Navegando pelo impacto da IA generativa no mundo do 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.

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 avanços (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 tolerância maior 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 o aprendizado de máquina, 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, 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 a 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 geradora 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 aprendizagem, 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?