Sind unsere Arbeitsplätze in Gefahr?

Posted on by

Einschätzung des Effekts von künstlicher Intelligenz auf den Schweizer Arbeitsmarkt

Kurzzusammenfassung Artikel

Teil 1: Einführung in KI und eine aufgabenbasierte Sicht auf Berufe

Anmerkung: Dieser Blogbeitrag fasst den Artikel «Are Our Jobs at Risk? Estimating the Effect of Artificial Intelligence on the Swiss Labor Market» zusammen. Autoren: Timon Jaeggi, Benjamin Schaefer, Christian Dietzmann, Reinhard Jung and Ulrich Matter

Verfügbar: https://journals.aom.org/doi/abs/10.5465/AMPROC.2023.11166abstract

Vorgeschlagene Zitation: Jaeggi, T., Schaefer, B., Dietzmann, C., Jung, R., & Matter, U. (2023). Are Our Jobs at Risk? Estimating the Effect of Artificial Intelligence on the Swiss Labor Market. In Academy of Management Proceedings (Vol. 2023, No. 1, p. 11166).

Einleitung

Die jüngsten Fortschritte auf dem Gebiet der künstlichen Intelligenz (KI) haben das Spektrum der technischen Anwendungen und unsere Vorstellung von den Einsatzbereichen radikal erweitert (Jaeggi et al., 2023). Bisher herrschte die vorrangige Vorstellung, dass Menschen insbesondere in kreativen und kognitiven Arbeitsbereichen ihren komparativen Vorteil behalten würden, da historisch gesehen regelbasierte Computer ausschliesslich Berufe mit einem begrenzten und klar definierten Aufgabenspektrum ersetzten (Frey & Osborne, 2013). Komplexe Aufgaben wie beispielweise die Kommunikation mit Kunden, die Entwicklung von Managementstrategien oder das Autofahren unterliegen unregelmäßigen und dynamischen Regeln, die lange Zeit als nicht durch Computersysteme nachahmbar angesehen wurden (Tolan, Pesole, Marinez-Plumed, & Fernandes-Macias, 2021). Die derzeitigen Entwicklungen in der KI repräsentieren jedoch einen grundlegenden Paradigmenwechsel (Tolan et al., 2021; Autor, 2014). Auf Grund ihrer Selbstlernfähigkeit sind Maschinen heutzutage in der Lage, Klassifizierungsaufgaben durchzuführen, zukünftige Entwicklungen zu prognostizieren oder in natürlicher Sprache zu kommunizieren (Brynjolfsson, Rock, & Syverson, 2019). Infolgedessen erweitert sich die Bandbreite der Berufe, die unmittelbar von den KI-Fähigkeiten betroffen sind, kontinuierlich und derartige Entwicklungen haben weitreichende Folgen für Organisationen, ihr Management und die Wirtschaft (Jaeggi et al., 2023). Ein zunehmender Anteil der Beschäftigten befindet sich in direkter Konkurrenz zu intelligenten Lösungen, die in der Lage sind, bestimmte Aufgaben und Prozesse neu zu gestalten oder sogar ganze Geschäftsmodelle zu verändern (Alt, Beck, & Smits, 2018; MacCrory, Westerman, Alhammadi, & Brynjolfsson, 2014).

Künstliche Intelligenz

KI beschreibt die Fähigkeit von Computern, wahrzunehmen, zu denken und zu agieren (Winston, 1984). Daher wird KI nicht als eine einzelne Technologie betrachtet, sondern vielmehr als eine kontinuierliche Entwicklung von computergestützten Fähigkeiten, die sich in den letzten Jahrzehnten in rasantem Tempo entwickelt haben (McCorduck & Cfe, 2004). Die heutigen Entwicklungen in der KI werden durch Fortschritte im Bereich des maschinellen Lernens (ML) vorangetrieben (Taddy, 2019). ML wird als eine wesentliche Komponente der KI angesehen, da es ein Kollektivbegriff für verschiedene hochentwickelte Statistikverfahren ist, die die Erkennung von Mustern aus großen Datenmengen ermöglichen, um Vorhersagen oder Schätzungen abzuleiten (Webb, 2019). Wissenschaftler betrachten ML im Allgemeinen als Universaltechnologie («General Purpose Technology» – GPT), was bedeutet, dass ML in verschiedenen Bereichen und Berufen breite Anwendungen finden und die Entwicklung ergänzender Erfindungen fördern kann (Lane & Saint-Martin, 2021; Taddy, 2019; Brynjolfsson, Mitchell, & Rock, 2018; Bresnahan & Trajtenberg, 1995).

