Kai automatizacija keičia darbą, kas gauna naują darbą?

Automation rarely removes a whole occupation in one clean motion. It rearranges tasks, discretion, training, surveillance and responsibility. The fair...

Kai automatizacija keičia darbą, kas gauna naują darbą?

Darbas nėra užduočių sąrašas

Vienas iš labiausiai klaidinančių klausimų automatizavimo diskusijose yra tas, ar mašina atims darbą. Darbas retai būna vienas dalykas, kurį galima ištraukti iš žmogaus ir įdėti į serverį. Tai visuma užduočių, sprendimų, rutinų, santykių, leidimų ir vietinių žinių fragmentų. Kai kurias šias dalis galima palengvinti. Kai kurias galima standartizuoti. Kai kurias galima pašalinti. Kitos tampa svarbesnės būtent todėl, kad rutininis darbas buvo perkeltas kitur.

Todėl pokytis įvyksta anksčiau nei pasikeičia pareigybės pavadinimas. Grafiko sistema gali pakeisti, kas kviečiamas dirbti, net jei pamainoje vis dar tie patys vardai. Dokumentų asistentas gali pakeisti, kas laikoma pagrįstu atvejų kiekiu, net jei sutartyje vis dar rašoma „socialinis darbuotojas“. Veiklos rezultatų suvestinė gali paversti neformalų vertinimą tikslu, net jei niekas tos suvestinės nevadina vadovu. Darbas pasikeitė. Organizacija galbūt tiesiog pamiršo pakeisti savo žodyną.

Štai kodėl rimtas klausimas yra ne tai, ar automatizavimas abstrakčiai naikina darbo vietas. Tai kas nusprendžia, kurios užduotys perkeliamos, kurios naujos užduotys atsiranda, kokia rizika priimama, kurie žmonės mokomi ir kas turi teisę ginčyti rezultatą. Atsakymas lemia, ar technologinis pokytis taps sąžiningu perėjimu, darbo intensyvėjimu ar tyliu valdžios perdavimu iš darbą dirbančių žmonių sistemai, kuri tą darbą matuoja.

Įsivaizduokite sudėtinę darbo dieną, sudarytą iš pažįstamų funkcijų, o ne iš kokio nors įvardyto darbdavio ataskaitos. Komanda gauna įrankį, kuris rengia santraukas, siūlo prioritetus ir matuoja laiką, praleistą prie kiekvieno atvejo. Įrankis apibūdinamas kaip pagalba. Komandai sakoma, kad jokios pareigybės nėra naikinamos. Po kelių savaičių lengvi atvejai atliekami greičiau, sunkūs atvejai lieka, tikslas perskaičiuojamas pagal greitesnį vidurkį, o žmonės, kurie kvestionuoja pasiūlymą, praleidžia daugiau laiko dokumentuodami, kodėl tai padarė. Nieko toje sekoje nereikalauja, kad mašina atimtų darbą. Vis dėlto darbas buvo perprojektuotas aplink mašiną.

Šis skirtumas svarbus, nes jis keičia tai, į ką turi atsakyti atsakingas įdiegimas. Jei darbas pertvarkomas, darbuotojams reikia balso kuriant žemėlapį, o ne motyvacinio plakato po to, kai žemėlapis jau galutinis. Jei sprendimai perkeliami į vertinimo sistemą, paveiktiems žmonėms reikia būdo patikrinti ir užginčyti balą. Jei mokymai būtini, kad naujas susitarimas veiktų, mokymai yra paties pokyčio dalis, o ne privilegija, kurią galima pasiūlyti, kai biudžetas jaučiasi dosnus.

Pradėkite nuo to, ką žmonės iš tikrųjų daro

Geras perėjimo darbas prasideda stebėjimu. Prieš pasirinkdama modelį, komanda turėtų apibūdinti darbą taip, kaip jis atliekamas, įskaitant nepatogias dalis, kurios niekada nepatenka į proceso schemą. Kurie sprendimai yra įprasti? Kurie priklauso nuo konteksto? Kuriems reikia pokalbio, profesinių santykių ar fizinės patikros? Kur žmonės pastebi, kad įrašas neišsamus? Kur jie kompensuoja sistemos trūkumus, kuri nemato skirtumo tarp neįprasto atvejo ir blogo?

