Asia: VNS 6/2017 vp Valtioneuvoston tulevaisuusselonteon 1. osa, Jaettu ymmärrys työn murroksesta Tekijät: Juho Jokinen, Antti Sieppi ja Roope Uusitalo (Jyväskylän yliopisto) Osaamistarpeiden muutokset työmarkkinoilla Digitalisaation ja robottiteknologian edistysaskeleet muokkaavat voimistuvasti ammattirakennetta, kun tiettyjä työtehtäviä automatisoidaan eli siirretään enenevissä määrin koneiden ja robottien suoritettavaksi. Työllisyysvaikutusten lisäksi uuden teknologian käyttöönotto vaikuttaa myös ammattien väliseen palkkarakenteeseen, esimerkiksi kun palkkavaateissa joudutaan huomioimaan automatisoinnin mahdollisuus ja kun koneiden syrjäyttämäksi joutuvat työntekijät muokkaavat muille aloille siirtyessään näiden alojen palkkarakennetta. Digitaaliteknologian kehityksellä ja käyttöönotolla ennustetaan usein olevan pitkällä aikavälillä negatiivisia vaikutuksia työn kokonaiskysyntään ja palkkoihin, kun koneet ja robotit kykenevät suorittamaan yhä useampia työtehtäviä kustannustehokkaasti. Uuden teknologian hyödyntämisellä voi kuitenkin olla myös sellaisia markkinavaikutuksia, jotka vaikeuttavat työmarkkinoita koskevien ennusteiden tekemistä. Teknologia voi esimerkiksi madaltaa hyödykkeiden ja palveluiden hintatasoa, mikäli yritykset alentavat tuotteidensa hintoja teknologian hyödyntämisestä johtuvien kustannussäästöjen ja tuottavuuden kasvun seurauksena. Hintatason laskusta johtuen kuluttajat kykenevät ostamaan tuloillaan enemmän tavaroita ja palveluita, ja tästä seuraava lisäkulutus luo uusia työpaikkoja. Näin ollen teknologian hyödyntämisellä voi olla myös positiivisia vaikutuksia työn kysyntään. 1 Koneet ja robotit eivät usein korvaa ihmisten työpanosta kokonaisuudessaan, vaan ne voivat ottaa hoidettavakseen vain osan ammattien työtehtävistä tai toimia eri tavoin työntekijöiden työpanosta täydentäen. Näin ollen uuden digitaaliteknologian käyttöönotto muokkaa voimakkaasti myös niiden ammattien tehtäväsisältöä, joissa työpanos ei ole kokonaan automatisoitavissa. Työtehtävien eriytyminen entistä selvemmin ihmisten ja koneiden suorittamiin tehtäviin muuttaa työmarkkinoilla vaadittavia taito- ja osaamistarpeita. Tämän myötä korostuu tarve jatkuvalle uusien taitojen ja osaamisen oppimiselle, ja yleisemminkin tarve joustavuudelle ja sopeutumiskyvylle, kun vanhat taidot voivat nopean teknologisen kehityksen myötä muuttua nopeastikin vanhentuneiksi ja turhiksi. Muutoin uhkana on 1 Caselli & Manning (2017) 1
rakenteellisen työttömyyden kasvu, eli tilanne, jossa työtä etsivien osaaminen ja taidot eivät kohtaa työnantajien tarpeita. Kun tarkastellaan millaista osaamista vaativissa ammateissa teknologisen kehityksen aiheuttamat muutokset ovat olleet viime vuosikymmeninä voimakkaimpia, havaitaan, että työtehtävien automatisaatio on keskittynyt erityisesti ennakoitavassa työympäristössä suoritettaviin, mekaanista osaamista vaativiin rutiininomaisiin työtehtäviin. Tällaiset työtehtävät perustuvat usein selkeisiin ja säännönmukaisiin toimintatapoihin, jolloin ne on voitu ohjelmoida kustannustehokkaasti koneiden ja robottien hoidettavaksi. Esimerkkejä tällaisista työtehtävistä ovat esimerkiksi valmistavan teollisuuden kokoonpanotyöt sekä palkanlaskennan ja kirjanpidon kaltaiset rutiininomaiseen