Čtvrtek 28. března 2024, svátek má Soňa
130 let

Lidovky.cz

Co budou dělat lidé, až je nahradí inteligentní stroje...

  8:48
Dnes je evropský trh práce pro zaměstnavatele byrokratickým martyriem. Za těchto okolností se vyplatí přesunout výrobu do Číny nebo investovat do automatizace. Dokud si to politici neuvědomí, vize elity ovládající automatizovaný svět na jedné straně a nezaměstnatelného proletariátu na druhé je reálná.

Roboti vítězí. foto: Ilustrace Richard CortésČeská pozice

Text kresleného vtipu ze sedmdesátých let, na němž se zničený muž v obleku a s aktovkou vrací domů k manželce, hlásal: „Byl jsem propuštěn, nahradili mě kapesní kalkulačkou.“ Tento vtip vypadal ve své době, v éře masového nástupu kalkulaček, skutečně vtipně. Tehdy nově vynalezená kapesní kalkulačka byla vítaným pomocníkem, nikdo ji nepovažoval za hrozbu.

Ani její současníci, velké sálové počítače programované ve Fortranu a COBOLu, neohrožovaly zaměstnanost. Spíše naopak, mnohem více pracovních míst v počítačovém průmyslu vznikalo, než jinde zaniklo. Stejně tomu bylo po nástupu malých a levných osobních a domácích počítačů. Ekonomové se dlouho divili, proč masivní zavádění výpočetní techniky nemá měřitelný vliv na výkonnost. Hovořilo se o paradoxu produktivity. Slavný ekonom Robert Solow v roce 1987 podotkl: „Počítače jsou vidět všude kromě statistik produktivity.“

Ve stejné době přišel do módy pojem „umělá inteligence“. Existoval sice již od pyšných šedesátých let, kdy se lidstvo domnívalo, že poručí větru, dešti a zákonům matematické logiky, ale teprve v osmdesátých letech začal být brán vážně. Umělá inteligence tehdejšího typu ovšem nebyla skutečně inteligentní.

Počítače se „naučily“ hrát obstojně šachy, ovšem jen díky poměrně jednoduchým algoritmům prohledávání stromu možností a použití relativně nekomplikovaných heuristických funkcí (je lepší mít figury v centru šachovnice než v koutě, král má být krytý, atd.). Počítačové hraní šachu a příbuzných her nebylo ani tolik dokladem inteligence počítačů jako důkazem inteligence živých programátorů.

Krach japonského projektu

V osmdesátých letech se věřilo, že Japonsko bude vládnout světu, mimo jiné díky ambicióznímu programu vývoje počítačů páté generace. Mělo jít o inteligentní stroje schopné porozumět textu, automaticky překládat, chápat úlohy zadávané slovně, provádět logické důkazy tvrzení. To vše za použití logického programování a paralelních procesorů. Mělo jít, ale nešlo.

Japonský projekt umělé inteligence zkrachoval – nikoli kvůli nedostatku peněz, ale protože jeho koncepce byla od začátku chybná. Ukázalo se, že logické programování bylo jen módním výstřelkem s velmi omezenou použitelností. Pojem „umělá inteligence“ byl proto od konce osmdesátých let na ústupu.

Japonský projekt umělé inteligence zkrachoval – nikoli kvůli nedostatku peněz, ale protože jeho koncepce byla od začátku chybná. Ukázalo se, že logické programování bylo jen módním výstřelkem s velmi omezenou použitelností. Pojem „umělá inteligence“ byl proto od konce osmdesátých let na ústupu. Počítače se používaly na řešení jiných problémů: komunikace všeho druhu, řízení výroby a financí, databáze, zpracování textu, obrazu i zvuku, hraní her...

Z počítačů se staly supervýkonné kalkulátory, automatizované kartotéky, komfortní psací stroje, mixážní pulty, temné komory pro digitální fotografii a leccos dalšího. Nic z toho ale neodpovídalo romantickým představám z šedesátých let o umělých mozcích se zázračnými schopnostmi. Proč projekt páté generace selhal? Proč byla umělá inteligence osmdesátých let jen vzdušným zámkem?

