Een korte geschiedenis van de impact van technologie op de arbeidsmarkt
Voordat we de potentiële impact van generatieve AI op banen vandaag verkennen, kijken we kort naar hoe technologie ons werk en de economie op sleutelmomenten in de recente geschiedenis heeft beïnvloed (zie bijvoorbeeld Acemoglu, 2002).
1770 tot 1970: automatisering droeg bij aan stijgende productiviteit
In de 19e eeuw in Groot-Brittannië was laaggeschoolde arbeid overvloedig aanwezig, terwijl hooggeschoolde arbeiders schaars waren. In die tijd vereenvoudigden en automatiseerden fabrieken ambachtelijke vakbanen zoals het spinnen van katoen in de textielindustrie. Dit leidde tot aanzienlijke productiviteitswinsten, maar ook tot protesten zoals de Luddietenopstanden, waarin ambachtslieden machines vernielden om precies deze automatisering te voorkomen.
Een vergelijkbare ontwikkeling vond plaats in het begin van de 20e eeuw met de introductie van de lopende band, die de vraag naar repetitieve, laaggeschoolde banen (massaal) vergrootte. Sinds de jaren zeventig was dit echter de uitzondering: sindsdien kwamen nieuwe technologieën vooral ten goede aan hooggeschoolde werknemers door on- of semigeschoolde routinetaken te vervangen die vaak door middenklassebanen werden uitgevoerd, zoals beschreven in de volgende sectie.
Een voorbeeld is de grootschalige automatisering in de landbouw, eerst via door paarden aangedreven machines en daarna via de verbrandingsmotor, die zwaar handwerk verving.
1970 tot 2010: automatisering droeg bij aan toenemende ongelijkheid
Toen ik een paar jaar geleden mijn PhD in arbeidseconomie en statistiek afrondde, zagen we vier decennia van stijgende loonongelijkheid. Die stijging was in grote mate het effect van een toegenomen vraag naar beter opgeleide werknemers (in combinatie met neerwaartse druk op lonen voor banen die konden worden geoffshored). Andere oorzaken spelen hier natuurlijk ook een belangrijke rol, zoals de daling van vakbondsdekking.
Het was een verrassende trend, aangezien de onderwijsexpansie in dezelfde periode leidde tot een enorme toename van het aanbod van hoogopgeleide jonge afgestudeerden. Onintelligente automatisering zoals robots, gecombineerd met offshoring, werd op grote schaal ingevoerd, met name in de maakindustrie, en verving voormalige middenklassebanen, vaak met routinetaken die gevoelig zijn voor automatisering (zie Autor et al., 2022).
Voorbeelden zijn repetitieve montagetaken, picken of sorteren, en administratie of berekeningen. Microsofts Excel veranderde duidelijk typische kantoorbanen, en functies zoals bankbediende of telefoniste verdwenen grotendeels. Tegelijkertijd leven we niet in een wereld zonder banen, omdat er loopbanen ontstonden die voorheen niet bestonden, zoals data-analisten, windturbinetechnici of counselors voor geestelijke gezondheid. Het ontstaan van deze banen is niet rechtstreeks een effect van automatisering, maar automatisering en toegenomen productiviteit gaven ons de ruimte om ons op nieuwe domeinen te richten.
De algehele macro-economische effecten van deze nieuwe technologieën waren minder dan gehoopt. De productiviteitsgroei is sinds het begin van de jaren zeventig merkbaar vertraagd (met een korte uitzondering rond de dotcombubbel eind jaren negentig, zie Moss et al., 2020). Nobelprijswinnaar Robert Solow beschreef dit in zijn bekende productiviteitsparadox: “Je ziet het computertijdperk overal behalve in de productiviteitsstatistieken."
Er is veel debat over de exacte redenen waarom computers ons niet productiever hebben gemaakt (bijv. meetfouten of ogenschijnlijk gratis producten zoals Wikipedia of sociale media), maar de precieze redenen blijven controversieel. Onbetwist is het feit dat de productiviteitsgroei slechts ongeveer half zo groot is als in de dertig jaar na de Tweede Wereldoorlog.
2010 tot COVID-19: banengroei in de afwezigheid van AI en pandemiegerelateerde technologische vooruitgang
Hoewel het herstel (en de productiviteitsgroei) na de Grote Recessie tegenviel, was de vraag naar arbeid sterk, of zoals The Economist in 2019 kopte: “The rich world is enjoying an unprecedented jobs boom.“ Deze banengroei werd grotendeels gedreven door factoren die losstaan van nieuwe technologieën, zoals economische stimulansen, lage rentes en een hogere arbeidsparticipatie van vrouwen.