Tai nėra argumentas romantizuoti žmogaus darbą. Kai kurios rutinos yra nuobodžios, pasikartojančios ir visiškai netinkamos žmogui, kuris turi kitų reikalų. Pašalinti nereikalingą kopijavimą, paiešką ar formatavimą gali būti tikras patobulinimas. Esmė yra įvardyti užduotį, kuri turėtų keistis, o ne traktuoti profesiją kaip vientisą bloką. Sistema, pašalinanti dublikatų įvedimą, gali grąžinti laiko. Sistema, pašalinanti laiką, reikalingą neaiškiam atsakymui patikrinti, gali sukurti greitesnį būdą klysti.

A useful task map has at least four layers. The first is the visible action: classify, draft, schedule, inspect, answer or approve. The second is the judgement hidden inside it: what counts as complete, urgent, safe, fair or relevant. The third is the responsibility attached to the judgement: who must explain the decision, correct it and carry the consequences. The fourth is the learning loop: who notices a new pattern, updates the practice and tells the system that its old shortcut no longer works.

Those layers are often distributed across a team. A receptionist may notice a detail that a policy analyst formalises. A technician may recognise a fault that an engineer later encodes as a rule. A social worker may know that a phrase in a form is a sign of distress rather than a missing field. The system can support each person differently, but it should not erase the route by which knowledge enters the organisation. If the people who see the exception are excluded from design, the system will be very consistent about missing it.

The International Labour Organization’s work on generative AI is helpful here because it separates exposure of tasks from the fate of whole occupations. Its analysis finds that many jobs are only partly exposed and are more likely to be complemented than fully substituted. That does not mean the transition is harmless. The ILO points to changes in job quality, work intensity and autonomy, and says that the outcome depends on how the technology is introduced. A task may remain formally human while the conditions around it become less humane.

The same analysis also warns against treating exposure indicators as forecasts of job losses. An exposure score can identify where a technology might touch work. It cannot tell us whether an employer will use the possibility to reduce drudgery, increase throughput, remove discretion or create a better service. That is a management and social question. A number can locate the door. It cannot tell us who is allowed to walk through it.

Automation changes a web of work, not a single box on an organisation chart. The map keeps judgement and responsibility visible.

Augmentation can still intensify work

The word augmentation sounds reassuring because it suggests that a person remains in the picture. It is not, by itself, a guarantee of better work. A system can augment a worker by giving them a useful instrument, or by giving them a larger pile of cases and a smaller window in which to deal with each one. It can improve the quality of a decision, or it can make a decision look objective enough that nobody feels permitted to question it.

Work intensity is not only the number of tasks completed. It includes the speed expected, the interruptions tolerated, the emotional effort of dealing with exceptions, and the amount of attention available for a careful decision. A drafting tool may save time on a routine letter while increasing the number of letters a person is expected to produce. A route optimiser may shorten travel while filling every saved minute with another visit. A dashboard may reveal a bottleneck, then quietly turn the bottleneck into an individual performance problem.

The ILO’s findings put job quality beside job quantity for a reason. A role can survive while autonomy shrinks. A person can keep their title while losing the discretion that made the role skilled. The transition can also be uneven. Workers who already have access to reliable systems and training may gain leverage, while workers in the same occupation are left to handle the difficult cases with less time and fewer resources. The aggregate picture can look like productivity while the daily experience becomes a queue that never quite empties.

That is why a responsible proposal should describe the intended improvement in terms that a worker can test. Will the system remove a duplicate step? Will it make relevant information easier to find? Will it leave time for a conversation that cannot be automated? Will it reduce exposure to a dangerous task? What happens to the saved time? If the answer is simply that the team will process more, the organisation is not discussing augmentation. It is discussing a new output target with a polite interface.

There is also a quality problem. When a system handles the common case, people see a higher share of uncommon cases. The remaining work becomes more ambiguous, more consequential or more dependent on experience. That can be a good reason to invest in expertise. It can also be used to conclude that the work is now too irregular to deserve a proper process. The first path treats judgement as capability. The second treats it as a cost centre that has not yet been successfully compressed.

A transition plan should therefore include a counterfactual that is rarely written down: what will the job look like if the system is accurate enough to be useful but not accurate enough to be trusted without review? That is the normal condition for many decision-support systems. The answer should identify where review happens, how long it takes, what evidence it needs and how a person can refuse the recommendation without being marked as inefficient.

The hidden manager in the software

Automation becomes workplace governance when software starts to allocate, direct, evaluate or control work. It does not need to be called artificial intelligence. A fixed rule that assigns a task based on availability can shape a day. A rating system can affect access to future work. A model that predicts a likely delay can change who receives the difficult shift. The technical distinction between a rule and a learned model matters for transparency, but the worker experiences both through the decision that arrives.

