Η νέα έκθεση του εκπαιδευτικού κολοσσού Pearson, με τίτλο «Mind the Learning Gap», φέρνει στο προσκήνιο μια κρίσιμη παράμετρο για την εποχή της Τεχνητής Νοημοσύνης. Ο Omar Abbosh, Διευθύνων Σύμβουλος της Pearson, υπογραμμίζει στον πρόλογο της μελέτης ότι το μέλλον δεν εξαρτάται απλώς από την τεχνολογία, αλλά από το πόσο αποτελεσματικά επενδύουμε στην ανθρώπινη μάθηση. Η έρευνα υποστηρίζει ότι κάθε θετικό σενάριο για ένα μέλλον με τεχνητή νοημοσύνη βασίζεται στην ανθρώπινη ανάπτυξη, ενώ κάθε αρνητικό σενάριο πηγάζει από την παραμέλησή της. Η κεντρική θέση είναι ότι η παραγωγικότητα δεν θα προκύψει αυτόματα από την εγκατάσταση λογισμικού, αλλά από τη συνεργασία ανθρώπου και μηχανής.
Η μελέτη παρουσιάζει εντυπωσιακά οικονομικά δεδομένα για την οικονομία των ΗΠΑ, προβλέποντας ότι η ενίσχυση των εργαζομένων μέσω AI θα μπορούσε να προσθέσει τεράστια αξία έως το 2034. Συγκεκριμένα, το μοντέλο της Pearson δείχνει ότι σε ένα συντηρητικό σενάριο, η αύξηση θα μπορούσε να φτάσει τα 4,5 τρισ. ευρώ (4,8 τρισ. δολάρια), ενώ σε ένα αισιόδοξο σενάριο υψηλής υιοθέτησης, το ποσό εκτινάσσεται στα 6,2 τρισ. ευρώ (6,6 τρισ. δολάρια). Το χαμηλότερο εύρος αυτής της πρόβλεψης αντιστοιχεί περίπου στο 15% του τρέχοντος Ακαθάριστου Εγχώριου Προϊόντος των Ηνωμένων Πολιτειών, υποδεικνύοντας το μέγεθος της ευκαιρίας που διακυβεύεται.
Η καμπύλη παραγωγικότητας και η οικονομική θεωρία
Ωστόσο, η αύξηση της παραγωγικότητας δεν είναι εγγυημένη άμεσα, καθώς ιστορικά παρατηρείται συχνά καθυστέρηση στην εμφάνιση των οφελών από νέες τεχνολογίες. Ο Michael Osborne, Καθηγητής Μηχανικής Μάθησης στο Πανεπιστήμιο της Οξφόρδης, εξηγεί ότι ενδέχεται να παρατηρηθεί το φαινόμενο της «καμπύλης J». Αυτό σημαίνει μια βραχυπρόθεσμη μείωση παραγωγικότητας καθώς οι οργανισμοί δοκιμάζουν πιλοτικά προγράμματα και ανακατανέμουν επενδύσεις, πριν αρχίσουν να βλέπουν τα μακροπρόθεσμα οφέλη. Τα στοιχεία δείχνουν ότι, παρά την τεχνολογική πρόοδο, η αύξηση της παραγωγικότητας της εργασίας στο Ηνωμένο Βασίλειο και τις ΗΠΑ έχει επιβραδυνθεί τα τελευταία χρόνια, θυμίζοντας την ανάγκη για υπομονή και στρατηγική.
Είναι κρίσιμο να γίνει σαφής διάκριση μεταξύ της αυτοματοποίησης και της ενίσχυσης, καθώς οι ηγέτες καλούνται να λάβουν αποφάσεις εν μέσω αβεβαιότητας. Ο Mark Esposito, κοινωνικός επιστήμονας στο Harvard, διευκρινίζει ότι η αυτοματοποίηση προσφέρει γρήγορες, μετρήσιμες οικονομικές αποδόσεις μέσω της μείωσης του κόστους εργασίας. Αντίθετα, η ενίσχυση λειτουργεί ως οικονομικός πολλαπλασιαστής που προσφέρει μετασχηματιστικές αποδόσεις μακροπρόθεσμα. Όπως αναφέρει ο Andrew Ng, ιδρυτής του DeepLearning.AI, η πραγματική υπόσχεση της ανάπτυξης δεν βρίσκεται στη μείωση του κόστους κατά 10%, αλλά στον επανασχεδιασμό των ροών εργασίας για την επίτευξη σημαντικής ανάπτυξης.
