Zakład Rockefeller Foundation na 100 mln dolarów na miejsca pracy związane z AI wystawia samorządy na próbę

Rockefeller Foundation przeznaczyła 100 mln dolarów na strategię zatrudnienia, częściowo ukształtowaną przez zakłócenia wywołane przez AI, lecz o jej zasięgu nie zdecyduje samo finansowanie. Nagłówek google news wskazuje na trudniejszą historię. Agencje stanowe i lokalne muszą przekształcić rozproszone eksperymenty dotyczące rynku pracy w programy, z których skorzystają pracodawcy i do których będą mogli dotrzeć pracownicy.

Trzyletnia inicjatywa, nazwana Big Bet on Good Jobs for America, jest skierowana do społeczności o słabym zatrudnieniu lub wysokiej ekspozycji na zmiany technologiczne. Fundacja chce, aby jej działania z czasem wsparły około 1,6 mln dodatkowych miejsc pracy w blisko 250 lokalizacjach. Oczekuje również, że wynikająca z nich poprawa lokalnej gospodarki przyniesie korzyści od 10 mln do 20 mln osób.

Cele te stawiają inicjatywę w napięciu z rozdrobnionym systemem, który ma ona usprawnić. Lokalne rady ds. rozwoju siły roboczej, community colleges, pracodawcy, agencje stanowe i dostawcy usług często działają według różnych zasad. Program jest więc czymś więcej niż charytatywną odpowiedzią na utratę miejsc pracy. To test, czy lokalne eksperymenty mogą stać się trwałą polityką publiczną, zanim AI ponownie zmieni rynek pracy.

Co faktycznie zmienia strategia zatrudnienia warta 100 mln dolarów

Rockefeller Foundation finansuje ścieżkę prowadzącą od lokalnych eksperymentów dotyczących rynku pracy do polityk, które mogą funkcjonować poza filantropią.

Fundacja ogłosiła swoje zobowiązanie 21 kwietnia 2026 r. Jej początkowe obszary zainteresowania obejmują opiekę zdrowotną, gospodarkę opieki, energię, systemy żywnościowe i branże wykorzystujące AI. Sektory te łączą trwały popyt na pracę ze znaczną ekspozycją na zmiany technologiczne i demograficzne.

Pieniądze nie posłużą po prostu do sfinansowania jednego ogólnokrajowego programu szkoleniowego. Strategia zatrudnienia zakłada testowanie programów w poszczególnych społecznościach, dostosowywanie skutecznych modeli oraz osadzanie ich w polityce publicznej. Narzędzia finansowania i praktyki pracodawców również są częścią tego ostatniego etapu.

Taka struktura daje agencjom stanowym i lokalnym kilka potencjalnych ról. Mogą identyfikować niedobory pracowników, koordynować podmioty szkoleniowe, usuwać bariery licencyjne i łączyć mieszkańców z usługami wsparcia. Mogą też wykorzystywać zamówienia publiczne, dotacje i programy rozwoju gospodarczego, by zachęcać pracodawców do udziału.

Opieka nad dziećmi pokazuje, dlaczego szerszy system ma znaczenie. Pracownik może ukończyć kurs szkoleniowy, a mimo to nie być w stanie podjąć pracy bez niezawodnej opieki. Kolejną barierę mogą tworzyć zasady dotyczące kwalifikacji, gdy umiejętności zdobyte w jednym programie nie spełniają wymagań pracodawcy lub organu licencyjnego.

Strategia uznaje te przeszkody za część polityki rynku pracy, a nie za niezwiązane z nią problemy społeczne. To rozróżnienie ma znaczenie, ponieważ wiele programów szkoleniowych mierzy liczbę zapisów lub ukończeń. Żaden z tych wskaźników nie dowodzi, że uczestnicy uzyskali stabilne zatrudnienie na rozsądnych warunkach.

Fundacja planuje współpracę z partnerami publicznymi, prywatnymi i filantropijnymi. Chce, aby partnerzy ci wnosili dodatkowe zasoby i ostatecznie prowadzili skuteczne działania bez stałego wsparcia charytatywnego. To sprawia, że wdrożenie instytucjonalne staje się kluczową miarą sukcesu.

Program różni się też od bezpośredniej próby tworzenia miejsc pracy w technologii wszędzie. Obejmuje branże wykorzystujące AI, ale jego szerszym celem jest łączenie ludzi z dobrą pracą w okresie zmian gospodarczych. Ścieżka w opiece zdrowotnej może więc się kwalifikować, nawet jeśli dana rola wiąże się z niewielkim wykorzystaniem AI.

Według wstępnych informacji o programie fundacja oczekuje, że rozpocznie działania w około 20–30 społecznościach. Nie wybierze z góry wszystkich 250 docelowych lokalizacji. Luki na rynku pracy i popyt pracodawców pomogą określić, gdzie będą prowadzone pierwsze działania.

