Hvem bør frykte kunstig intelligens?¹

Innledning

I 2019 ble kunstig intelligens nevnt over 5000 ganger i norske medier listet i Retrievers database, 25 ganger så mye som 10 år tidligere. Enhver bedrift med respekt for seg selv har en strategi for å bruke det, og antallet studiesteder hvor man kan lære om det har gått til himmels. Interessen for temaet har kort sagt eksplodert. Og det er ikke uten grunn. Tenkende maskiner er både ekstremt fascinerende og veldig skremmende.

Mye tyder også på at kunstig intelligens vil påvirke samfunnet generelt og økonomien spesielt i årene som kommer. På den ene siden vil stadig mer avanserte datamaskiner og algoritmer utvide menneskeættens mulighetsområde. Vi kan få gjort ting raskere til lavere kostnad, og vi kan få gjort ting som ikke var mulig tidligere. Politikere, teknologer og forskere har kommet med beskrivelser av hvilke fantastiske ting vi kan få til. Brynjolfsson og McAfee (2014) trekker paralleller til den industrielle revolusjonen og nevner entusiastisk store gjennombrudd som selvkjørende biler, automatisk oversettelse mellom språk, og ikke minst store framskritt i robotteknologi.

Men framtidsdystopiene er heller ikke mangelvare. O’Neil (2016) beskriver den destruktive kraften i et algoritmedrevet samfunn i sin Weapons of math destruction. Noe mer nøktern er 2019-utgaven av OECDs (2019) Employment Outlook, som tar for seg hvordan automatisering vil påvirke arbeidsmarkedet. De beregner at 14 prosent av arbeidsplassene i OECD-landene står i stor fare for å forsvinne, mens hele 32 prosent kan forventes å endre karakter betraktelig. 

Produktivitetskommisjonen (NOU 2015:1, NOU 2016:3) viser veldig klart at produktivitetsveksten i Norge har vært lav i mange år. Blant mange tiltak de trekker fram er automatisering. Ved riktig bruk kan kunstig intelligens og automatisering gi produktiviteten et sårt tiltrengt løft. Men som kommisjonen (NOU 2016:3, p. 128–129) er inne på er det uklart hvordan dette vil påvirke produksjonsprosesser og markedet for ulike typer arbeidskraft. Det skal jeg drøfte i denne artikkelen.

Jeg skal først definere hva kunstig intelligens er før jeg presenterer noe av det som finnes av teori om mulige effekter. Videre sammenstiller jeg de viktigste empiriske resultater om sosiale konsekvenser av kunstig intelligens. Til slutt spekulerer jeg litt over hvordan Norge vil klare seg i en ny verden mer preget av kunstig intelligens. Jeg fokuserer i artikkelen på kunstig intelligens, men det er naturlig å også komme inn på beslektede begrep som maskinlæring, automatisering og robotisering. 

Kunstig intelligens og maskinlæring

Vi mennesker har lenge hatt drømmer om intelligente maskiner.² De gamle grekernes smedgud Hefaistos hadde flere automatones, bevegelige metallstatuer, som hjalp han i smia. Etter legenden skal også Daidalos, mest kjent for å ha bygd labyrinten på Kreta, også ha bygd statuer som kunne både gå og danse. I jødisk tradisjon er det historier om et golem, en leireskapning som kan kontrolleres ved å legge skrevne kommandoer i munnen på den. Men lenge forble dette fantasier. På sent 1700-tall presenterte Wolfgang von Kempelen en oppfinnelse kalt Sjakktyrkeren,³ som han påsto var en maskin som kunne spille sjakk. Det kunne den også, men i virkeligheten var den en person gjemt inni maskinen som utførte trekkene. 

Først med utviklingen av datamaskinen rundt andre verdenskrig kom man noen vei.⁴ På 1950-tallet mente ledende informatikere at intelligente maskiner bare var noen år fram i tid. Til å begynne med gjorde man også stor framgang – maskiner ble programmert til å gjennomføre beviser for matematiske teorem og spille dam på et brukbart nivå. Men det ble raskt klart at kunstig intelligens ikke var så enkelt å konstruere som man opprinnelig hadde trodd. Fra midten av 1960-tallet oppsto det som gjerne kalles AI-vinteren som skulle vare lenge. 

Først rundt tusenårsskiftet endret ting seg dramatisk. Tidligere hadde man forsøkt å gjøre maskiner intelligente ved å fortelle dem hvordan de skulle «tenke». Nå erstattet man denne tilnærmingen med algoritmer som kunne finne mønstre i data og bruke dette til prediksjon i nye omgivelser – ofte kalt maskinlæring. Et eksempel er oversettelse mellom språk. I den eldre tilnærmingen programmerte man datamaskiner med en ordliste og et sett av grammatiske regler. Men et ord kan ha ulike betydninger avhengig av sammenhengen det står i. Dette forstår ikke datamaskiner, og blant annet derfor fungerte denne tilnærmingen dårlig. Maskinlæringstilnærminger er at man gir datamaskinen store mengder tekster som finnes på to språk. For eksempel finnes det mange FN-dokumenter på flere språk. Ved å analysere seg gjennom tekstene kan man trene algoritmer som er overraskende gode til å oversette. Algoritmen kan ingen grammatiske regler for noen av språkene, men har analysert tilstrekkelig mange eksempler på bruk av språket til at den kjenner igjen mønstre. Dette er blant annet grunnlaget for Googles Translate-tjeneste.

