Steve Hanke kwestionuje prognozy masowego niszczenia miejsc pracy przez AI

Steve Hanke zakwestionował prognozy masowego niszczenia miejsc pracy przez AI, mimo że menedżerowie i badacze wielokrotnie ostrzegają, iż automatyzacja wyeliminuje stanowiska umysłowe. Argument ekonomisty, nagłośniony za pośrednictwem Google News, przenosi debatę z pytania o to, czy AI potrafi wykonywać zadania, na pytanie, czy firmy mogą z zyskiem przeorganizować wokół niej całe zawody.

To rozróżnienie ma znaczenie. Model może napisać e-mail, podsumować spotkanie lub wygenerować kod oprogramowania, nie zastępując pracownika odpowiedzialnego za ostateczny rezultat. Większość zawodów łączy rutynowe zadania z osądem, odpowiedzialnością, aktywnością fizyczną, relacjami oraz wiedzą, do której oprogramowanie nie ma niezawodnego dostępu.

Stanowisko Hanke’a stoi w sprzeczności ze znacznie bardziej ponurą prognozą części liderów technologicznych. Dyrektor generalny Anthropic, Dario Amodei, ostrzegał, że AI może wyeliminować wiele stanowisk umysłowych na poziomie juniorskim, podczas gdy badacze rynku pracy dostrzegają wczesną presję na młodszych pracowników. Spór nie dotyczy już tego, czy AI zmienia pracę. Chodzi o to, czy automatyzacja zadań przerodzi się w masowe bezrobocie.

O co Steve Hanke faktycznie argumentuje w kwestii miejsc pracy AI

Argument Hanke’a najlepiej rozumieć jako argument dotyczący adaptacji gospodarczej, a nie twierdzenie, że AI nie wpływa na zatrudnienie.

Według wywiadu z Hanke’em, ekonomista z Johns Hopkins University nie oczekuje, że AI stanie się masowym niszczycielem miejsc pracy. Stanowisko to odrzuca prosty ciąg przyczynowy łączący większe możliwości modeli z trwałym bezrobociem.

Brakującym ogniwem w tym ciągu jest popyt. Gdy technologia obniża koszt wytworzenia czegoś, klienci często kupują tego więcej. Firmy mogą zwiększać produkcję, poprawiać obsługę, wprowadzać nowe produkty lub przekierowywać pracowników do zadań, które wcześniej były zbyt kosztowne.

Produktywność opisuje, ile rezultatu pracownicy wytwarzają przy określonym nakładzie pracy. Jeśli AI zwiększa produktywność, firma może osiągnąć ten sam wynik przy mniejszej liczbie godzin. Może też wykorzystać te godziny do obsługi większej liczby klientów, poprawy jakości lub wejścia na inny rynek.

Ostateczny wpływ na zatrudnienie zależy od tego, która reakcja przeważy. Cięcie kosztów zmniejsza popyt na pracę, gdy firma utrzymuje produkcję na stałym poziomie. Ekspansja zwiększa popyt, gdy niższe koszty przyciągają wystarczająco dużo dodatkowego biznesu.

Dlatego film demonstracyjny nie może rozstrzygnąć debaty o miejscach pracy. Model wykonujący jedno zadanie nie pokazuje, jak zareagują klienci, jak szybko firmy go wdrożą ani jaka nowa praca z tego wyniknie.

Organizacje poruszają się też wolniej niż twórcy modeli. Firma musi połączyć AI z zaufanymi danymi, określić procedury kontroli, przeszkolić pracowników, zarządzać bezpieczeństwem i przypisać odpowiedzialność za błędy. Te ograniczenia oddzielają możliwości techniczne od automatyzacji użytecznej ekonomicznie.

Model do obsługi klienta stanowi wyraźny przykład. Może proponować odpowiedzi i wyszukiwać zapisy polityki firmy, pomagając jednemu przedstawicielowi obsłużyć więcej rozmów. Firma nadal potrzebuje jednak ludzi do rozwiązywania wyjątkowych przypadków, uspokajania zdenerwowanych klientów, zatwierdzania zwrotów i przyjmowania odpowiedzialności za wyniki.