Takie etapowe podejście wprowadza użyteczną dyscyplinę. Programy muszą dostarczyć dowodów skuteczności, zanim fundacja rozszerzy je na kolejne społeczności. Stwarza też ryzyko, że udane pilotaże będą zależeć od wyjątkowych lokalnych liderów lub tymczasowych subsydiów.

Agencje stanowe i lokalne znajdują się w miejscu, gdzie ta różnica staje się widoczna. Mogą pokazać, czy model pasuje do istniejących budżetów, zasad i zdolności administracyjnych. Ich udział może też ujawnić koszty, których krótki pilotaż nie uwzględnia.

Dlatego historia wykracza poza pojedynczy materiał google news o dużym zobowiązaniu. Istotną zmianą jest proponowany mechanizm realizacji. Lokalne testy mają stać się drogą do polityki, finansowania i zmian w zachowaniach pracodawców.

Kolejne pytanie brzmi, czy mechanizm ten odpowiada tempu i nierównomiernemu rozmieszczeniu zakłóceń na rynku pracy związanych z AI.

Dlaczego presja związana z AI nierównomiernie dociera do społeczności

AI nie wpływa na każdego pracownika ani lokalną gospodarkę w tym samym tempie, przez co średnie krajowe są słabym punktem odniesienia dla interwencji.

Rockefeller Foundation twierdzi, że jej strategia będzie traktować priorytetowo miejsca, w których mieszkańcy są już odłączeni od rynku pracy. Weźmie też pod uwagę społeczności podatne na AI i inne zmiany strukturalne. Warunki te często się pokrywają, ale nie są tożsame.

Region może mieć niskie bezrobocie, podczas gdy konkretni pracownicy znajdują się pod silną presją. Pracownicy administracyjni, pracownicy obsługi klienta, młodsi analitycy i osoby wykonujące inne zawody oparte na licznych zadaniach mogą odczuwać zmieniające się oczekiwania, zanim zwolnienia pojawią się w oficjalnych danych. Pracodawcy mogą najpierw ograniczać rekrutację, łączyć stanowiska lub pozostawiać wakaty nieobsadzone.

Możliwa jest też sytuacja odwrotna. W dotkniętej trudnościami społeczności może być niewiele stanowisk, które obecne systemy AI mogą bezpośrednio zautomatyzować. Główne problemy mogą dotyczyć transportu, opieki nad dziećmi, zdrowia, edukacji lub ograniczonego popytu ze strony pracodawców. Program szkoleniowy firmowany AI nie rozwiązałby tych ograniczeń.

Ponad 50 mln Amerykanów mieszka w społecznościach sklasyfikowanych jako znajdujące się w trudnej sytuacji przez Economic Innovation Group. Jej badania społeczności analizują różnice w zatrudnieniu, dochodach, ubóstwie, liczbie pustostanów mieszkaniowych i powstawaniu firm. Takie wskaźniki pomagają wyjaśnić, dlaczego ta sama zmiana technologiczna prowadzi do różnych lokalnych skutków.

Fundacja wskazała też na spadającą pewność pracowników. Wskaźnik Gallupa wykazał, że pod koniec 2025 r. 28 procent pracowników było zadowolonych z możliwości awansu dzięki ciężkiej pracy. Wynik ten spadł z 46 procent rok wcześniej, zgodnie z podsumowaniem fundacji dotyczącym ustaleń na temat miejsca pracy.

Liczby te nie dowodzą, że spadek został spowodowany przez AI. Na pewność siebie mogą wpływać także koszty mieszkań, inflacja, warunki rekrutacji i oczekiwania w miejscu pracy. Pokazują jednak, że duża inicjatywa zatrudnieniowa trafia do otoczenia, w którym wielu pracowników już wątpi w tradycyjne ścieżki awansu.

AI zwiększa presję, ponieważ zmienia zadania szybciej, niż zmienia się wiele klasyfikacji zawodowych. Stanowisko może zachować swoją nazwę, podczas gdy oprogramowanie przejmuje badania, przygotowywanie tekstów, planowanie lub podstawową analizę. Pracownicy potrzebują wtedy innych umiejętności, nawet gdy zawód nadal wydaje się stabilny.

Stwarza to problem danych dla administracji publicznej. Wnioski o zasiłek dla bezrobotnych pojawiają się po utracie pracy. Ogłoszenia o pracę mogą wcześniej pokazywać zmieniające się wymagania dotyczące umiejętności, lecz nie zawsze odpowiadają faktycznym rekrutacjom. Ankiety wśród pracodawców dostarczają kontekstu, choć do mniejszych organizacji może być trudno dotrzeć.

Lokalne agencje mogą łączyć te sygnały z wiedzą, której nie uwzględniają krajowe zestawy danych. Community colleges wiedzą, które programy tracą studentów. Rady ds. rozwoju siły roboczej słyszą, jakie kwalifikacje pracodawcy odrzucają. Biura świadczeń mogą wykrywać zmiany wśród mieszkańców ubiegających się o pomoc.

