Prognozowanie skutków rewolucji technologicznych jest trudne, ponieważ wymaga wyjścia poza utarte schematy myślenia i wyobrażenia sobie świata na nowo. Wydaje mi się jednak, że dysponujemy całkiem dobrym zestawem narzędzi analitycznych, które zastosowane do nowej rzeczywistości tworzenia produktów pozwalają nakreślić dość wiarygodny obraz przyszłego podziału pracy. Ten tekst nie jest klasycznym esejem o tym, czy AI zabierze nam pracę. To raczej polemika z poglądem, że każda rewolucja technologiczna musi prowadzić do skutków podobnych do tych, które obserwowaliśmy w przeszłości. Kluczowe znaczenie ma bowiem mechanizm zmian, a ten tym razem jest inny. Uważam, że AI zabierze nam pracę. Pozostaną miliony miejsc pracy, ale znikną miliardy. A po drodze jeszcze długo będziemy łudzić się, że tym razem będzie inaczej.
Gospodarka rzadko porusza się po liniach prostych, choć jako analitycy bardzo chcielibyśmy, żeby było inaczej. Gdy na horyzoncie pojawia się technologia ogólnego zastosowania, wahania stają się szczególnie gwałtowne. Stawką jest bowiem przyszły kształt pracy, a więc kształt znacznej część ludzkiej aktywności. Ona nie tylko dostarcza środków do życia, lecz także w wielu przypadkach nadaje życiu strukturę, sens i poczucie celu.
W debacie nad wpływem sztucznej inteligencji na zatrudnienie zarysowały się dwa scenariusze, które w istocie są niesymetryczne. Nie mamy do czynienia z dwiema równorzędnymi hipotezami opisującymi ten sam mechanizm, lecz z dwiema odmiennymi odpowiedziami na jedno pytanie: co wydarzy się, gdy AI przekroczy próg pełnej autonomii operacyjnej? Oba scenariusz zaczynają się identycznie – od wzrostu popytu na pracę napędzanego efektem komplementarności. Rozchodzą się dopiero w momencie, w którym AI przestaje być narzędziem wspierającym człowieka, a staje się samodzielnym wykonawcą pętli decyzyjnej. Zanim ocenię, który wariant jest bardziej prawdopodobny, warto zapowiedzieć, że cała różnica sprowadza się ostatecznie do jednego pytania: czy w gospodarce pozostanie coś, do czego człowiek zachowa przewagę komparatywną – nie absolutną, lecz właśnie komparatywną – gdy maszyna będzie potrafiła wykonać każde zadanie szybciej, taniej i lepiej.
Pierwsza alternatywa: wieczna rekonwersja i efekt tkacza
Jest to wersja historii oparta na klasycznym mechanizmie rynkowej samoregulacji, znanym z poprzednich rewolucji przemysłowych. Punktem wyjścia jest radykalna obniżka kosztów produkcji, a dalsza droga wiedzie przez wysoką elastyczność cenową popytu i efekt dochodowy. Kiedy w XIX wieku zautomatyzowano krosna tkackie (liczmy nie tyle dwa wynalazki, które do tego doprowadziły, lecz ich implementację), jednostkowy koszt wytworzenia odzieży spadł dramatycznie. Zamiast fali bezrobocia nastąpiła eksplozja popytu: ludzie, którzy wcześniej posiadali jedną koszulę, nagle chcieli i mogli kupić ich kilkanaście. Masowa produkcja wymagała zatrudnienia jeszcze większej liczby rąk do obsługi maszyn, logistyki i handlu.
