OVERLEGEN 4-2016 30 eksempler på dette er regjeringens perspektivmelding og produktivitetskommisjonen. Hovedtrekkene i disse framstillingene er at den demografiske utviklingen gjør at vi får færre barn samtidig som vi lever lenger. Det gjør at perioden den enkelte er pensjonist blir lengre, og færre yrkesaktive må forsørge flere som ikke er i arbeidslivet. Hvis dagens velferdsnivå skal opprettholdes må den enkelte arbeide mer og stå i arbeid lenger. Hvis dette ikke skjer, vil det være et behov for et langt høyere skattenivå for å finansiere framtidens velferd. John Kotter har skrevet mye om endringsledelse og hans teorier har hatt betydelig innflytelse på lederutdanning også i offentlig sektor. Kotter beskriver at ledere må skape en forståelse i organisasjonen for at endring er nødvendig og kanskje også uunngåelig: «Create a sense of urgency.» Om endring de facto er nødvendig blir ofte en kamp om virkelighetsforståelsen i en organisasjon. En del ganger er behovet for endring så opplagt at de fleste etter hvert vil forstå at endring er nødvendig. Et eksempel kan være menneskeskapte klimaforandringer. Svært ofte er situasjonen en leder står overfor langt mer nyansert. Lederens oppgave kan da bli å skape eller manipulere et virkelighets- bilde som legger til rette for endring: Som de mer kyniske endringslederne sier: «If there is no monster, create a monster.» En slik «sense of urgency» kan for eksempel skapes med å gjøre de eksisterende rammebetingelsene så utilfredsstillende at endringer skaper mindre motstand i organisasjonen. Å skape bilder av framtidsfrykt er et viktig grep i endringsledelse. Mye tyder på at både perspektivmeldingen og produktivitetskommisjonen lager et monster der det ikke finnes et monster. Eller mer korrekt: Problemet med framtidens arbeidsliv er et helt annet enn det de beskriver. Problemet er ikke at vi vil mangle hender i framtiden. Tvert i mot vil vi ha for mange hender. Velferden trues ikke av at vi jobber for lite, men den trues av skjev fordeling, og at man ikke har funnet en politisk løsning for hvordan man skal fordele verdiene som skapes i en ny teknologisk samfunnsorden. Teknologiutvikling i helsesektoren Mange yrker er vanskelige å robotisere. Mye av arbeidet i helsevesenet er innenfor det som regnes som flaskehalser i robotisering. Utviklingen innen kunstig intelligens er langt raskere enn utviklingen innen robotmekanikk. Å lage roboter med evne til å gå, løpe, som kan bruke hender på en menneskelig måte viser seg å være vanskelig, selv om blant annet Boston Dynamics (eid av Google) har kommet langt innen menneskelige bevegelser i roboter. Det er likevel langt fram før robothender kan palpere, stikke, skjære eller sy slik menneskehender kan. Egenskaper knyttet til persepsjon og manipulasjon, kreativ intelligens og sosial intelligens er vanskelig å robotisere (figur 2). Svært mange arbeidsoppgaver i helsevesenet er knyttet til nettopp dette. I følge Frey og Osborne er sannsynligheten for automatisering av helsesektoren langt lavere enn i en rekke sektorer som allerede er nevnt. Robotkirurgi er for eksempel ikke kommet lenger enn til å være en mekanisering av laparaskopi og thoracoskopi - kirurgen må fortsatt styre roboten. De neste trinnene i automatisering krever at robotkirurgi kombineres med langt kraftigere datamaskiner med kunstig intelligens, avansert bildegjenkjennelse og tolking, at roboten kan erfare kirurg- ers operasjoner og lære av dem, og at man gradvis lar roboten gjøre oppgaver med autonomi. Dette er i dag langt unna dagens teknologi, og er i en helt annen divisjon enn å la en bil kjøre seg selv. Og heller ikke en slik robot går visitt… På kort sikt er det langt mer aktuelt å bruke økt datakraft til å gi klinikerne bedre beslutningsstøtte. IBMs ekspertsystemWatson analyserer svære datamengder gjennom å bearbeide fritekstdata i medisinske tidsskrifter. Googles Deep Mind prosjekt er i samme gate. Her brukes journaldata fra NHS til å utvikle ekspertsystemer med kunstig intelligens. Framtidas elektroniske journaler vil ha beslutningsstøtte med kunstig intelligens. Det er imidlertid viktig å merke seg at ekspertsystemer på ingen måte erstatter leger, men gjør at leger kan prestere bedre, og utføre mer presis diagnostikk. Datamaskiners evne til å gjenkjenne bilder er allerede i ferd med å passere menneskets nivå. Dette kan gi en oppgaveglidning fra leger til AI-systemer i fag som bildediagnostikk og patologi. AI med bildegjenkjenning kan også gi klinikerne påminnelser underveis for eksempel under operasjoner. Oppsummert kan innføring av slik teknologi gi en høyere og jevnere behandlingskvalitet, innen visse fagområder kan man forvente effektivisering: Innen fagområder som bildediagnostikk og patologi kan avansert bildegjenkjenning og ekspertsystemer med kunstig intelligens gjøre at den enkelte lege kan analysere et større antall undersøkelser. Teknologiutviklingen gjør også at oppgaveglidning mellom profesjoner blir mindre interessant – grensesnittet vil være oppgaveglidningen mellom det de beskriver. Problemet er ikke at vi vil mangle hender i framtiden. Tvert i mot vil vi ha for mange hender. Velferden trues ikke av at vi jobber for lite, men den trues av skjev fordeling, og at man ikke har funnet en politisk løsning for hvordan man skal fordele verdiene som skapes i en ny teknologisk samfunnsorden. Teknologiutvikling i helsesektoren Mange yrker er va skelig å robotis re. Mye av arbeidet i helsevesenet er innenfor det som regnes som flaske alser i robotisering. Utviklingen innen kunstig intelligens er l ngt raskere n utviklingen inne robotmekanikk. Å lage roboter med evne til å gå, løpe, som kan bruke hender p en men e kelig måte viser seg å være v skelig, selv om blant annet Boston Dynamics (eid av Google) har ko met langt innen mennesk lig bevegelser i roboter. Det r likevel langt f am før robothender kan palp re, stikk , skjære ell r sy slik menneskehender kan. Egenskaper knyttet til persepsjon og manipulasjo , kreativ intelli ns og sosial intelligens er vanskelig å robotisere (figu 2). Svært mange arbei soppgaver i helsevese et er k yttet til nettopp d te. Figur 2. Flaskehalser» for robotisering (etter Frey og Osborne) Persepsjon og manipulasjon • Fingerferdighet mm • Vanskelige arbeidssillinger Kreaiv intelligens • Originalitet • Kunstneriske evner Sosial intelligens • Forstå sosialt samspill • Overtalelsesevner • Evne il forhandling • Evne il omsorg Figur 2. Flaskehalser» for robotisering (etter Frey og Osborne)
RkJQdWJsaXNoZXIy MTQ3Mzgy