Ta rola informacyjna jest wartościowa tylko wtedy, gdy agencje mogą bezpiecznie i konsekwentnie dzielić się ustaleniami. Rozdrobnione systemy często stosują różne definicje uczestnictwa, ukończenia, podjęcia pracy i utrzymania zatrudnienia. Porównania stają się niewiarygodne, gdy każdy program inaczej liczy wyniki.

Program będzie więc potrzebował wspólnych ram pomiaru. Powinny one rozróżniać nowo utworzone stanowisko od pracownika przechodzącego między istniejącymi miejscami pracy. Powinny też oddzielać tymczasowe zatrudnienie od pracy, która trwa po zakończeniu początkowego subsydium.

Wzrost wynagrodzeń ma znaczenie, ale nie może być jedynym kryterium. Liczba godzin, świadczenia, stabilność harmonogramu, możliwości awansu i sprawczość pracownika pomagają określić, czy dane stanowisko zasługuje na miano „dobrej pracy”. Lokalne koszty życia mogą również zmienić znaczenie tej samej płacy.

Szeroki cel fundacji tworzy kolejne wyzwanie. Wsparcie 1,6 mln dodatkowych miejsc pracy wymaga czegoś więcej niż kierowania pojedynczych osób do małych projektów demonstracyjnych. Skuteczne podejścia muszą wpływać na większe systemy, w tym formuły finansowania publicznego, wymagania pracodawców i ogólnostanowe zasady uznawania kwalifikacji.

AI może wspierać część tego systemu. Derek Kilmer, starszy wiceprezes fundacji ds. programów i polityki w USA, wskazał na szybsze przetwarzanie pozwoleń dotyczących dostępnych cenowo mieszkań. Szybsze zatwierdzanie może wspierać aktywność budowlaną, lecz samo oprogramowanie nie może zagwarantować nowych mieszkań ani stabilnych miejsc pracy.

Przykład ten oddaje główne napięcie inicjatywy. AI może być zarówno źródłem zakłóceń dla siły roboczej, jak i narzędziem usprawniającym administrację publiczną. Agencje muszą realizować użyteczne zastosowania, nie zakładając, że automatyzacja automatycznie przynosi powszechne korzyści gospodarcze.

Zainteresowanie Google News zderza się z lokalnym testem wdrożeniowym

Prawdziwym przeciwnikiem programu nie jest inna fundacja ani dostawca technologii. Jest nim przepaść między ambitnymi celami krajowymi a lokalną zdolnością do realizacji.

Ujęcie google news sprawia, że zobowiązanie finansowe jest łatwe do zrozumienia. Krajowa fundacja stawia duży zakład na społeczności i pracowników w czasie zmian napędzanych przez AI. Historia wdrożenia jest mniej uporządkowana, ponieważ odpowiedzialność obejmuje wiele instytucji.

Stanowy departament pracy może finansować szkolenia, ale nie może zmusić pracodawców do uznawania ich rezultatów. Community college może stworzyć kwalifikację, ale nie może zapewnić transportu każdemu studentowi. Samorząd lokalny może koordynować usługi, lecz może nie mieć uprawnień dotyczących wymogów licencyjnych.

Pracodawcy również mają bodźce, które nie zawsze są zgodne z programami publicznymi. Mogą chcieć pracowników przeszkolonych pod kątem natychmiastowych wakatów, unikając jednocześnie długoterminowych zobowiązań. Mogą zmienić kryteria rekrutacji lub plany technologiczne, zanim grupa szkoleniowa ukończy program.

Skuteczne lokalne partnerstwa muszą określać wkład pracodawcy. Może on obejmować rozmowy kwalifikacyjne, płatne staże, wkład w program nauczania, przewidywalne harmonogramy lub zobowiązania do zatrzymania skutecznych pracowników. Bez jasnych obowiązków zasoby publiczne mogą subsydiować szkolenia na potrzeby stanowisk, które nigdy nie powstaną.

Opieka zdrowotna stanowi konkretny przypadek testowy. Wiele społeczności potrzebuje dodatkowych pracowników, jednak ścieżki wejścia mogą obejmować czesne, wymagania kliniczne, licencjonowanie i nieodpłatny czas szkolenia. Pokrycie kosztu początkowego może pomóc, lecz uczestnicy nadal mogą potrzebować opieki nad dziećmi, transportu i dochodu podczas szkolenia.

Agencje stanowe mogą wspólnie rozwiązać kilka z tych barier. Mogą dostosować świadczenia, finansowanie edukacji i uznawanie kwalifikacji. Mogą też zmienić zasady wymagające od pracowników powtarzania równoważnego szkolenia przy przechodzeniu między instytucjami lub jurysdykcjami.