informaation käsittelyyn keskittyneet työt. Rutiininomaisten työtehtävien automatisointi on esitetty eräänä selityksenä länsimaissa laajasti dokumentoidulle ammattirakenteen muutokselle, jossa työllisyysosuus on noussut merkittävästi alhaisen ja korkean osaamistason ammateissa, ja pienentynyt osaamisjakauman keskiosissa 2. Tämän selityksen perusteella siinä missä useat osaamisjakauman keskellä sijainneista suorittavista ammateista on kyetty kustannustehokkaasti automatisoimaan, monet osaamisjakauman alapäässä olevista ammateista perustuvat yhä ihmisten työpanokseen niiden ei-rutiininomaisesta luonteesta johtuen. Näissä ammateissa vaaditaan esimerkiksi kykyä sopeutua muuttuvaan ympäristöön, kykyä havainnoida ympäristöä sekä kykyä kommunikointiin ja henkilökohtaiseen kanssakäymiseen. Esimerkkejä tällaisista ammateista ovat muun muassa rakennustyöntekijät ja erilaisten ajoneuvojen kuljettajat. Toisaalta teknologian käyttöönotto on samanaikaisesti täydentänyt useissa korkean osaamisen ammateissa työskentelevien työpanosta, mikä on tehnyt heistä tuottavampia ja lisännyt tämän myötä heidän kysyntäänsä työmarkkinoilla. Tietokoneet ovat esimerkiksi täydentäneet työntekijöiden työpanosta ammateissa, joissa vaaditaan erilaisia ongelmanratkaisutaitoja. 3 2 Tähän ammattirakennemuutokseen viitataan kirjallisuudessa termillä työmarkkinoiden polarisaatio. Ammattien osaamistasoa mitataan aihepiirin kirjallisuudessa tavanomaisesti ammatin keskipalkalla. Työmarkkinoiden polarisaatiota käsitteleviä Yhdysvaltoja ja eurooppalaisia maita koskevia tutkimuksia ovat muun muassa Autor ym. (2003), Autor & Dorn (2013) ja Goos ym. (2009, 2014). Aihepiriin Suomea koskevia tutkimuksia ovat muun muassa Asplund ym. (2011), Böckerman ym. (2016) ja Maczulskij & Kauhanen (2017). 3 Autor (2010) 2
Vaikka teknologinen kehitys on aiemmin korvannut ihmistyötä erityisesti rutiininomaisisissa työtehtävissä, eivät käytännössä mitkään ammatit ole immuuneja teknologian kehitykselle ja käyttöönotolle. Tekoälyn ja koneoppimisen kehitys kasvattaa koneiden roolia myös sellaisissa ammateissa, joissa vaaditaan korkeita kognitiivisia taitoja ja kokemuksen kautta karttuvaa osaamista 4. Vaikka tällaiset ammatit ovat usein kokonaisuudessaan vaikeasti automatisoitavissa, jo yksittäisten työtehtävien automatisointi voi johtaa siihen, että kyseisten ammattien harjoittajien työpanoksen kysyntä laskee. Esimerkiksi koneiden kehittyvä kyky tehdä lääketieteellisiä diagnooseja saattaa tulevaisuudessa johtaa siihen, että osa lääketieteen osaajien työtehtävistä siirtyy koneiden suoritettavaksi, mikä voi vähentää heidän työpanoksensa kysyntää työmarkkinoilla 5. Samankaltainen kehitys on mahdollista myös useissa muissa korkeaa koulutusta vaativissa ammateissa, kuten lainopillisissa ja rahoitustoimintaan liittyvissä ammateissa. Koneet ja robotit suoriutuvat koko ajan paremmin myös sellaisissa tehtävissä, joihin liittyy merkittävää ennakoimattomuutta ja joissa vaaditaan erilaisia ihmiselle luontaisia taitoja, kuten ympäristön havainnointia, aistihavaintoihin reagointia ja puhekielellä kommunikointia. Tästä esimerkkinä ovat itseohjautuvat kulkuneuvot ja puhetunnistukseen perustuvat kännykkäsovellukset. Tällaisia inhimillisiä taitoja vaativia