Το πλαίσιο διάγνωσης και οι ομάδες ενίσχυσης
Η Pearson προτείνει το πλαίσιο μάθησης D.E.E.P., ξεκινώντας από τη «Διάγνωση», η οποία απαιτεί ανάλυση των καθηκόντων και όχι απλώς των θέσεων εργασίας. Η Sandra Loughlin, επικεφαλής επιστήμονας μάθησης στην EPAM Systems, τονίζει τη σημασία του εντοπισμού των AI enthusiasts. Πρόκειται για εργαζόμενους στην πρώτη γραμμή που πειραματίζονται αυτόβουλα και είναι οι μόνοι που μπορούν να ανακαλύψουν πώς η AI μπορεί πραγματικά να ενισχύσει την εργασία τους. Αυτό το βήμα δεν μπορεί να παρακαμφθεί, καθώς οι κεντρικές εντολές σπάνια αποδίδουν χωρίς την εμπειρία πεδίου.
Οι οργανισμοί καλούνται να δημιουργήσουν «Ομάδες Ενίσχυσης», οι οποίες θα αποτελούνται από αυτούς τους ενθουσιώδεις ειδικούς, τεχνολόγους και διαχειριστές λειτουργιών. Σε αυτό το πλαίσιο, οι επαγγελματίες Μάθησης και Ανάπτυξης (L&D) αναλαμβάνουν ρόλο «αρχιτεκτόνων ικανοτήτων». Ο Thirumala Arohi, επικεφαλής μάθησης στην Cognizant, σημειώνει ότι το τμήμα μάθησης δεν πρέπει απλώς να ανταποκρίνεται σε αιτήματα εκπαίδευσης, αλλά να σχεδιάζει εμπειρίες που συνδέουν την ανάπτυξη ταλέντων με τα επιχειρηματικά αποτελέσματα. Η ανάλυση εργασιών πρέπει να εστιάζει στο ποια καθήκοντα εκτελεί η AI και πότε ο άνθρωπος πρέπει να παρεμβαίνει για επαλήθευση.
Ενσωμάτωση της μάθησης στη ροή εργασίας
Το δεύτερο στάδιο του πλαισίου είναι η «Ενσωμάτωση» (Embed), όπου η μάθηση γίνεται μέρος της καθημερινής εργασίας και όχι μια ξεχωριστή δραστηριότητα. Η Jacqui Canney της ServiceNow υποστηρίζει ότι η γνώση της AI πρέπει να αντιμετωπίζεται ως ηγετική δεξιότητα και όχι ως προαιρετική επιλογή. Ο Sudeep Kunnumal, επικεφαλής HR στην Tata Consultancy Services (TCS), περιγράφει ένα καινοτόμο πρόγραμμα «αντίστροφης καθοδήγησης» (reverse mentoring). Σε αυτό, ανώτερα στελέχη ζευγαρώνουν με νεότερους εργαζόμενους της Gen Z, οι οποίοι λειτουργούν ως ανθρώπινοι συγκυβερνήτες, βοηθώντας τους ηγέτες να κατανοήσουν και να υιοθετήσουν τις νέες τεχνολογίες.
Η τεχνητή νοημοσύνη επιτρέπει πλέον τη δημιουργία εξατομικευμένων «καθηγητών» για κάθε εργαζόμενο, προσφέροντας ανατροφοδότηση σε πραγματικό χρόνο. Ο James Cook της IBM περιγράφει πώς ένας ψηφιακός βοηθός μπορεί να εκπαιδεύει τον εργαζόμενο ακριβώς τη στιγμή που χρειάζεται μια δεξιότητα για να ολοκληρώσει μια εργασία. Η Jeana Jorgensen της Microsoft αναφέρει ότι η δημιουργία ενός πράκτορα AI με προσωπικότητα βασισμένη στους κορυφαίους ηγέτες της εταιρείας βοήθησε τους εργαζόμενους να αισθάνονται ψυχολογική ασφάλεια. Η μάθηση στη ροή της εργασίας μειώνει τον χρόνο απουσίας από τα καθήκοντα, αυξάνοντας την αποδοτικότητα.