Maskinlæring er heller ikke et nytt påfunn, men har vært med oss siden 1950-tallet. Det er en sekkebetegnelse for metoder for prediksjon etter at maskinen har «studert» data. I hovedsak er dette varianter av statistisk prediksjon som man har drevet med i mange fagfelt inkludert samfunnsøkonomi i årtier. Lenge var maskinlæring hemmet av manglende tilgang på data til å trene modellene tilstrekkelig godt samt regnekapasitet til å analysere dataene. Fra tusenårsskiftet var begge disse faktorene på plass, noe som har ført til en eksplosiv utvikling på feltet. Store data (big data) finnes på stadig flere felt takket være økt digitalisering og spor vi legger igjen ved stadig mer intens nettbruk, sensorer på stadig flere gjenstander, og tingenes internett. 

Selv om moderne tilnærminger til kunstig intelligens baserer seg tungt på maskinlæring, er ikke de to det samme. Maskinlæring er en gruppe algoritmer som kan predikere, dvs. den kan gi informasjon om hvordan verden ser ut om fem minutter eller predikere konsekvensene av handlingene A og B. Kunstige intelligenser kan interagere med omverdenen, den kan gjennomføre handlingene A eller B, ofte etter å ha brukt en maskinlæringsalgoritme for å finne ut hva som er det beste valget.

Hva kan kunstig intelligens gjøre i økonomien?

Kunstig intelligens påvirker allerede økonomien gjennom hva vi blir tilbudt – eller snarere hvem som blir tilbudt hva. For noen tiår siden fikk alle den samme reklamen i postkassa. I dag har Google-søket og Facebook-feeden vår reklame spesielt tilpasset hver enkelt av oss. De er satt sammen av kunstige intelligenser, delvis basert på alder og andre kjennetegn, delvis på hva vi foretar oss på nett, og muligens også andre faktorer. Det er en del indikasjoner på at teknologiselskaper bedriver stor grad av overvåkning (se Zuboff, 2019). Andre eksempler på bruk av kunstig intelligens går fra de uskyldige, som å predikere hvilke filmer jeg vil like hos en strømmetjeneste, til de mer komplekse, som å analysere medisinske testresultater, og de mer skremmende som å predikere hvor forbrytelser kommer til å skje og av hvem. 

Flere av bruksområdene til kunstig intelligens kan være invaderende og gi uønskede konsekvenser. Da må vi stille spørsmålet hvem som er ansvarlig for beslutninger tatt av en kunstig intelligens. En automatisk generert kredittverdighetssjekk vil normalt være vurderingsbyrået eller bankens ansvar. Mer komplisert er et tilfelle som algoritmer som brukes til å bedømme fare for kriminalitet. Det er utviklet algoritmer som kan predikere hvor i en by kriminalitet mest sannsynlig vil foregå og at tidligere domfelte vil begå nye forbrytelser. Men disse blir ofte beskyldt for innebygget diskriminering. Hvem bør regnes som ansvarlig hvis en slik algoritme stadig predikerer kriminalitet på Grønland men aldri på Frogner, eller at personer bosatt på Stovner påstås å ha mye større sannsynlighet for nye forbrytelser enn en fra Bygdøy? Er det utvikleren av algoritmen, eieren, eller brukeren?

Som en konsekvens av dette har det oppstått en debatt rundt regulering av algoritmer (Rambachan mfl. 2020). Som et tiltak har flere organisasjoner og bedrifter, blant annet EU, innført sett av etiske retningslinjer for kunstig intelligens. I en gjennomgang av disse finner Jobin mfl. (2019) at de sort sett regulerer områdene transparens, rettferdighet, ikke-skade, ansvar og privatliv.

Den sterkeste effekten av kunstig intelligens på folk flest er sannsynligvis effekten på arbeidsmarkedet, særlig robotenes inntog. Roboter regnes gjerne som maskiner som er automatisk kontrollert, kan programmeres om og kan brukes til flere ting. Det betyr at de ikke trenger et menneske for å styre dem som for eksempel en heisekran behøver, og de kan i motsetning til en trykkeripresse gjøre flere ulike ting. Men de aller fleste roboter har allikevel forholdsvis begrensede bruksområder – de «universelle» robotene vi kjenner fra litteratur og film er fortsatt bare fiksjon. Selv om vi har hatt roboter lenge, har de de siste tiårene blitt stadig bedre og kan utføre stadig flere arbeidsoppgaver. En viktig årsak til det er at styringssystemene for robotene er blitt mer «intelligente». Til tross for det er det fortsatt tilsynelatende enkle oppgaver, som å gripe en ukjent gjenstand, som er vanskelige å automatisere og gjør at det fortsatt er behov for mennesker til å jobbe sammen med robotene. Det betyr at roboter fortsatt er komplementære til arbeidskraft i mange oppgaver. Det er derfor ikke opplagt at industriarbeidere blir fortrengt av roboter.