The European Commission’s study of algorithmic management describes this field as a set of practices that can automate or assist traditional management functions. These functions include recruitment, task allocation, monitoring, evaluation and decisions about progression or termination. The study also notes that the policy and legal response is spread across several instruments rather than contained in one neat workplace code. That fragmentation is an administrative fact, not a licence to pretend that the software has no manager-like effects.

Algoritminis valdymas dažnai įvedamas per nedidelį operacinį pažadą. Greičiau priderinti žmones prie užduočių. Pastebėti pajėgumų trūkumą, kol dar nesugriuvo grafikas. Suteikti vadovui aiškesnį vaizdą. Aptikti saugos problemą. Kiekvienas pažadas gali būti pagrįstas. Rizika atsiranda tada, kai rodiklis tampa darbo pakaitalu. Atsako laikas ima reikšti rūpestį. Įvertinimas ima reikšti patikimumą. Ekrano veiklos stebėjimas ima reikšti pastangas. Rodiklį lengviau suskaičiuoti, todėl organizacija pradeda jį laikyti tikresniu už tai, ką jis turėjo apibūdinti.

Kai rodiklis pradeda valdyti prieigą prie darbo, įrodinėjimo našta pasikeičia. Vadovas paprastai gali paaiškinti sprendimą kontekste, net jei paaiškinimas ir prastas. Sistema gali pateikti balą, kuris atrodo neutralus, nes jo įvestys yra paslėptos. Tada darbuotojas turi ginčyti ir patį rezultatą, ir prielaidą, kad toks rezultatas yra tinkamos rūšies įrodymas. Todėl svarbios prieiga prie informacijos, žmogiškoji peržiūra ir prasminga galimybė ginčyti sprendimus. Atsakymas, kad sistema sudėtinga, nėra paaiškinimas. Tai kvietimas nustoti klausti.

Stebėjimui reikia skirti ypatingą dėmesį. Duomenys, surinkti koordinavimui, gali būti panaudoti vertinimui. Duomenys, surinkti saugos tikslais, gali būti panaudoti drausminėms priemonėms. Duomenys, surinkti žmogui dirbant, gali atskleisti neskelbtinos informacijos apie sveikatą, rūpinimosi įsipareigojimus ar bendravimą. Tai, kad sistema gali rinkti tam tikrą signalą, nereiškia, kad šį signalą teisinga naudoti. Darbo vieta nėra laboratorija, kurioje galima laikyti, kad sutikimas gautas, nes darbuotojas prieš pamainą spustelėjo ekrane.

Europos profesinių sąjungų konfederacija teigia, kad įkyrioms darbo vietos programoms reikia griežtesnių apribojimų, kad darbuotojai ir jų atstovai informaciją turėtų gauti paprasta kalba, ir kad konsultacijos turėtų vykti prieš diegimą ir prieš esminius pakeitimus. Jos pozicija taip pat sieja algoritmines sistemas su kolektyvinėmis derybomis, darbuotojų mokymu ir teise tikrinti bei taisyti sprendimus. Tai nėra techniniai priedai. Jie pripažįsta, kad darbo vieta yra socialinė institucija, ir kad valdžios perkėlimas į programinę įrangą keičia pusiausvyrą toje institucijoje.

Konsultacijos yra dizaino dalis

Informavimas ir konsultacijos kartais traktuojami kaip ceremoninės stadijos, einančios po tikrojo sprendimo. Europos sistema nesuteikia pagrindo taip į juos žiūrėti. Komisijos sistema, susijusi su Direktyva 2002/14/EB, savalaikį informavimą ir konsultacijas pateikia kaip dalį to, kaip organizacijos tvarko reikšmingus pokyčius ir naujas darbo organizavimo formas. Direktyva nustato bendrą sistemą, palikdama nacionalinius pasirinkimus dėl taikymo srities ir įgyvendinimo. Tai nėra dirbtinio intelekto vadovas. Tai priminimas, kad reikšmingas darbo pokytis turi procedūrinį gyvenimą prieš tapdamas techniniu diegimu.

Laikas yra svarbus. Susitikimas po to, kai tiekėjas jau pasirinktas ir darbo eiga sukonfigūruota, nėra tas pats, kas pokalbis, kol organizacija dar sprendžia, kokią problemą nori išspręsti. Ankstyvas įtraukimas leidžia darbuotojams klausti, kokie duomenys yra būtini, kurios užduotys iš tikrųjų keičiamos, kaip bus tvarkomos klaidos ir kaip atrodo atsarginis planas. Tai taip pat atskleidžia žinias, kurių sunku nusipirkti iš išorės. Darbą dirbantys žmonės žino, kur procesas yra trapus, nes metų metus jį palaikė.