Ten sam wzorzec pojawia się w rozwoju oprogramowania. Asystenci programistyczni mogą generować funkcje lub testy, ale inżynierowie muszą zdecydować, co budować, sprawdzić zależności, chronić dane klientów i utrzymywać systemy po wdrożeniu. Szybsze tworzenie kodu może nawet generować więcej pracy związanej z kontrolą i integracją.

Nic z tego nie gwarantuje stabilności zatrudnienia. Firmy mogą likwidować stanowiska, gdy oprogramowanie przejmie wystarczająco dużo zadań, a popyt nie wzrośnie. Mocniejsze twierdzenie jest węższe: automatyzacja na poziomie zadań nie prowadzi automatycznie do eliminacji na poziomie zawodu.

To rozumowanie wpisuje się w długą historię zmian technologicznych. Mechanizacja zmniejszała zapotrzebowanie na pracę przy konkretnych czynnościach, jednocześnie tworząc uzupełniające role, większe rynki i całkowicie nowe branże. Transformacja mimo to szkodziła konkretnym pracownikom, regionom i grupom wiekowym.

To rozróżnienie zapobiega temu, by optymizm przerodził się w samozadowolenie. Gospodarka może uniknąć masowego bezrobocia, podczas gdy miliony ludzi doświadczają zwolnień, słabszej pozycji negocjacyjnej lub trudnych zmian kariery. Odporność w skali całej gospodarki nie chroni każdego pracownika.

Interwencja Hanke’a zmienia więc pytanie. Zamiast pytać, czy model potrafi wykonywać ludzką pracę, obserwatorzy muszą pytać, czy firmy likwidują stanowiska, zmieniają plany rekrutacyjne, zwiększają produkcję lub przeprojektowują zawody.

Te rezultaty wymagają danych z rynku pracy. Same wskaźniki możliwości modeli nie są w stanie ich zapewnić.

Dlaczego debata w Google News dotyczy zadań, a nie całych zawodów

Najmocniejsze dowody wspierające Hanke’a oddzielają ekspozycję na AI od całkowitego zastąpienia przez AI.

Badanie z 2025 roku przeprowadzone przez Międzynarodową Organizację Pracy i polski NASK wykazało, że jedna na cztery pracy na świecie ma pewną ekspozycję na generatywną AI. Badacze stwierdzili jednak, że bardziej prawdopodobna jest transformacja niż zastąpienie.

Indeks zawodów ILO ocenia zadania składające się na zawody, zamiast traktować każdą pracę narażoną na wpływ AI jako równie podatną na automatyzację. Takie podejście daje użyteczniejszy obraz ryzyka w miejscu pracy.

Zawód to zestaw działań. Pracownik administracyjny może planować spotkania, przygotowywać dokumenty, interpretować nietypowe prośby, chronić poufne informacje i koordynować kilka osób. Generatywna AI radzi sobie z niektórymi z tych działań łatwiej niż z innymi.

Ekspozycja mierzy, czy AI może pomagać przy wykonywaniu istotnych zadań lub je realizować. Nie dowodzi, że pracodawcy wdrożą tę technologię, że będzie działała niezawodnie ani że zniknie całe stanowisko.

Badacze ILO przypisali zadaniom wynik automatyzacji oparty na obecnych możliwościach generatywnej AI. Ustalili, że większość zawodów nadal obejmuje działania wymagające udziału człowieka. Praca biurowa pozostaje szczególnie narażona, ponieważ modele językowe mogą przetwarzać wiele opartych na tekście, ustrukturyzowanych zadań.

Płeć i geografia również wpływają na ryzyko. W krajach o wysokich dochodach ILO ustaliła, że niemal 10% zatrudnienia kobiet przypada na zawody o najwyższym potencjale automatyzacji. Porównywalny odsetek dla mężczyzn wyniósł 3,5%.

Ta różnica odzwierciedla koncentrację zawodową, a nie różnicę w umiejętnościach technicznych pracowników. Kobiety stanowią większą część zatrudnionych na stanowiskach biurowych i administracyjnych w wielu rozwiniętych gospodarkach. Zawody te obejmują więcej zadań, które obecne modele potrafią odtworzyć.