KI kann durch reine Software («Software-KI») oder durch physische Basis («Embodied-KI») verkörpert werden (Jaeggi et al., 2023). Software-KI konzentriert sich vorwiegend auf nicht-routinemäßige kognitive Aufgaben (Jaeggi et al., 2023). In der medizinischen Praxis unterstützt die KI beispielsweise Pathologen und lernt aus Tausenden von zuvor betrachteten Scans, Schlüsselmerkmale zu erkennen, die bei der Erkennung von Brustkrebs helfen, ohne ausdrückliche menschliche Anweisungen (Jaeggi et al., 2023). Im Rahmen von kreativen Aufgaben kann KI beispielsweise dabei helfen, neue Düfte für die Parfümindustrie zu kreieren (Goodwin et al., 2017; IBM Research, 2018). Im Vergleich zu einer Software-KI arbeiten Embodied KI-Systeme üblicherweise mit unstrukturierten sensorischen Daten wie gesprochener Sprache, Geräuschen oder Echtzeitvideos (Jaeggi et al., 2023). So werden in einer Autofabrik beispielsweise intelligente Gelenkarme zum Zusammenbau von Autoteilen eingesetzt, wobei dem System verschiedene Sensoren dabei helfen, einzelne Objekte zu erkennen (Jaeggi et al., 2023). In anderen Anwendungsbereichen wie Bildung oder Unterhaltung hat die Embodied-KI menschenähnliche Eigenschaften, die es den Nutzern ermöglichen, intuitiv mit dem System zu interagieren. Diese humanoiden Merkmale wurden beispielsweise von den Robotern Pepper (z. B. Pandey & Gelin, 2018) und Sophia durch die Abbildung von menschlichen Gesichtern mit Mimik oder Gestik realisiert.

Künstliche Intelligenz und der Arbeitsmarkt

Infolge der jüngsten Entwicklungen auf dem Gebiet der KI wurde damit begonnen, die Auswirkungen der Automatisierung auf den Arbeitsmarkt neu zu bewerten (Jaeggi et al., 2023). Nicht-routinemäßige kognitive oder manuelle Tätigkeiten, die lange Zeit als von bisherigen Technologien unbeeinflusst galten, sind zunehmend von selbstlernenden Algorithmen bedroht, so dass viele Wirtschaftsexperten der Ansicht sind, dass sich die Auswirkungen auf den Arbeitsmarkt dieses Mal fundamental von anderen Technologien unterscheiden (Furman, 2019; Georgieff & Hyee, 2021). Nichtsdestotrotz ist es für Wirtschaftsexperten schwierig, die Konsequenzen für Berufe und den Arbeitsmarkt als Ganzes abzuschätzen, da das Leistungsspektrum von Software und Embodied-KI kontinuierlich wächst (Webb, 2019; Acemoglu et al., 2020). Eine wichtige Erkenntnis, die von Wissenschaftlern anerkannt wird, ist, dass sich Technologien grundsätzlich auf der Ebene der Aufgaben und weniger auf der Ebene des Berufs auswirken (Huang & Rust, 2018; Sampson, 2020; Levy & Murnane, 1996; Acemoglu & Restrepo, 2018). So hat KI möglicherweise keine Auswirkungen auf den vollständigen Beruf, sondern nur auf einzelne Aufgaben innerhalb eines Berufs (Sampson, 2021). Eine Aufgabe beinhaltet verschiedene Tätigkeiten, die je nach Beruf sehr unterschiedlich sein können (Jaeggi et al., 2023). Die Bandbreite erstreckt sich von simplen mechanischen Aufgaben bis hin zu sehr anspruchsvollen kognitiven Aufgaben, die mitunter innerhalb desselben Berufs ausgeführt werden (Huang & Rust, 2018).

