Como a IA pode melhorar a produtividade e eficiência no trabalho, além de ajudar na tomada de decisão
José Augusto Paixão Gomes
CEO da Startup SMART EAGLE, Administrador de Empresas; MBA em Gerenciamento de Projetos; MSc em Engenharia Civil na área de concentração em Gestão, Produção e Meio-Ambiente, com foco em Inovação e Smart Cities pela UFF; Especialista em Captação de Recursos com Organismos Nacionais e Internacionais, responsável pela implantação dos projetos na Prefeitura de Niterói: Escritório de Gestão de Projetos — EGPNit; Sistema de Gestão Georreferenciado – SIGEO e Centro de Controle Operacional – CCO.
RESUMO
De certo modo em oposição ao senso comum, a Inteligência Artificial contribuirá com a criação de novos empregos (inteligentes) e com a eliminação de trabalhos repetitivos que passarão a serem executados por máquinas. Porém, esses novos empregos demandarão elevados níveis de qualificação, o que leva a um cenário no qual o nível e a qualidade da educação desempenharão papel fundamental nos novos empregos que serão gerados pela automação. Portanto, a formação deverá ser centrada nas competências que as novas tecnologias exigirão e trabalhadores com baixa qualificação terão de mudar de ocupação, sob pena de serem substituídos por máquinas. A temida perda de empregos, então, dependerá da velocidade da automação e do nível de qualificação da mão de obra em cada país. A velocidade de automação em cada país depende basicamente de sua estrutura econômica, da política de investimento em novas tecnologias e do nível de educação. Além do deslocamento de alguns postos de trabalho, também serão geradas versões mais complexas das tarefas existentes.
ABSTRACT
In contrary to common sense, Artificial Intelligence will contribute to the creation of new (smart) jobs and to the elimination of repetitive jobs that will be performed by machines. However, these new jobs will demand high levels of qualification, which leads to a scenario in which the level and quality of education will play a fundamental role in the new jobs that will be generated by automation. Therefore, training should be centered on the skills that new technologies will require, and low-skilled workers will have to change occupations, under penalty of being replaced by machines. The feared loss of jobs, then, will depend on the speed of automation and the level of qualification of the workforce in each country. The speed of automation in each country basically depends on its economic structure, the investment policy in new technologies and the level of education. In addition to relocating some jobs, more complex versions of existing tasks will also be generated.
Keywords: AI. Artificial intelligence. Employment. Productivity.
1 INTRODUÇÃO
Muitos debates têm sido conduzidos acerca do futuro dos empregos com automação, especialmente no período da COVID-19, onde observou-se a importância das novas tecnologias na gestão da crise sanitária. Diferentes autores têm opiniões diferentes sobre o futuro do emprego com automação. Porém, a maior parte do trabalho sobre esta questão apoia o fato de que a automatização irá substituir alguns empregos na indústria, mas ao mesmo tempo criar outros também.
Nem todos os trabalhos podem ser automatizados na indústria. Pode-se ver uma baixa demanda por mão de obra nos setores automatizados, mas ao mesmo tempo uma forte demanda nos setores não automatizados. Além disso, os empregos com um baixo nível de qualificação estão mais em risco do que aqueles com um alto nível de qualificação. Em outras palavras, trabalhos que consistem em tarefas repetitivas não exigem um alto nível de escolaridade. Esses trabalhos são mais vulneráveis à automação do que aqueles que exigem mais pensamento e mais criatividade (Alta habilidade). Portanto, nesse dinamismo da automação, o emprego de trabalhadores qualificados é mais seguro do que o de trabalhadores pouco qualificados.
2 DESENVOLVIMENTO
2.1 APLICAÇÕES DA IA NA MELHORIA DA PRODUTIVIDADE NO TRABALHO
A automação afetará mais os trabalhadores pouco qualificados do que os trabalhadores qualificados (ARNTZ, GREGORY, ZIERAHN, 2016). Graetz e Michaels (2015) argumentam também que o uso de robôs nas indústrias reduz a parcela de emprego de trabalhadores pouco qualificados em vez do emprego total. A ameaça da automação nos empregos é menor e heterogênea, varia de acordo com a política econômica, o nível de educação e o investimento de cada país em novas tecnologias. Acemoglu e Restrepo (2017) e Chiacchio, Petropoulos, Pichler (2018) destacam o fato de que a automação afeta os salários e o emprego de duas maneiras: o deslocamento direto dos trabalhadores das tarefas que desempenhavam anteriormente cria efeito de deslocamento que afeta negativamente o emprego e o aumento da demanda por trabalho pelas indústrias que cria efeito de produtividade que afeta positivamente os salários e o emprego.