Wynik ten komplikuje każdy uspokajający nagłówek. AI nie musi wywołać bezrobocia w skali całej gospodarki, aby powodować nierówne szkody. Może wywierać skoncentrowaną presję na zawody zatrudniające określone grupy demograficzne.

Transformacja może również zmniejszać zatrudnienie bez likwidowania zawodu. Dział, który wcześniej potrzebował 20 pracowników, może funkcjonować z 15 osobami korzystającymi z AI. Tytuł stanowiska pozostaje, ale rekrutacja spada, a obciążenie pracą się zmienia.

Zatrudnienie na poziomie juniorskim stanowi kolejną słabość. Młodsi pracownicy często zaczynają od badań, tworzenia szkiców, formatowania, dokumentacji i podstawowej analizy. Te zadania pomagają im poznać kontekst potrzebny do wykonywania obowiązków na wyższych stanowiskach.

Jeśli AI przejmie te zadania, pracodawcy stają przed problemem rozwoju kadr. Mogą dziś zatrudniać mniej młodszych pracowników, ale taka decyzja może później osłabić ich zasób doświadczonych specjalistów.

Firmy mogą odpowiedzieć, przeprojektowując role na początku kariery zamiast je likwidować. Młodszy analityk mógłby poświęcać mniej czasu na zestawianie danych, a więcej na weryfikację założeń, rozmowy z interesariuszami i wyjaśnianie wniosków.

Takie przeprojektowanie wymaga świadomego zarządzania. Nie nastąpi po prostu dlatego, że dostępna stanie się subskrypcja AI.

Pracownicy potrzebują też dostępu do informacji stojących za ich decyzjami. Osobiste systemy wiedzy mogą pomóc im zachować kontekst spotkań, dokumentów i wcześniejszej pracy, gdy AI zmienia ich codzienne obowiązki. Przeszukiwalna baza wiedzy AI wspiera tę ciągłość, nie rozstrzygając, które zadania pracodawca powinien automatyzować.

Ramy oparte na zadaniach stanowią najsilniejszy fundament argumentu Hanke’a. Większość zawodów obejmuje zbyt wiele różnorodności, wiedzy ukrytej i odpowiedzialności, by pojedynczy model mógł je całkowicie przejąć.

Jednak te ramy wskazują również, gdzie presja pojawi się najpierw. Rutynowe zadania cyfrowe podlegają szybszej automatyzacji, podczas gdy działania skoncentrowane na człowieku i czynności fizyczne pozostają trudniejsze do zastąpienia.

Czytelnicy Google News napotykający tę debatę powinni zatem ostrożnie traktować pojęcie „ekspozycji zawodowej”. Opisuje ono kontakt z AI, a nie gwarantowane wypowiedzenie. Konsekwencje zależą od tego, jak pracodawcy przeorganizują pozostałą pracę.

Prawdziwy spór to niszczenie miejsc pracy kontra przeprojektowanie pracy

Optymistyczny argument Hanke’a sprawdza się tylko wtedy, gdy firmy wykorzystują wzrost produktywności do rozszerzania pracy, zamiast traktować każdy zysk jako cel redukcji zatrudnienia.

Firmy nie wdrażają AI w neutralnym środowisku. Menedżerowie są pod presją, by obniżać koszty, chronić marże i pokazywać inwestorom, że kosztowne inwestycje technologiczne przynoszą zwrot. Likwidacja stanowisk daje widoczny rezultat szybciej niż budowanie nowego rynku.

Ta zachęta wzmacnia argument o niszczeniu miejsc pracy. Nawet gdy AI nie potrafi zautomatyzować całego zawodu, firma może połączyć częściową automatyzację z konsolidacją pracy. Pozostali pracownicy przejmują wtedy zadania, z którymi system nie potrafi sobie poradzić.

Alternatywą jest przeprojektowanie pracy. Pracodawcy inaczej dzielą obowiązki, tworzą role kontrolne, zwiększają zdolność obsługi i szkolą pracowników do nadzorowania procesów wspieranych przez AI. Ta ścieżka może zachować zatrudnienie przy jednoczesnym zwiększeniu produkcji.

Żaden z tych rezultatów nie wynika automatycznie z samej technologii. Strategia zarządzania, popyt klientów, podaż pracy, regulacje i presja konkurencyjna kształtują wynik.