Bedrijven begonnen rond 2010 AI-specialisten aan te nemen. De trend versnelde opnieuw rond 2015, en er is enig bewijs dat die bedrijven hun werving in andere segmenten terugschroefden. Toch is er, tot het begin van de COVID-19-pandemie, weinig bewijs dat de eerste machinelearningmodellen invloed hadden op werkgelegenheid of lonen (zie bijvoorbeeld Acemoglu et al., 2022).
De coronapandemie had een onvoorziene impact op bedrijven en banen die anders een decennium had geduurd. Thuiswerken en remote werken werden wijdverbreid; terwijl voor corona slechts ongeveer 5% van alle werkdagen vanuit huis werd gedaan, sprong dit naar 60% op het hoogtepunt van de pandemie en is sindsdien rond de 30% gebleven (zie Bloom et al., 2023). Veel bedrijven versnelden ook hun investeringen in automatisering, bijvoorbeeld via robots of zelfscankassa's.
Hoe zullen LLM's whitecollarbanen beïnvloeden?
Deze kleine historische uitweiding laat zien dat de impact van technologische verandering op banen niet eenduidig is. Economen zeggen dat die óf vaardigheden vervangt (zoals in de 19e eeuw) óf vaardigheden versterkt (zoals in de 20e eeuw).
In moderne economische modellen, soms het herzien canoniek model genoemd (Acemoglu en Autor, 2011), gaan we ervan uit dat banen bestaan uit een bundel taken en dat er verschillende menselijke vaardigheden of opleidingsniveaus zijn, elk met hun eigen comparatief voordeel.
Deze groepen kunnen elkaar vervangen, maar slechts onvolmaakt. Of nieuwe technologieën bepaalde vaardighedengroepen zullen vervangen, hangt onder meer af van de vraag naar specifieke taken, het aanbod of de beschikbaarheid van deze groepen en hun lonen.
We zagen over het algemeen dat sneller vergrijzende, ontwikkelde landen zoals Duitsland, Japan en Zuid-Korea meer robots adopteerden als reactie op de schaarste aan productiemedewerkers. Bedrijven hebben een prikkel om vaardighedenvervangende technologieën te bedenken en te adopteren als er niet genoeg hooggeschoolde werknemers zijn, als de lonen van hooggeschoolden hoog zijn, of als er een mismatch is tussen de vraag en het beschikbare aanbod. Bij DataCamp maken we er actief werk van om bepaalde gewilde vaardigheden voor zo veel mogelijk mensen beschikbaar te maken!
Interessant is dat tot voor kort veel mensen waarschijnlijk dachten dat nieuwe kunstmatige intelligentie, zoals autonome auto's, in eerste instantie bluecollarbanen zoals vrachtwagen- of treinmachinisten zou vervangen. Maar recent gelanceerde generatieve AI-toepassingen laten opmerkelijke vaardigheden zien die typisch zijn voor whitecollarwerk, zoals essays schrijven, achtergrondonderzoek doen of programmeren.
Laten we LLM's zoals ChatGPT vragen welke taken ze mogelijk automatiseren.
Het suggereert vertaling, tekst-, beeld- en videogeneratie, muziekcompositie, conversatie-agents of persoonlijke aanbevelingen. Deze lijst laat zien waarom sommige studies suggereren dat generatieve AI mogelijk meer impact heeft op hogerbetaalde beroepen. Deze banen omvatten taal-, literatuur- en geschiedenisleraren, juridische dienstverlening, financiën, verzekeringen en boekhoudkundige functies (zoals besproken door Felten et al., 2023).
Hoewel de impact van generatieve AI op onderwijs waarschijnlijk diepgaand zal zijn—denk aan AI-assistenten die studenten in hun eigen tempo laten leren—lijkt het onwaarschijnlijk dat lerarenbanen op korte termijn in aanzienlijke aantallen worden vervangen (omdat zij cruciale rollen hebben die verder gaan dan wat een chatbot je kan leren). De vooruitgang van generatieve AI in beeld-, tekst- en audiherkenning kan echter grote gevolgen hebben voor (achtergrond)onderzoek, medische diagnoses, klantenservice of (data)analyses.
Dit betekent niet dat radiologen, vertalers of accountants zullen verdwijnen, maar het kan wel zo zijn dat deze banen er in de toekomst heel anders uitzien. Hopelijk geeft dit artsen meer tijd om zich op patiënten te richten en bevrijdt het hen van basale administratieve taken.