Warto jednak dopowiedzieć, dlaczego ten mechanizm zadziałał akurat wtedy, bo to zastrzeżenie będzie kluczowe w dalszej części tekstu. Zadziałał, ponieważ wyjściowy poziom konsumpcji tekstyliów był niski, a elastyczność dochodowa popytu na odzież – wysoka. Konsument XIX-wieczny był daleko od punktu nasycenia. To założenie, nie sama mechanika spadku cen, jest właściwym motorem efektu tkacza. Przenosząc analogię na obecne czasy: jeśli AI obniży koszt stworzenia aplikacji mobilnej o 99%, nie musi to oznaczać zwolnień programistów. Może natomiast oznaczać, że każda firma zechce mieć dedykowany system, a zapotrzebowanie na architekturę, integrację i rozwój nowych produktów eksploduje. Oszczędności popłyną też do sektorów odpornych na automatyzację – usług osobistych, ochrony zdrowia, edukacji, rozrywki na żywo, zaawansowanego rzemiosła.
Nie jest to jedynie publicystyczna intuicja. Ekonomia pracy zna ten mechanizm pod nazwą choroby kosztów Baumola. Sektory, w których wzrost produktywności jest strukturalnie ograniczony – bo usługa jest z natury pracochłonna i trudna do zautomatyzowania w całości (opieka nad pacjentem, nauczanie, koncert na żywo) – z czasem drożeją relatywnie wobec sektorów zautomatyzowanych i wchłaniają coraz większy udział zatrudnienia. To właśnie dlatego udział usług w zatrudnieniu krajów rozwiniętych rósł dekadami, mimo dekad automatyzacji przemysłu. Każda poważna ocena scenariusza optymistycznego musi zmierzyć się z pytaniem: czy tym razem choroba kosztów Baumola nadal będzie działać, czy też AI obejmie również te obszary, które dotąd stanowiły naturalne schronienie dla ludzkiej pracy.
Trzeba też odnotować drugi, rzadziej przywoływany argument za tym scenariuszem: popyt na dobra i usługi pozycyjne – statusowe, ekskluzywne, sygnalizujące – z definicji nie nasyca się wraz ze spadkiem cen substytutów. Wręcz przeciwnie: im tańsza staje się masowa, generowana przez AI produkcja, tym cenniejsza – relatywnie – staje się praca w pełni ludzka, jako dobro rzadkie i pozycyjne samo w sobie. "Zaawansowane rzemiosło" nie jest tu przypadkowym dopiskiem, tylko osobnym mechanizmem ekonomicznym, niezależnym od efektu dochodowego. Gdzieś w tle toczy się wreszcie proces podtrzymujący pracę u podstaw fizycznych technologii: energię, moc obliczeniową, infrastrukturę. To ważne, bo – jak pokażę niżej – ten wątek jest furtką, przez którą optymistyczny scenariusz wchodzi tylnym wejściem, choć autorzy tej tezy rzadko to dostrzegają.
Zapamiętajmy jednak zanim przejdziemy dalej: w tym scenariuszu część ludzi traci pracę w wyniku automatyzacji, ale efekt kreacji nowych zawodów bardzo szybko przeważa i następuje dalszy, trwały wzrost zatrudnienia.
Druga alternatywa: iluzja boomu i twarde lądowanie
Drugi scenariusz zakłada, że początkowy entuzjazm oraz rzeczywisty wzrost popytu na pracę są jedynie etapem przejściowym poprzedzającym strukturalną redukcję zatrudnienia. W pierwszym etapie – w którym obecnie się znajdujemy – wdrożenie AI generuje koszty i wymaga nakładów ludzkich. Firmy traktują AI jako narzędzie komplementarne: pracownik zyskuje cyfrowego asystenta, wydajność rośnie, koszty jednostkowe spadają, skala działania rośnie. Człowiek pozostaje niezbędny (weryfikuje kod, podpisuje raport, zatwierdza decyzję), więc popyt na pracowników także rośnie.