Prognoza zatrudnienia Światowego Forum Ekonomicznego jobs forecast ilustruje oba kierunki. W raporcie z 2025 roku prognozowano 170 milionów nowych ról i 92 miliony globalnie wypartych ról do 2030 roku. Daje to wzrost netto o 78 milionów stanowisk.

Liczby te obejmują kilka sił strukturalnych, a nie tylko AI. Zmiany demograficzne, transformacja energetyczna, warunki gospodarcze i szersze wdrażanie technologii cyfrowych wpływają na te prognozy.

Mimo to szacunek ten oddaje istotę konfliktu. Wypieranie pracowników na dużą skalę i wzrost liczby miejsc pracy netto mogą występować jednocześnie. Pracownicy tracący stanowiska niekoniecznie będą mieć lokalizację, doświadczenie lub umiejętności wymagane na nowych stanowiskach.

Wyparty asystent administracyjny nie staje się natychmiast inżynierem AI. Szkolenie wymaga czasu, dochodu, dostępu i pracodawcy gotowego zatrudnić osobę bez bezpośredniego doświadczenia.

Geografia tworzy kolejne niedopasowanie. Nowe role w centrach danych, energetyce i sektorach technicznych mogą pojawiać się w innych regionach niż biura doświadczające automatyzacji. Zatrudnienie krajowe może rosnąć, podczas gdy konkretne społeczności tracą stabilną pracę.

Czas ma równie duże znaczenie jak łączne liczby. Jeśli firmy szybko likwidują role, ale nowe branże zatrudniają powoli, pracownicy mogą doświadczać lat bezrobocia lub niższych zarobków. Korzystny wynik w 2030 roku nie eliminuje bolesnej transformacji w 2027 roku.

Rodzaj zatrudnienia także ma znaczenie. Nowa praca kontraktowa bez przewidywalnych godzin niekoniecznie zastępuje bezpieczeństwo etatu. Samo liczenie miejsc pracy może ukrywać zmiany w wynagrodzeniach, świadczeniach i sile negocjacyjnej.

Stanowisko Hanke’a jest najsilniejsze na poziomie makroekonomicznym. Nowe technologie zwykle obniżają koszty produkcji, stymulują inwestycje i tworzą popyt komplementarny. Gospodarki nie są stałymi zbiorami zadań czekających na automatyzację.

Jego słabość ujawnia się na poziomie dystrybucji. Rynki mogą tworzyć nowe możliwości, nie kierując ich jednak do tych samych pracowników, którzy ponieśli koszt dostosowania.

To napięcie wyjaśnia, dlaczego firmy znajdują się pod większą presją niż twórcy modeli. Laboratoria AI mogą demonstrować możliwości, ale to pracodawcy decydują, czy dane możliwości wspierają pracowników, czy ich zastępują.

Inwestorzy powinni obserwować wskaźniki operacyjne, a nie język promocyjny. Przychód na pracownika może rosnąć, ponieważ pracownicy stali się bardziej produktywni, ponieważ firma ograniczyła zatrudnienie albo z obu tych powodów.

Klienci również wpływają na tę równowagę. Jeśli niższe koszty prowadzą do lepszej obsługi lub niższych cen, popyt może wzrosnąć. Jeśli firmy zatrzymują wszystkie oszczędności, podczas gdy jakość usług spada, wzrost produktywności nie wywoła takiej samej reakcji gospodarczej.

Najważniejsza rywalizacja nie toczy się więc między ludzką a maszynową inteligencją. Chodzi o ekspansję kontra ekstrakcję.

Ekspansja wykorzystuje AI do tworzenia większej wartości, obsługi niezaspokojonego popytu i kreowania pracy komplementarnej. Ekstrakcja wykorzystuje ją przede wszystkim do redukcji kosztów pracy przy niezmienionych ambicjach organizacji.

Prognoza Hanke’a zależy od tego, czy ekspansja będzie wygrywać wystarczająco często, aby zrekompensować wypieranie pracowników. Najbliższe kilka kwartałów pokaże, czy zachowania firm potwierdzają to założenie.

Czego nie rozstrzyga optymistyczna teza dotycząca miejsc pracy i AI

Uniknięcie apokalipsy na rynku pracy nie zapobiegłoby słabszemu wzrostowi płac, mniejszej liczbie ofert ani trudniejszemu rynkowi dla osób rozpoczynających karierę.