Muitos pontos são frequentemente abordados em estudos sobre automação e emprego. Por exemplo, a não automação de todos os setores da indústria, o advento de novos empregos causados pela alta automação, a colaboração entre robôs e humanos e o deslocamento de certos trabalhos por máquinas. O surgimento da tecnologia pode eliminar certas profissões, deixando espaço para outras profissões mais produtivas.
Da mesma forma, de acordo com Manyika e Sneader (2018), a automação resultará em mais criação de empregos do que perda de empregos (21% e 33% da força de trabalho global, ou 555 milhões e 890 milhões de empregos até 2030). De acordo com o Gartner (2017), a IA criará 2,3 milhões de empregos em 2020, eliminando 1,8 milhão, um número estimado que excede o número de empregos que são eliminados pela IA em 2020.
2.2 AUMENTO DA EFICIÊNCIA NO LOCAL DE TRABALHO ATRAVÉS DA IA
A indústria precisará de profissionais altamente qualificados, cujos talentos serão muito requisitados e poderão capacitar outros trabalhadores para melhor dominar e se adaptar melhor às novas tarefas que a automação gerará. Em 2022, 54% dos colaboradores tiveram de aprender novas habilidades para atender às expectativas das novas tarefas criadas pela automação. Assim, 35% desses trabalhadores precisaram de pelo menos treinamento por seis meses, treinamento por mais de 6 anos será necessário para 9% dos trabalhadores e 10% precisarão de treinamento por mais de um ano (Fórum Econômico Mundial, 2021).
Mas muitas vezes observa-se um descompasso entre habilidades e tecnologias, porque os trabalhadores precisam dominar o uso de novas tecnologias nas indústrias, mas muitas vezes não possuem essas habilidades para realizar essas tarefas. Essas novas habilidades muitas vezes exigem uma alta capacidade educacional ou experimental, que os trabalhadores na maioria das situações não possuem.
Na maioria das vezes, também é difícil para os empregadores encontrar trabalhadores que possam dominar os novos empregos e tarefas induzidos pela automação intensiva (Deloitte & the Manufacturing Institute, 2011).
Em resumo, os empregos deslocados pela automação exigem menos qualificação do que os novos empregos gerados por esta última. Os novos empregos exigem altas qualificações, o que dependerá da qualidade do sistema educacional de cada país. Grande parte do emprego no futuro criado pela automação exigirá altos níveis de educação.
Neste contexto, os empregos que exigem menos exigências educacionais estão em perigo e, ao mesmo tempo, a demanda por empregos que exigem capacidades educacionais ou habilidades mais altas aumenta. O sistema educacional desempenha um papel decisivo nos novos empregos que levarão à automação. A qualidade da habilidade depende da qualidade do sistema educacional. Se o sistema educativo não estiver à altura das exigências de competências que os novos empregos exigem, vemos frequentemente um desfasamento entre competências e tecnologias.
2.3 A IA COMO AUXÍLIO NA TOMADA DE DECISÕES
A pesquisa emergente na aplicação da IA ao apoio à decisão está focada em três áreas: sistemas adaptativos inteligentes que podem se modificar para resolver um problema complexo ou as preferências de um usuário individual; interfaces como humanos virtuais que podem aumentar a interação efetiva entre humanos e máquinas e, técnicas aplicáveis a problemas aplicados extremamente difíceis, como big data (FREY, OSBORNE, 2017).
Os avanços no poder de computação e armazenamento levaram à captura de grandes quantidades de dados e informações que podem ser usados como base para a tomada de decisões em campos como serviços financeiros, transações no ponto de venda, perfis de usuários via internet e saúde. O avanço da IA com o desenvolvimento de algoritmos de machine learning e deep-learning contribui para evitar erros e equívocos decorrentes de julgamentos humanos (DANZIGER et al. 2011).