Αξιολόγηση δεξιοτήτων μέσω σύγχρονων μεθόδων
Το τρίτο στάδιο, η «Αξιολόγηση» (Evaluate), απαιτεί σύγχρονες υποδομές δεδομένων για την καταγραφή των δεξιοτήτων. Η έκθεση προτείνει τη χρήση «data fabrics» που επιτρέπουν την ανάλυση πληροφοριών χωρίς τη μετακίνησή τους από τα παλαιά συστήματα. Ο James Cook της IBM εισάγει την έννοια της «περιρρέουσας αξιολόγησης» (ambient assessment), όπου η AI συμπεραίνει τις δεξιότητες ενός εργαζομένου από τη συμπεριφορά και τα αποτελέσματα της εργασίας του, αντί να βασίζεται σε στατικά τεστ. Αυτό επιτρέπει τη δημιουργία ενός δυναμικού προφίλ ταλέντου που ενημερώνεται συνεχώς.
Η πιστοποίηση των δεξιοτήτων μέσω ψηφιακών σημάτων αποκτά κεντρική σημασία για την κινητικότητα των εργαζομένων. Η Erin Rifkin της Google εξηγεί ότι η εταιρεία έχει δημιουργήσει «Σήματα Δεξιοτήτων» που αποκτώνται μέσω της επίλυσης πραγματικών τεχνικών σεναρίων και όχι μέσω θεωρητικών ερωτηματολογίων. Η επικύρωση των δεξιοτήτων σε αυθεντικές συνθήκες εργασίας θεωρείται πλέον κρίσιμη, καθώς οι παραδοσιακές μέθοδοι αξιολόγησης δεν μπορούν να συμβαδίσουν με την ταχύτητα των τεχνολογικών αλλαγών και τις απαιτήσεις της αγοράς.
Ιεράρχηση και στρατηγική επένδυση στη μάθηση
Το τελευταίο στάδιο, η «Ιεράρχηση» (Prioritize), απαιτεί από τις διοικήσεις να αντιμετωπίσουν τη μάθηση ως στρατηγική επένδυση και όχι ως λειτουργικό κόστος. Ο Joshua Wohle, CEO της Mindstone, παρατηρεί ότι τα προϋπολογισμοί L&D ήταν ιστορικά μικροί, αλλά τώρα πρέπει να αποτελούν κορυφαία προτεραιότητα. Οι οργανισμοί καλούνται να μετατοπίσουν την εστίασή τους από τους στατικούς ρόλους στις δυναμικές δεξιότητες. Η Sandra Loughlin τονίζει ότι χωρίς γνώση των δεξιοτήτων των ανθρώπων, είναι αδύνατο να ληφθούν σωστές αποφάσεις για την κινητικότητα και την ανάπτυξη ταλέντων.
Η έκθεση ολοκληρώνεται με μια αναλυτική περιγραφή της μεθοδολογίας έξι βημάτων που ακολουθήθηκε για την εξαγωγή των συμπερασμάτων. Η διαδικασία περιλάμβανε τον εντοπισμό εργαζομένων γνώσης μέσω της βάσης δεδομένων O*NET, την εκτίμηση της ακαθάριστης προστιθέμενης αξίας (GVA) ανά εργαζόμενο και τη χρήση βαθμολογιών «δυνατότητας ενίσχυσης» από τη βάση δεδομένων Faethm της Pearson. Η συνδυαστική αυτή ανάλυση επέτρεψε την πρόβλεψη των οικονομικών κερδών, λαμβάνοντας υπόψη διαφορετικά σενάρια παραγωγικότητας και υιοθέτησης της τεχνολογίας έως το 2034.