Samorząd lokalny może wnieść bliższe spojrzenie na luki w świadczeniu usług. Hrabstwa często administrują programami zdrowotnymi, mieszkaniowymi i związanymi z rynkiem pracy. Miasta wpływają na transport, wydawanie zezwoleń i rozwój gospodarczy. Władze plemienne i terytoria mają odrębne uwarunkowania prawne i geograficzne, które krajowe szablony mogą pomijać.

Jednak lokalny udział nie gwarantuje automatycznie równości. Społeczności z doświadczonymi autorami wniosków grantowych i ugruntowanymi sieciami organizacji non-profit często skuteczniej konkurują o finansowanie pilotażowe. Miejsca o najsłabszej zdolności administracyjnej mogą mieć trudności z wejściem do programów zaprojektowanych dla obszarów znajdujących się w trudnej sytuacji.

The Rockefeller Foundation będzie musiała zdecydować, czy nagradza gotowość, czy ją buduje. Wybieranie wyłącznie przygotowanych społeczności może przynieść szybsze wczesne rezultaty. Może też stworzyć modele, które zawiodą w miejscach z mniejszą liczbą pracowników, słabszymi systemami danych i mniejszymi sieciami pracodawców.

Powiązana inicjatywa sektora publicznego pokazuje znaczenie zdolności instytucjonalnej. AI Readiness Project działa na rzecz łączenia liderów technologicznych administracji publicznej, aby umożliwić wspólne uczenie się i realizację projektów pilotażowych. Jej deklarowany cel obejmuje dotarcie do stanów, terytoriów i narodów plemiennych przy jednoczesnym wsparciu co najmniej 10 demonstracji na poziomie stanowym.

Relacja Government Technology dotycząca tej inicjatywy gotowości podkreślała współpracę, edukację i środowiska testowe o niskim ryzyku. Te podstawy mają znaczenie, ponieważ agencje nie mogą odpowiedzialnie wdrażać AI bez wiedzy o zamówieniach publicznych, zarządzania danymi i standardów ewaluacji.

Inicjatywa dotycząca miejsc pracy działa na szerszym poziomie gospodarczym, ale stoi przed podobnymi wymogami. Agencje potrzebują pracowników, którzy potrafią interpretować dane o rynku pracy, zarządzać dostawcami, chronić dane osobowe i oceniać skuteczność interwencji. Projekt pilotażowy nie zastąpi tych kompetencji instytucjonalnych.

Zamówienia publiczne również mogą spowalniać wdrażanie. Agencje publiczne muszą dokumentować wymagania, oceniać ryzyko i zapewniać uczciwą konkurencję. Zabezpieczenia te są ważne, zwłaszcza gdy systemy przetwarzają dane dotyczące zatrudnienia lub świadczeń. Mogą jednak tworzyć harmonogramy sprzeczne z trzyletnim programem filantropijnym.

Udostępnianie danych stanowi kolejną przeszkodę. Instytucje szkoleniowe, pracodawcy i agencje mogą posiadać różne części dokumentacji uczestnika. Połączenie tych danych może poprawić pomiar rezultatów, lecz rodzi także pytania o zgodę, bezpieczeństwo i dostęp.

Każde wykorzystanie automatycznego dopasowywania wymaga szczególnej ostrożności. System rekomendujący pracowników do ofert pracy może powielać wzorce zawarte w historycznych danych rekrutacyjnych. Agencje potrzebują testów, ścieżek odwoławczych i kontroli człowieka, zanim uznają rekomendację za decyzję o zatrudnieniu.

Pracownicy powinni również wiedzieć, kiedy AI wpływa na ich ścieżkę w programie. Przejrzystość powinna obejmować selekcję, dopasowywanie, oceny i rekomendacje wsparcia. Osoba nie powinna tracić dostępu dlatego, że nieprzejrzysty model zinterpretował niepełne dane.

Te ograniczenia nie czynią samorządu lokalnego nieodpowiednim partnerem. Wyjaśniają, dlaczego jego rola jest niezbędna. Agencje publiczne zapewniają rozliczalność, skalę i ciągłość, których tymczasowy grant nie jest w stanie samodzielnie stworzyć.

Najsilniejszy projekt pilotażowy będzie zatem takim, który przetrwa zwykłe warunki funkcjonowania administracji. Musi działać przy rzeczywistych poziomach zatrudnienia, wymogach prawnych i cyklach budżetowych. Musi też dostarczać dowodów, które inna jurysdykcja będzie mogła przeanalizować przed skopiowaniem modelu.

Dla zespołów zarządzających dowodami w wielu agencjach i u dostawców przeszukiwalna baza wiedzy może pomóc organizować polityki, protokoły spotkań i ewaluacje. Takie narzędzia wspierają koordynację, ale to zarządzanie określa, jakie informacje można udostępniać.

Krajowe zobowiązanie przyciąga uwagę. Lokalny projekt administracyjny decyduje o tym, czy ta uwaga przełoży się na trwałą infrastrukturę zatrudnienia.