Eine aufgabenbasierte Sicht auf Berufe

Die sozialen und wirtschaftlichen Folgen der KI können so unterschiedlich sein, dass einige Experten der Meinung sind, dass wir auf eine Zukunft ohne Arbeitsplätze zusteuern (Ford, 2015), wohingegen andere KI als treibende Kraft für die Erhöhung der Arbeitsproduktivität und die Verbesserung der Arbeitsbedingungen sehen (Damioli, Van Roy, & Vertesy, 2021). Auch wenn diese Ansichten weitgehend differieren, vertreten Wissenschaftler die Auffassung, dass beide Sichtweisen parallel existieren können (Jaeggi et al., 2023). Dies liegt daran, dass KI-Beschäftigte bei ihrer Arbeit sowohl ersetzen als auch ergänzen kann (Frank et al., 2019). So haben Frank et al. (2019) und Seamans und Raj (2018) festgestellt, dass die Beschäftigten je nach Art der Tätigkeit durch die Technologie ergänzt werden (Komplementierung) oder mit ihr konkurrieren (Substitution). Demzufolge beeinflusst die Unterstützung der Aufgaben der Beschäftigten durch KI deren Leistung positiv und somit auch die Ergebnisse des Unternehmens (Jaeggi et al., 2023). Darüber hinaus kann die Substitution von Aufgaben durch KI positive Effekte für Organisationen (z. B. Kostenvorteile oder Effizienzgewinne) und Individuen durch mittelbare Leistungsverbesserungen infolge der potenziellen (Neu-) Zuweisung von zusätzlichen Aufgaben haben (Jaeggi et al., 2023). Allerdings verlieren die Mitarbeiter schnell an Bedeutung und werden durch KI ersetzt, wenn ihnen keine zusätzlichen Aufgaben (wieder) zugewiesen werden (Jaeggi et al., 2023).

Tabelle 1 zeigt die Möglichkeiten, wie KI die Aufgaben eines Berufes beeinflussen kann. Wichtig ist zu verstehen, dass ein Beschäftigter gleichzeitig gegenüber diesen drei Expositionsarten ausgesetzt sein kann. Während manche Aufgaben in einem Beruf ersetzt werden können, können andere durch aktuelle Technologien ergänzt werden oder unberührt bleiben (Jaeggi et al., 2023).

Tabelle 1: Arten von AI-Expositionen
KI-Aufgaben-SubstitutionKI-Aufgaben-KomplementierungKI-Aufgaben-Unabhängigkeit
“Wettlauf gegen die Maschine”“Wettlauf mit der Maschine”“Ein anderes Rennen laufen”
Vollständige Substitution/Verdrängung der menschlichen Arbeit bei der Ausführung der Aufgabe. Der Mensch ist nicht mehr an der Ausführung der Aufgabe beteiligt.Ergänzung/Ergänzung menschlicher Arbeit durch KI, wobei der Mensch immer die zentrale Komponente bei der Ausführung der Aufgabe ist.   Arten der Augmentation: SinneMassnahmen/HandelnWahrnehmung/ErkennungDie Aufgabe innerhalb des Berufs bleibt von der KI weitgehend unberührt.
Anmerkung: Die Tabelle basiert auf Jaeggi et al. (2023)

