Navegar pelo impacto da IA generativa no mundo do trabalho 

Em Reinventar empregos: 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 melhor equipadas para garantir as combinações ideais de humanos e automação. Essas empresas veem onde a automação pode substituir melhor o trabalho altamente repetitivo baseado em regras; onde pode aumentar a criatividade humana, o pensamento crítico e a empatia; e onde pode criar novo trabalho humano.

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

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

A automação estabelecida como a automação de processos robóticos (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 de RPA para reduzir a variação com a qual o trabalho altamente repetitivo, baseado em regras, de análise e sintetização de dados financeiros é realizado.

A IA tem sido usada há muito tempo para aumentar o trabalho analítico, onde a melhoria da produtividade ou a obtenção de um avanço é o objetivo. Considere como os oncologistas usaram a aprendizagem automática, treinados em volumes significativos de dados e imagens específicos, para aumentar exponencialmente a precisão da deteção de cancro, não substituindo competências, mas aumentando as capacidades e aumentando o prémio em experiência e experiência. No entanto, quando se trata de eliminação de erros, muitas vezes vemos a automação usada para reduzir o potencial de erro humano inicialmente através do aumento e depois através da substituição à medida que os conjuntos de dados específicos, a lógica e os novos guarda-corpos são desenvolvidos.

No entanto, a IA generativa está numa fase inicial e pode ser propensa a erros, dada a sua falta de lógica subjacente. Esta questão é agravada pelo facto de que quando as apostas são elevadas e a nossa tolerância ao risco é baixa, somos mais tolerantes ao erro humano do que à falibilidade da máquina. É essencial que os líderes compreendam quando confiar — e quando não confiar — nestas tecnologias nesta fase da sua evolução, juntamente com as funções específicas que devem ter no trabalho humano (substituição, aumento ou criação). A IA Generativa é mais útil para democratizar o conhecimento e a criatividade através do aumento, reduzindo os prémios de competências tradicionalmente necessários para uma variedade de tarefas criativas onde o objetivo é alcançar ganhos de produtividade e procurar uma inovação em domínios onde existe uma elevada tolerância ao risco.

Igualmente importante é compreender as consequências da sua utilização para o seu modelo de talento. Dado que muitas profissões são construídas sobre um modelo de aprendizagem, como resistirá à tentação de substituir o trabalho de talentos de nível júnior pela IA que possa eliminar a próxima geração de criadores, líderes e gestores?