Zatrudnienie jest tylko jedną miarą kondycji rynku pracy. Pracownik może pozostać zatrudniony, a jednocześnie otrzymywać mniejsze podwyżki, przejmować więcej obowiązków lub tracić kontrolę nad sposobem oceny swojej pracy.

Najnowsze badania coraz częściej koncentrują się na tych cichszych skutkach. Firmy mogą przejmować większość korzyści z produktywności w postaci wyższych marż, zamiast dzielić się nimi poprzez wynagrodzenia lub krótszy czas pracy.

Presję na płace szczególnie trudno wykryć. Pracodawcy rzadko ogłaszają, że AI osłabiła siłę negocjacyjną pracownika. Zmiana ujawnia się w wolniejszych podwyżkach, niższych ofertach lub mniejszej liczbie konkurencyjnych wakatów.

Zamrożenie rekrutacji tworzy podobny problem pomiarowy. Firma może kurczyć się przez naturalne odejścia, nie opisując tej zmiany jako zwolnień spowodowanych przez AI. Obecni pracownicy pozostają, ale osoby odchodzące nie są zastępowane.

Ten wzorzec ma znaczenie dla świeżo upieczonych absolwentów. Zależą oni od nowych ofert, a nie od utrzymania obecnego zatrudnienia. Stabilna stopa bezrobocia w nagłówkach może współistnieć z pogarszającym się rynkiem pracy na poziomie junior.

Kluczowy kontrargument wobec Hanke’a dotyczy zatem dystrybucji i czasu, a nie tylko łącznej liczby miejsc pracy. AI może nie zniszczyć zatrudnienia na masową skalę, a mimo to przenosić dochody od pracowników do właścicieli.

Może też zwiększać nadzór. Oprogramowanie rejestrujące wyniki, oceniające interakcje lub rekomendujące decyzje kadrowe może osłabiać autonomię pracowników, nawet jeśli nikogo nie zastępuje.

Ryzyka jakościowe stanowią kolejne ograniczenie. Generatywne systemy AI czasem tworzą nieprawidłowe informacje, posługując się pewnym tonem. Ludzka weryfikacja pozostaje niezbędna tam, gdzie błędy wpływają na pieniądze, zdrowie, prawa, bezpieczeństwo lub bezpieczeństwo publiczne.

Praca weryfikacyjna nie jest bezkosztowa. Pracownicy muszą wystarczająco dobrze rozumieć temat, aby rozpoznawać błędy, badać niepewne wyniki i dokumentować ostateczną decyzję. Szybsze generowanie może tworzyć większy strumień materiałów wymagających sprawdzenia.

Odpowiedzialności również nie da się łatwo zautomatyzować. Model nie może przyjąć odpowiedzialności prawnej, zeznawać na temat intencji organizacji ani naprawić nadszarpniętej relacji z klientem. Firmy nadal potrzebują osób ponoszących odpowiedzialność za istotne decyzje.

Analiza ILO dotycząca miejsca pracy podkreśla, że skutki technologii zależą od decyzji dotyczących wdrożenia. Dialog społeczny, szkolenia i ochrona pracowników wpływają na to, czy transformacja poprawi jakość pracy.

Te zabezpieczenia podważają pogląd, że sama adaptacja rynkowa zapewni dobry wynik. Pracownicy mają różny poziom siły negocjacyjnej, a firmy posiadają więcej informacji o planowanej automatyzacji niż zatrudnieni.

Małe firmy mierzą się z odrębnymi ograniczeniami. Mogą korzystać z zaawansowanych narzędzi AI, ale wielu z nich brakuje dedykowanych zespołów bezpieczeństwa, uporządkowanych danych wewnętrznych lub czasu na szeroko zakrojoną ocenę. Wdrażanie może pozostać powierzchowne, nawet gdy technologia dobrze działa w kontrolowanych testach.

Duże firmy mogą szybciej działać w niektórych obszarach, ponieważ dysponują kapitałem i wyspecjalizowanym personelem. Jednak starsze systemy, zasady zakupowe i obowiązki regulacyjne mogą spowalniać wdrożenia korporacyjne.