Liczby nie dowodzą jeszcze skuteczności modelu

Fundacja ogłosiła ambitne cele dotyczące rezultatów, lecz publicznie dostępne dowody nie pokazują jeszcze, które interwencje je zapewnią.

Zobowiązanie w wysokości 100 mln dolarów zostało potwierdzone, podobnie jak trzyletni okres oraz długoterminowe cele dotyczące miejsc pracy, społeczności i beneficjentów. Liczby te opisują ambicję i skalę. Nie oznaczają zrealizowanych zatrudnień ani niezależnie zweryfikowanego wpływu gospodarczego.

To rozróżnienie ma znaczenie, ponieważ „umożliwienie stworzenia” obejmuje kilka możliwych relacji. Grant może bezpośrednio wspierać szkolenie pracownika. Zmiana polityki może pomóc pracodawcom obsadzić stanowiska. Narzędzie finansowe może wnieść wkład obok kilku innych programów.

Atrybucja staje się trudniejsza wraz ze skalowaniem inicjatywy. Jeśli zatrudnienie rośnie po uruchomieniu programu lokalnego, ewaluatorzy muszą uwzględnić wzrost gospodarczy, ekspansję pracodawców, migrację i inne inwestycje publiczne. Liczenie każdego nowego miejsca pracy zawyżałoby rolę programu.

Fundacja poszukiwała partnera ds. pomiaru, ewaluacji i uczenia się dla swojej amerykańskiej inicjatywy dotyczącej miejsc pracy. Opublikowane zapytanie opisywało ilościowe modelowanie wpływu, analizę rynku pracy oraz wsparcie infrastruktury danych. Praca ta powinna pomóc określić, w jaki sposób program oddziela bezpośrednie rezultaty od szerszego wpływu.

Nawet solidna ewaluacja nie usunie każdej niepewności. Społeczności będą różnić się strukturą branżową, demografią, zdolnością do świadczenia usług i narażeniem na wstrząsy gospodarcze. Polityka działająca na jednym rynku ochrony zdrowia może nie przenieść się na inny bez znaczących zmian.

Skala programu rodzi podstawową presję arytmetyczną. Podział zobowiązania między 250 miejsc pozostawiłby ograniczone bezpośrednie finansowanie na każdą lokalizację, nawet przed uwzględnieniem centralnych kosztów ewaluacji i programu. To proste obliczenie nie jest rzeczywistym planem alokacji, lecz ilustruje zależność od efektu dźwigni.

Fundacja wyraźnie zamierza przyciągnąć dodatkowy kapitał publiczny, prywatny i filantropijny. Chce również, aby sprawdzone modele zostały włączone do polityki i praktyk pracodawców. Mechanizmy te muszą zapewnić większość ostatecznej skali, jeśli inicjatywa ma zbliżyć się do swoich krajowych celów.

Efekt dźwigni może być znaczącym rezultatem. Skromny grant może wesprzeć dowody, które zmienią większy budżet publiczny lub proces stosowany przez pracodawcę. Jednak ogłoszone lub dopasowane finansowanie nie powinno być liczone jako wpływ, dopóki środki nie zostaną zatwierdzone i wykorzystane.

Fundacja wskazuje wcześniejsze działania, które pomogły uruchomić federalne finansowanie czystej energii w ponad 45 stanach. Ta historia wspiera jej teorię, że filantropia może zwoływać partnerów i wpływać na większe przepływy kapitału. Inicjatywa dotycząca miejsc pracy nadal wymaga własnych dowodów.

Szacunki dotyczące wypierania miejsc pracy przez AI wymagają podobnej ostrożności. Jedno badanie związane z MIT’s Iceberg Index oszacowało, że obecne możliwości AI pokrywają się z zadaniami odpowiadającymi 11,7 procent wartości wynagrodzeń na amerykańskim rynku pracy. Symulacja rynku pracy modeluje ekspozycję, a nie prognozuje, że taki sam odsetek pracowników straci pracę.

Ekspozycja zadań może prowadzić do kilku rezultatów. Pracodawcy mogą zmniejszyć zatrudnienie, zwiększyć produkcję, przeprojektować stanowiska lub tworzyć nowe usługi. Pracownicy mogą wykorzystywać AI jako asystenta, zamiast zostać całkowicie zastąpieni.

Program oparty na jednej prognozie wypierania miejsc pracy byłby zatem kruchy. Lokalni planiści potrzebują strategii opartych na scenariuszach, które działają przy wielu wzorcach wdrażania. Powinni przygotować się zarówno na zmieniające się zadania, jak i na bezpośrednią utratę miejsc pracy.

Trwałość polityczna stanowi kolejną niepewność. Administracje stanowe się zmieniają, lokalne budżety są ograniczane, a kierownicy agencji odchodzą. Udany projekt pilotażowy może zniknąć, gdy kończy się jego źródło finansowania lub gdy jego orędownik opuszcza urząd.