Os algoritmos de IA são fundamentalmente diferentes das tecnologias algorítmicas anteriores por várias razões (AGRAWAL et al. 2018; SMITH, 2019). Primeiro, a IA melhora o desempenho por meio do autoaprendizado, fazendo inferências sobre novos dados com base no aprendizado anterior. Por causa da capacidade de descobrir padrões ocultos, a IA pode realizar tarefas perspicazes que precisam de “intuição” semelhante à humana. Em segundo lugar, a IA obtém previsões e julgamentos com alta precisão e sua precisão aumenta com o número de sessões de treinamento e a quantidade de dados volumosos. Terceiro, os modelos que usam algoritmos de IA podem melhorar ao longo do tempo para alcançar um desempenho superior. Essas características distintas permitem que a IA supere os humanos não apenas em trabalho repetitivo e tarefas de reconhecimento, mas também em tarefas criativas em alguns domínios (HE et al. 2015; MNIH et al. 2015).
Os pesquisadores descobriram que a IA tem um bom desempenho mesmo em tarefas cognitivas de alto nível, como tomar uma decisão legal no tribunal (KLEINBERG et al. 2017), descobrir a estrutura de proteínas na biologia (Senior et al. 2020) e jogar jogos estratégicos (SCHRITTWIESER et al. 2020), entre outros. As organizações, portanto, começaram a usar algoritmos de IA para tarefas que exigam julgamento preciso, melhorando a alocação de recursos valiosos, designando horários de trabalho e analisando o desempenho dos funcionários (DE CREMER, 2020; ROCK, 2020).
Por exemplo, os algoritmos de IA são úteis no desenvolvimento de novos medicamentos – em particular, no estágio inicial, quando as tarefas são fortemente dependentes do processamento automático de dados e do reconhecimento de padrões (LOU, WU, 2021). Os codificadores médicos em hospitais também usam sugestões de IA sobre codificação de gráficos e, assim, melhoram sua produtividade (Wang et al. 2019).
Considerando o pressuposto da racionalidade limitada – de que os tomadores de decisão tendem a equilibrar a qualidade de suas decisões com o custo, como o esforço cognitivo e o tempo necessário para alcançar suas decisões (Kahneman 2003) – a IA pode contribuir para reduzir o custo, o que, por sua vez, reequilibra a precisão das decisões. A IA ajuda o processo de tomada de decisão humana, avaliando um escopo mais amplo de opções a um custo mais baixo e realizando uma avaliação mais precisa das opções disponíveis.
Uma vez que a IA pode fornecer um extenso conjunto de alternativas avaliadas com precisão que informam e treinam profissionais humanos, ela pode revisitar suas práticas de tomada de decisão (que podem ter gerado decisões inferiores se eles não foram treinados com IA). A IA pode treinar profissionais humanos e melhorar a qualidade de suas decisões, especialmente quando o desempenho da IA é superior ao dos humanos e quando as tarefas são complexas e incertas.
3 CONCLUSÃO
A automatização criará talvez mais postos de trabalho do que eliminará no futuro. Substituirá muitos postos de trabalho, especialmente os empregos com baixa qualificação, mas, ao mesmo tempo, criará muitos novos postos de trabalho, que necessitarão de uma elevada qualificação.
A automação é um avanço, uma revolução importante e necessária para as indústrias no aumento da produtividade e competitividade. A chave para os empregos que a automação criará são as altas habilidades digitais. Assim, o ensino superior e a formação orientados para a digitalização e a codificação desempenharão um papel muito importante nos novos empregos.
Os empregos futuros não serão para todos. Para saber como criar ou gerenciar tecnologias sofisticadas, os trabalhadores precisam adquirir altas habilidades. O sistema educativo deve ser mais valorizado e mais orientado para as competências digitais e para a codificação. A educação no futuro deve ser mais focada no conhecimento das novas tecnologias.
A automação não é uma ameaça. É uma vantagem, mas para se beneficiar dessa automação, os trabalhadores e futuros estudantes devem se preparar, concentrando sua formação mais nas habilidades que as novas tecnologias exigirão. Para executar com sucesso suas novas tarefas, os trabalhadores precisarão adquirir as habilidades necessárias. Portanto, eles precisarão de treinamento, então a duração variará dependendo do tipo de tarefa e do tipo de habilidade buscada.
REFERÊNCIAS BIBLIOGRÁFICAS
ACEMOGLU, D.; RESTREPO, P. (2017). Robots and Jobs: Evidence from US Labor Markets. NBER Working Paper No. 23285, National Bureau for Economic Research. https://doi.org/10.3386/w23285
AGRAWAL A.; GANS J.; GOLDFARB A (2018) Prediction Machines: The Simple Economics of Artificial Intelligence (Harvard Business Press, Boston, MA).