Schattingen van OpenAI en Goldman Sachs over baanimpact
Een studie mede-auteur van OpenAI, de bedenkers van ChatGPT, beschouwt de nieuwe LLM-modellen als generieke technologie die ten eerste kan worden toegepast in een veelzijdige set workflows in veel domeinen, ten tweede continu verbetert, en ten derde leidt tot complementaire innovaties en spillovers.
Zij schatten dat 15% van alle taken die door de beroepsbevolking in de Verenigde Staten worden uitgevoerd, aanzienlijk sneller kan worden gedaan met LLM's. Als aanvullende complementaire technologieën worden toegevoegd, kan dit cijfer uitkomen boven de helft van alle taken.
Voorbeelden van sterk blootgestelde taken zijn schrijven en coderen, terwijl wetenschap of kritisch denken dat niet zijn. Blootstelling wordt hier berekend als "of een LLM of LLM-gestuurd systeem de tijd die een mens nodig heeft om [...] een taak uit te voeren of te voltooien met ten minste 50 procent zou verminderen". In het algemeen vinden ze dat banen die meer opleiding, training en ervaring vereisen, sterker blootgesteld zijn.
Goldman Sachs schat dat twee derde van alle banen in de Verenigde Staten minstens deels zal worden geraakt door generatieve AI (waarbij 25% - 50% van hun taken mogelijk geautomatiseerd wordt). Ze verwachten echter geen massale ontslagen en zien generatieve AI in het algemeen meer als een technologie die mensen aanvult dan die hen vervangt.
De kortetermijnimpact van generatieve AI
Dit is waarschijnlijk een bovengrens voor de korte tot middellange termijn, aangezien nieuwe technologieën meestal tijd nodig hebben om geadopteerd te worden. Generatieve AI zal waarschijnlijk sneller worden ingevoerd dan bijvoorbeeld het internet, dat een of twee decennia nodig had om echt mainstream te worden.
Juridische en ethische vragen rond adoptie van generatieve AI
Toch zullen ook nieuwe technologieën bepaalde barrières moeten overwinnen. Er zijn juridische vragen die vooral relevant zijn in hoogbetaalde whitecollarberoepen en onzekerheden rond het automatiseren van taken in het onderwijs, de geneeskunde of professionele dienstverlening.
Wie is bijvoorbeeld aansprakelijk als generatieve AI een fout maakt, of hoe zit het met mogelijke auteursrechtschendingen door massaal het web te crawlen om zo'n model te trainen? En daarbij komt dat zelfs de bedrijven die recente LLM's uitbrengen erkennen dat deze modellen soms spectaculair falen (en dat het ingewikkeld lijkt om precies te beoordelen waarom).
Ontwrichting van specifieke banen door generatieve AI
Deze hindernissen zijn niet voor alle whitecollarbanen even relevant. Generatieve AI kan bepaalde segmenten van onze arbeidsmarkt best wel, en waarschijnlijk nu al, ontwrichten. Denk aan marketing, waar vaak vrij generieke teksten worden opgesteld, of klantenondersteuning, waar chatbots enorm verbeteren. LLM's lijken zo capabel in vertalen, samenvatten en zelfs interpreteren van teksten dat het moeilijk is voor te stellen dat we in de toekomst evenveel vertalers nodig hebben.
Tools als Google Translate of DeepL zijn al uitstekend, en de eerste usecase van Google's BERT was precies vertaling. Vervolgens zouden relatief eenvoudige softwareontwikkelingstaken en standaard contentcreatie in media en onderwijs tot op zekere hoogte kunnen worden uitbesteed aan machines, net als paralegale taken of het voorbereiden van belastingaangiften.
Klantenservicebanen zullen ongetwijfeld worden geraakt door de immense vooruitgang in conversatiesteuntaken. Zo schat een net verschenen working paper, mede-auteur Erik Brynjolfsson, dat generatieve AI de prestaties van meer dan 5.000 klantcontactmedewerkers met ca. 14% gemiddeld heeft verhoogd, vooral voor nieuwere medewerkers maar nauwelijks voor meer ervaren agenten.
Het effect van uitbesteden aan machines (automatisering) en uitbesteden aan het buitenland (offshoring) is voor de getroffen werknemers zeer vergelijkbaar. Hun werk wordt ofwel gecodificeerd en lokaal uitgevoerd door goedkopere robots, ofwel elektronisch overgedragen of fysiek verzonden naar andere landen en gedaan door goedkopere arbeid.
De langetermijnimpact van generatieve AI
De impact van generatieve AI op onze economie op middellange tot lange termijn zal ongetwijfeld diepgaand zijn. In combinatie met andere technologieën, zoals robotica, zullen de meeste banen in uiteenlopende mate worden geraakt (al blijven kleuterleid(st)ers, bedienend personeel of sociaal werk voorlopig waarschijnlijk relatief veilig).