Konsultacijos nereikalauja, kad kiekvienas sprendimas būtų vieningas. Jos reikalauja, kad paveikti žmonės būtų traktuojami kaip pokyčio dalyviai, o ne kaip jutikliai, kurie po įdiegimo praneš apie pasipriešinimą. Rimtas procesas turėtų užfiksuoti, kas buvo pasiūlyta, ką darbuotojai ginčijo, kas pasikeitė dėl to ir kokie nesutarimai lieka. Jei pasiūlymas vis tiek priimamas, organizacija turėtų sugebėti paaiškinti kodėl. Tai brandžiau nei apsimesti, kad susitarimo nebuvimas reiškia, jog niekas neturėjo nuomonės.

There is a practical reason to make this record explicit. Systems change after launch. The model is updated, the data source changes, a new department is added, an evaluation metric is adjusted, or a supplier rewrites a policy engine. A one-time consultation cannot cover a moving system. Worker representatives need an ongoing route to notice effects and request review. Otherwise the organisation has consulted about version one and governed a different machine by version three.

The ETUC’s proposal for an algorithmic-systems directive at work calls for impact assessment before implementation and at regular intervals afterwards, with involvement from workers and their representatives. That is a useful design principle even where the proposal is not law. An impact assessment should not be a document that proves the decision was already made. It should be a place where the organisation names who may be affected, what could go wrong, what evidence will be watched and who has the authority to change course.

The same principle applies to small organisations. A smaller employer may not have a works council or a dedicated data office, but it still needs to understand what a system changes for the people who use it. The paperwork can be lighter. The questions cannot disappear. Otherwise a modest deployment can become a large governance problem with no one assigned to notice.

Training is working power

Training is often the first promise made and the first thing squeezed. A launch plan says that staff will receive a session. The session becomes a slide deck. The slide deck becomes a recording. The recording becomes a link in a learning portal that everyone is expected to have watched before the new system quietly changes the rules of the job.

That is not what people need. They need enough understanding to recognise what the system is doing, what it is not doing, what data it uses, how its output should be checked, when it should be ignored, how to report an error and what will happen if they refuse a recommendation. They need time to practise with the actual cases and edge conditions of their work. They need to know who can answer a question without translating it into a ticket that disappears into a supplier queue.

The AI Act makes this practical point in legal language. Providers and deployers must take measures to ensure an adequate level of AI literacy for people using systems on their behalf, taking account of their technical knowledge, experience, education, training and the context in which the system will be used. For specified high-risk systems, the people assigned to human oversight need competence, training and authority. The Act also preserves existing information and consultation rights for workers and their representatives. Literacy is therefore connected to authority, not merely familiarity with a product screen.

ETUC’s position on workers’ skills development goes further in a direction that matters for fairness. It treats AI literacy as the ability to understand critically how AI affects work and occupations, not only the ability to operate a tool for the employer. That distinction is easy to miss. If training teaches a person how to accept a suggestion but not how to question the system that produced it, the organisation has trained compliance, not capability.

A useful training plan has at least three audiences. The first is the person using the system in ordinary work. They need operational literacy: inputs, outputs, uncertainty, escalation and safe use. The second is the person reviewing or supervising the work. They need decision literacy: evidence, bias, disagreement, override and consequences. The third is the group representing workers or inspecting the organisation. They need governance literacy: purpose, data flows, impact, changes, access to expertise and routes to remedy.

Training also has a distribution problem. People with the least time and the weakest bargaining position are often the ones most likely to receive a short generic session. People who design the system receive detailed briefings and a direct line to the vendor. The result is a knowledge hierarchy that follows power. If a new system is going to change the work of many people, the organisation should spend more effort on the people who must live with the system than on the people who will give the launch presentation.

The training should be treated as evidence of readiness, not as a ceremonial completion rate. Can a worker identify a case that needs human review? Can they explain why a recommendation was rejected? Can a supervisor pause the workflow? Can a representative request the information needed to assess a change? Can the organisation show what happened when someone raised a concern? If the answer is no, the problem is not that the workers are insufficiently enthusiastic. The system has not been introduced responsibly.

Skills become meaningful when they travel with the authority to question, override and reshape the system.

Who gets the new job?

When a routine moves into software, work does not vanish into a cloud. It reappears somewhere. Someone writes the rules, curates the data, checks the exceptions, handles appeals, maintains the integration, monitors safety and explains the outcome. Those tasks may be new roles, new responsibilities inside existing roles or invisible work added to the people who already have the least spare time.