ARNTZ, M.; GREGORY, T.; ZIERAHN U. (2016). O risco da automação para empregos nos países da OCDE. Documentos de Trabalho sobre Migração e Emprego Social da OCDE, No. 189, Organização para Cooperação e Desenvolvimento Econômico.
CHIACCHIO, F.; PETROPOULOS, G.; PICHLER, D. (2018). O Impacto dos Robôs Industriais nos Empregos e Salários da União Europeia — Uma Abordagem do Mercado de Trabalho Local. Documentos de trabalho nº 25186. Bruegel.
CHOWDHRY, A. (2018). Inteligência artificial criará 58 milhões de novos empregos até 2022, Says Report. Forbes.
DANZIGER, S.; LEVAV, J.; AVNAIM-PESSO, L. (2011) Fatores estranhos em decisões judiciais. Proc. Natl. Acad. Sci. 108(17):6889–6892.
DE CREMER D (2020) O que realmente envolve a construção de uma IA justa? Harvard Bus. Rev. Digit. Artic.(September).
DELOITTE & THE MANUFACTURING INSTITUTE (2011). Boiling Point? The Skills Gap in U.S. Manufacturing. http://www.themanufacturinginstitute.org.
FÓRUM ECONÔMICO MUNDIAL (2021). The Future of Jobs Report 2021. World Economic Forum.
FREY, C. B.; OSBORNE, M. A. (2017). O futuro do emprego: quão susceptíveis são os empregos à informatização? Previsão Tecnológica e Mudança Social 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019.
GARTNER (2017). Gartner Says By 2020, A inteligência artificial criará mais empregos do que eliminará. Disponível em https://www.gartner.com/en/newsroom/press-releases/2017–12-13-gartner-says-by-2020-artificial-intelligence-will-create-more-jobs-than-it-eliminates Acesso em 01 de julho de 2023.
GRAETZ, G.; MICHAELS, G. (2015). Robots at Work. Discussion Paper No. 1335, CEP.
KAHNEMAN, D. (2003) Mapas de Racionalidade Limitada: Psicologia para Economia Comportamental. Am. Econ. Rev. 93(5):1449–1475.
KLEINBERG, J.; LAKKARAJU, H.; LESKOVEC, J.; LUDWIG, J. MULLAINATHAN, S. (2017) Human Decisions and Machine Predictions. Q. J. Econ. (January):237–293.
LOU B.; WU, L. (2021) Artificial Intelligence on Drugs: A Large-Scale Examination of AI and Drug Innovation. MIS Q. Forthcoming.
MANYIKA, J.; SNEADER, K. (2018). IA, Automação e o Futuro do Trabalho: Dez Coisas para Resolver. McKinsey Global Institute. Disponível em https://www.mckinsey.com/featured-insights/future-of-work/ai-automation-and-the-future-of-work-ten-things-to-solve-for# Acesso em 01 de julho de 2023.
MNIH, V.; KAVUKCUOGLU, K.; SILVER, D.; RUSU, A. A.; VENESS, J.; BELLEMARE, M. G.; GRAVES, A.; et al. (2015) Human level control through deep reinforcement learning. Nature 518(7540):529–533.
ROCK, D. (2020) Como os gerentes podem habilitar talentos de IA nas organizações. MIT Sloan Manag. Rev.:1–11.
SCHRITTWIESER, J.; ANTONOGLOU, I.; HUBERT, T.; SIMONYAN, K.; SIFRE, L.; SCHMITT, S.; GUEZ, A.; et al. (2020) Mastering Atari, Go, chess and shogi by planning with a learned model. Nature 588(7839):604–609.
SENIOR, A. W.; EVANS, R.; JUMPER, J.; KIRKPATRICK, J.; SIFRE, L.; GREEN, T.; QIN, C.; et al. (2020) Improved protein structure prediction using potentials from deep learning. Nature 577(7792):706–710.
SMITH, B. C. (2019) A promessa da inteligência artificial: avaliação e julgamento (MIT Press).
WANG, W.; GAO, G.; AGARWAL, R. (2019) Friend or Foe? The Influence of Artificial Intelligence on Human Performance in Medical Chart Coding. SSRN Electron. J.