tehtäviä pidettiin vielä reilu vuosikymmen sitten hyvin haastavina koneiden ja robottien opittavaksi, mikä kuvastaa osaltaan digitaaliteknologian kehitysaskeleiden nopeutta. Toisaalta vaikka koneiden taidot tällaisissa tehtävissä ovatkin ottaneet nopeita harppauksia viime vuosina, tulevat ihmiset todennäköisesti vielä pitkään suoriutumaan koneita paremmin ammateissa, joissa yhdistyvät esimerkiksi sellaiset inhimilliset taidot kuten hienomotoriikka, eri aistien käyttö ja kyky reagoida työtehtävissä ja -ympäristössä tapahtuviin muutoksiin. Esimerkkejä tällaisista ammateista ovat muun muassa puusepät, hammashoitajat ja puutarhurit. 6 Kun koneet ja robotit suoriutuvat mekaanisten rutiinitöiden lisäksi myös yhä monimutkaisempia inhimillisiä taitoja vaativista tehtävistä, tulevaisuuden työmarkkinoiden näkökulmasta keskeinen kysymys kuuluu: Millaisia taitoja vaativissa työtehtävissä ihmisillä 4 Koneoppiminen on yhteydessä suurten tietomassojen ( big data ) jatkuvaan lisääntymiseen, jota tapahtuu muun muassa aiemmin ei-digitaalisessa muodossa ollutta tietoa digitoitaessa ja erilaisten digitaalisten järjestelmien tallentaessa automaattisesti erilaista tietoa. Koneet kykenevät hyödyntämään näitä alati kasvavia tietomassoja oppimisessaan. 5 Ks. esim. Obermeyer & Emanuel (2016). 6 Brynjolfsson & McAfee (2014) 3
säilyy pisimpään suhteellinen etu koneisiin ja robotteihin nähden, eli mitkä taidot ovat erityisen haastavia koneiden opittavaksi ja suoritettavaksi? Eräs potentiaalinen vastaus ovat sellaiset työtehtävät, joissa korostuvat erilaiset monimutkaiset kognitiiviset kyvyt, kuten mielikuvitus, luovuus, innovatiivisuus ja uusien ideoiden kehittely 7. Tällaisia tehtäviä ovat esimerkiksi erilaiset suunnitteluun ja muotoiluun keskittyvät työt sekä erilaiset taide- ja kulttuurialan ammatit 8. Viimeaikaiset esimerkit kuitenkin osoittavat, että digitaaliteknologia ja tekoäly tekevät enenevissä määrin tuloaan myös tämänkaltaisille luoville aloille. Tästä esimerkkejä ovat Googlen Magenta-projekti ja CuratedAI-verkkolehti, joista ensimmäisenä mainittu pyrkii hyödyntämään koneoppimista taiteen ja musiikin luomisessa, ja jälkimmäinen julkaisee tekoälyn tuottamaa runoutta ja proosaa 9. Eräs työtehtävien automatisaation aikakaudella mahdollisesti korostuva taito on henkilön sosiaaliset kyvyt. Sosiaaliset kyvyt ovat yhdistelmä erilaisia ihmiselle luontaisia, mutta koneiden vaikeasti opittavissa olevia monimutkaisia taitoja, kuten kyky ymmärtää sosiaalisiin tilanteisiin liittyviä asiayhteyksiä, tehdä tulkintoja toisten ihmisten kehonkielestä ja äänensävystä sekä reagoida niihin tilanteeseen sopivasti. Toisaalta sosiaaliset kyvyt voivat korostua tulevaisuudessa myös siitä syystä, että ihmiset voivat haluta toimia ja asioida tietyissä tilanteissa mieluummin ihmisten kuin koneiden kanssa. Viimeaikaiset kansainväliset tutkimustulokset osoittavatkin, että sosiaalisten kykyjen merkitys työmarkkinoilla on ollut viime vuosina kasvussa. Esimerkiksi yhdysvaltalaisten tutkimustulosten perusteella työllisyysosuus ja palkkataso ovat olleet korkeita sosiaalisia taitoja vaativissa ammateissa kasvussa viime vuosikymmeninä 10. Tulokset osoittavat myös, että sosiaalisesti kyvykkäämmät työntekijät ansaitsevat muita enemmän, ja että tämä sosiaalisesti kyvykkäiden työntekijöiden palkkapreemio on ollut viime aikoina kasvussa 11. 