The question of distribution is therefore concrete. Who gets the technical work? Who gets the interpretive work? Who is exposed to the risk when the system fails? Who receives the time saved by automation? Who is expected to learn a new process without a change in pay, workload or status? A transition that answers only the first question may create a small group of specialists and a much larger group of people whose work is measured more closely.

There is no universal rule that every saving must become leisure or every new task must become a new job title. Organisations have different purposes and collective agreements. But the distribution should be deliberate and discussable. If automation removes repetitive administration, the benefit might be more time for care, research, maintenance or public contact. If it creates monitoring duties, those duties need capacity and recognition. If it increases the value of contextual expertise, the people with that expertise should not be treated as temporary obstacles to a cleaner dataset.

Įgūdžių politika svarbi, nes perėjimas gali padidinti esamą nelygybę. TDO pažymi, kad jos analizėje moterų užimtumo poveikis generatyviniam dirbtiniam intelektui yra didesnis, iš dalies todėl, kad moterys yra per daug atstovaujamos biuro darbuotojų sektoriuje. Tai teiginys apie galimą poveikį, o ne prognozė, kas neteks darbo. Vis dėlto tai parodo, kodėl neutraliai atrodantis diegimas gali turėti nevienodą poveikį. Jei labiausiai paveikti vaidmenys taip pat yra tie, kuriuose mažiau galimybių mokamam mokymui ar karjeros augimui, nauda nepasiskirstys savaime. Magija išlieka nepatikima žmogiškųjų išteklių strategija.

Amžius, negalia, prievolės rūpintis artimaisiais, kalba ir užimtumo statusas taip pat gali lemti, kas gaus naudos iš naujos sistemos. Įrankis, kuris daro prielaidą, kad darbuotojas visada gali būti prieinamas, gali nubausti tuos, kurie rūpinasi kitais. Veiklos vertinimas, kuris ignoruoja prieinamus darbo būdus, gali paversti pritaikymą nukrypimu. Sistema, naudojanti siaurą kalbos modelį, gali sukurti papildomą tikrinimą žmonėms, kurie bendrauja kita kalba. Tai ne kraštiniai atvejai, kuriuos reikia įtraukti į vėlesnę lygybės ataskaitą. Tai dalis to, ką reiškia, kad sistema organizuoja darbą.

Platformų ekonomika suteikia Europai aiškią vietą šiems procesams tirti. Platformų darbo direktyva, priimta kaip Direktyva (ES) 2024/2831, reglamentuoja užimtumo statusą ir algoritminį valdymą platformų darbe. Joje numatytos taisyklės dėl skaidrumo, duomenų apsaugos, žmogiškos priežiūros ir reikšmingų sprendimų peržiūros, taip pat teisės į paaiškinimus ir ginčijimą. Direktyva orientuota į platformų darbą, tačiau jos logika platesnė: kai programinė įranga nukreipia ir vertina darbą, darbuotojui reikia daugiau nei paslaugų teikimo sąlygų nuorodos ir linksmo pranešimo.

Direktyva taip pat primena, kad techninė kontrolė gali turėti teisinę reikšmę. Ji ragina organizacijas sudaryti sąlygas žmogiškai priežiūrai ir peržiūrai, paaiškinti reikšmingus sprendimus ir atsargiai tvarkyti tam tikras darbuotojų duomenų kategorijas. Tai nesukuria vieno tobulo modelio kiekvienai darbo vietai. Tai nustato pagrindą, nuo kurio gali prasidėti platesnis pokalbis: jei programinė įranga organizuoja darbą, žmonėms reikia teisių, kurios išliktų nepaisant programinės įrangos sąsajos.

Ginčijamumas yra darbo sąlyga

Darbuotojas negali prasmingai ginčyti sprendimo, kurio negalima nustatyti. Organizacija turi žinoti, kuri sistema jį priėmė, kuri versija galiojo, kokie duomenys buvo naudoti, kuri taisyklė ar modelio išvestis buvo svarbi ir kas turi teisę jį peržiūrėti. Darbuotojui reikia kelio, kuris nepriklausytų nuo spėjimo, kaip viduje vadinama pardavėjo funkcija. Peržiūrintysis asmuo turi turėti pakankamai laiko ir informacijos, kad galėtų ne tik patvirtinti rezultatą žmogišku parašu.