Prawdziwy zwrot akcji ma nastąpić, gdy AI przekracza próg pełnej autonomii – przeobrazi się z "asystenta" w "agenta" zdolnego samodzielnie domykać całe pętle decyzyjne. W tym miejscu potrzebne jest jednak ważne zastrzeżenie, którego oryginalna wersja tego argumentu nie robi: osiągnięcie takiego progu nie zależy wyłącznie od zdolności technicznych modeli. To, czy AI faktycznie przejmie pełną autonomię w zawodzie regulowanym, zależy równie mocno od odpowiedzialności prawnej za błąd (kto odpowiada za błędną poradę podatkową wygenerowaną bez ludzkiej sygnatury?), od wymogów licencyjnych i ubezpieczeniowych, oraz od tego, czy klienci traktują obecność człowieka jako dobro samo w sobie. Innymi słowy: bariera dla pełnej autonomii może okazać się trwała nie dlatego, że AI nie potrafi wykonać zadania, lecz dlatego że instytucje nie pozwolą jej wykonać zadania bez nadzoru – a to jest mechanizm zupełnie inny niż kompetencyjny, o którym mówi ta teza, i wymaga osobnej analizy regulacyjnej, a nie tylko technologicznej. To wykracza poza mój obszar kompetencji.
Zakładając jednak, że próg autonomii zostanie przekroczony w wystarczająco wielu zawodach, koszt krańcowy replikacji cyfrowego pracownika może spaść niemal do zera. W takim świecie gospodarka natrafia na granice elastyczności popytu na dobra i usługi końcowe. Dopóki spadek cen pobudza dodatkową konsumpcję, mechanizm działa. Kiedy jednak rynek nasyca się tanimi usługami generowanymi przez AI, kolejne obniżki cen przestają wywoływać proporcjonalny wzrost popytu. Efekt substytucyjny zaczyna dominować nad efektem skali, a popyt na pracę w sektorach informacyjnych i kognitywnych załamuje się.
Co istotne, uderzenie to nie ominie sektora towarowego. Częstym kontrargumentem optymistów jest twierdzenie, że siła nabywcza przesunie się na dobra fizyczne. To jednak pomija sprzężenie zwrotne: popyt na towary jest w dużej mierze funkcją dochodów generowanych w sektorze usług, a gdy ten sektor traci zatrudnienie, wysycha też strumień finansujący zakupy dóbr trwałych. Po drugie, sektor towarowy sam przejdzie głęboką automatyzację fizyczną – projektowanie, zarządzanie łańcuchami dostaw i optymalizacja produkcji przestaną wymagać ludzkich rąk i mózgów w dotychczasowej skali.
Który scenariusz jest bardziej prawdopodobny?
Scenariusz pierwszy — optymistyczny i wsparty analogiami historycznymi — jest kuszący, ale opiera się na dwóch założeniach, które wcale nie muszą okazać się prawdziwe. Po pierwsze, zakłada, że popyt na usługi kognitywne pozostaje daleki od nasycenia, podobnie jak popyt na odzież w XIX wieku. Po drugie, że mechanizm kompensacyjny — polegający na powstawaniu nowych zawodów w miejsce tych, które znikają — będzie działał z taką samą skutecznością jak podczas wcześniejszych rewolucji technologicznych. W mojej ocenie oba założenia są w przypadku obecnej fali AI słabsze niż w analogiach historycznych. Skłania mnie to ku scenariuszowi drugiemu, mniej przyjaznemu i głęboko niepokojącemu. Myślę, że coraz bliżej nam do uzyskania faktycznych dowodów, że jest to logiczna konieczność.
Nieskończoność popytu jest tezą wymagająca dowodu, a nie aksjomatem. W większości przypadków spadek ceny wywołuje wzrost wolumenu zakupów, ale w niektórych kategoriach obserwujemy efekty saturacji: w przypadku żywności granica jest biologicznie oczywista, w przypadku dóbr przemysłowych niektóre kraje rozwinięte testują zjawisko peak goods (widoczne np. z Wielkiej Brytanii). Pytanie, czy identyczny mechanizm saturacji czeka sektor usług profesjonalnych, jest pytaniem empirycznym, a nie retorycznym. Dobrym testem jest to, co już się dzieje: tanie, zautomatyzowane narzędzia do generowania prostych umów czy podstawowego doradztwa podatkowego istnieją od lat i nie wygenerowały tysiąckrotnego wzrostu liczby zawieranych kontraktów – wolumen faktycznie okazał się ograniczony przez realną potrzebę, nie przez cenę. To wspiera tezę o saturacji w segmencie usług standardowych, transakcyjnych. Nie mówi jednak nic o usługach niestandardowych, wymagających osądu, odpowiedzialności czy zaufania – a to właśnie one stanowią jądro pracy kognitywnej wysokiej wartości.
