人工智能浪潮下未来工作形态如何变革?

世界经理人 中字

随着人工智能技术应用到标准化、重复性的机械自动化过程,银行和保险等行业的后勤工作岗位不仅在数量上逐渐减少,而且在形式上也在发生改变。“半人马智能”(即人机合作智能)在软件编程等核心工作领域逐渐兴起。它将人工智能与人类能力相结合,形成一种共生关系,推动生产率的显著提升。

出于对人工智能可能造成的大规模失业以及所带来对监控行为的担忧,业界日益兴起关于组织部署人工智能方式和原因的激烈的伦理性讨论。员工希望得到商业巨头及负责人作出“AI-for-good”(人工智能向善)的承诺和保证。尽管从短期来看,人工智能替代人类工作的趋势有所加剧,但越来越多证据表明,人工智能通过创造新的就业岗位和改善当前岗位现状从而大幅提升生产率。

到2020年,20%的从事后勤工作的银行员工在执行非例行性工作时将依靠人工智能。

到2023年,人工智能将与人类程序员结合,创造出能够承担50%传统程序员工作任务的“半人马智能”(即人机合作)工作模式——效率达到单个程序员独自工作效率的两倍。

到2020年,在“AI-for-good”项目的企业中,员工留存率将提升20%,同时数据分析行业的就业人员数量将提升50%。

到2021年,70%的企业将整合人工智能技术提高员工生产率,这将促使其中10%的企业将“数字骚扰政策”纳入工作场所规章之中。

在2020年,人工智能将实现工作机会数量的净增长,虽然会淘汰180万个就业岗位,但同时也会创造230万个新的就业岗位。

到2020年,20%的从事后勤工作的银行员工在执行非例行性工作时将依靠人工智能。

金融机构操作型员工的主要工作是执行标准化、重复性的工作任务。但非例行性的后勤工作对企业的经济影响和商业价值更大。与此同时,人工智能技术有助于提高工作人员处理金融机构后勤非常规性任务的能力。这对需要人工干预的复杂工作(例如财务合同审查和交易发起)大有裨益,因为人工智能可减少失误并对下一步行动提出建议。

机器学习(ML)和自然语言处理(NLP)等人工智能技术接管了越来越多的非例行性任务并实现相关工作自动化。使用人工智能技术提高后勤工作效率将有助于提升员工工作量和提高员工(和客户)满意度。

人工智能在银行例行业务及其价值链方面的应用取得了极大的成功。在某些情况下,这会导致以缩减非必要职员为目的的裁员。这一事实使人们担心后勤岗位将很快被机器取代。事实上,银行机构后勤岗位的减少大都源于机器人流程自动化(RPA)。例如,据某新闻网站报道,南非的莱利银行预计将用软件机器人取代3000个工作岗位。

然而,也有很多非例行性后勤工作将从人工智能应用中获益。具体例子包括财务合同审查和交易形成:两者本质上都需要人工参与,但人工智能的普及能极大地提高工作效率。使用机器人程序和RPA可减少工作失误并去除冗余环节,从而提升后勤工作的价值。摩根大通的合同智能(COIN)项目成功应用了NLP、大数据、机器人技术和云基础设施,以此减少批发合同中贷款业务条款的错误。

银行对人工智能工具的应用也有所增加。使用预测工具便是一个例子,相关领域的专家对工具的依赖度正变得越来越高。随着此类工具慢慢渗透所有银行价值链活动,业务人员将经常需要依靠人工智能来提升工作效率和他们在企业和组织中的经济价值。

在银行业应用人工智能技术方面,预测认为,人类应主动控制人工智能工具,将其作为银行工作的辅助。尽管预测结果较为乐观,人们对这个行业的工作机会产生了高度的不安全感,对这个高收入、高学历的行业就业保障不尽如人意。

到2023年,人工智能将与人类程序员结合,创造出能够承担50%传统程序员工作任务的“半人马智能”(即人机合作)工作模式——效率达到单个程序员独自工作效率的两倍。

数字经济的发展不断推动着软件需求增长。开发、改进、修复和监测这些系统的软件工程师的工作效率有限,且面临着与日俱增的工作压力——即不断满足日益增长的软件需求。

计算能力极大地推动了基于机器学习和人工智能的应用发展。机器学习专门处理异常检测,传递推荐的观点并预测行为和结果。反过来,基于机器学习的功能又有助于满足对软件工程人才和生产能力的需求。