Platformų darbo direktyva suteikia šiam principui teisinę formą žmonėms, kuriems ji taikoma. Ji reikalauja žmogiškos priežiūros automatizuotoms stebėsenos ir sprendimų priėmimo sistemoms, numato paaiškinimus dėl sprendimų, priimtų ar paremtų tokiomis sistemomis, ir sukuria būdus ginčyti reikšmingus sprendimus. Ji taip pat nustato apribojimus asmens duomenų kategorijoms, kurias platformos gali tvarkyti algoritminiam valdymui. Šios detalės svarbios, nes teisė be veikimo kelio dažnai yra pasiūlymas, apsirengęs apsauga.

Kitose darbo vietose ginčijamumo architektūra vis tiek siūlo naudingą išbandymą. Paklauskite, ar asmuo gali sustabdyti veiksmą, kol žala dar neišplito. Paklauskite, ar jie gali pamatyti priežastį tokiais terminais, kurie susiję su darbu. Paklauskite, ar peržiūrintysis asmuo turi įgaliojimus nepaisyti rezultato. Paklauskite, ar pakartotiniai ginčai gali lemti sistemos pakeitimą, o ne atskirų išimčių rinkinį, kurio niekas neanalizuoja. Paklauskite, ar darbuotojas gali pateikti ginčą nerizikuodamas paslėpta bausme kitame paskirstyme.

Ginčijamumas taip pat yra kolektyvinis. Vienas ginčijamas rezultatas gali atrodyti kaip asmeninis nesutarimas. Ginčijamų rezultatų tendencija gali atskleisti netinkamą įvestį, nesąžiningą tarpinį rodiklį ar darbo krūvį, kuriam sistema niekada nebuvo sukurta atstovauti. Darbuotojų atstovai ir inspektoriai turi turėti prieigą prie tendencijos, o ne tik prie atskirų ekranų. Organizacija turėtų gebėti apibendrinti ginčus, nepaverčiant juos iškėlusių žmonių nauja rizikos kategorija.

Yra pagunda vertinti žmogiškąją peržiūrą kaip galutinį formalų patvirtinimą. Tai nesaugu ir nesąžininga. Peržiūrėtojas, kuris vertinamas pagal greitį, neturi prieigos prie pagrindinės informacijos ir jam sakoma, kad sistema yra tikslesnė už jį, nevykdo priežiūros. Jis suteikia žmogišką veidą automatizuotam sprendimui. AI akto nuorodos į kompetenciją, mokymą, įgaliojimus ir galimybę nepaisyti ar sustabdyti didelės rizikos sistemą yra naudingos, nes jos aiškiai įvardija skirtumą. Žmogus darbo eigoje nebūtinai yra žmogus, kuris kontroliuoja.

Teisinė riba ir organizacinis viršutinis lygis

Europos teisė nustato ribas. Ji neaprašo kiekvieno gero darbo proceso organizacijai. AI aktas kelia reikalavimus dėl AI raštingumo, informacijos darbuotojams ir jų atstovams atitinkamose didelės rizikos sistemose, žmogiškosios priežiūros ir pagrindinių teisių poveikio vertinimų nurodytiems naudojimo atvejams. Informavimo ir konsultavimosi sistema papildo platesnį darbo teisės kontekstą. Duomenų apsaugos taisyklės riboja, ką galima rinkti ir kaip gali būti priimami sprendimai. Direktyva dėl darbo platformų nustato konkrečias apsaugos priemones ten, kur skaitmeninės platformos organizuoja darbą.

Teisinė riba yra vertinga, nes ji užkerta kelią blogiausiam argumentui: kad nieko nereikia daryti, kol reguliuotojas nenurodys būtent šios funkcijos. Ji nėra viršutinis lygis. Sistema gali atitikti siaurą reikalavimą ir vis tiek padaryti darbą varginančiu, mažiau suprantamu ar sunkiau ginčijamu. Organizacijos, siekiančios ilgalaikio pokyčio, turėtų nusistatyti aukštesnį vidinį standartą, ypač ten, kur įstatymas yra sąmoningai bendras arba kur sistema nepatenka į konkretaus sektoriaus taisyklę.

Tas standartas gali būti išreikštas klausimų grandine. Kokia sistemos paskirtis ir kas nepatenka į jos paskirtį? Kurios užduotys keičiasi ir kurie sprendimai turi likti matomi? Kokie duomenys yra būtini ir kokie duomenys yra tik prieinami? Kam daroma įtaka tiesiogiai ir netiesiogiai? Kokie įrodymai rodo, kad sistema yra naudinga šiame kontekste? Kas gali ją perimti, su kokiu mokymu ir apsauga? Kaip darbuotojas galės užginčyti rezultatą? Kas atsitinka, kai pasikeičia modelis, tiekėjas ar politika? Kam priklauso sprendimas sustabdyti ar nutraukti sistemą?