Trzeba tu też uczciwie zmierzyć się z kontrprzykładem, który sam nasuwa się z rozdziału o scenariuszu pierwszym: koszt mocy obliczeniowej spadł w ciągu ostatnich czterech dekad o kilka rzędów wielkości, a mimo to zatrudnienie w sektorze IT eksplodowało, a nie skurczyło się. Dlaczego więc identyczny mechanizm – gwałtowny spadek kosztu jednostkowego zasobu poznawczego – miałby tym razem zadziałać odwrotnie? Uważam, że tańsza moc obliczeniowa obniżała koszt narzędzia, które nadal wymagało ludzkiej ręki do zdefiniowania problemu i interpretacji wyniku – była to komplementarność, a nie substytucja. Tańsza kognicja w rozumieniu w pełni autonomicznego agenta obniża koszt samego wykonawcy, łącznie z etapem definiowania problemu. To różnica strukturalna, a nie ilościowa, i to ona – a nie sam fakt spadku ceny – decyduje, w którą stronę przechyli się bilans.
Złamany mechanizm przywracania pracy. Dotychczasowe wstrząsy technologiczne miały charakter wąski. Rewolucja agrarna zmniejszyła zapotrzebowanie na rolników, ale otworzyła fabryki wymagające sprawności manualnej. Automatyzacja linii produkcyjnych przesunęła siłę roboczą do biur i usług, gdzie przewagą człowieka stała się analiza danych i komunikacja. W języku ekonomii (model Acemoglu–Restrepo) każdy taki wstrząs miał efekt wypierania (przejęcie zadań przez maszynę) równoważony efektem tworzenia nowych zadań (reinstatement) – nowych nisz, w których człowiek zachowywał przewagę komparatywną. Kluczowe pytanie dla obecnej fali brzmi: czy efekt tworzenia nowych zadań będzie w stanie nadążyć za efektem wypierania, skoro nowa nisza – jeśli ma charakter poznawczy – może zostać natychmiast przejęta przez kolejną, zoptymalizowaną instancję tego samego modelu. Rynek nie musi czekać na wieloletni proces edukacji pracownika, jeśli tańszy cyfrowy odpowiednik jest dostępny od ręki.
To jednak nie oznacza, że przewaga komparatywna człowieka znika całkowicie – oznacza, że kurczy się do coraz węższego zbioru zadań. Ricardo uczy (bardzo chciałem użyć tego zwrotu), że nawet podmiot gorszy we wszystkim może zachować rolę ekonomiczną, jeśli koszt alternatywny jego czasu jest wystarczająco niski względem tego, co inaczej by robił. Problem w tym, że przy koszcie krańcowym repliki cyfrowego pracownika bliskim zeru, próg opłacalności zaangażowania człowieka staje się ekstremalnie wysoki – i to jest właściwy, precyzyjny sposób powiedzenia tego, co tekst przy pierwszym podejściu ujmował luźniej jako "utratę przewagi". Ostatnią, wciąż realną kotwicą tej przewagi pozostaje ograniczona podaż samej energii i mocy obliczeniowej potrzebnej do skalowania AI – a to jest zasób fizyczny, rzadki i wymagający ludzkiej ręki do budowy, zarządzania i utrzymania. To furtka, przez którą wątek energetyczny z pierwszego scenariusza wraca jako realne, choć wąskie, ograniczenie tempa substytucji. Czy aby jednak na pewno nawet ta furtka jest szeroka?
