Langt færre hender vil produsere langt mer

I høst lanserte Tesla sin nye selvkjør- ingsteknologi som utstyrer alle nye biler med sensorer, kameraer og datakraft for å tilby nivå 5 av selvkjørende teknologi, det vil si fullstendig autonom kjøring uten noen involvering av sjåfør. Programvaren er imidlertid ikke klar.

Også innen industriproduksjon foregår det globalt en rask robotisering. Dette skjer til og med i land med billig arbeidskraft, særlig i Kina. Det er samtidig en gryende trend i retning av at industriproduksjon flyttes fra lavkostland til rike land fordi avstanden til markedene er kortere og lønnskostnad­ene betyr lite når maskinene/kapital­innsatsen står for det meste av produksjonen. Man vil trenge langt færre hender for å produsere samme vare­volum som i dag. Dette vil gi et fall i sysselsettingen i industri på linje med det man for femti år siden så i landbruk.

Selvkjørende biler, busser, lastebiler etc. kommer. I de neste tjue årene vil slik teknologi fjerne mange arbeidsplasser innen transport. Innen lagerstyring og logistikk har teknologien kommet enda lenger: Automatiserte lagersystemer med robotisert plukking av varer, automatisert utkjøring og levering av varer med droner, og selvkjørende kjøretøyer, vil endre en sysselsettingstung del av arbeidslivet til det ugjenkjennelige. På samme måte forventes det store endringer i varehandel: De fysiske butikkene vil trenge langt færre ansatte, og netthandel vil ta en langt større del av den totale om­- setningen.

Kunstig intelligens – en forutsetning

I datamaskinens barndom var det stor optimisme for at man raskt kunne utvikle datamaskiner med kunstig intelligens. Imidlertid støtte man på store teknologiske hindre. Perioden fra 1985 til 2000 er kalt for «istiden» innen kunstig intelligens. På tross av rask utvikling av datakraft kom man ikke utenom at datamaskinen i bunn og grunn var «dum». Fra årtusenskiftet har utviklingen av kunstig intelligens (AI) på ny skutt fart i stadig økende tempo. I 1997 slo IBMs superdatamaskin Deep Blue Garry Kasparov i sjakk. I 2011 beseiret IBMs ekspertsystem Watson de amerikanske Jeopardy-­vinnerne i allmennkunnskap. Watson utvikles med rivende fart som medisinsk ekspertsystem. I mai 2016 publiserte Nature et eksperiment der kunstig intelligens løste det eksperimentelle oppsettet for Bose-Einstein kondensasjonen på under en klokketime. Det originale eksperimentet som beviste Bose-Einstein kondensasjonen (fase­overgang fra fast stoff til kondensasjon ved ekstremt lave temperaturer) skaffet Cornell, Wieman og Ketterle nobel­prisen i fysikk i 2001. De siste årene har det vært en rask utvikling innen feltet kunstig intelligens på grunn av gjennombrudd innen flere teknologiske områder som stordataanalyse, dyp maskinlæring og nevrale nettverk. Dette har gjort at man i forbausende raskt tempo har fått teknologi som kan erfare og utvikle seg på egen hånd.

Moores lov

Moores lov ble framsatt av Intels grunnlegger Gordon Moore i 1965. Han postulerte at antallet transistorer på en microchip dobles hver 24 måned. Effekten av dette er en eksponentiell økning av regnekraft som har pågått fra femtitallet fram til i dag. Moores lov er fortsatt gyldig. Den eksponentielle effekten er formidabel. Det gjør for eksempel at en moderne mobiltelefon i dag har samme regnekraft som en superdatamaskin hadde på nittitallet.

Man er nå i ferd med å nå en grense hvor mye transistorer på en integrert krets kan miniatyriseres. Når man nær- mer seg størrelse på atomnivå setter fysikken grenser for hvor liten avstand det kan være mellom transistorer på en integrert krets. Skal man ha en fortsatt utvikling slik Moores lov beskriver, trengs det andre typer teknologi, for eksempel kvantemekaniske datamaskiner. Dette er i dag umoden teknologi.

Jobbene forsvinner

Robotisering og kunstig intelligens fjerner en rekke jobber innen en rekke sektorer. Osbourne og Frey har framskrevet dagens teknologiske trender til 2030 og gjort en sannsynlighets­rangering i forhold til automatisering av ulike yrker. De mest utsatte yrkene har mer enn 80 prosent sannsynlighet for å være automatisert i løp av femten år. De minst utsatte yrkene har mindre enn 20 prosent sannsynlighet for å være automatisert. De fleste yrker er i en mellomposisjon. Det er verd å merke seg at lege og sykepleier er blant de yrkene med lavest sannsynlighet for automatisering. Litt forenklet: Kan man automatisere disse yrkene kan nær sagt alle yrker automatiseres.

Endringsledelse – manipulasjon av virkelighetsforståelse

En tradisjonell måte å se på framtidens behov for arbeidskraft har vært å se bort fra teknologiutvikling, og i stedet framskrive demografiske trender. Ferske 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 ekspertsystem Watson 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 helsepersonell og teknologi, ikke ­mellom ulike personellgrupper.