Der mye industriproduksjon tidligere var lønnsom å flytte til lavkostnadsland har roboter nå blitt så gode og billige at det har blitt mer lønnsomt å flytte produksjonen hjem igjen – såkalt reshoring. Roboter har også gjort sitt inntog i andre sektorer. Vaskeroboter er allerede operasjonelle, og det gjøres forsøk på å bruke roboter til servering og enklere former for matproduksjon. 

Tjenestenæringer blir også berørt av andre former for kunstig intelligens. Det er produsert utallige algoritmer for å predikere utviklingen i finansielle markeder. Noen har generert god fortjeneste. Det er også utviklet algoritmer for å kjøpe og selge finansielle porteføljer på en effektiv måte. Enkelte spår at aksjemeklere kan være en utrydningstruet art. Sysselsetting i banknæringen er også kraftig endret. Innføringen av minibanker, som er en slags tidlig robot, førte muligens til økt sysselsetting. Men økt selvbetjening gjennom elektroniske banktjenester trekker i motsatt retning. Vi kan lett se for oss at mye av den resterende kundebehandlingen, som enkle lånesøknader, også kan overtas av maskiner i løpet av få år. Andre former for kundebehandling blir også i stadig større grad overtatt av varianter av chatboter. Farboodi og Veldkamp (2019) argumenterer for at et viktig bruksområde for kunstig intelligens er å hjelpe bedrifter til å ta bedre beslutninger. De bygger en vekstmodell hvor de lar data spille rollen som en egen produksjonsfaktor. Økt tilgang til data ikke kan drive vekst alene, men kan gjøre bedrifters strategier mer treffsikre og øker derfor produktiviteten. 

Teknologien for selvkjørende biler har kommet langt, så det kan være et spørsmål om år før de kan være å finne på vanlige veier. Selvkjørende trailere kan ta over mye av transporten som i dag kjøres av langtransportsjåfører, og flåteløsninger for selvkjørende biler kan overta mange av oppgavene i drosjeindustrien. Men det er en god del debatt om hvor langt teknologien for selvkjørende biler egentlig har kommet. Enkelte hevder at selvkjørende biler fortsatt er flere tiår fram i tid. En utfordring er at det er veldig lite rom for at selvkjørende biler gjør feil.

Effekter av kunstig intelligens – hva bør vi vente?

Kunstig intelligens og roboter er teknologi som kan øke total produksjon. Arbeidsoppgaver tas over av maskiner som kan gjøre dem raskere enn menneskene som gjorde dem tidligere, og dette frigjør menneskelig arbeidskraft til å utføre nye oppgaver. Kort fortalt blir produksjonsmulighetsområdet flyttet utover. Ved å kombinere teknologien med riktig politikk skal det være mulig å oppnå økt produksjon, kjøpekraft, og sannsynligvis levestandard for alle. Men teknologien påvirker også fordelingen av inntekt, formue og eiendomsrettigheter og derfor maktforholdene i samfunnet. Det betyr at den også kan skape tapere.

Konsentrert eierskap

En opplagt konsekvens av automatisering er at arbeidsoppgaver blir overtatt av maskiner. Da kan arbeiderne bli fortrengt, og mer av verdien av produksjonen vil tilfalle eierne av maskinene. Fordelingseffekten er et spørsmål om hvem som eier maskinene. Konflikten mellom arbeid og kapital er ikke ny. Men så lenge arbeidskraften har fått en stor andel av verdien av produksjonen, har den kunnet sikre seg en brukbar lønn til tross for at kapitaleierskap er skjevt fordelt. Men hvis arbeidskraftens inntektsandel synker kan denne balansen bli forringet.

