“Le macchine ci ruberanno il lavoro” è un timore spesso espresso in periodi di rapido cambiamento tecnologico. Tale ansia è riemersa fortemente con l’avvento dei grandi modelli linguistici (ad esempio, ChatGPT, Bard, GPT-4) che dimostrano notevoli abilità in compiti dove precedentemente solo gli esseri umani erano proficienti. Uno studio recente del MIT, dal titolo “Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision?“ ha rilevato che circa il 50% dei compiti potrebbe essere almeno parzialmente automatizzato con grandi modelli linguistici (LLM). Se un’automazione di tale portata dovesse avvenire rapidamente, rappresenterebbe una enorme perturbazione per la forza lavoro. Al contrario, se tale livello di automazione dovesse avvenire lentamente, la forza lavoro potrebbe essere in grado di adattarsi come ha fatto durante altre trasformazioni economiche (ad esempio passando dall’agricoltura alla manifattura).
Il grado di “esposizione all’AI”
Pertanto, prendere buone decisioni politiche e aziendali dipende dalla comprensione della velocità con cui avverrà l’automazione dei compiti da parte dell’AI. Nonostante ci sia già evidenza che l’AI sta cambiando la domanda di lavoro, la maggior parte delle ansie riguardanti l’AI derivano da previsioni sull’esposizione all’AI che classificano i compiti o le abilità in base al loro potenziale per l’automazione, misurato attraverso vari proxy. Importante notare che quasi tutte queste previsioni sono vaghe riguardo alla tempistica e all’estensione dell’automazione, perché non considerano direttamente la fattibilità tecnica o la sostenibilità economica dei sistemi di AI, ma utilizzano invece misure di somiglianza tra i compiti e le capacità dell’AI per indicare l’esposizione.
L’unica eccezione nella letteratura che si conosce è un rapporto McKinsey che stima un’adozione dell’AI tra il 4% e il 55%. Con previsioni così imprecise, non è chiaro quali conclusioni dovrebbero essere tratte. I modelli di esposizione all’AI confondono anche le previsioni sull’automazione completa dei compiti, che è più probabile che sposti i lavoratori, con l’automazione parziale, che potrebbe aumentare la loro produttività. Separare questi effetti è di fondamentale importanza per comprendere le implicazioni economiche e politiche dell’automazione.
Cosa contiene lo studio del MIT
Nello studio, il MIT affronta tre importanti lacune dei modelli di esposizione all’AI per costruire una stima più fondata economicamente dell’automazione dei compiti. In primo luogo, sono stati intervistati i lavoratori che hanno familiarità con i compiti finali, per capire quale performance sarebbe richiesta da un sistema automatizzato. In secondo luogo, è stato modellato il costo della costruzione di sistemi AI in grado di raggiungere quel livello di performance. Questa stima del costo è essenziale per comprendere il dispiegamento dell’AI, poiché i sistemi tecnicamente esigenti possono essere enormemente costosi. E infine, è stata modellata la decisione “se l’adozione dell’AI sia economicamente attraente”.
Il risultato è il primo modello di automazione AI end-to-end.
L’esempio della panetteria
Un semplice esempio ipotetico rende chiare queste considerazioni. Consideriamo una piccola panetteria che valuta se automatizzare con la visione artificiale. Un compito che i panettieri svolgono è controllare visivamente gli ingredienti per assicurarsi che siano di sufficiente qualità (ad esempio, non deteriorati). Questo compito potrebbe teoricamente essere sostituito con un sistema di visione artificiale aggiungendo una telecamera e addestrando il sistema a rilevare cibo andato a male. Ma anche se questo compito di ispezione visiva potesse essere separato da altre parti del processo produttivo, sarebbe economicamente conveniente farlo?
I dati O*NET del Bureau of Labor Statistics suggeriscono che il controllo della qualità del cibo rappresenta circa il 6% dei compiti di un panettiere. Una piccola panetteria con cinque panettieri che guadagnano stipendi tipici (48.000 dollari ciascuno all’anno), avrebbe quindi un risparmio potenziale sul lavoro dall’automazione di questo compito di 14.000 dollari all’anno. Questa cifra è molto inferiore al costo dello sviluppo, del dispiegamento e della manutenzione di un sistema di visione artificiale e quindi concluderemmo che non è economico sostituire il lavoro umano con un sistema AI in questa panetteria.
La conclusione da questo esempio, ovvero che i lavoratori umani sono più economicamente attraenti per le aziende (in particolare quelle senza scala), risulta essere diffusa. Scopriamo che solo il 23% della retribuzione dei lavoratori “esposti” alla visione artificiale dell’AI sarebbe conveniente per le aziende da automatizzare a causa dei grandi costi iniziali dei sistemi di intelligenza artificiale. L’economia dell’AI può essere resa più attraente, sia attraverso la riduzione dei costi di dispiegamento sia aumentando la scala a cui vengono effettuati i dispiegamenti, ad esempio lanciando piattaforme AI-as-a-service.
Nel complesso, il modello messo in atto dal MIT mostra che la perdita di posti di lavoro dalla visione artificiale dell’AI, anche solo all’interno dell’insieme di compiti visivi, sarà minore del turnover del lavoro già presente nel mercato, suggerendo che la sostituzione del lavoro sarà più graduale che improvvisa.
Lo studio del MIT è così strutturato: la Sezione 1 introduce framework per stimare quali compiti siano economicamente attraenti da automatizzare; la Sezione 2 presenta i risultati; la Sezione 3 discute come l’AI che sostituisce il lavoro potrebbe proliferare; la Sezione 4 discute l’importanza dell’automazione della visione artificiale per altre parti dell’AI; infine, la Sezione 5 raccoglie le conclusioni.
