Coop? No?

Kannattaako julkishallinnon investoida tekoälyihin? Jos kannattaa niin kuinka tuo investointi voisi tuottaa positiivisen kokonaisvaikutuksen? Milloin sijoitus tuottaa negatiivisen tuloksen? Ja mitä tässä tarkoittaa “negatiivinen”?

A: “Onko meillä olemassa yhtään esimerkkiä, jossa tuottavuus olisi oikeasti noussut näillä investoinneilla?” B: “Samaa ajattelen, teimme VK:n kanssa sen tietokiri analytiikkaprojektin, mitään uutta tietoa sillä ei saatu esiin. Pahaa pelkään, että betoniseinä on vastassa tässäkin.” C: “Kuulostaa siltä, että tässä on taas yksi niitä investointeja joiden sanotaan tehostavan työtä, mutta jolla todellisuudessa haetaan säästöjä, ei parempaa asiakaskokemusta tai älykkäämpää organisaatiota tai henkilöstön työssä onnistumista.”

Bob Solow: “You can see the computer age everywhere, but not in the productivity statistics.” Daron Acemoglu: … “nor in the labour market labour prices!”

Puhujat A, B ja C – erään suuren valtionhallinnon organisaation työntekijöitä, keskustelu koski tekoälyn hyödyntämismahdollisuuksia tuon organisaation toiminnassa. Robert Solow, taloustieteen Nobel palkinnolla kasvu teorioistaan palkittu MIT Digital professor, Daron Acemoglu, taloustieteen MIT kunniaprofessori, jolla vielä ei ole Nobel palkintoa.

Suomalainen hyvinvointivaltiomalli on perustunut riittävän talouskasvun aikaansaamille mahdollisuuksille järjestää laajasti julkisia palveluita ja tehdä tulonsiirtoja. Tuottavuuden kasvu on ollut tässä avainasemassa. Kokonaistuottavuuden kehitys määrittelee pitkälti bruttokansantuotteen kehityksen, josta puolestaan julkisen talouden ja valtiontalouden tulot ja taloudellinen kantokyky riippuvat.

Kokonaistuottavuuden kasvu on viime vuosina ollut hidasta eikä näkymä ole siitä merkittävästi muuttunut. Tuottavuuden kasvun osatekijät ovat hyvin tiedossa: investoinnit teknologiaan, työntekijöiden osaaminen, koulutus ja uuden oppimiskyky, työn johto ja työnjohdon osaamisesta lähtevä työn organisointi ja prosessiparannukset, käytetyn teknologian edellyttämä strategia ja ylimmän johdon strategiaosaaminen. Myös näiden eri osatekijöiden väliset keskinäiset riippuvuudet ovat hyvin tunnetut: tiedetään että teknologiainvestoinnit edellyttävät, että panoksia suunnataan työntekijöiden osaamiseen ja eteen nousevien uusien ongelmien ratkaisukykyyn. Henkilöstöhallinnon on keskityttävä oikeanlaisen työvoiman saatavuuteen ja vääränlaisesta työvoimasta eroon pääsyyn. Taloushallinnon on huolehdittava rahoituksen riittävyydestä ja investointeihin liittyvästä laskentatoimesta. Ministeriöiden on keskityttävä purkamaan lainsäädäntöympäristön esteitä. Tarvitaan metaoppivia järjestelmiä.

Vaikka siis toimintaympäristössä olisi käynnissä tekoälyyn ja koneoppiviin järjestelmiin perustuva teollinen vallankumous voi tuottavuuden kehitys silti olla hyvinkin alhaista. Näin käy mikäli toimialan rakenne tuottaa innovaatioiden hyödyntämiseen liittyviä poliittis-lansäädännöllisiä tai rahoituksellisia esteitä. Samoin näin käy, jos teknologiainvestointien aiheuttamien työn muutosten edellyttämä uudelleen organisointi ei ole mahdollista. On kyettävä uudelleen organisoimaan sekä alhaisen osaamisen ja alhaisen tuottavuuden töitä että luomaan uusia korkean tuottavuuden tutkimus- ja innovaatiotehtäviä organisaatioiden sisälle. Palkkausjärjestelmien on mahdollistettava tämä ja tuettava sitä.

Siinä ja siinä teknologiat

Tuottavuuden kasvun näkökulmasta on olemassa kahdenlaisia teknologioita. Toisaalta on teknologioita, joita taloustieteen MIT professori Daron Acemoglu kutsuu termillä “so-so technologies” eli “siinä ja siinä” teknologioiksi. Keskinkertaisilla chat-boteilla toteutettu asiakaspalvelujen automatisointi on yksi esimerkki so-so teknologiasta. Nuo web-sivun oikeassa ala-reunassa asiakasta häiritsevät aspa-chatbotit kyllä korvaavat ihmistyötä, mutta niiden organisaation tuotteisiin ja myyntiin tuoma arvonlisä jää vähäiseksi tai jopa miinusmerkkiseksi, ellei tuo teknologia tuota tuotantoprosessin alavirtaan merkittävää kykyä luoda uutta arvoa. Jollei organisaation johdolla ole kykyä tai tahtoa siepata tuosta lisääntyneestä arvonluontikyvykkyydestä riittävän suurta osaa ja suunnata sitä organisaatiossa korkeamman tuottavuuden työvoiman palkkoihin.