Det er fare for at eierskap til roboter og kunstige intelligenser kan bli langt mer ulik enn fordelingen av fysisk kapital er i dag. De fleste typer klassisk teknologi har i beste fall moderate stordriftsfordeler: Hvis en bedriftseier ønsker å øke kapitalbeholdningen må hun kjøpe flere maskiner, og disse er omtrent like dyre som de hun allerede har. Metoder for kunstig intelligens, derimot, har massive stordriftsfordeler. Hvis noen har utviklet en algoritme kan denne enkelt og nesten kostnadsfritt rulles ut til en lang rekke maskiner og systemer. På den måten vil den som har den beste algoritmen kunne dominere totalt – en type winner takes it all. Et eksempel på dette kan være søkemotorer på internett. Selv om det finnes flere alternative søkemotorer har Google opparbeidet seg en helt dominerende posisjon med 92 prosent av markedet, ifølge statscounter.com.⁵

Skrekkscenariet er at vi ender opp med en liten håndfull mennesker som eier og kontroller de viktigste algoritmene og tjenestene basert på kunstig intelligens. Denne gruppa vil få storparten av verdien av verdens produksjon. Det vil føre til en ekstremt ulik fordeling av inntekt, langt høyere enn noe vi tidligere har sett. Det stiller også fundamentale spørsmål om hvordan et slikt samfunn vil se ut. Hva skal alle de som ikke eier algoritmer og er blitt erstattet av maskiner leve av?

I sin mest ekstreme utgave gjør dette økonomien til noe som likner på en AK-modell, det vil si en økonomi hvor produksjonen bare avhenger av kapitalbeholdningen og hvor arbeidskraft er irrelevant.⁶ Men i motsetning til konvensjonelle vekstteorier vil bare et mindretall av befolkningen eie kapital. Det store flertallet vil eie verdiløs arbeidskraft og ingen kapital. Det betyr at høye produksjonsnivåer kan opprettholdes, men i en økonomi hvor kundegrunn­laget er en svært liten gruppe styrtrike personer. 

Hva skjer så med de syv milliarder arbeiderne uten eierskap til roboter og algoritmer? Det vet vi ikke, og modeller av denne typen sier fint lite om det. Situasjonen kan minne om postapokalyptiske samfunn mange filmer på fargerikt vis har illustrert. En annen variant er at den eiendomsløse «resten» blir henvist til et steinaldersamfunn på siden av det moderne samfunnet. Men sannsynligvis vil det være vanskelig å opprettholde politisk stabilitet i et samfunn hvor så store masser lever i elendighet mens en mikroskopisk elite har alt de kan peke på. Vi kan derfor også se for oss varianter av velferdsstater hvor de tidligere arbeiderne får borgerlønn fra staten. 

Overtar maskinene?

Hvor ender en slik utvikling? I dag produseres datamaskiner og programvare som de aller fleste andre ting ved å kombinere arbeidskraft og kapital. Mer teknologisk sofistikert kapital gjør at man trenger stadig færre arbeidere for å produsere en enhet. En plausibel hypotese er at etter hvert blir teknologien så avansert at arbeiderne kan bli helt overflødige, jamfør diskusjonen over. Det betyr at maskiner produserer nye maskiner, men også at maskiner utvikler nye maskiner. Kan vi da se for oss at maskiner kan produsere maskiner som er smartere enn seg selv? Sannsynligvis ja. Mens menneskelig intelligens har vært forholdsvis konstant de siste millionene år, stort sett bare hjulpet av bedre ernæring, kan evnene til maskiner vokse med en helt annen takt. Da kan vi fint se for oss at de tar igjen menneskeætten og går langt forbi. Tidspunktet de oppnår en slik «super-intelligens» ble av Vernor Vinge (1993) døpt «singulariteten». Det er helt uklart hva som skjer hvis vi får maskiner som har høyere evner enn oss. Vi kan se for oss at de blir ekstremt effektive verktøy for alle våre ønsker. Men det er langt fra den eneste muligheten. De kan finne ut at verden er best tjent med å ikke ha en menneskeætt eller de kan få egne ønsker og gjøre mennesker til slaver eller kjæledyr. Både forskning (for eksempel Bostrom, 2014; Tegmark, 2018) og litteraturen – som Asimovs robotlover – har sett på varianter. Men det er uklart om singulariteten i det hele tatt kommer, og hvis den gjør det når. Noen sier den vil være her i løpet av noen tiår, andre at det vil ta århundrer.

Balanserte utfall

En måte å vurdere relevansen av disse skrekkscenariene er å stille spørsmålet om økonomiens vanlige spilleregler – særlig Kaldors (1961) stiliserte fakta – kan bli satt til side av ny teknologi. Blant faktorene Kaldor trakk fram var at økonomier vokser med en jevn vekstrate over tid og at andel av verdiskapningen som går til arbeidere og kapitaleiere ligger fast. Utviklingen beskrevet over, hvor en håndfull maskin- og algoritmeeiere vil kunne få størsteparten av verdiskapningen, vil være et brudd på denne trenden.