Į šiuos klausimus reikia atsakyti iki pirkimo pabaigos, o ne paslėpti juos priede po pirmojo incidento. Tiekėjas gali pateikti dokumentaciją ir paramą. Jis negali žinoti visos darbo eigos reikšmės organizacijoje, kurios nevaldo. Diegėjas žino kontekstą, paveiktus žmones ir netinkamo spartinimo pasekmes. Todėl AI aktas diegėjus laiko svarbiais didelės rizikos sistemų veikėjais. Atsakomybė neišnyksta ties sutarties riba.

Taip pat naudinga apibrėžti, kas nėra sėkmė. Sėkmingas diegimas nėra didelis naudojimo rodiklis, jei darbuotojai naudoja sistemą, nes jos atsisakymas pakenktų jų galimybėms. Tai nėra mažesnis vidutinis aptarnavimo laikas, jei sudėtingi atvejai atidedami. Tai nėra skydelis su žaliais rodikliais, jei arčiausiai darbo esantys žmonės nustojo pranešti apie klaidas. Tai nėra mokymų užbaigimo skaičius, jei niekas negali paaiškinti, kaip sustabdyti darbo eigą. Rodikliai yra sprendimų įrankiai, o ne jų pakaitalas.

Pokytis, paliekantis pėdsaką

Odgovorna promjena zahtijeva pamćenje. Organizacija bi trebala zabilježiti namjeravanu svrhu, mapu zadataka, izvore podataka, konzultacije, obuku, testove, ograničenja i odluke donesene kada su dokazi bili nesigurni. Trebala bi zabilježiti koja je verzija korištena i kada su se promijenili uvjeti rada. Radnik ne bi trebao rekonstruirati povijest odluke iz poruka, snimaka zaslona i sjećanja kolege. To je loš način postupanja i prema radu i prema dokazima.

Zapis bi trebao uključivati neslaganje. Uglađena datoteka za implementaciju koja sadrži samo odobrenja nije izvještaj o konzultacijama. To je potvrda optimizma. Pitanja radnika, predstavnika, sigurnosnog osoblja i stručnjaka za jednakost dio su dizajnerskih dokaza. Ona pokazuju gdje bi sustav mogao zakazati i koje pretpostavke nisu bile zajedničke. Njihovo zadržavanje na vidljivom mjestu također olakšava ponovno razmatranje odluke bez pretvaranja da se zabrinutost pojavila prvi put nakon implementacije.

Praćenje bi trebalo pratiti rad, a ne samo model. Pazite na promjene u mješavini zadataka, vremenu pregleda, obrascima pogrešaka, pristupu obuci, žalbama, izostancima, prekovremenom radu i tome tko dobiva teške slučajeve. To nisu sve AI metrike. To su signali uvjeta rada. Model može zadržati istu točnost dok okolni posao postaje manje održiv. Ako organizacija prati samo model, može propustiti rad koji je preuređen oko njega.

Trebao bi postojati plan isteka. Sustav uveden za jednu svrhu ne bi trebao postati trajan zbog inercije. Postavite datum pregleda, prag promjene i jasnog vlasnika. Ako se podaci promijene, zadatak promijeni, pravna osnova promijeni ili se promijene pogođene osobe, organizacija bi trebala znati treba li nova procjena i konzultacije. Održavanje nije priznanje da je prva odluka bila slaba. To je priznanje da se i rad i softver kreću.

To može zvučati teško za malu intervenciju. Odgovor je proporcionalnost, a ne nestajanje. Pomoćnik za sastavljanje teksta bez pristupa osobnim evidencijama možda treba lakši proces od sustava koji određuje pristup smjenama, beneficijama, skrbi ili zaposlenju. Ali čak i mali alat zaslužuje izjavu o tome što smije, a što ne smije raditi. Jasnoća se bolje skalira od birokracije jer ljudima govori gdje da stanu.

Kako izgleda pošten udio

Izraz poštena tranzicija često se koristi kao da će pravednost doći kada se tehnologija ispravno instalira. Neće. Pravednost je skup izbora o vremenu, glasu, sposobnosti, riziku i nagradi. Pita može li radnici oblikovati promjenu, mogu li je razumjeti, mogu li je osporiti i jesu li dobitci podijeljeni, a ne tiho pretvoreni u veća očekivanja.