Osadzenie programu w prawie lub stałym budżecie może poprawić ciągłość. Może też utrwalić podejście, zanim dowody dojrzeją. Inicjatywa musi równoważyć szybkie wdrażanie z przestrzenią na rewizję.

Głos pracowników to kolejna brakująca zmienna. Pracodawcy i agencje mogą definiować sukces przez liczbę obsadzonych wakatów lub obniżone koszty. Uczestnicy mogą przywiązywać większą wagę do harmonogramu, bezpieczeństwa, świadczeń, czasu dojazdu lub możliwości awansu.

Programy powinny zbierać opinie pracowników podczas projektowania i po zatrudnieniu. Powinny również raportować, kto rezygnuje, a nie tylko kto kończy szkolenie. Rezygnacja może ujawnić bariery ukryte przez zbiorcze wskaźniki zatrudnienia.

Niezależna ewaluacja powinna badać różnice ze względu na rasę, płeć, wiek, niepełnosprawność i położenie geograficzne, tam gdzie jest to zgodne z prawem i właściwe. Średnie zyski mogą maskować grupy otrzymujące gorsze oferty zatrudnienia lub doświadczające wyższych wskaźników rezygnacji.

Sceptyczny argument nie polega na tym, że inicjatywa nie ma wartości. Chodzi o to, że krajowy cel może wyprzedzić dowody wytworzone przez lokalne projekty pilotażowe. Jasne definicje, porównywalne dane i publiczne raportowanie zdecydują o tym, czy ekspansja odzwierciedla rezultaty, czy entuzjazm.

Ryzyko to powinno pozostawać widoczne, ilekroć historia wraca za pośrednictwem Google News lub innego kanału odkrywania treści. Ogłoszenia o finansowaniu są natychmiastowe. Wiarygodne rezultaty zatrudnieniowe wymagają więcej czasu na pomiar.

Agencje publiczne muszą równoważyć wdrażanie AI z ochroną pracowników

Władze stanowe i lokalne nie mogą traktować AI wyłącznie jako zagrożenia dla miejsc pracy ani wyłącznie jako narzędzia zwiększającego efektywność. Muszą zarządzać obiema rolami.

Fundacja zalicza branże wykorzystujące AI do swoich priorytetowych sektorów. Wybór ten stwarza możliwości dla nowych zawodów i dla obecnych pracowników, by zdobywali przydatne umiejętności. Rodzi też pytania o to, jaki rodzaj szkolenia zachowuje wartość w miarę zmiany produktów.

Nauczanie obsługi jednego interfejsu oprogramowania może zapewnić szybkie wyniki ukończenia szkoleń. Może stać się nieaktualne, gdy dostawca zmienia funkcje lub pracodawca przyjmuje inną platformę. Trwałe programy powinny kłaść nacisk na osąd, wiedzę dziedzinową, kompetencje w zakresie danych i odpowiedzialne korzystanie z narzędzi.

Pracownicy ochrony zdrowia mogą na przykład używać AI do podsumowywania dokumentacji lub koordynowania harmonogramów. Nadal potrzebują wiedzy klinicznej, umiejętności komunikacyjnych i świadomości wymogów prywatności. Szkolenia powinny wyjaśniać, kiedy zautomatyzowane wyniki wymagają weryfikacji.

Pracownicy sektora publicznego stają przed podobnymi wymaganiami. Agencja może wykorzystywać generatywną AI, czyli oprogramowanie tworzące tekst lub inne treści na podstawie poleceń, do przygotowywania rutynowych materiałów. Pracownicy nadal odpowiadają za sprawdzanie faktów, ochronę danych i przestrzeganie przepisów dotyczących dokumentacji.

AI może również ograniczać tarcia administracyjne w programach dotyczących rynku pracy. Może podsumowywać notatki ze spraw, identyfikować brakujące dokumenty lub pomagać mieszkańcom poruszać się po złożonych wymaganiach. Każde zastosowanie wymaga testowania na rzeczywistej populacji obsługiwanej przez agencję.

Deklaracje dotyczące efektywności zasługują na analizę, gdy systemy wpływają na dostęp do świadczeń lub zatrudnienia. Szybsza decyzja nie jest automatycznie lepszą decyzją. Agencje powinny mierzyć wskaźniki błędów, odwołania, dostępność i odmienne rezultaty równolegle z czasem przetwarzania.

Kontrola człowieka musi być znacząca. Pracownik, który jedynie zatwierdza automatyczną rekomendację bez wystarczającego czasu lub informacji, zapewnia niewielką ochronę. Osoby dokonujące przeglądu potrzebują uprawnień do zmieniania decyzji i dokumentowania powodów.

Umowy z dostawcami powinny wspierać ten nadzór. Agencje potrzebują dostępu do informacji o wydajności, powiadomień o zmianach, warunków bezpieczeństwa i procedur obsługi awarii. Powinny unikać umów, które uniemożliwiają niezależne testowanie systemów mających istotne konsekwencje.