Różnice te sprawiają, że prognozy krajowe są niepewne. Wdrażanie AI nie będzie postępować w tym samym tempie w każdej firmie i zawodzie.

Niezawodność modeli także może szybko się zmieniać. Lepsze rozumowanie, niższe koszty operacyjne lub silniejsze systemy agentowe mogą uczynić głębszą automatyzację opłacalną. Dzisiejsza granica zadań nie jest trwała.

Ostrożny wniosek nie brzmi, że Hanke się myli. Chodzi o to, że jego stanowisko odnosi się do jednego rezultatu — masowego netto niszczenia miejsc pracy — podczas gdy pracownicy doświadczają kilku innych form presji.

Najbardziej prawdopodobny scenariusz w krótkim terminie łączy wzrost produktywności z selektywnymi zwolnieniami, ograniczoną rekrutacją, znaczącym przeprojektowaniem stanowisk i nierównomiernym wpływem na płace. Taka mieszanka wygląda mniej dramatycznie niż kryzys bezrobocia, ale nadal wymaga uwagi.

Relacje w Google News mogą spłaszczać tę złożoność do przeciwstawnych nagłówków. Jedna strona twierdzi, że AI wyeliminuje pracę, podczas gdy druga przywołuje wcześniejsze technologie, które stworzyły dobrobyt.

Oba ujęcia pomijają operacyjny środek. Pracodawcy będą automatyzować pojedyncze procesy, odkrywać nowe wąskie gardła, dostosowywać zatrudnienie i powtarzać ten proces. Wpływ na rynek pracy będzie kumulował się poprzez tysiące decyzji, a nie jedno rozstrzygające wydarzenie.

Pracownicy na początku kariery ponoszą największe ryzyko

Największym bezpośrednim zagrożeniem nie jest zniknięcie wszystkich prac biurowych. Jest nim erozja pierwszego szczebla drabiny kariery.

Zadania na poziomie entry-level często wydają się automatyzowalne, ponieważ obejmują przewidywalną pracę cyfrową. Młodsi pracownicy streszczają dokumenty, przygotowują pierwsze wersje tekstów, prowadzą podstawowe badania, aktualizują rejestry i piszą rutynowy kod.

Zadania te służą również szkoleniu. Zapoznają pracowników ze słownictwem organizacji, oczekiwaniami klientów, typowymi błędami i osądem bardziej doświadczonych współpracowników.

Usunięcie tych zadań bez zastąpienia procesu uczenia się tworzy ukryty koszt. Firmy oszczędzają dziś czas, ale ograniczają pulę osób przygotowanych do objęcia w przyszłości bardziej seniorskich ról.

Menedżerowie nie mogą zakładać, że sprawdzanie wyników AI zapewnia taki sam rozwój. Skuteczna weryfikacja wymaga mentalnego modelu tego, co powinna zawierać poprawna odpowiedź. Początkujący budują ten model częściowo poprzez samodzielne wykonywanie pracy.

Tworzy to paradoks doświadczenia. Pracodawcy chcą pracowników, którzy potrafią nadzorować AI, ale pracownicy potrzebują praktycznego doświadczenia, zanim będą mogli wiarygodnie ją oceniać.

Organizacje mają kilka sposobów rozwiązania tego problemu. Mogą zachować ustrukturyzowane rotacje, wymagać od pracowników wyjaśniania zautomatyzowanych wyników i przydzielać młodszemu personelowi pracę z klientami lub pracę międzyfunkcyjną.

Mogą także mierzyć uczenie się, a nie surowy wolumen produkcji. Jeśli model tworzy pierwszą wersję, pracownik może dokumentować błędy, poprawiać jakość źródeł i uzasadniać końcową rekomendację.

Takie praktyki wymagają inwestycji. Firma skupiona wyłącznie na natychmiastowych oszczędnościach prawdopodobnie ograniczy rekrutację juniorów, zanim zbuduje zastępczy system szkoleniowy.

Ryzyko wykracza poza usługi profesjonalne. Obsługa klienta, marketing, księgowość, rozwój oprogramowania i operacje prawne opierają się na ścieżkach, które prowadzą pracowników od rutynowych zadań do obowiązków wymagających osądu.