Asymetria czasu adaptacji. W przeszłości bufor bezpieczeństwa stanowił czas – przekwalifikowanie trwało lata, akurat tyle, by rynek zdążył wykreować nową przestrzeń zatrudnienia. W świecie zdominowanym przez AI koszt krańcowy replikacji cyfrowego pracownika w chmurze zmierza do zera i dokonuje się w podobnie degradującym się czasie. Tymczasem wykształcenie specjalisty to nadal proces liczony w latach. Oczywiście jeszcze nie jesteśmy na tym etapie, bo firmy dopiero uczą się tworzyć rozwiązania autonomiczne, które są dalekie od doskonałych. Proces uczenia prowadzi jednak w końcu do poprawy efektywności, skrócenia czasu i kompresji kosztów. Powtórzę, piętrzące się teraz problemy świata agentów wydają się trudne do przeskoczenia, ale póki co najmocniejszy argument brzmi, że być może nie dojdziemy do redukcji czasu i kosztu do zera. Ale czy potrzebne jest zero, czy coś dalece bardziej szybkiego od człowieka? Przypomnę, że rywalizujemy z latami.
Reasumując, myślę, że prędkość, z jaką kapitał technologiczny będzie potrafił zastąpić człowieka w zawodach opartych na wiedzy może wyprzedzić instytucjonalne możliwości adaptacyjne społeczeństwa o rząd wielkości. Cokolwiek wymyśli system edukacji, będzie to przeszłość.
Zamiast zakończenia: dlaczego skrócony tydzień pracy to fałszywe rozwiązanie
Coraz głośniej wybrzmiewa następująca propozycja: jeśli praca staje się rzadkością, podzielmy ją sprawiedliwie i skróćmy tydzień pracy do jednego czy dwóch dni przy zachowaniu dotychczasowego standardu życia. To jednak najprostsza, a zarazem najsłabsza wersja postulatu redystrybucyjnego.
Po pierwsze, praca nie jest dobrem doskonale podzielnym. Utrzymywanie pięciu pracowników po jednym dniu w tygodniu zamiast jednego na pełen etat generuje stałe koszty związane z koordynacją: administrację, licencje, szum informacyjny, straty wynikające z przekazywania zadań. Konkurencyjny rynek zawsze wybierze polaryzację (jeden wydajny specjalista na 100% czasu) zamiast rozdrabniania etatów.
Po drugie, zadania pozostawione ludziom przez autonomiczne systemy AI będą miały charakter krytyczny, strategiczny lub prawny, wymagający ciągłego bycia "w procesie" – pracownik obecny raz w tygodniu traci zdolność efektywnego zarządzania tak dynamicznym środowiskiem.
Po trzecie i najważniejsze: skrócenie tygodnia pracy przy zachowaniu pełnej pensji wymagałoby administracyjnego transferu zysków z kapitału do topniejącej bazy pracowniczej – w istocie zakamuflowanej formy bezwarunkowego dochodu podstawowego, w której jeden dzień pracy pełni funkcję psychoterapii zajęciowej, a nie realnej relacji rynkowej. To oczywiście możliwe, ale to nie jest argument za tym, że to obroni pracę - to obroni dobrostan człowieka.
Oczywiście są inne opcje, aby zręby pracy zachować, promować lub zastąpić. Ich omówienie przekracza objętość tego eseju. Prowadzą one jednak wspólnie do konstatacji, że prawdziwym wyzwaniem makroekonomicznym kolejnych lat nie będzie więc ratowanie starego paradygmatu, w którym etat jest jedynym kluczem do podziału dóbr, lecz zaprojektowanie nowego mechanizmu dystrybucji bogactwa, zanim próba kurczowego trzymania się starego doprowadzi do paraliżu produktywności i głębokiego kryzysu popytowego jednocześnie.
dr Marcin Mazurek