Acemoglun kalvot ja kuvat tähän

Toinen vastaava esimerkki siinä-ja-siinä teknologioista on sääntöpohjainen automaatio hyvinvointipalveluissa. Eräässä valtion hallinnon organisaatiossa selvitettiin automatisoitaviksi vaadittavien tarkastaja-ylitarkastaja tehtävien vaatimien käsittelyprosessien variaatioiden jakaumaa ja saatiin mykistävä lopputulos: noin 100.000 asiaa vuodessa käsittelevän organisaation asiankäsittelyprosessista löytyi yli tuhat variaatiota ja esim. 11 yleisintä käsittelypolkua kattoivat vain noin 5% kaikista hakemusten käsittelypoluista. Tuollaista jakaumaa kutsutaan termillä “long-tail”. Tuottavuuden lisäys, joka tuollaisessa järjestelmässä saavutetaan koodaamalla ihmis-asiantuntijoiden osaamista järjestelmään vanhanaikaisilla ohjelmistotyön menetelmillä jää vähäiseksi. Jollei organisaation kyky oppia ja muuttaa toimintatapoja niin, että järjestelmään rakennetut jos — niin säännöt skaalautuvat ja muodostavat koko organisaation kaikkea toimintaa palvelevan, arvoa luovan rungon, jonka päälle voidaan rakentaa entistä korkeampaa lisäarvoa tuottavia palveluita.

Siinä-ja-siinä teknologian vaarallisuus piilee siinä, että joko sen tuottama lisäarvo itsessään ei ole riittävää kasvattamaan tuon organisaation henkilöstön asiakkailleen tai sidosryhmilleen tuottamaa arvonlisää luontikyvykkyyttä. Tuon automaation tuoma arvonlisä ei ole riittävän suuri siihen, että organisaation johto voisi lisätä luovan työn ja innovaatiotyön määrää organisaatiossa niin paljon, että

So-so technologies are cost-saving devices for organisations that just reduce their costs a little bit but don’t increase productivity by much. They create the usual displacement effect but don’t benefit other workers that much, and firms have no reason to hire more workers or pay other workers more.

Daron Acemoglu & Pascual Restrepo: Artificial Intelligence, Automation and Work

Kun tuohon prosessiin investoidaan alavirrassa esim. 4 miljoonaa euroa vuodessa ostamalla siinä-ja-siinä automaatiota, valtionhallinnon organisaatio vie budjetin n. 80 tarkastajalta ja ylitarkastajalta, työaikana yhteensä noin 128.000 tuntia. Näiden tuntien tuottama arvonlisä on tuon siinä-ja-siinä teknologia-investoinnin vaihtoehtoiskustannus.

Organisaatio joutuu osaoptimoimaan eikä sillä ole kykyä lisätä sitä työtä, joka aidosti myös pitkällä tähtäimellä lisää paranevan tuottavuuden hyvin palkattua työtä yhteiskunnassa. Palkkojen osuus kansantulossa pienenee hyvin tunnetuin seurauksin. Rakennamme lapsillemme pirullisten ongelmien yhteiskuntaa.

Koneoppivat järjestelmät

Acemoglu ja Restrepon kuvaamalle displacement efektille on olemassa rinnakkaisilmiö ja tasapainottava vastavoima, joka joissain muodoissaan voisi olla riittävä kääntämään automaation vaikutuksen kasvuun, työhön ja työmarkkinoihin positiiviseksi sekä orgnisaation sisällä, että laajemmin yhteiskunnassa. Jos automaation käyttöönotto tuottaisi suuria määriä uusia hyvin palkattuja työ-intensiivisiä (vastakohta pääoma-intensiivisille) tehtäviä, jotka automaatiota hyödyntäen parantavat organisaation arvonluontikykyä voisi tämä luoda kyseiselle organisaatiolle ja sitä ympäröivälle yhteiskunnalle edellytyksiä pitkäaikaiseen myönteiseen kehitykseen.

The more powerful countervailing force against automation is the creation of new labor-intensive tasks, which reinstates labor in new activities and tends to increase the labor share to counterbalance the impact of automation.

Daron Acemoglu & Pascual Restrepo: Artificial Intelligence, Automation and Work

Meillä siis periaatteessa voi olla tuossa resepti. Käytetään displacement efektiä ja luodaan sillä työvoiman vapauttamisen ja uudelleen sijoittamisen pyörre. Muodostetaan organisaatioiden sisälle luovia äly- ja työintensiivisiä tieto-, muotoilu- ja koordinointitehtäviä ja annetaan organisaation HR ja R&D toiminnoille tehtävä huolehtia siitä, että tuo pyörre käynnistyy ja ajan myötä kiihtyy. Organisaation taloushallinto ja tilinpäätösten tekijät velvoitetaan seuraamaan palkkamenojen kehitystä suhteessa joihinkin muihin tekijöihin joihin palaamme tuonnempana.

Kuinka tuo tehdään? No. ainakin se mitä ihan ensin tarvitsemme on selkeää ja yksinkertaista. Tarvitsemme X akselin, joka mittaa työn luovuus-, äly ja työintensiivisyyttä, siis lyhyesti sen vaatimaa älykkyyttä. Toiseksi tarvitsemme y -akselin, joka mittaa työn arvonluontikyvykkyyttä. Ainakin y-akselin on syytä heti alkuun olla logaritminen, jotta emme erehdy luulemaan siinä-ja-siinä investointeja voitoiksi. Myös x-akselin muotoilu on tehtävä tarkasti, mutta emme toki ole ainoita jotka asiaa ovat pohtineet joten hyviä malleja kyllä löytyy.

Jotta pääsemme alkuun, lainataan ensin Gartnerin Analytic Ascendancy model nimistä x-y akselistoa.