En rekke nye behandlingsteknologier på ulikt modenhetsnivå; for eksempel vil immunterapi for kreft og nanoteknologi gi store framskritt i behandlings- kvalitet og overlevelse. Videre forventes det utvikling av stamcelle­terapi og bioskrivere for reparasjon av organer med endestadiumsvikt. Alt dette er medisinske framskritt som kan gi betyd­- elig bedret helse og økt levealder, men som neppe reduserer behovet for arbeids- kraft i helsesektoren. Kanskje tvert imot. Man må forvente at økende levealder vil gi en forskyving av tidspunktet for helseproblemer til høyere alder.

Framskrittene innen kunstig intelligens er raske. Imidlertid er det viktig å merke seg at framskrittene har vært innen spesialisert intelligens. Man har hatt store framskritt innen begrensede ekspertsystemer: selvkjørende biler, allmennkunnskap, medisinsk diagnostikk. Fortsatt er det langt igjen før man har noe som kan ligne på den brede og generelle intelligensen et menneske har. Det er et åpent spørsmål om det noen gang vil skje, selv om teknologi­optimistene mener at også det vil være her i nær framtid.

Grenser for kunstig intelligens

Hvis man framskriver en teknologi­utvikling som er eksponentiell, slik Moores lov har vært, kan man se for seg store framskritt innen kunstig intelligens innen svært kort tid. Ray Kurzweil, teknologidirektør i Google, har analysert dagens utviklingstrekk og har spådd at maskinintelligens i 2045 når et så avansert nivå at det overgår menneskelig intelligens. Dette punktet der maskinintelligens overgår mennesker er kalt for singulariteten. Singulariteten er et begrep som er hentet fra astrofysikk, der singulariteten er en tilstand med ekstrem gravitasjon (massen i et sort hull eller før Big Bang) der romtiden oppheves. Singulariteten er skjult bak en hendelseshorisont. På samme måte vil den tekno­logiske singulariteten være et vippe­- punkt der den teknologiske utviklingen frigjøres fra begrensningene i mennes­kelig intelligens.

I forlengelsen av dette ligger en ­ekstremt taktskifte i teknologiutvikling. Hvis man baserer seg på den mest tekno­- logioptimistiske tilnærmingen med en fortsatt eksponentiell økning av regnekraft, og den økte regnekraften gjør at man utvikler en kunstig intelligens som er på nivå med eller overgår mennesket, vil man nå en teknologisk singularitet. I en slik situasjon vil teknologi kunne overta en hver menneskelig arbeidsoppgave. En slik superintelligens vil kunne overgå mennesker ikke bare i IQ, men også i kreativitet og empati.

Teknologioptimisme eller teknologirealisme

Det er gode grunner til å tro at det ikke vil bli slik. Det er vanlig med platåer i teknologiutvikling. Det kan godt tenkes at man allerede nærmer seg grensene for regnekraft. Det er også gode grunner til å tro at ekstrem regnekraft ikke er nok for å kunne simulere alt det en menneskehjerne kan gjøre. Man vil likevel ha en teknologi som vil ha ut­radert nær halvparten av alle jobber. Selv om teknologiutviklingen snart skulle bremse opp, vil man ha en grad av robotisering og automatisering som gjør at den store utfordringen vil være å finne meningsfull sysselsetning for befolkningen

Det er lett å tenke at teknologiutviklingen alltid er lineær, at den alltid går framover, og at neste generasjons tekno­logiske produkter er bedre enn de foregående. Det er ikke gitt at det er slik: Noen ganger går utviklingen i sprang, andre ganger kan det være en eksponentiell utvikling, andre ganger kan utviklingen stagnere eller til og med gå tilbake. Et eksempel på det siste er romfart: Perioden fra Sputnik 1 i 1957 til den første månelandingen i 1969 er kanskje det tydeligste eksempelet på rask teknologisk framgang. Så stoppet utviklingen opp. Svært få ville i 1969 forutsett at USA i 2016 ikke hadde noe eget bemannet romprogram. Innen medisin finnes det også mange eksempler på teknologisk stagnasjon, for eksempel innen utvikling av antibiotika.

Det er ikke gitt at Moores lov en naturlov, og at økningen i datakraft vil fortsette i eksponentiell fart til evig tid.

Automatisering i andre sektorer frigjør hender og hoder til helsevesenet

Det er god dokumentasjon for at sektorer som omsorg, undervisning og helse er vanskeligere å automatisere enn de fleste andre samfunnssektorer. Automatisering i andre sektorer kan frigjøre arbeidskraft til helsesektoren. Dette gir også muligheter til å øke behandlingskvalitet, mer tid til pasientene og mindre stoppeklokkeomsorg. I framtiden vil vi måtte jobbe mindre – dette er et gode som kan frigjøre kreativitet og gi oss gode innholdsrike og litt lengre liv med bedre helse enn vi har i dag.

Perspektivmeldingen og produktivitetskommisjonen har ikke tatt det poenget som i løpet av få ­år kommer til å bli åpenbart for alle: Hovedutfordringen er ikke hvordan man skal få folk til å jobbe mer, men hvordan man skal fordele arbeid og verdiskapning i et samfunn der behovet for arbeidskraft vil synke. Og å forhindre at noen må jobbe for mye, mens andre ikke jobber i det hele tatt. •