Zum einen können neue Technologien Fähigkeiten und Fertigkeiten übernehmen (KI-Aufgaben-Substitution), die bisher dem Menschen vorbehalten waren, was für die Beschäftigten einen relativen Nachteil bei ihrer Arbeit bedeutet (MacCrory et al., 2014). Als Beispiel ist die Industrialisierung zu nennen, durch die viele Beschäftigte im Rahmen der industriellen Revolution ersetzt wurden. Eine starke Übereinstimmung zwischen Aufgabe und Technologie kann zu Substituierbarkeitseffekten führen, die Beschäftigte überflüssig machen. Zum anderen können technologische Innovationen die menschlichen Fähigkeiten bei der Ausführung ihrer Arbeit ergänzen (KI-Aufgaben-Komplementierung) (MacCrory et al., 2014). Die Fähigkeiten können durch die Zusammenarbeit zwischen Beschäftigten und digitalen Technologien bei einer bestimmten Aufgabe verbessert werden, was letztlich zu einer höheren Arbeitsproduktivität führt (MacCrory et al., 2014). Und schließlich können Arbeitsplätze Fähigkeiten und Fertigkeiten voraussetzen, die von den Möglichkeiten der heutigen Technologien noch nicht hinreichend abgedeckt werden, so dass der Beschäftigte davon weitgehend unberührt bleibt (KI-Aufgaben-Unabhängigkeit) (Jaeggi et al., 2023). Beispielsweise haben sich Berufe mit einem hohen Maß an persönlicher Interaktion (z. B. Beschäftigte im Gesundheitswesen, Lehrer, Anwälte und Seelsorger) und Berufe, die viel Kreativität erfordern (z. B. Bildhauer oder Maler), in den ersten Tagen des Computerzeitalters kaum verändert (Jaeggi et al., 2023).

Die kontinuierliche Entwicklung von computergestützten Fähigkeiten, die durch Software-KI und Embodied-KI verkörpert werden, haben also vielfältige Anwendungsgebiete und unterschiedliche Auswirkungen auf einzelne Aufgaben eines Berufes. In diesem Zusammenhang ist es wesentlich, die aufgabenbasierte Perspektive zu berücksichtigen, da sich die Exposition eines Berufs gegenüber KI anhand einer Gegenüberstellung der damit verbundenen Aufgaben ermitteln lässt (Jaeggi et al., 2023). Im theoretischen Kontext ist zudem die «Task Technologie Fit» Theorie von äusserster Bedeutung (vgl. Goodhue & Thompson, 1995). Doch welche Auswirkungen wird KI auf den Schweizer Wirtschaftssektor haben? Insbesondere auf die Berufe und Arbeitnehmer einzelner Branchen? Und wie wirkt sich das auf den gesamten Arbeitsmarkt aus? Was bedeutet die veränderte Situation für Unternehmen und Politik? Diese Fragen werden in einem zweiten Teil dieses Blogbeitrags beleuchtet als auch die Ergebnisse der Studie vorgestellt.

Literatur:

Acemoglu, D., & Restrepo, P. 2018. The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488–1542.

Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. 2020. AI and Jobs: Evidence from Online Vacancies. Working paper no. w28257, NBER, Cambridge, Massachusetts.

Alt, R., Beck, R., & Smits, M. T. 2018. FinTech and the transformation of the financial industry. Electronic Markets, 28: 235–243.

Autor, D. H. 2014. Polanyi’s Paradox and the Shape of Employment Growth. Working paper no. 20485, NBER, Cambridge, Massachusetts.

Bresnahan, T. F., & Trajtenberg, M. 1995. General purpose technologies ‘Engines of growth’? Journal of Econometrics, 65(1): 83-108.

Brynjolfsson, E., & Mitchell, T. 2017. What Can Machine Learning Do? Workforce Implications. Science, 358(6370): 1530-1534.

Brynjolfsson, E., Mitchell, T., & Rock, D. 2018. What Can Machines Learn, and What Does It Mean for Occupations and the Economy? AEA Papers and Proceedings, 108: 43-47.

Brynjolfsson, E., Rock, D., & Syverson, C. 2019. Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. In A. Agrawal, J. Gans, & A. Goldfarb, The Economics of Artificial Intelligence: An Agenda, 23-57. Chicago: Uni-versity of Chicago Press.

Damioli, G., Van Roy, V., & Vertesy, D. 2021. The Impact of Artificial Intelligence on Labor Productivity. Eurasian Business Review, 11: 1-25.

Ford, M. 2015. Rise of the Robots: Technology and the Threat of a Jobless Future. New York, NY: Basic Books.

Frank, M. R., Autor, D., Bessen, J. E., Brynjolfsson, E., Cebrian, M., Deming, D. J., . . . Rahwan, I. 2019. Toward Understanding the Impact of Artificial Intelligence on Labor. Proceedings of the National Academy of Sciences, 116(14): 6531-6539.