Aghion mfl. (2019) utvider en velkjent vekstmodell med en mulighet for at noen produksjonsprosesser kan automatiseres. De viser at under plausible forutsetninger kan vi opprettholde forholdet mellom inntektsandelene til kapital og arbeidskraft. Det betyr at et realistisk scenario er at økonomien fungerer etter de samme reglene som før, men kanskje med høyere teknologisk framgang enn tidligere. Årsaken de trekker fram for at arbeid ikke blir marginalisert er hypotesen om at det vil finnes noen oppgaver som ikke kan automatiseres. Så lenge disse oppgavene forsetter å være viktige vil vekst i andre sektorer føre til økt etterspørsel etter de ikke-automatiserte prosessene, noe som vil presse opp lønningene her. Dette er en mekanisme som er parallell med Baumols (1967) «sykdom». Baumols klassiske eksempel er at det tok fire musikere like lang tid å spille en strykerkvartett i 1965 som det gjorde i 1865 – og kvartetten er ikke blitt mer «produktiv» i 2021. Tilsvarende effekter gjelder i store deler av utdannings- og omsorgssektoren – selv om teknologien blir bedre blir ikke arbeiderene veldig mye mer produktive. 

Det avgjørende spørsmålet er om det er oppgaver som alltid må gjøres av mennesker. Partituret til en strykekvartett kan mates inn i en datamaskin som enkelt kan produsere noe som kan kjennes igjen som stykket. Det er også flere forskermiljøer som jobber med tilnærminger til pleie-roboter. Men maskiner har et godt stykke igjen før de kan produsere det samme som menneskelige musikere eller sykepleiere. Vi kan forestille oss at vi i framtiden får maskiner eller algoritmer som er like gode eller bedre enn mennesker til å utføre slike oppgaver. Men det vil også være et spørsmål om hvem som skal bedømme det. En robot-sykepleier kan bli veldig kostnadseffektiv, men samtidig lite omsorgsfull.

Kjøpekraft

Etterspørselsproblemet er et argument mot tesen om at verden kan ende opp med et lite antall superkapitalister som eier alt. Hvem skal kjøpe noe hvis en håndfull mennesker får alle inntektene i verden? I en ren nyklassisk tilnærming spiller ikke inntektsfordeling noen rolle for etterspørselen. Superkapitalistene vil ha enorme inntekter, og derfor også enormt forbruk. Men det er flere grunner til at det ikke nødvendigvis er så enkelt. 

En ting er at det er grenser på hvor mye et enkelt menneske kan forbruke, så den aggregerte etterspørselen kan gå ned hvis inntektene blir for konsentrert. Mer grunnleggende er de nye superkapitalistenes kilder til inntekt. Zuboff (2019) argumenterer for at det som gjør teknologibedriftene, hvor disse superkapitalistene finnes, så lønnsomme er evnen deres til å skaffe ekstreme mengder informasjon om oss forbrukere og tilpasse salg til hver enkelt av oss deretter. Men den forretningsmodellen fordrer at det er brede grupper med god kjøpekraft. Uten det vil teknologibedriftene rett og slett miste eksistensgrunnlaget sitt.

Acemoglu og Restropo (2020) bygger en modell som kan kaste lys over disse motstridende kreftene. Deres utgangspunkt er at produksjon krever flere prosesser. Vi kan tenke på dette som trinn i produksjonen eller ulike innsatsvarer som skal brukes i produksjonen. Prosesser kan rangeres etter hvor kompliserte de er. De enkleste prosessene kan automatiseres eller utføres av mennesker, mens de mer komplekse må utføres av mennesker. Generelt har mennesker et komparativt fortrinn i mer komplekse prosesser. Det finnes også utdaterte prosesser som ikke lenger er i bruk, og noen som er så avanserte at vi ikke har oppdaget eller tatt dem i bruk ennå. 

Teknologisk framgang innebærer at vi flytter oss oppover på stigen av prosesser: Mer avanserte prosesser tas i bruk og nye prosesser kan automatiseres. Det gjør at etterspørsel etter arbeid går ned ettersom arbeidere i de mindre komplekse sektorene blir erstattet av maskiner. Samtidig øker produktiviteten i økonomien generelt. Denne økte inntekten fører til økt etterspørsel etter varer generelt, og derfor også etter arbeidskraft. Men disse to prosessene i kombinasjon vil føre til at arbeidskraft får en mindre andel av total inntekt, så ulikheten mellom arbeidere og maskineiere vil gå opp. Det som kan motvirke dette er at rikere kapitaleiere vil akkumulere mer kapital. Det vil igjen øke arbeidskraftproduktiviteten. Dessuten vil teknologisk framgang skape nye komplekse prosesser som bare kan gjennomføres av mennesker. Konklusjonen deres er derfor at automatisering gir effekter som både kan redusere og øke etterspørselen etter arbeidskraft. 

Effekter av kunstig intelligens – hva vet vi?

Menneskeætten har skapt teknologisk framgang til alle tider. Statusen til de beste jegerne må ha falt da vi begynte å dyrke jorda og deres kompetanse ikke lenger var ene­rådende. Fra den industrielle revolusjonen vet vi det var sterke gnisninger ettersom nye maskiner som kunne erstatte arbeidere ble vanlige. Luddittene, militante arbeidere i tekstilindustrien, er blitt kjent for å angripe og ødelegge maskinene da tekstilproduksjonen ble automatisert. På lang sikt gagnet den økte produktiviteten som fulgte av den industrielle revolusjonen brede grupper, men det var en lang prosess før vi kom dit. På kort sikt ble det skapt en liten gruppe rike kapitalister og industrieiere, mens arbeiderenes levekår først ble hevet etter flere generasjoner. Teknologiske endringer kan altså skape gevinster for alle på sikt, men med økt ulikhet i en overgangsperiode. 