7 Kuten Brynjolfsson ja McAfee (2014) korostavat, uusien ideoiden kehittely on tärkeää lukuisissa ammateissa niin tutkijoiden kuin insinöörien työssä, mutta myös esimerkiksi journalistien ja kokkien työssä. 8 Esim. Hughes (2017) 9 Todisteena tekoälyn menestyksestä taiteenteossa voidaan pitää tutkimustuloksia, joiden mukaan ihmisarvioijien voi olla vaikeaa erottaa toisistaan tekoälyn ja ihmistaiteilijoiden tuottamia teoksia (Elgammal ym. 2017). Toisaalta koneoppimisen tuottama taide (kuten runous ja kuvataide) perustuu olennaisesti koneelle annettuihin esimerkkiaineistoihin, joita koneet käyttävät oppimisessaan ja taiteen tuottamisessa. Sen sijaan kuten Brynjolfsson ja McAfee (2014) korostavat, koneet eivät kykene ihmisten tavoin keksimään uusia ideoita taiteen aiheiksi. 10 Deming (2017) 11 Yhdenmukaisesti Edinin ym. (2017) tuore Ruotsin työmarkkinoita tarkasteleva tutkimus osoittaa, että eikognitiivisten kykyjen palkkapreemio on kasvanut huomattavasti viime vuosikymmeninä. 4
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Yksityiskohtaisemmat tarkastelut osoittavat, että työllisyysosuus on kasvanut erityisesti niissä ammateissa, joissa tarvitaan sekä korkeita sosiaalisia että matemaattisia taitoja. Myös palkkapreemion kasvu näyttää olleen kaikkein suurinta niillä työntekijöillä, jotka ovat sekä sosiaalisesti että matemaattisesti kyvykkäitä 12. Samankaltaisia muutoksia on havaittavissa myös Suomen ammattirakenteessa. Kuvio 1 havainnollistaa erilaisia taitoja vaativien ammattien työllisyysosuuksien muutosta Suomessa vuosien 1990 ja 2014 välillä. Kuviosta nähdään, että sosiaalisia taitoja vaativien ammattien osuus on ollut kasvussa, ja erityisen paljon osuus on kasvanut ammateissa, joissa vaaditaan korkeiden sosiaalisten taitojen lisäksi myös korkeita matemaattisia taitoja. KUVIO 1 Erilaisia taitoja vaativien ammattien työpaikkojen osuuksien muutos 1990 2014 12% 7% 2% -3% -8% -13% -18% Matalat sosiaaliset taidot Korkeat sosiaaliset taidot, matalat matemaattiset taidot Korkeat sosiaaliset ja matemaattiset taidot 12 Weinberger (2014) 5
Matemaattisten taitojen tarve Kuvio 2 havainnollistaa eri ammattien taitovaatimuksia sekä niiden työvoimaosuuksien muutoksia Suomessa vuosien 1990 ja 2014 välillä 13. Kuviosta havaitaan, että työvoimaosuus on kasvanut niissä ammateissa, joissa tarvitaan sekä korkeita matemaattisia että sosiaalisia taitoja. Toisaalta työvoimaosuus on ollut laskussa vähäisiä matemaattisia ja sosiaalisia taitoja vaativissa ammateissa. 14 KUVIO 2 Ammattien taitovaatimukset ja työvoimaosuuksien muutokset 1990 2014 Tuotantotoim. ja yhteiskunnan peruspalv. johtajat Opetusalan erityisas. Terveydenhuol. erityisas. Sosiaali-,kulttuuri- ja lakialan erityisas. Sos.-, kult.