Zespoły ds. zamówień mogą również wymagać jasnych informacji o danych treningowych, ograniczeniach modelu i podwykonawcach. Nie każdy szczegół będzie dostępny w przypadku systemów komercyjnych. Agencja nadal potrzebuje wystarczających informacji, aby ocenić ryzyko.

Inicjatywa dotycząca rynku pracy może modelować lepsze praktyki zakupowe, łącząc finansowanie z przejrzystością i ewaluacją. Projekt pilotażowy wykorzystujący AI powinien ujawniać swój cel, użytkowników, których dotyczy, oraz miary sukcesu. Powinien także wskazywać warunki, które uruchomiłyby jego zawieszenie.

Lokalne agencje powinny oddzielać narzędzia wykorzystywane do pomocy od narzędzi używanych do podejmowania decyzji. Przygotowanie przypomnienia o szkoleniu wiąże się z innym ryzykiem niż klasyfikowanie kandydatów. Stosowanie jednego procesu zatwierdzania dla każdego zastosowania może marnować zasoby, jednocześnie pomijając przypadki najwyższego ryzyka.

Organizacje pracownicze i pracownicy pierwszej linii powinni wcześnie włączać się w dyskusje projektowe. Pracownicy często wiedzą, które zadania powodują opóźnienia i jakie błędy szkodzą mieszkańcom. Ich udział może ujawnić, czy proponowane narzędzie rozwiązuje rzeczywisty problem.

Takie zaangażowanie zmniejsza również ryzyko, że rozwój kompetencji pracowników stanie się eufemizmem dla akceptowania gorszej jakości miejsc pracy. Szkolenia powinny zwiększać możliwości pracowników, a nie jedynie przygotowywać ich na większy nadzór lub niestabilne harmonogramy.

Pracodawcy otrzymujący wsparcie publiczne powinni wyjaśniać, jak AI zmienia oferowane przez nich role. Powinni wskazać, które zadania znikają, jakie umiejętności zyskują na znaczeniu oraz jak wzrost produktywności wpływa na pracowników. W przeciwnym razie podmioty prowadzące szkolenia muszą planować na podstawie niepełnych informacji.

Nacisk inicjatywy na dobre miejsca pracy stwarza możliwość wprowadzenia takich warunków. Finansowanie publiczne i filantropijne może wymagać od pracodawców zobowiązań dotyczących wynagrodzeń, utrzymania zatrudnienia, awansu i harmonogramów pracy. Dokładne standardy będą musiały odzwierciedlać lokalne rynki i zawody.

Rządy stanowe mogą rozwiązywać szersze bariery polityczne. Mogą unowocześniać licencjonowanie zawodowe, wspierać przenośne poświadczenia oraz łączyć dane edukacyjne z wynikami zatrudnienia. Mogą także finansować usługi pomagające uczestnikom kontynuować szkolenia.

Lokalne agencje mogą testować te podejścia na konkretnych rynkach pracy. Ich doświadczenia mogą pokazać, które bariery mają największe znaczenie i które interwencje wywołują niezamierzone skutki. Fundacja może następnie przenosić wiarygodne wnioski między jurysdykcjami.

AI nie powinno dominować w każdej lokalnej strategii dotyczącej miejsc pracy. Wiele społeczności potrzebuje podstawowych inwestycji w transport, szerokopasmowy internet, mieszkalnictwo lub usługi opiekuńcze, zanim szkolenia techniczne staną się użyteczne. Projekt programu powinien pozwalać, by te potrzeby kształtowały odpowiedź.

Ta elastyczność jest zaletą, jeśli towarzyszy jej zdyscyplinowana ewaluacja. Staje się słabością, jeśli każda lokalna aktywność kwalifikuje się bez wspólnej teorii zmiany. Wspólne definicje wyników muszą współistnieć z lokalnym dostosowaniem.

Kluczowym kompromisem nie jest zatem wybór między miejscami pracy a technologią. Chodzi o szybkie eksperymentowanie kontra budowanie odpowiedzialnych instytucji. Inicjatywa odniesie sukces tylko wtedy, gdy zdoła zrobić jedno i drugie.

Na co powinni zwrócić uwagę czytelnicy Google News

Kolejną fazę należy oceniać przez pryzmat wyboru społeczności, mierzalnych wyników zatrudnienia oraz dowodów, że udane pilotaże trafiają do trwałych systemów.

Pierwszym sygnałem będzie wybór początkowych społeczności. Fundacja podobno spodziewa się rozpocząć od około 20–30 miejsc, zanim rozszerzy program. Te decyzje pokażą, jak równoważy ona pilną potrzebę, zapotrzebowanie pracodawców, różnorodność geograficzną i gotowość administracyjną.

Wiarygodna pierwsza grupa powinna obejmować więcej niż społeczności, które już dobrze radzą sobie ze zdobywaniem krajowych grantów. Powinna przetestować model na różnych rynkach pracy i przy różnych zdolnościach administracji publicznej. Kryteria wyboru powinny być na tyle publiczne, by pominięte miejsca mogły zrozumieć decyzję.

