje się funkcją operacyjną, a nie osobistą preferencją. Pracownik, który potrafi odtworzyć łańcuch decyzyjny, może zapobiec kosztownemu powtarzaniu pracy.

Nowa struktura zawodów nadal będzie obejmować wypieranie pracowników. Rutynowa produkcja treści, podstawowa analiza i standaryzowane wsparcie będą pod stałą presją.

Wyłaniająca się organizacja nie wygląda jednak na pozbawioną pracowników. Wygląda na bardziej spolaryzowaną między utowarowioną produkcją a osądem wymagającym wysokiej odpowiedzialności.

Taki wynik może rozczarować oba skrajne stanowiska w debacie o AI. Technologia ani nie zachowuje każdej roli, ani nie eliminuje potrzeby złożonych ludzkich organizacji.

Na co powinni zwracać uwagę czytelnicy Google News

Trzy konkretne sygnały pokażą, czy odwrócenie trendu w Big Tech przekształci się w trwałą rekrutację, kolejną tymczasową pauzę czy głębsze kurczenie się zatrudnienia.

Pierwszym sygnałem będą kolejne ujawnienia finansowe firm. Łączne zatrudnienie, wydatki na badania i nakłady inwestycyjne należy oceniać razem.

Rosnące zatrudnienie przy rosnących przychodach z AI wspierałoby tezę o zwiększaniu możliwości pracowników. Sugerowałoby, że modele czynią pracowników bardziej produktywnymi, jednocześnie tworząc wystarczający popyt, by uzasadnić dodatkową rekrutację.

Spadające zatrudnienie przy stabilnej produkcji wzmacniałoby tezę o automatyzacji. Wskazywałoby, że firmy uczą się obsługiwać usługi AI przy mniejszej liczbie pracowników.

Wynik mieszany pozostaje najbardziej prawdopodobny w poszczególnych jednostkach biznesowych. Grupy chmurowe i infrastrukturalne mogą się rozwijać, podczas gdy zespoły rekrutacyjne, wsparcia lub produktów konsumenckich będą się kurczyć.

Drugim sygnałem jest skład otwartych stanowisk. Łączna liczba ofert ma mniejsze znaczenie niż role, poziomy doświadczenia i lokalizacje z nimi związane.

Szeroki powrót stanowisk entry-level w inżynierii, produkcie, sprzedaży i działalności operacyjnej wskazywałby na przekonanie, że możliwości ludzi nadal wspierają wzrost.

Rekrutacja skupiona na elitarnych badaczach i specjalistach od centrów danych opowiadałaby inną historię. Sugerowałaby, że inwestycje pozostają wąskie, podczas gdy szerszy rynek pracy umysłowej pozostaje ograniczony.

Czytelnicy powinni też obserwować, czy firmy ponownie obsadzają stanowiska zlikwidowane podczas niedawnej restrukturyzacji. Uzupełnianie wakatów osłabiłoby twierdzenia, że redukcje odzwierciedlały trwałą automatyzację.

Trzecim sygnałem jest zmierzona produktywność wdrożonych systemów. Firmy potrzebują dowodów, że AI poprawia ukończoną pracę, a nie tylko użycie narzędzi lub generowane wyniki.

Przydatne wskaźniki obejmują krótsze cykle produktowe, krótszy czas rozwiązywania spraw wsparcia, niższe wskaźniki błędów, wyższe marże chmurowe i mierzalną adopcję przez klientów.

Dowody muszą uwzględniać pracę weryfikacyjną. System, który szybko tworzy szkice, lecz wymaga rozległych poprawek, przeniósł wysiłek, zamiast go wyeliminować.

Lipcowe dane o rynku pracy, których publikację zaplanowano po dacie opublikowania tego artykułu, dodadzą szerszego kontekstu. Żaden pojedynczy miesięczny raport nie może rozstrzygnąć debaty o wpływie AI na zatrudnienie.

Czytelnicy powinni porównywać kilka miesięcy i odróżniać sektor informacji od usług profesjonalnych oraz całej gospodarki. Korekty danych również mają znaczenie, ponieważ wczesne szacunki zatrudnienia często się zmieniają.

Szersza lekcja jest już widoczna. Zwolnienia, rekrutacja, inwestycje i automatyzacja zachodzą jednocześnie w tych samych firmach.

Google, Meta, Amazon i Microsoft nie podążają prostą drogą ku mniejszym organizacjom. Sprawdzają, ile ludzkiego osądu wymagają ich rozwijające się biznesy AI.

Ten test tworzy niewygodne środowisko dla pracowników. Stanowisko może być dziś wartościowe, jutro częściowo zautomatyzowane, a po nieudanym wdrożeniu ponownie przeprojektowane.

Tworzy też przestrzeń dla lepszego pomiaru. Kadra zarządzająca powinna ujawniać, które wzrosty produktywności wynikają z automatyzacji, reorganizacji, outsourcingu lub zmian popytu.

Bez tych szczegółów każda decyzja dotycząca zatrudnienia staje się okazją do rywalizujących narracji. Optymiści nazywają to efektywnością, krytycy — polityką oszczędnościową, a pracownicy otrzymują niewiele jasności.

Wykres stojący za nagłówkiem Google News rozjaśnia część tego zamieszania. Big Tech obiecywał, że szczupłe operacje i AI będą systematycznie obniżać zatrudnienie.

Jak dotąd firmy agresywnie cięły etaty, jeszcze agresywniej wydawały pieniądze i wróciły do w przybliżeniu znanego poziomu zatrudnienia. Ich struktury zatrudnienia zmieniały się szybciej niż ogólne zapotrzebowanie na pracę.

Kolejne pytanie nie brzmi, czy AI potrafi wykonywać użyteczną pracę. Oczywiście, że potrafi. Pytanie brzmi, czy te możliwości zmniejszają całkowity popyt na pracę po tym, jak firmy reinwestują uzyskany wzrost produktywności.

W nadchodzącym kwartale obserwuj raporty, faktyczną strukturę stanowisk i mierzalne wyniki. Te sygnały powiedzą więcej niż kolejna pewna siebie prognoza dotycząca zautomatyzowanej przyszłości.

Dla pracowników natychmiastowe działanie jest równie konkretne. Śledź, które zadania pracodawca automatyzuje, dokumentuj, gdzie ludzka kontrola zmienia wyniki, i zachowuj kontekst stojący za swoimi decyzjami. Nabywcy rozwiązań dla przedsiębiorstw powinni żądać dowodów obejmujących dokładność, nadzór i całkowite koszty operacyjne. Gdy kolejny nagłówek Google News ogłosi następny zwrot w rekrutacji lub falę zwolnień, porównaj go z tymi trzema sygnałami, zanim zaakceptujesz jego wyjaśnienie. Własne dane Big Tech pokazują dziś, że wdrażanie AI nie jest jednokierunkowym marszem ku mniejszej liczbie pracowników. To ciągłe renegocjowanie tego, jakich ludzi firmy potrzebują, ile wart jest osąd i kto ponosi ryzyko, gdy technologia zawodzi.