- ja lakial. asiant. Liike-el. ja hallinnon erityisas. Luonnont. ja tekn. erityisas. Terveydenhuollon työntekijät Rakennustyöntekijät Liike-elämän asiant. Luonnontiet. ja tekn. asiant. Informaatio- ja tietoliikennetekn. asiant. Tieto- ja viestintätekn. erityias. Maanviljelijät Konepaja- ja valimotyöntekijät Toimistötyöntekijät Kuljetustyöntekijät Prosessityöntekijät Sosiaalisten taitojen tarve Ainakin 0.5% lasku Ainakin 0.5% kasvu 13 Kuviota voidaan tulkita seuraavasti: mitä kauempana ammatin pistehavainto on kuvion keskipisteestä, sitä kauempana ammatti on sosiaalisten ja matemaattisten taitovaatimusten keskiarvoista. Ammatit joissa tarvitaan keskimääräistä enemmän (vähemmän) sosiaalisia taitoja ovat kuviossa pystyakselin oikealla (vasemmalla) puolella. Ammatit joissa tarvitaan keskimääräistä enemmän (vähemmän) matemaattisia taitoja ovat kuviossa vaaka-akselin yläpuolella (alapuolella). Kuvion vaaka- ja pystyakseleiden arvoilla ei ole suoraa tulkintaa. 14 Molemmat kuviot perustuvat kirjoittajien omiin laskelmiin, joiden tausta-aineistoina on käytetty OECD:n PIAAC-aineistoa ja Tilastokeskuksen suomalaisia työntekijöitä koskevia yksilöaineistoja. 6
Tekstissä esiintyvät lähteet Asplund, R., Barth, E., Lundborg, P. ja Nilsen, K.M. (2011). Polarization of the Nordic Labour Markets. Finnish Economic Papers 24: 87 110. Autor, D.H. (2010). The Polarization of Job Opportunities in the U.S. Labor Market: Implications for Employees and Earnings. The Hamilton Project. Autor, D.H. ja Dorn, D. (2013). The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market. American Economic Review 103: 1553 1597. Autor, D.H., Levy, F. ja Murnane, R.J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. Quarterly Journal of Economics 118: 1279 1333. Brynjolfsson, E. ja McAfee A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton: New York, NY, US. Böckerman, P., Laaksonen, S. ja Vainiomäki, J. (2016). Are Jobs More Polarized in ICT Firms?. IZA Discussion Paper No. 9851. Caselli, F. ja Manning, A. (2017). Robot Arithmetic: Can New Technology Harm All Workers or the Average Worker?. CEP Discussion Paper No. 1497. Deming, D.J. (2017). The Growing Importance of Social Skills in the Labor Market. Quarterly Journal of Economics (painossa). Edin, P.-A., Fredriksson, P., Nybom, M. ja Ockert, B. (2017). The Rising Return to Non- Cognitive Skill. IZA Discussion Paper No. 10914. Elgammal, A., Liu, B., Elhoseiny, M. ja Mazzone, M. (2017). CAN: Creative Adversarial Networks, Generating "Art" by Learning About Styles and Deviating from Style Norms. 8 th International Conference on Computational Creativity (ICCC), Atlanta, GA, US. https://arxiv.org/abs/1706.07068. Goos, M., Manning, A. ja Salomons, A. (2009). Job Polarization in Europe. American Economic Review 99: 58 63. Goos, M., Manning, A. ja Salomons, A. (2014). Explaining Job Polarization: Routine-Biased Technological Change and Offshoring. American Economic Review 104: 2509 2526. Hughes, J.J. (2017). What Is the Job Creation Potential of New Technologies?. Teoksessa: LaGrandeur, K. ja Hughes, J.J. (ed.) Surviving the Machine Age: Intelligent Technology and the Transformation of Human Work, 131 145. Maczulskij, T. ja Kauhanen, M. (2017). Where do workers from declining routine jobs go and does migration matter?. Palkansaajien tutkimuslaitos, Työpapereita 314. Obermeyer, Z. ja Emanuel, E.J. (2016). Predicting the Future Big Data, Machine Learning, and Clinical Medicine. New England Journal of Medicine 375: 1216 1219. Weinberger, C.J. (2014). The Increasing Complementarity between Cognitive and Social Skills. Review of Economics and Statistics 96: 849 861. 7