År 1966 publicerade filosofen Michael Polanyi The Tacit Dimension, ett verk där han försökte förklara den mänskliga naturen och hur människor ofta kan saker som de har svårt att sätta ord på eller förklara. Ett klassiskt exempel är att cykla: det är svårt att beskriva hur man håller balansen, men förhållandevis intuitivt att lära sig genom praktisk övning. Ett annat exempel är att tolka ansiktsuttryck; människor kan ofta gissa sig till vad någon känner, men har svårt att förklara exakt vilka signaler som ledde fram till den slutsatsen. Teorin kom att kallas för Polanyis paradox och illustrerar att vi människor ”kan mer än vi kan förklara”.
Polanyis paradox har länge använts av forskare som David Autor vid MIT för att förstå automatiseringens effekter på arbetsmarknaden. Autor har i sin forskning särskilt intresserat sig för hur strukturomvandlingen på arbetsmarknaden påverkar vilka arbetsuppgifter och yrken som förändras eller försvinner i takt med ökad automatisering. Enligt Autor (2003) kan arbetsuppgifter, utöver att vara manuella eller kognitiva, delas in i två kategorier: rutinmässiga och icke-rutinmässiga. Exempel på rutinmässiga arbetsuppgifter är datainmatning, bokföring och förpackning, medan icke-rutinmässiga arbetsuppgifter kan vara kreativt skrivande, rörmokeri och kundbemötande.
I linje med Polanyis resonemang menar Autor att rutinmässiga arbetsuppgifter ofta är lättare att förklara i detalj, och därmed också lättare att koda och automatisera. Han argumenterar därför att yrken som till stor del består av sådana uppgifter är enklare att ersätta. Datorer har exempelvis möjliggjort automatiseringen av många rutinmässiga kognitiva arbetsuppgifter, såsom dataanalys. Givet att programmering bygger på logiska regler verkar detta rimligt. Samtidigt är det värt att reflektera över hur väl Polanyis paradox står sig i en tid av big data och artificiell intelligens.
I ett senare papper (Autor, 2024) diskuterar han just detta. Han menar att dagens AI-system primärt letar efter mönster snarare än utför strikt logiska härledningar, och att de därigenom har blivit betydligt bättre på att efterlikna mänskligt kognitivt beteende. Däremot är de fortfarande begränsade när det gäller att hantera fakta och uppvisa verklig förståelse. Det AI genererar baseras i hög grad på statistiskt sannolika utfall snarare än på verklig insikt. Med andra ord är det fortfarande mönsterigenkänning snarare än förståelse som styr vilka arbetsuppgifter artificiell intelligens kan utföra. Därför kan AI vara ett användbart verktyg, men det är svårt att helt förlita sig på att systemen alltid fattar korrekta beslut – i synnerhet inom områden där även människor har svårt att upptäcka fel. Ett konkret exempel är utvecklingen av helt självkörande fordon, där en statistiskt osannolik situation kan leda till en olycka som samhället kan ha svårt att acceptera.
Det återstår att se hur länge Polanyis paradox förblir relevant i takt med den pågående strukturomvandlingen. Under de senaste månaderna har OpenAI lanserat en ny “o1-version” av ChatGPT samt verktyget Deep Research. Dessa två system sägs skilja sig från tidigare versioner: o1 uppges ha förbättrade förmågor att hantera logiska resonemang, medan Deep Research ska kunna hantera fakta mer tillförlitligt än ChatGPT 4.o. Än så länge är de dock fortfarande beroende av mönsterigenkänning och prediktioner baserade på stora datamängder. Sam Altman, vd för OpenAI, hävdade nyligen i en bloggpost att företaget närmar sig artificiell generell intelligens (AGI) och talar om både AI-assistenter och virtuella ”medarbetare”.
Den spännande frågan är vad som händer om AI-system blir bättre än vi själva på att förstå våra kognitiva förmågor. Kommer det att bli enklare för oss att utveckla våra kognitiva färdigheter, eller riskerar vi snarare att bli mer utbytbara? Klart är att arbetsmarknaden kommer att påverkas.
Referenser
Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333.
Autor, D. (2024). Applying AI to rebuild middle class jobs (No. w32140). National Bureau of Economic Research.
Polanyi, M. (1966). The Tacit Dimension, Doubleday and Co. Garden City, NY.