Det som er et åpent spørsmål er om effekten av automatisering vil gå gjennom et tilsvarende forløp med først økt ulikhet for så å jevne ut fordelinger på lengre sikt. Det som kan tale mot det er at algoritmer generelt og kunstig intelligens-systemer spesielt kan skaleres tilnærmet kostnadsfritt. Det gjør at en kan argumentere for at det er «anner­ledes denne gangen». 

Et tegn på at ny teknologi har endret økonomien er fallet i andelen av bedrifters inntekt som går til å avlønne arbeidere de siste tiårene (Autor mfl., 2020). Det kan være flere grunner til dette, som økt globalisering eller svekkede fagforeninger. En hypotese som har blitt fremmet er at «superstjernene» blant bedriftene, de aller største og mest produktive, blir stadig viktigere. Mange av disse bedriftene er enten i teknologisektoren, eller baserer sitt hegemoni i større og større grad på overgang til teknologiske plattformer. Så superstjerne-økonomien vil være en del av bildet i en verden hvor kunstig intelligens fører til mer konsentrasjon av ressurser.

Oppgaver og ferdigheter

For å si mer om dagens situasjon kan vi ta utgangspunkt i Autor mfl. (2003) sitt arbeid om rutinepreg i jobber. Da de skrev for snart tjue år siden hadde automatisering allerede gjort et kraftig innhugg i en del typer jobber. Stillinger som sentralbordoperatører hadde forsvunnet. Generelt var det rutinepregede oppgaver som enkelt kan automatiseres og overtas av datamaskiner som hadde forsvunnet. Autor mfl. (2003) trakk fram sjåføryrket som et eksempel på et yrke som krever forholdsvis lave kvalifikasjoner, men som allikevel er lite rutinepreget og vanskelig kan erstattes av maskiner. Det var riktig da de skrev sin artikkel, men som nevnt over kan selvkjørende biler bli en trussel mot sjåføryrker i nær framtid. 

Frey og Osborne (2017) videreutvikler tankegangen og argumenterer for at ny teknologi, særlig maskinlæring, gjør at jobber som tidligere ikke var sett på som rutinepregede er blitt det nå. De finner at hele 47 prosent av arbeidsplassene i USA står i fare for å automatiseres bort. Nedelkoska og Quintini (2018) bruker samme metode og konstruerer tall for hele OECD-området. Norge er blant landene hvor færrest arbeidsplasser står i fare for automatisering. Dette kommer av at den type arbeid typiske norske arbeidere utfører antas å være vanskeligere å erstatte med maskiner i nær framtid. Mest eksponert er land i Øst- og Sør-Europa samt Tyskland. Mye tyder på at dette er en prosess som vil øke ulikheter mellom land siden mellominntektsland har en større industrisektor enn rike land.

Ny teknologi

Roboter har vært i praktisk bruk siden 1970-tallet, og bruken har vokst jevnt over tid. Det er ikke rett fram å estimere effekter av økt robotisering siden bedrifter ikke systematisk rapporterer hvor mange og hva slags roboter de bruker. International Federation of Robotics (IFR) gir data på beholdning og installasjon av nye roboter per år, land og for ganske grove sektorer. I 2019 var Singapore og Sør-Korea de landene med klart flest roboter per ansatt med 831 og 774 roboter per 10 000 ansatte i produksjonsindustrien. Tyskland leder i Europa med 338 roboter per 10 000 ansatte, men robottettheten er også høy i mye av resten av Nord-Europa. 

Graetz og Michaels (2018) setter sammen IFR-data for 238 land-industrikombinasjoner i perioden 1993 til 2007. De sektorene som har hatt sterkest vekst i robottetthet, betinget på land, har også hatt høyest arbeidsproduktivitetsvekst. De finner også noen små tegn til økte lønninger, men i hovedsak fører den økte produktiviteten til lavere konsumentpriser. Det er heller ingen tegn til at roboter reduserer industrisysselsettingen. Men slike sammenlikninger på tvers av land er ikke enkle å tolke siden det er mange forskjeller på land og robottetthet blir påvirket av mange av dem. 

I et innflytelsesrikt arbeid bruker Acemoglu og Restrepo (2020) en såkalt Bartik-tilnærming, nært beslektet med den Autor mfl. (2013) bruker for å studere effekten av handel med Kina. De sammenlikner 722 lokale arbeidsmarkeder (commuting zones) i USA over tid. De måler hvor utsatt et område er for roboter i et gitt år ved å bygge på den lokale industristrukturen på 1970-tallet, og bruke det til å regne ut et vektet gjennomsnitt av hvor påvirket hver sektor er av roboter på nasjonalt nivå dette året. Da vil et område med sterk bilindustri på 1970-tallet bli regnet som kraftig eksponert for roboter siden bilindustrien nasjonalt er blitt sterkt robotisert. Et område hvor servicenæringer var viktige, som i alle fall så langt er lite utsatt for robotisering, vil bli regnet som lite eksponert for roboter. Det samme vil områder dominert av industri som i liten grad er blitt robotisert.

I perioden 1993 til 2007, tidsrommet de ser på, økte robottettheten med omtrent en robot per tusen arbeidere. Lokalt førte det til en nedgang i sysselsettingen på 0,39 prosent og en nedgang i gjennomsnittslønningene på 0,77 prosent. Hvis de tar med samspillseffekter mellom regioner, det vil si positive effekter på omverdenen av at en region har blitt mer produktiv som følge av økt robotisering, blir de aggregerte tallene 0,2 prosent sysselsettingstap og 0,42 prosent lønnsreduksjon. Så indirekte effekter gjennom økt etterspørsel reduserer en del av de negative effektene av roboter, men på langt nær alt. Giuntella og Wang (2019) bruker en tilsvarende metode for å studere effekten av robotisering på kinesiske arbeidsmarkeder. De finner langt mer dramatiske effekter, både på lønninger og sysselsetting. En forklaring kan være den mer konsentrerte strukturen i kinesisk økonomi.

Denne tilnærmingen gjør at vi kommer nærmere å si noe om effekten av roboter på arbeidsmarkeder. Men innenfor en sektor er det ikke tilfeldig hvilke bedrifter som robotiserer, så det er begrensninger i hva vi kan lære fra aggregattallene. I et nytt arbeid forsøker Acemoglu mfl. (2020) å sette sammen data over hvilke franske bedrifter som har anskaffet roboter. De bruker noe spørreundersøkelsesdata, men også data fra franske robot-leverandører samt importtall. De finner at det er en sterk tendens til at det er de store bedriftene som anskaffer roboter. De bekrefter mange av de tidligere funnene: Bedrifter som anskaffer roboter får økt produktivitet mens arbeiderne får en mindre del av inntekten. De finner derimot ikke nedgang i bruken av arbeidskraft – snarere finner de ganske kraftig økt bruk i bedrifter som anskaffer roboter. Men hvis en konkurrent anskaffer roboter, vil både sysselsetting og lønnsomhet gå ned i bedrifter om ikke gjør det.

Barth mfl. (2020) bruker en litt tilsvarende tilnærming på norske data med å måle robotanskaffelser fra importtall. Siden robotproduksjonen i Norge sannsynligvis er neglisjerbar er dette en god tilnærming hos oss. De setter dette sammen med koblede data for ansatte og bedrifter. De finner at roboter har økt lønningene i norske bedrifter, og særlig for høyt utdannede arbeidere.

Roboter begynner å bli ganske vanlige i deler av industrien. I andre sektorer, som servicenæringen, er bruken av roboter fortsatt begrenset til tross for en del tanker og ideer om hvordan de kan brukes. Mer generell kunstig intelligens er fortsatt et godt stykke fra arbeidsmarkedene. Men det er noen hederlige unntak. Et av dem er finanssektoren, hvor varianter av algoritmestyrt handel har blitt ganske dominerende.

Abis og Veldkamp (2020) studerer teknologien som brukes i finanssektoren. For å tjene penger i finansmarkedene trenger man kunnskap (knowledge). Kunnskap dannes ved at kunnskapsarbeidere behandler strukturerte data eller informasjon, mens strukturerte data er en beholdning i bedriften som kan økes ved innsats fra data managers. Tradisjonelt har kunnskap blitt dannet ved bruk av vanlige statistiske metoder som økonometri. Abis og Veldkamp argumenterer for at kunstig intelligens er en ny måte å gå fra informasjon til kunnskap med en potensielt annerledes produktfunksjon. De estimerer kunnskapsproduktfunksjonen ved bruk av både tradisjonelle metoder og kunstig intelligens, og finner at i sistnevnte sektor er data viktigere og arbeidskraft mindre viktig. Dette betyr at en kunnskapsarbeider der kan behandle mer data enn en i den tradisjonelle sektoren kan. 

Det er ikke med dette gitt at etterspørselen etter arbeidskraft går ned. Mengden data som kan prosesseres øker og dette kan oppveie for mindre relativ nytte av mennesker. Men det vil gjøre mennesker mindre viktig og en lavere andel av overskuddet vil tilfalle arbeiderne. Siden de som jobber med å produsere kunnskap i finanssektoren er høyt utdannet, forteller det at kunstig intelligens kan påvirke hele spekteret av arbeidere.

Konklusjon

Kunstig intelligens-systemer kan få til imponerende ting. Vi kan få forslag til beste vei gjennom byen eller hvilken musikk vi bør lytte til. Men treffsikkerheten er fortsatt ikke garantert, så det er uklokt å la kunstige intelligenser kjøre bil eller fatte rettsbeslutninger uten en menneskelig overdommer. 

De verste scenariene for arbeidsmarkedet ligger fortsatt er et stykke i framtiden. Men det kan endre seg fort. Og konsekvensene av kunstig intelligens er der allerede i dag. Mange tradisjonelle jobber er borte eller står i fare for å forsvinne i løpet av få år. Hvordan bør vi forberede oss på slike omveltninger? Vi må ta høyde for tre prosesser: En god del mennesker kommer til å miste jobben, ganske mange skal flyttes over fra en sektor til en annen, og en del bedrifter må legge om til mindre og annerledes bruk av arbeidskraft. 

Hvordan vil Norge klare seg i denne revolusjonen? En godt utbygd velferdsstat og et godt utdanningssystem vil være viktige for å klare omstillingen. Det norske utdanningssystemet gir alle et tilbud og de langt fleste norske ungdommer får en brukbar utdanning sammenliknet med mange andre land. Men de som faller ut av videregående utdannelse kan bli de som kommer til å slite mest i et samfunn hvor kunstig intelligens spiller en viktigere rolle. Man kan også diskutere om skolen gir elevene de rette ferdighetene. Men det er ikke opplagt hva som kommer til å bli nøkkelferdigheter i framtiden. Selv om datatekniske ferdigheter kan være nyttige, kan det være at ferdigheter maskinene ikke besitter, som kreativitet eller empati, kan bli minst like sentrale.

Frykten for at maskiner skal overta arbeidsoppgaver bør være mindre når vi vet at det er et brukbart sosialt sikkerhetsnett til å plukke opp de som mister jobben. Dette gjør det også lettere å omstille bedrifter i Norge enn det kan være i økonomier som er mer innrettet mot å sikre sysselsatte rettigheter som vi finner i Sør-Europa. 

Der velferdsstaten kan støte på utfordringer er i å gi de rette incentivene for arbeidere til å omstille seg. Omstilling er smertefullt, og det kan være tungt å gå tilbake til skolebenken for de som ikke likte skolen da de måtte gå der og ikke har vært der på årtier. En viktig utfordring vil være å sørge for at samfunnet får det beste ut av disse arbeiderne framfor at de forsvinner inn i uføretrygd eller førtidspensjon.

Særlig på lengre sikt bør vi også ta høyde for at en mindre del av verdien av produksjonen tilfaller arbeiderne. Skattlegging av fysiske maskiner, som for eksempel roboter, har sine utfordringer men er ikke umulig. Men mye av nyvinningen av kunstig intelligens er ikke de fysiske maskinene men snarere algoritmer og data. Her er det helt uklart hvordan man skal skattlegge. Siden algoritmer ikke har noen sterk binding til en fysisk infrastruktur er det ikke klart hvilken land som kan påberope seg rettigheter til å ilegge skatt. Og selv hvis vi klarer å bestemme hvem som har rett til å ilegge skatt er det uklart hvilket objekt som skal skattlegges og hvordan verdien skal bestemmer. Arndt og Kappner (2019) argumenterer for at direkte skattlegging av kunstig intelligens er vanskelig og sannsynligvis skadelig og økt skattlegging av arbeidskraft heller ikke er tilrådelig. Derfor mener de at skattlegging bør dreies mot forbruk. Korinek og Stiglitz (2019) går lenger og argumenterer for at det kan være behov for å endre økonomiske og sosiale institusjoner. Blant annet mener de at den optimale lengden på en patent kan være kortere i dag enn den var da reglene ble innført.

Fotnoter:

1. Jeg er takknemlig for gode kommentarer og innspill fra Maren E. Bachke, Bjørn-Atle Reme, redaktør Lars-Erik Borge og en anonym fagfellekonsultent. ↩︎
2. Kunstig intelligens er mer generelt enn intelligente maskiner, men særlig i tidlige forestillinger var dette menneskeliknende kreasjoner som oppførte seg intelligent. ↩︎
3. Denne har også gitt navn til Amazons tjeneste Mechanical Turk, hvor man kan leie mennesker til å gjøre repetitive oppgaver man gjerne skulle hatt en maskin til – gjerne omtalt som «kunstig kunstig intelligens». ↩︎
4. Se f.eks. Russel og Norvik (2009, kap. 1) for en mer omfattende oversikt over historien til utvikling av kunstig intelligens. ↩︎
5. Det er riktignok noen geografisk/språklige unntak. Baidu har en markedsandel på 72 prosent i Kina, mens Yandex har 44 prosent i Russland. ↩︎
6. AK-modellen antar at produksjonen er proporsjonal med kapitalbeholdningen. Det er nødvendig for å få en konstant veksttakt, men man kan fint se for seg scenarier med eksplosiv vekst. ↩︎