Modele praktyk zawodowych przetrwały wcześniejsze technologie, ponieważ branże nadal potrzebują doświadczonych ludzi. AI rodzi możliwość, że firmy będą zbyt mało inwestować w etap początkowy, oczekując jednocześnie, że późniejszy etap będzie nadal funkcjonował.

Instytucje edukacyjne również stają pod presją. Nauczanie studentów tworzenia ogólnych esejów lub podstawowego kodu ma mniejszą wartość, gdy modele mogą natychmiast generować takie wyniki. Programy muszą kłaść nacisk na weryfikację, wiedzę dziedzinową, definiowanie problemów i odpowiedzialne podejmowanie decyzji.

Ta zmiana nie powinna stać się wymówką dla porzucenia podstawowych umiejętności. Studenci, którzy nigdy nie nauczą się pisać, liczyć ani programować bez pomocy, mogą mieć trudności z wykrywaniem złożonych błędów.

Pracownicy już zatrudnieni w organizacjach mają przewagę. Rozumieją wewnętrzne procesy, relacje i wyjątki, których nowy kandydat nie może łatwo wykazać. Wdrażanie AI może więc chronić obecnych pracowników, jednocześnie zawężając punkty wejścia.

Ten rezultat nie ujawniłby się jako masowe niszczenie miejsc pracy. Ujawniłby się jako pokolenie otrzymujące mniej szans na rozpoczęcie kariery.

Skutki mogą później dotrzeć do płac i mobilności. Gdy mniej pracodawców szkoli niedoświadczonych pracowników, kandydaci konkurują o mniejszy zestaw ofert. Firmy mogą wymagać większego doświadczenia, oferując jednocześnie niższe wynagrodzenie.

Historyczny argument Hanke’a nadal daje powód do optymizmu. Nowe branże i obowiązki mogą tworzyć alternatywne ścieżki wejścia. Ocena AI, zarządzanie danymi, projektowanie procesów, zgodność z regulacjami i wdrażanie u klientów nadal wymagają ludzkiej pracy.

Jednak wiele z tych ról wymaga umiejętności, które pracownicy kiedyś rozwijali poprzez stanowiska obecnie zagrożone automatyzacją. Pracodawcy muszą budować mosty, zamiast zakładać, że rynek dostarczy doświadczonych kandydatów.

To właśnie tutaj argument o przeprojektowaniu miejsc pracy przechodzi najbardziej wymagający test. Przeprojektowanie nie może oznaczać przekazania jednemu starszemu pracownikowi systemu AI i likwidacji zespołu juniorów.

Trwały model musi wyjaśniać, w jaki sposób ludzie wchodzą do organizacji, uczą się i awansują. Bez tej ścieżki dzisiejsze zyski produktywności mogą jutro tworzyć niedobory kompetencji.

Co obserwować po debacie Steve’a Hanke’a w Google News

Trzy sygnały sprawdzą tezę Hanke’a skuteczniej niż kolejna prognoza dotycząca sztucznej inteligencji ogólnej.

Pierwszym sygnałem jest rekrutacja na stanowiska entry-level w zawodach narażonych na wpływ AI. Oferty dla młodszych programistów, analityków, pracowników administracyjnych, marketerów i pracowników obsługi klienta dają wczesny obraz zachowań pracodawców.

Trwały spadek liczby tych ofert osłabiłby optymistyczną tezę, zwłaszcza jeśli ogólna aktywność gospodarcza pozostanie zdrowa. Sugerowałby, że firmy wykorzystują AI do ograniczania popytu na nowych pracowników.

Stabilna lub rosnąca rekrutacja na poziomie entry-level wzmocniłaby stanowisko Hanke’a. Wskazywałaby, że pracodawcy nadal potrzebują ludzi, nawet gdy automatyzują rutynowe elementy pracy.

Drugim sygnałem jest relacja między produktywnością, produkcją a zatrudnieniem. Sam wzrost produktywności nie pozwala odróżnić ekspansji od cięcia kosztów.

Jeśli firmy raportują wyższą produkcję, rosnący popyt klientów i stabilne zatrudnienie, AI będzie wyglądać bardziej jak technologia komplementarna. Pracownicy produkowaliby więcej, podczas gdy organizacje dążyłyby do większych rynków.