Czytelnicy powinni również obserwować, które organizacje przewodzą lokalnie. Partnerstwo oparte wyłącznie na zewnętrznych konsultantach może mieć trudności po zakończeniu finansowania. Silniejsze struktury obejmą agencje, pracodawców, instytucje edukacyjne, przedstawicieli pracowników i usługodawców z jasno określonymi obowiązkami.

Drugim sygnałem będzie model pomiaru. Program potrzebuje spójnych definicji dotyczących rekrutacji, ukończenia, podjęcia pracy, utrzymania zatrudnienia i jakości pracy. Potrzebuje także możliwej do obrony metody szacowania miejsc pracy, na które pośrednio wpłynęły polityka lub finansowanie.

Wczesne raporty powinny oddzielać bezpośrednie wyniki uczestników od modelowanych efektów ogólnokrajowych. Powinny pokazywać, ile osób rozpoczęło programy, znalazło pracę i pozostało zatrudnionych. Dane o wynagrodzeniach, liczbie godzin, świadczeniach i możliwościach awansu zapewniłyby pełniejszy obraz.

Wyniki powinny obejmować także niepowodzenia i korekty. Pilotaż, który wskaże nieskuteczną ścieżkę szkoleniową, nadal może tworzyć wartość, jeśli wyciągnięta lekcja zapobiegnie szerszym wydatkom. Ukrywanie negatywnych rezultatów osłabiłoby strategię skalowania programu.

Proces ewaluacji powinien również odróżniać ekspozycję na AI od faktycznego wypierania miejsc pracy. Społeczności mogą śledzić wdrażanie rozwiązań przez pracodawców, zmiany zadań, wzorce zatrudniania i zwolnienia. Żaden pojedynczy wskaźnik nie uchwyci całej transformacji.

Trzecim sygnałem będzie wdrożenie instytucjonalne. Obiecujący pilotaż nabiera znaczenia na dużą skalę, gdy stan zmienia politykę, agencja tworzy cykliczne finansowanie lub pracodawcy przyjmują zweryfikowaną ścieżkę. Rozszerzenie finansowane wyłącznie kolejnym krótkoterminowym grantem byłoby słabszym dowodem.

Warto obserwować zmiany w zasadach dotyczących poświadczeń, wsparciu opieki nad dziećmi, finansowaniu szkoleń i porozumieniach z pracodawcami. Te szczegóły administracyjne powiedzą więcej o trwałości niż kolejne ogłoszenie dotyczące uczestnictwa.

Dokumenty budżetowe stanów mogą ujawnić, czy rządy zakładają stałe koszty. Ustawodawstwo może pokazać, czy polityka przetrwa dłużej niż jedną administrację. Układy zbiorowe pracy i umowy z pracodawcami mogą wskazywać, czy pracownicy uczestniczą w zyskach z produktywności.

Program powinien również raportować, ile dodatkowego kapitału mobilizuje. Szerokie twierdzenie o dostosowanych zasobach jest mniej użyteczne niż udokumentowane zobowiązania powiązane z konkretnymi interwencjami. Finansowanie publiczne powinno być wskazywane oddzielnie od wkładów prywatnych i filantropijnych.

Silniejszy rezultat łączyłby wiarygodne zatrudnienie z przyjęciem polityk i przejrzystymi kosztami. Słabszy rezultat podkreślałby łączną liczbę beneficjentów, nie wyjaśniając ich związku z finansowanymi działaniami.

Dla czytelników trafiających z google news liczba z nagłówka jest jedynie punktem wyjścia. Trwała historia dotyczy tego, czy lokalne instytucje potrafią reagować na zmiany technologiczne, zanim narażeni pracownicy poniosą ich koszty.

Deweloperzy i dostawcy AI powinni to obserwować, ponieważ programy publiczne mogą kształtować oczekiwania dotyczące zamówień i ewaluacji. Nabywcy korporacyjni powinni to obserwować, ponieważ lokalne partnerstwa mogą ujawniać rzeczywiste potrzeby kadrowe. Pracownicy powinni to obserwować, ponieważ standardy jakości pracy zdecydują, czy adaptacja przyniesie możliwości, czy jedynie kolejne poświadczenie.

Liderzy stanowi i lokalni nie muszą przewidywać dokładnego wpływu AI na każdy zawód. Potrzebują systemów, które wykrywają zmiany, testują reakcje i zachowują rozliczalność. The Rockefeller Foundation stawia na to, że filantropia może pomóc zbudować takie systemy.

Decydujące pytanie ma teraz charakter praktyczny: czy pierwsze społeczności opublikują dowody wystarczająco mocne, by rządy i pracodawcy zaangażowali własne zasoby? To odpowiedź na to pytanie, a nie skala ogłoszenia, zdecyduje, czy inicjatywa stanie się trwałą infrastrukturą rozwoju kadr.