Navegando pelo impacto da IA generativa no mundo do trabalho 

Artigo publicado inicialmente no blog Agenda do Fórum Econômico Mundial.

Desde o lançamento do amplo modelo de linguagem GPT-3 da OpenAI em novembro e o subsequente lançamento do GPT-4, tem havido muita angústia sobre o que esses avanços na IA generativa significam para o futuro do trabalho.

Mas o impacto da IA generativa não se limita ao da GPT na geração de texto e às possíveis consequências para o trabalho de jornalistas e escritores. Inclui o impacto do DALL-E-2 na geração de imagens, do CODEX na codificação e do MegaMoIBART na descoberta de medicamentos, para citar alguns.

Três elementos principais sustentam os recursos da IA generativa:

  • Memória massiva e reconhecimento de padrões, com capacidade de conectar conceitos ou ideias distantes e desenhar inferências
  • Requisitos de código baixos/ausentes, reduzindo significativamente o prêmio em habilidades de codificação
  • Ausência de lógica, pois faz previsões com base em grandes quantidades de dados de treinamento, com consequências significativas para que seus aplicativos funcionem

Uma pesquisa recente da Mercer relatou que 57% dos CEOs e CFOs planejam aumentar o uso de IA e automação; quase um terço está redesenhando o trabalho para reduzir a dependência das organizações em relação às pessoas.

No Estudo Global de Tendências de Talentos de 2022 da Mercer, a porcentagem de funcionários que dizem que a automação mudará significativamente a forma como seu trabalho é feito aumentou de 44% para 71% nos últimos dois anos. No entanto, ao contrário das iterações anteriores de automação que afetaram amplamente o trabalho repetitivo baseado em regras, a IA generativa também afetará o trabalho de baixo volume e altamente variável, levando à “democratização da criatividade”. O trabalho em várias profissões, incluindo a de autores, pesquisadores, advogados e muitas outras, será significativamente interrompido.

Por exemplo, a IA generativa pode resumir um documento legal em segundos com uma precisão incrível, enquanto um assistente jurídico pode gastar horas na tarefa.

Mas sua verdadeira força está em aumentar, em vez de substituir, o trabalho dos funcionários.


Uma estrutura para navegar pelo “próximo” trabalho

Em Reinventando trabalhos: Uma abordagem de 4 etapas para aplicar a automação ao trabalho (HBR Press, 2018), Jesuthasan e Boudreau demonstram que as empresas que lideram com o trabalho, em vez da tecnologia, estão mais bem equipadas para garantir as combinações ideais de humanos e automação. Essas empresas veem onde a automação pode substituir melhor o trabalho altamente repetitivo e baseado em regras; onde pode aumentar a criatividade humana, o pensamento crítico e a empatia; e onde pode criar um novo trabalho humano.
Estrutura para alcançar as combinações ideais de trabalho humano e automação

Os valores de eixo deste gráfico são valores organizacionais mapeados em relação ao nível de desempenho. O valor organizacional no eixo vertical é dividido em dois segmentos: negativo e positivo. A linha do gráfico demonstra o nível de valor agregado à organização quando as metas de integração humana e automação mudam em quatro cenários diferentes:

• Meta de eliminação de erros: há um potencial significativo de valor negativo para a organização de qualquer desvio de um nível aceitável de desempenho

• Meta de minimizar a variação: o valor é constante

• Meta de melhorar a produtividade: mostra uma melhoria proporcional no valor para a organização

• Meta de alcançar inovações: mostra potencial de melhoria de valor exponencial

Há quatro resultados potenciais distintos associados a qualquer corpo de trabalho:

  • Eliminação de erros (pense em parte do trabalho de um piloto de companhia aérea), onde as consequências de um erro são altas e há um potencial significativo para valor negativo para a organização de qualquer desvio de um nível aceitável de desempenho
  • Minimizar a variação (pense no trabalho de processamento de transações), onde não há valor em melhorar o desempenho além de um nível alvo
  • Melhorar a produtividade (pense no trabalho de um vendedor), onde uma melhoria no desempenho produz uma melhoria proporcional no valor para a organização
  • Alcançar inovações (pense em trabalho altamente criativo, como ciência de dados), em que uma pequena melhoria no desempenho tem um impacto exponencialmente grande no valor

A automação estabelecida, como a automação robótica de processos (RPA), pode ser útil na substituição do esforço humano no trabalho, onde o objetivo é reduzir a variância e há uma maior tolerância ao risco. Considere a aplicação da RPA para reduzir a variação com a qual o trabalho altamente repetitivo e baseado em regras de análise e síntese de dados financeiros é realizado.

A IA tem sido usada há muito tempo para aumentar o trabalho analítico em que a melhoria da produtividade ou alcançar um avanço é o objetivo. Considere como os oncologistas usaram machine learning, treinados em volumes significativos de dados e imagens específicos, para aumentar exponencialmente a precisão da detecção de câncer, não substituindo habilidades, mas aumentando as capacidades e aumentando o prêmio em experiência e conhecimento. No entanto, quando se trata de eliminação de erros, muitas vezes vemos a automação usada para reduzir o potencial de erro humano inicialmente por meio do aumento e, em seguida, por meio da substituição, à medida que os conjuntos de dados específicos, a lógica e as novas proteções são desenvolvidos.

No entanto, a IA generativa está em um estágio inicial e pode ser propensa a erros, dada sua falta de lógica subjacente. Esse problema é agravado pelo fato de que quando os riscos são altos e nossa tolerância ao risco é baixa, somos mais tolerantes ao erro humano do que à falibilidade da máquina. É essencial que os líderes entendam quando confiar e quando não confiar nessas tecnologias neste estágio de sua evolução, juntamente com as funções específicas que devem ter no trabalho humano (substituição, aumento ou criação). A IA genérica é mais útil na democratização de conhecimento e criatividade por meio do aprimoramento, reduzindo os prêmios de habilidades tradicionalmente necessários para uma variedade de tarefas criativas em que a meta é alcançar ganhos de produtividade e buscar um avanço em domínios onde há uma alta tolerância ao risco.

Igualmente importante é entender as consequências de seu uso para seu modelo de talento. Considerando que muitas profissões são construídas em um modelo de aprendizado, como você resistirá à tentação de substituir o trabalho de talentos de nível júnior por IA que pode eliminar a próxima geração de criadores, líderes e gerentes?


Um novo conjunto de proteções para a era da IA generativa

À medida que entramos nessa nova era da automação, as empresas devem considerar o seguinte ao integrar essa tecnologia promissora em seu fluxo de trabalho.
  • Modelo de trabalho 
    Como você criará um modelo operacional de trabalho com as ferramentas e disciplinas para analisar o trabalho e aplicar de forma sustentável e responsável a IA e a automação emergentes?
  • Modelo de talento 
    Você pode desenvolver um modelo de talento que garanta um pipeline suficiente de habilidades, mesmo à medida que você aplica progressivamente mais IA ao seu trabalho?
  • Desenvolver habilidades futuras
    À medida que a IA prolifera, é fundamental garantir que os funcionários façam um trabalho significativo e sustentável. Como você encontrará oportunidades para automatizar tarefas e liberar tempo para atividades novas e de valor agregado, garantindo a melhoria e requalificação contínuas de sua força de trabalho para a próxima iteração de trabalho?
  • Mentalidade e cultura 
    À medida que a IA continua a reduzir o prêmio em criatividade e democratiza o acesso, como você garantirá a reinvenção perpétua do seu modelo de negócios e força de trabalho?
Sobre o autor(es)
Tópicos relacionados
Soluções relacionadas
    Insights relacionadas