Frey, C. B., & Osborne, M. A. 2013. The Future of Employment: How Susceptible are Jobs to Computerisation? Technological forecasting and social change, 114: 254-280.

Furman, J. 2019. Should We Be Reassured If Automation in the Future Looks Like Automation in the Past? In A. Agrawal, J. Gans, & A. Goldfarb, The Economics of Artificial Intelligence: An Agenda: 317-328. Chicago and London: University of Chicago Press.

Georgieff, A., & Hyee, R. 2021. Artificial Intelligence and Employment: New Cross-Country Evidence. OECD Social, Employment and Migration. https://www.oecd-ilibrary.org/content/paper/c2c1d276-en.

Goodwin, R., Maria, J., Das, P., Horesh, R., Segal, R., Fu, J., & Harris, C. 2017. AI for Fragrance Design. 31st Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, CA: Curran Associates Inc.

Huang, M.-H., & Rust, R. T. 2018. Artificial Intelligence in Service. Journal of Service Research, 21(2): 155-172.

IBM Research 2018. Using AI to Create New Fragrances, IBM Research Blog. https://www.ibm.com/blogs/research/2018/10/ai-fragrances/.

Jaeggi, T., Schaefer, B., Dietzmann, C., Jung, R., & Matter, U. (2023). Are Our Jobs at Risk? Estimating the Effect of Artificial Intelligence on the Swiss Labor Market. In Academy of Management Proceedings (Vol. 2023, No. 1, p. 11166).

Lane, M., & Saint-Martin, A. 2021. The Impact of Artificial Intelligence on the Labour Market: What do We Know so Far? OECD Social, Employment and Migration Working Papers, no. 256, OECD Publishing, Paris.

Levy, F., & Murnane, R. J. 1996. With What Skills Are Computers a Complement? The American Economic Review, 86(2): 258-262.

MacCrory, F., Westerman, G., Alhammadi, Y., & Brynjolfsson, E. 2014. Racing With and Against the Machine : Changes in Occupational Skill Composition in an Era of Rapid Technological Advance. 35th International Conference on Information Systems. Auckland.

McCorduck, P., & Cfe, C. 2004. Machines who think: A personal inquiry into the history and prospects of artificial intelligence. CRC Press.

Moore, T., & Bokelberg, E. 2019. How IBM Incorporates Artificial Intelligence into Strategic Workforce Planning. https://www.shrm.org/executive/resources/people-strategy-journal/Fall2019/Pages/moore-bokelberg-feature.aspx.

Sampson, S. 2020. Predicting Automation of Professional Jobs in Healthcare. Proceedings of the 53rd Hawaii International Conference on System Sciences, Maui, HI.

Sampson, S. 2021. A Strategic Framework for Task Automation in Professional Services. Journal of Service Research, 24(1): 122-140.

Seamans, R., & Raj, M. 2018. AI, Labor, Productivity and the Need For Firm-Level Data. Working Paper no. 24239, National Bureau of Economic Research, Cambridge, Massachusetts.

Taddy, M. 2019. The Technological Elements of Artificial Intelligence. In A. Agrawal, J. Gans, & A. Goldfarb, The Economics of Artificial Intelligence: An Agenda: 61-87. Chicago and London: University of Chicago Press.

Tolan, S., Pesole, A., Marinez-Plumed, & Fernandes-Macias, E. 2021. Measuring the Occupational Impact of AI: Tasks, Cognitive Abilities and AI Benchmarks. Journal of Artificial Intelligence Research, 71: 191-236.

Webb, M. 2019. The Impact of Artificial Intelligence on the Labor Market. SSRN.

Winston, P. H. 1984. Artificial intelligence. MA, Boston:Addison-Wesley Longman Publishing Co., Inc.

Benjamin Schaefer
Latest posts by Benjamin Schaefer (see all)
0
Alle, Branchennews, Digitalisierung, Ecosystem, Technologien , , , , ,

Was sind Deine Erfahrungen mit dem Thema? (Kommentieren geht auch ohne Anmeldung oder Einloggen; einfach kommentieren, auf Freigabe warten und fertig!)