Dijeljenje dobitka ne znači uvijek izravno plaćanje. Može značiti kraći red, više vremena s ljudima, manje opasan posao, bolju opremu, priliku za učenje vrijedne vještine, put u novu ulogu ili profesionalnu prosudbu koja se shvaća ozbiljnije jer rutinski posao više ne istiskuje. Izbor bi trebao biti napravljen s ljudima čiji se rad mijenja. Inače organizacija može optimizirati ishod koji iz uprave izgleda učinkovito, a na terenu se osjeća kao trajno ubrzanje.

Postoji i građanska dimenzija. Radna mjesta obučavaju ljude za institucije oko njih. Ako svaki digitalni sustav uči da je ocjena vjerodostojnija od osobe, ta navika putuje u javne usluge i svakodnevni život. Ako radna mjesta uče da se dokazi mogu dovoditi u pitanje, odluke mogu objasniti, a autoritet se može prekinuti, te navike također putuju. Dizajn automatiziranog tijeka rada stoga nije samo unutarnja stvar. To je praksa u tome kako društvo tretira prosudbu.

Europos reikalavimas informuoti, konsultuotis, palaikyti socialinį dialogą, saugoti duomenis ir užtikrinti žmogaus priežiūrą kartais vaizduojamas kaip inovacijų stabdis. Tiksliau būtų sakyti, kad tai būdai nuspręsti, kas prisiima naujos galimybės pasekmes. Greitis nėra neutralus, kai žmonės, negalintys sulėtinti sistemos, yra tie, kurie susiduria su jos klaidomis. Pokytis, kurį galima aptarti, patikrinti ir pataisyti, gali užtrukti ilgiau. Tačiau jis taip pat labiau tikėtina, kad išliks naudingas ir tada, kai naujovės žavesys išblės.

„Dweve“ tai mažoji klausimo dalis, prie kurios nuolat grįžtame savo „Ground truth“ ir dirbtinio intelekto raštingumo darbuose. Sistema įgyja pasitikėjimą, kai ją supantys žmonės gali įvardyti jos šaltinius, ribas, neapibrėžtumą ir autoritetą. Tai nereiškia, kad biblioteka ar produktas gali išspręsti darbo santykių klausimus. Tai dizaino pozicija: įrodymai turi likti arti sprendimo, o už sprendimą atsakingi žmonės turi turėti pakankamai struktūros jam mesti iššūkį. Didesnis darbas tenka darbdaviams, darbuotojams, atstovams, reguliuotojams ir visuomenei.

Naujas darbas yra kolektyvinis sprendimas

Automatizavimas pakeičia darbą anksčiau, nei pakeičia organizacinę struktūrą. Jis perkelia dėmesį, sprendimų laisvę ir riziką. Jis sukuria priežiūros darbą, peržiūros darbą, mokymo darbą ir darbą, susijusį su sistemos paaiškinimu žmonėms, kurie jos nesirinko. Jis gali pagerinti darbą arba paversti jį greitesniu keliu per siauresnį koridorių. Skirtumas nėra paslėptas vien modelyje. Jis susiformuoja sprendimuose aplink modelį.

Žmonės, kuriems tenka naujas darbas, neturėtų būti pasirenkami tik po to, kai senos užduotys jau pašalintos. Jie turėtų dalyvauti sprendžiant, koks yra naujas darbas. Jie turėtų turėti laiko mokytis, teisę klausti, apsaugą tai darant ir dalį galimybių, kurias sukuria pokytis. Žmonės, kuriems atstovauja metrika, turėtų galėti patikrinti, ką ta metrika reiškia. Žmonės, prisiimantys pasekmes, turėtų galėti sustabdyti sistemą, kuri nebėra saugi ar teisinga.

Geras pokytis palieka daugiau nei veikiantį įrankį. Jis palieka aiškesnį užduočių žemėlapį, stipresnius įgūdžius, kelią nesutarimams, pokyčių įrašą ir instituciją, kuri žino, kas yra atsakingas. Tai kuklūs pasiekimai, palyginti su pažadais, duodamais produkto demonstracijoje. Tačiau būtent jie neleidžia darbo vietai virsti vieta, kur programinė įranga priima sprendimus, o visi kiti tiekia pasiteisinimus.

Taigi užduokite praktinį klausimą anksti. Kai ši užduotis perkeliama, koks darbas atsiranda? Kas jį atliks? Kokią galią jie turės? Koks mokymas padarys tą galią realia? Kas gali ginčyti susitarimą? Kur dingsta sutaupytas laikas? Jei organizacija negali atsakyti, ji nėra pasirengusi automatizuoti užduoties. Ji pasirengusi tikėtis, kad darbas kažkaip pasirūpins savimi. Darbai retai būna tokie atlaidūs.

Šaltiniai