We zagen de vraag en lonen de afgelopen decennia vooral stijgen voor hooggeschoolde banen, terwijl het aantal middenklassebanen afnam en de lonen voor laagbetaalde banen vaak stagneerden. Maar we zagen ook een andere trend die leidde tot polarisatie op de arbeidsmarkt: een toename van de vraag naar dienstverlenende beroepen, vaak laagbetaald. Denk aan pakketbezorging, schappen vullen in supermarkten, magazijnwerk en persoonlijke diensten zoals schoonmaak, beveiliging of zorg voor jongeren of ouderen. Voeg daar vrachtwagen-, trein- of Uber-chauffeurs aan toe.
Drie mogelijke scenario's voor de toekomst van generatieve AI-ontwikkeling
Veel van deze banen kunnen kwetsbaar zijn als autonome technologieën verder vooruitgaan en robots zowel intelligenter worden als beter in niet-triviale 3D-taken. Ik kan me hier drie verschillende scenario's voorstellen:
- We zijn getuige van een kantelpunt, en generatieve AI is een doorbraaktechnologie zoals de boekdrukkunst, de stoommachine of transistorproductie, wat resulteert in grote veranderingen in hoe we werken en leven, met continue verbetering op middellange termijn.
- Generatieve AI heeft mogelijk decennia van ontwikkeling nodig voordat het veilig menselijke taken kan vervangen buiten specifieke domeinen, zoals zelfrijdende auto's die, ondanks grote verbeteringen een decennium geleden, beperkingen hebben in veiligheid zonder menselijk toezicht.
- Huidige technologieën hebben hun piek mogelijk al bereikt en er komt niet veel meer bij, vergelijkbaar met zoekmachines waar Google's PageRank zoekopdrachten in het begin van de jaren 2000 revolutioneerde (en het marktaandeel van Yahoo! en Altavista overnam), waarna de vooruitgang incrementeel was.
Natuurlijk weten we niet welk van deze scenario's werkelijkheid wordt, maar ik ben veel optimistischer (en deels ongerust) dan ooit sinds de beginjaren van het internet dat we een transformerende technologie zien op stoom komen.
Gaan we richting een AI-utopie of een AI-dystopie?
Leiden deze ontwikkelingen tot een dystopische toekomst waarin er weinig banen overblijven die primair bestaan uit ofwel direct face-to-face contact met andere mensen, het ontwikkelen en onderhouden van deze nieuwe technologieën, of complexe of bijzondere handmatige taken?
Ik denk van niet.
We zijn doorgaans goed in het uitvinden van nieuwe rollen die technologie aanvullen of iets totaal nieuws doen (zoals data scientists, dramatherapeuten of tatoeëerders). Daarom maak ik me geen zorgen over een toekomst zonder banen.
Toch zou ik, als bedrijfleider, de potentiële impact op mijn bedrijf zeer serieus nemen en strategisch nadenken over hoe te reageren en wie aan te nemen.
Als individu zou ik ook goed nadenken over de vaardigheden waarin ik wil investeren en of die vatbaar zijn voor automatisering door slimme machines.
Als beleidsmaker zou ik bovendien onderwijs stimuleren, het curriculum herzien, bewustzijn vergroten dat we mogelijk op een kantelpunt staan en voorkomen dat met name jonge mensen binnenkort in geautomatiseerde banen worden gelokt.
Til het naar een hoger niveau
Wat kun jij, als iemand die verantwoordelijk is voor het succes van je bedrijf of voor anderen, doen om het beste uit generatieve AI te halen?
Ik denk dat de kans aanzienlijk is dat we daadwerkelijk een nieuwe baanbrekende technologische verandering zien ontstaan. Daarom raad ik sterk aan de basisprincipes achter generatieve AI te begrijpen om te bepalen hoe je het beste kunt reageren.
Hoe doe je dat? Je kunt bijvoorbeeld de cursus Learn ChatGPT with DataCamp's Introduction to ChatGPT volgen (en aanvullende cursussen die we binnenkort uitbrengen) of gebruikmaken van onze andere resources, zoals onze gids voor het gebruik van ChatGPT voor data science-projecten of onze OpenAI API in Python-cheatsheet.
Natuurlijk raad ik aan om deze nieuwe technologieën zelf uit te proberen en een paar promptreeksen te genereren. Als je meer weet over LLM's, kun je ook enkele van de onderstaande onderzoeksartikelen lezen en op de hoogte blijven van nieuwe ontwikkelingen.
Bronnen:
