Ze všech stran zní, že nám roboti vezmou práci. Pak člověk uvidí video, na kterém robot přesouvá krabici tak dlouho, že by ji mezitím sám odnesl čtyřikrát, a usoudí, že jde jen o humbuk. Jenže robot nemusí umět nahradit člověka ve všem. Stačí, aby se firmě vyplatilo předat mu část jeho práce.
Robotovi stačí ubrat pětinu práce
Robot nemusí zvládat většinu toho, co uměl původní zaměstnanec. Bohatě stačí, když něco odnese, něco podá nebo něco zkontroluje. Vezměme pět lidí, kterým robot ubere každému pětinu práce. Pokud si zbytek dokážou rozdělit čtyři, pátého může firma propustit. Otázka tedy nezní, jestli robot umí všechno, ale kolik z celé věci je humbuk a kolik skutečná ekonomika budoucnosti.
Technicky třetina pracovní doby, ekonomicky zlomek
Výzkumný tým Anthropicu zkoumal, jak mohou roboti ovlivnit budoucí vývoj trhu práce. Rozebral jednotlivé pracovní úkoly a odhadoval, co dnešní roboti zvládnou, v jakém prostředí a kolik by takové převzetí práce stálo. Aby robot mohl člověka ekonomicky nahradit, nemusí zvládnout celou jeho práci – musí ji ale zvládnout levněji a musí se zaplatit, i když se započítá údržba, provoz a člověk, který mu občas musí pomoct.
Technicky vyšla možnost převzít činnosti, které na americkém trhu představují zhruba třetinu pracovního času. Často ovšem za cenu výrazných úprav pracoviště. Jakmile výzkumníci započítali náklady celého provozu, ekonomicky výnosná část se výrazně zmenšila. Plošné nahrazování lidí tedy zatím nehrozí, některé konkrétní činnosti už ale roboti přebírat mohou a firmám se to začíná vyplácet.
Sklad, který se přizpůsobil robotovi
Příkladem je sklad. Firma Brightpick používá roboty na kolech – vlastně vozítka, která pomocí velmi jednoduchého ramene s přísavkou vybírají zboží z regálů. Předměty leží v připravených přepravkách a robotovi se přizpůsobil i samotný způsob práce, tedy to, jak sklad vypadá. Robot pak nemusí zvládat všechno, co dělá skladník. Dostane jednu přesně vymezenou činnost, kterou opakuje pořád dokola, a zbytek řeší lidé.
Kdo začne k robotické práci přistupovat takto a ohne kolem ní svět, rychle najde spoustu míst, kde roboti skutečně pomůžou. Nejde o to, aby dělali celou práci skladníka, ale aby mu ubrali tolik práce, že místo tří skladníků stačí dva.
Stejně se dá uvažovat o umělé inteligenci v práci. Nemá smysl stavět agenta, který udělá úplně všechno, ale je příliš drahý a nevyzpytatelný na to, aby se na něj dalo spolehnout. Stačí agentní workflow, které zvládne dost úzce vymezených činností nebo člověku práci předpřipraví tak, aby ji udělal podstatně rychleji. Pak buď není potřeba nabírat nové lidi, nebo se uleví současným – anebo se firma konečně zbaví otravného kolegy, se kterým nikdo nechce spolupracovat. Klíčové je, že stroje nemusí dělat všechno, stačí, když toho dělají dost.
Jak předpovídat něco, co nikdo nezměřil
Kdo chce předvídat budoucnost, potřebuje dobrá data. Anthropic samozřejmě nemůže poslat roboty do všech zaměstnání a změřit, jak si tam povedou – u spousty činností je ani není kam nasadit. Výzkumníci proto vzali popisy pracovních úkonů a s pomocí umělé inteligence odhadovali, které činnosti by dnešní roboti mohli převzít a za jakých podmínek. U některých úkolů odvozovali schopnosti robota z toho, že zvládá podobnou činnost. Je to rozumný způsob, jak hledat další možnosti nasazení, pořád je ale potřeba ověřit, jestli to, co robot umí na papíře, zvládne i v reálném provozu. A to zatím vůbec jisté není.
Ze sledování dosavadního vývoje se přesto dá odhadovat, kam se schopnosti posunou. Podobnou zkušenost už máme se samořiditelnými auty. Před deseti lety toho zvládala málo, dnes v některých městech vozí zákazníky úplně bez řidičů vozy Waymo. Možná jsme čekali, že se tam dostanou o pět let dřív, jenže nepřesný časový odhad neznamená, že technologie stojí. Typickým příkladem je Musk: všechno má být za týden, nakonec to trvá pět let, ale cíle se dosáhne. U robotů dnešní schopnosti napovídají, kam se pokrok posune. Jak rychle, je samostatná otázka, výhled je ale jasný. Studie ukazuje, kde má smysl automatizaci zkoušet a kde se nad ní teprve zamýšlet – nedozvíme se z ní ovšem, jestli k plnému nasazení dojde za pět, nebo za deset let.
Svářeč dělá víc než jen sváření
Když je jasné, kde by robot mohl pracovat, zbývá spočítat, jestli se to vůbec vyplatí. Studie to ukazuje na svářečích. Roboti dnes svařovat umějí, jenže svářeč také připravuje a polohuje velké kovové díly, dostává se k obtížně přístupným spojům, kontroluje výsledky, materiál brousí a dokončuje. Dělá toho mnohem víc než jen samotné sváření.
Má-li robot převzít i tyto činnosti, potřebuje další vybavení a celé to musí být propojené tak, aby práce plynule pokračovala z jednoho kroku do druhého. Podle modelového odhadu by převzetí takové práce vyšlo zhruba pětkrát dráž než odpovídající lidská práce. Samotný robot, který umí svařovat, tedy levnější provoz vůbec nezaručuje.
Anthropic podobně ocenil robotické sestavy pro činnosti, které roboti zvládají v jednotlivých provozech, a započítal pořízení, instalaci i průběžný provoz. Levnější než příslušná lidská práce vyšly sestavy pro úkoly, které představují jen zlomek procenta veškerého pracovního času v Americe. Pořád jde o podíl pracovních činností, ne o podíl lidí, které lze propustit. Je ale vidět, jak dramaticky se výsledek změní, jakmile se do něj započítá všechno okolo.
Rozhoduje tempo, jakým se roboti učí
Mohlo by se zdát, že robotická práce nemá budoucnost nebo že je příliš daleko na to, aby ji mělo smysl řešit. Cena se ale může výrazně změnit, a to hlavně ve chvíli, kdy si za stejné pořizovací náklady člověk koupí víc schopností. Když stejný robot zvládne víc užitečné práce, dá se lépe využít a jeho náklady se rozloží mezi víc dokončených úkolů. Kromě toho, co roboti umějí dnes, je proto důležité i tempo, jakým se učí novou práci.
V učení může brutálně pomoct umělá inteligence a takzvané world modely. Jedna věc je ale, když ChatGPT popíše, jak připravit materiál ke svařování, a úplně jiná naučit robota, aby skutečně něco chytil, přesunul a správně napolohoval v reálném prostředí, kde věci nejsou pokaždé přesně tam, kde je čekáme. Firma Figure nedávno představila video, na kterém roboti skáčou jako v Terminátorovi 2 – jenže dojít někam a někam skočit je to nejjednodušší. Podle odhadu Anthropicu představuje manipulace s předměty zásadní překážku minimálně u poloviny fyzických pracovních úkolů – bez jejího překonání automatizace měřitelného rozsahu nedosáhne. Robot musí propojit to, co vidí a co zaznamenávají jeho senzory, s konkrétními pohyby. Musí se zkrátka naučit hýbat.
Jednou z cest je trénovat modely na záznamech robotické práce. Zachycují, co robot pozoroval, jaké pohyby provedl a jak to dopadlo. Model se z nich učí vybírat akce pro podobné situace a přenáší zkušenost i na případy, které při tréninku nikdy neviděl. Nemusí se přitom začínat pokaždé od nuly: v projektu Open X-Embodiment výzkumníci spojili zkušenosti z různých robotů a ukázali, že společný trénink může zlepšit schopnosti dalších strojů. To je velmi důležitý pokrok. Pořád je ale potřeba ověřit, jak si robot poradí v novém prostředí, které nevypadá jako dokonale uklizené domy z ukázek. Jiné uspořádání pracoviště nebo jiné předměty mohou znamenat situace, na které jeho dosavadní zkušenosti vůbec nestačí.
Auta mají miliony řidičů, svářeči ne
U aut byla výchozí pozice mnohem výhodnější. Tesla má rozsáhlou flotilu vozidel, ze kterých může se souhlasem uživatelů sbírat záznamy z běžného provozu. Její systém řízení s dohledem pořád vyžaduje člověka, který ho kontroluje a v případě potřeby zasáhne. Běžným používáním ale Tesla sbírá data, natrénuje nový model, ověří novou verzi, pošle ji jako aktualizaci – a tak pořád dokola.
U svařování se podobný sběr zkušeností nedá opřít o miliony lidí, kteří to dělají každý den. Je potřeba získat záznamy konkrétní práce, svařování různých materiálů v různých situacích. A pokud je sbírá člověk, který sedí vedle robota a hlídá ho, stojí to i jeho čas. Křivku z vývoje autonomních vozidel proto bohužel nelze jednoduše extrapolovat. Rozhoduje, jak velký zdroj použitelných zkušeností je k dispozici: u aut je výborný, u programování byl evidentně skvělý, různé fyzické práce ale takové nejsou.
Učení může samozřejmě zrychlit nějaký zásadní průlom, třeba výborný world model. Brad Porter, který dřív řešil automatizaci v Amazonu a dnes má vlastní robotickou firmu, Anthropicu vytýká, že odhadovat budoucnost podle dosavadních trendů není dobrý nápad. Trendy nemusí zachytit skok, který přinese lepší konstrukce nebo chytřejší řízení. Schopnější model umělé inteligence v malém robotickém mozečku může snížit potřebu speciálního vybavení či přípravy pracoviště, a tím celé nasazení robota zlevnit. Anthropic možnost rychlejšího pokroku také trochu připouští. To už je ale spíš věštění z křišťálové koule. Rozumnější je držet se toho, co víme – a pokud zásadní průlom přijde, předpovědi upravit. Zatím ovšem nic nenaznačuje, že by taková ohromná změna měla přijít v nejbližší době.
Méně zvedání, víc řešení problémů
Firmy nemusí čekat, až robot zvládne i ten poslední obtížný případ. Mohou mu nechat činnosti, které už umí, na ostatní využít člověka a nechat ho na dohled. Zmíněný Brightpick popisuje postup, kdy má robot ve skladu zhruba tři pokusy na zvednutí předmětu. Když neuspěje, zastoupí ho člověk, který je po ruce, nebo ho navede na dálku, případně přepravka dojede na místo, kam se člověk dostane, a předmět vezme sám.
Pro zaměstnance to ale znamená zásadní změnu práce a nutnost rekvalifikace na nové dovednosti. Robot ušetří opakované zvedání a přenášení věcí, jenže lidem zůstanou hlavně obtížné případy. Budou potřebovat větší odbornost, protože s jednoduchými věcmi, na které stačí kdokoli, si robot poradí sám. Kdo hlídá víc strojů, musí mezi problémy snadno přecházet a pokaždé rozpoznat, co se pokazilo. Fyzicky si tak člověk možná uleví, zároveň ale může strávit větší část dne řešením problémů, které dřív byly jen občasnou součástí jeho práce. A to může být extrémně vyčerpávající.
Stejný příběh jako u umělé inteligence
Studie ukazuje neuvěřitelnou paralelu s tím, co se dělo s umělou inteligencí. Ta dnes zásadně mění trh práce, to, jak lidé pracují a co dělají, a bude mít ještě brutální dopady. Na začátku přitom nedokázala sama pořádně dělat vůbec nic a potřebovala permanentní dohled. I s ním ale platilo, že když jeden člověk dohlížel třeba na čtyři agenty nebo agentní workflow a dokázal zkontrolovat práci čtyř z pěti, udělal dvakrát nebo aspoň jedenapůlkrát víc práce. Výkon rostl, přestože systém dohled potřeboval. Vrací se tak hrozba, že práci může robot sebrat relativně brzy.
Pomůže analogie s Teslou, i když trochu pokulhává. Představme si, že místo jednoho auta řídí taxikář dvě: jedno jede po dálnici, druhé ve městě, kde potřebuje dohled, a obě se nikdy nedostanou do kritické situace současně. Pak je docela představitelné, že jeden člověk na dálku ohlídá dvě auta.
Komu připadne úspora
Kdo s pomocí těchto systémů udělá za stejný čas víc práce, čekal by, že za ni dostane víc peněz. Firma ale může úsporu použít různě: přidat zaměstnancům, zlevnit zákazníkům, nebo si nechat vyšší zisk. Vyšší výkon sám o sobě vůbec neurčuje, komu peníze připadnou. A pokud by práce byla psychicky náročnější, hrozí větší vyhoření zaměstnanců.
Tím se zabýval i Anthropic ve své nedávné studii o ekonomických dopadech umělé inteligence, v níž sestavil různé scénáře. V extrémní variantě vyšlo, že by americká ekonomika v roce 2030 mohla být zhruba o třetinu větší než bez umělé inteligence, celkové příjmy lidí by se ale téměř nepohnuly. Skoro celý přírůstek by připadl firmám, které vyrábějí. Ekonomika by byla výrazně bohatší, vydělané peníze lidí skoro stejné.
Tohle dnes víceméně vidí a cítí většina lidí. S umělou inteligencí zvládnou víc práce a rychleji, jsou ale unavenější a finanční přínos pro ně je minimální – nanejvýš ušetří firma, nebo člověk konečně zvládne, co zvládnout měl. Od robotiky lze čekat něco velmi podobného. Uděláme víc, možná s menší fyzickou a možná s násobně větší psychickou námahou, a budeme součástí větší výrobní mašinérie – to slovo se sem hodí výborně. Přínos pro zaměstnance bude mnohem menší, než by čekali. Výsledkem mohou být deprese a problémy: „Jsem unavený a nemám z toho nic navíc.“
Hodnota, kterou stroj nenahradí
Řešením přitom není povinné zdanění robotické práce, aby z ní lidé něco měli – to rozhodně ne. Spíš je potřeba apelovat na to, aby lidé hledali zalíbení a kariéru v pracích, jejichž hlavní hodnota nespočívá v tom, že je práce hotová, ale v tom, kdo ji udělal, za jakým účelem a proč. Může to být řemeslo, předávání informací, kreativní činnost, učení, vedení lidí nebo poradenství.
Tyto věci umělá inteligence sice umí, ale v mnoha ohledech selhává. To, že vás něco naučí, z ní nedělá dobrého učitele. Dobrý učitel je člověk, který vás pochopí a věnuje se vám. Vzniká vztah a je v tom nezbytná přítomnost lidské podstaty. Ne u každé práce je to možné a ne každému to sedí. Pro toho, kdo chce jistotu do budoucna, je to ale bezpochyby cesta: hledat hodnotu jinde než v hotové práci. Pokud se hodnota člověka pro firmu měří počtem dokončených úkolů, může se ho automatizace dotknout dávno předtím, než robot zvládne celou jeho práci. Pěti lidem vezme pětinu práce, zvládnou to čtyři a pátý přijde o místo – přestože robot neumí všechno, co uměl on.
Dnešní překážky dávají jasnou představu o tom, co je ještě potřeba vyřešit, a zároveň ukazují, na co má smysl se do budoucna soustředit. Lidská pomoc při robotické práci sama o sobě jistotu nedává. Člověk může zůstat potřebný, firma ale může potřebovat lidí méně. A u některých činností potřeba lidského dohledu časem úplně zmizí. Neznamená to, že roboti nahradí všechnu práci. Spíš vytvoří spoustu nové práce, kterou zatím nikdo nedělal. Jenže tu se někdo musí naučit a rekvalifikace bude pro celou společnost velká a brutálně bolestivá změna. Kdo se té bolesti chce vyhnout, musí se ve své práci soustředit na jedinou věc, ve které stroje nikdy nebudou lepší než lidé: na to být člověkem.
Závěr
Studie Anthropicu ukazuje, co dnes robotizaci brání: potřeba vhodného prostředí, lidské pomoci a ceny, která dává smysl i po započtení údržby. Proto se zatím nevyplatí nasazovat roboty všude, kde by technicky něco zvládli – stejně jako se nevyplatí nasazovat všude umělou inteligenci. Jakmile se ale stejný robot naučí víc činností a člověk mu bude muset pomáhat méně, úvaha se může rychle změnit. Méně dřiny tak nemusí znamenat méně problémů a ohroženi nejsou jen ti, jejichž celou práci zvládne stroj, ale všichni, jejichž hodnotu firma měří jen počtem hotových úkolů.