Jeśli przychód na pracownika rośnie głównie dlatego, że zatrudnienie spada, dowody będą wspierać tezę o substytucji. Inwestorzy powinni analizować zmiany kadrowe obok sprzedaży, wolumenu usług i nakładów inwestycyjnych.

Trzecim sygnałem jest wzrost płac w zawodach silnie narażonych na wpływ AI. Zatrudnienie może pozostać stabilne, podczas gdy dynamika wynagrodzeń traci impet.

Wolniejszy wzrost płac sugerowałby, że AI zwiększyła podaż użytecznej produkcji lub osłabiła siłę negocjacyjną pracowników. Taki wynik podważyłby każdą definicję sukcesu opartą wyłącznie na liczbie miejsc pracy.

Zdrowy wzrost płac pokazałby, że korzyści z produktywności trafiają do pracowników, zwłaszcza jeśli towarzyszą mu krótsze okresy wakatów i silne zatrudnianie. Wspierałby argument, że AI uzupełnia deficytową ludzką wiedzę ekspercką.

Decydenci powinni śledzić te sygnały według zawodu, wieku, płci i regionu. Średnie krajowe mogą ukrywać skoncentrowane straty wśród pracowników administracyjnych, świeżo upieczonych absolwentów lub społeczności zależnych od wąskiego grona pracodawców.

Badacze muszą również oddzielać skutki AI od stóp procentowych, polityki handlowej, zmian demograficznych i zwykłych cykli koniunkturalnych. Firmy czasem powołują się na AI, redukując zatrudnienie z szerszych powodów finansowych.

Działa to również w drugą stronę. Przedsiębiorstwa mogą po cichu automatyzować pracę, nie określając tej decyzji jako inicjatywy AI. Badacze będą potrzebować ogłoszeń o pracę, danych płacowych, badań dotyczących zadań oraz ujawnień firmowych, aby stworzyć wiarygodny obraz.

Czytelnicy powinni powstrzymać się od traktowania danych z jednego miesiąca jako ostatecznego werdyktu. Zatrudnienie i inwestycje podlegają wahaniom, a zmiany organizacyjne mogą potrzebować kilku kwartałów, by się ujawnić.

Bardziej użyteczne pytanie brzmi, czy wyłania się spójny wzorzec. Czy zawody najbardziej narażone tracą oferty szybciej niż porównywalne role? Czy wzrost produktywności zwiększa popyt? Czy płace nadążają?

Argument Steve’a Hanke’a zasługuje na uwagę, ponieważ kwestionuje uproszczone założenie. Możliwość automatyzacji pracy nie przesądza o ostatecznej liczbie miejsc pracy w dynamicznej gospodarce.

Krytycy zasługują na równie dużą uwagę, ponieważ ogólna adaptacja może ukrywać dotkliwe straty konkretnych osób. Zysk netto niewiele znaczy dla kogoś, komu umiejętności, miejsce zamieszkania lub wiek uniemożliwiają dostęp do nowych możliwości.

Pojawiające się dowody nie uzasadniają ani samozadowolenia, ani pewności co do apokalipsy miejsc pracy wywołanej przez AI. Wskazują na szybką zmianę zadań, selektywne wypieranie pracowników oraz spór o to, kto otrzyma korzyści.

To standard, który powinny stosować przyszłe relacje Google News. Należy obserwować rzeczywiste zatrudnienie, produkcję i płace, zanim zaakceptuje się obietnicę łatwej obfitości albo prognozę powszechnego bezrobocia.

Dla pracowników praktyczną odpowiedzią jest dokumentowanie, w jaki sposób ich osąd poprawia wyniki wspomagane przez AI, a nie jedynie tego, jak szybko korzystają z modelu. Dla pracodawców testem jest to, czy automatyzacja zwiększa ambicje, jednocześnie zachowując ścieżkę rozwoju dla ludzi.

Kolejne raporty z rynku pracy i ujawnienia korporacyjne pokażą, czy AI stanie się motorem szerszej produkcji, czy węższym mechanizmem redukcji kosztów płacowych. Ku któremu z tych rezultatów zmierza obecnie Twoje miejsce pracy?