人工智能将为传统软件工程活动提供四个关键领域的支持:

系统开发

迭代需求

异常检测

预测性和规范性监测

此类编程活动将越来越多地由人类软件工程师和人工智能组成的“人机合作”模式完成,以应对工程需求量的增长。这些“人机合作”将通过人类工程师和基于人工智能的机器的合作运作。

人机合作关系将存在多种形式,例如:

过渡——由软件工程师划分人与机器的软件工作任务,并确定两者之间的过渡工作。

协作——由软件工程师对已确认的工作任务进行分类,不断向机器传输常规问题的解决方案,并将非常规性任务交由工程师解决。

启发——企业利用人工智能发展软件工程技能和人才。

创新——机器的能力将进一步提升,从而满足已知的软件工程需求。其结果将呈现给软件工程师,以完成机器无法完成的工作,创新者和合作者共同取得更加重要和成熟的商业成果。

企业将利用“人机合作”模式满足日益增长的复杂软件和生产能力的需求。随着人工智能对大量例行工作或重复性任务实现自动化处理,软件工程将更具创造性,取得令人满意的成果。软件工程将有机会参与架构设计、协作和创新,为日益复杂的新商业成果提供支持。

到2020年,在“AI-for-good”项目的企业中,员工留存率将提升20%,同时数据分析行业的就业人员数量将提升50%。

数据科学和人工智能技能需求庞大,而相关人才仍然短缺。高德纳公司相关分析结果显示,仅在美国,就有超过23.6万个数据和分析职位空缺,同比增长43%。超过一半的职位空缺需要半年以上的时间填补。据麦肯锡估计,到2024年,美国将有25万个数据科学职位空缺。同样的,欧盟委员会一份2015年报告估计,专业数据人员和专业分析员的职位空缺率达77%,且预计需求量还将增加160%。

教育经费的增加和薪酬待遇的提高是应对这种劳动力短缺的典型措施。不过,当前正出现了一个新的机遇,让抓住机会的企业可以脱颖而出,从而吸引并留住数据和人工智能人才。这个机遇就是“Data-for-good”(数据向善)项目,以及衍生而来的“AI-for-good”(人工智能向善)。

数据和分析通常用于提升业务绩效、完善客户服务和提高运营效率。在公共部门和非营利性组织中,数据和分析可能用于衡量项目和服务的影响力,或用于确保资金使用的透明化。然而,这些组织的数据和分析发展滞后,而私营部门的成熟度更高,通常能吸引更多人才。“数据、人工智能向善”的项目使私营组织能够向具有社会影响力的项目提供数据、技能和技术等方面的支持。项目覆盖范围广泛,包括:利用人工智能算法识别贫民中的领导者以改善HIV教育的成果;面部识别用于打击贩卖人口;自动图像标记帮助拯救野生动物;或在飓风或洪水等灾难发生后利用人工智能进行针对性救援。

“数据和人工智能向善”运动使企业领导者能够利用、调整企业文化,使其成为吸引员工的决定性竞争优势。例如,将慈善事业作为工作核心的文化表达了企业奉献全社会的承诺。显然,这对员工和领导者的重要程度可能因地区而异,但“数据向善”应用显然是一项全球性运动。刚毕业的大学生在选择就业单位和企业时越来越重视社会责任因素。高德纳公司和马里兰大学研究发现,女性学生学习数据和分析的首要原因之一,是希望为公司和世界做出贡献。美世咨询公司2018年的全球人才趋势调查表明,最优秀的员工选择具有强烈目标感的公司工作的可能性要高出三倍。但7600名调查对象中,只有13%表示自己工作的企业因“目标导向使命”而具有差异化优势。

声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。
侵权投诉

下载OFweek,一手掌握高科技全行业资讯

还不是OFweek会员,马上注册
打开app,查看更多精彩资讯 >