Protože, matematicky řečeno, predikátová logika prvního řádu a programovací jazyk Prolog, který je na ní založen, nestačí pro realistické napodobení procesů v lidském mozku. Tyto hardwarové a softwarové prostředky stačí pro řešení logických hádanek typu Einsteinova úloha, ale skutečně funkční simulace myšlení je mimo jejich možnosti. Praktické použití je velice omezené.

Jen jedna z cest

Logické programování, obecně jakákoli matematicko-logická manipulace se symboly, je jen jednou z cest, kterou se člověk vydal ve snaze napodobit inteligenci. Nejde o úplně marnou snahu, jak si můžete sami vyzkoušet. Můžete se vsadit, že stroj vypočítá neurčitý integrál – dejme tomu z funkce sin(ln(x^2)) – nesrovnatelně rychleji než vy! Jaké jsou jiné cesty?

Logické programování, obecně jakákoli matematicko-logická manipulace se symboly, je jen jednou z cest, kterou se člověk vydal ve snaze napodobit inteligenci

Existuje řada přístupů, kterým se s různou mírou nadsázky říká umělá inteligence. Prohledávání stromů možností, základ všech šachových algoritmů, patří mezi nejstarší. Bohaté možnosti poskytuje statistika a teorie pravděpodobnosti, zejména Bayesova podmíněná pravděpodobnost. Ta je zajímavým příkladem, jak celkem jednoduché pravidlo může vést k sofistikovaným aplikacím.

Vezměme si jako příklad jedno z oblíbených témat internetových diskusí: jak je to s terorismem a islámem. „Jenom naprosto nepatrné procento muslimů jsou teroristé,“ říká jedna strana. „Ale naprostá většina teroristů jsou muslimové,“ kontruje druhá. Bayesovo pravidlo připouští, že pravdu mohou mít obě strany, a říká, jak se ve věci máme správně vyznat.

Bayesovo pravidlo

Označme pravděpodobnost, že náhodně vybraná osoba z určité populace bude terorista, jako Pt. Pravděpodobnost, že náhodná osoba z téže populace bude muslim, označíme jako Pm. Pravděpodobnost, že náhodně vybraný muslim bude terorista, bude označena jako Ptm. Jaká bude pravděpodobnost, že náhodně vybraný terorista bude muslim (Pmt)?

V praxi lze na Bayesově pravidle postavit silný mechanismus. Už nejjednodušší algoritmus pro zpracování statistických dat nazvaný nepříliš ambiciózně „naivní Bayes“ je použitelný a v praxi velmi užitečný.

Podle Bayesova pravidla platí, že Pmt = Ptm * Pm/Pt. Jako příklad (ryze orientační a neodpovídající skutečnosti) přiřaďme proměnným hodnoty: Pt = 0,1 procenta, Pm = 20 procent, Ptm = 0,4 procenta. Ačkoli mezi muslimy v dané hypotetické populaci je pouze 0,4 procenta teroristů, pravděpodobnost, že teroristou bude právě muslim, je 80 procent!

Uvedený příklad je triviální (byť ne tak docela triviální pro mnohé diskutéry na sociálních sítích). V praxi lze na Bayesově pravidle postavit silný mechanismus. Už nejjednodušší algoritmus pro zpracování statistických dat nazvaný nepříliš ambiciózně „naivní Bayes“ je použitelný a v praxi velmi užitečný. Algoritmus, který se vejde do pár řádků běžného programovacího jazyka, dokáže zpracovat data natolik účinně, že například umožní internetovému obchodu předpovídat, jaké další zboží pravděpodobně zákazník koupí za podmínky, že předtím koupil to nebo ono.

Moderní bayesovské systémy fungují natolik dobře, že člověk má občas pocit, že mu někdo čte myšlenky. Kromě internetových obchodů se uplatňují i v reklamě a ve filtrování spamů. Ale stále ještě nejde o nic, co bychom mohli označit za skutečnou inteligenci. Navzdory nepochybným výsledkům, bayesovské algoritmy jsou stále jen imitací myšlení.

Rozpoznávání tváří

O krok dále jsou neuronové sítě. Zde jde o simulaci fungování neuronů s použitím běžné výpočetní techniky. Software umožní simulovat činnost nervových buněk, které jsou propojené v různých schématech a jež si předávají signál přepočtený pomocí nelineární funkce – jak to zhruba funguje ve skutečnosti. Umělý neuron má vstupy (proměnné), které přicházejí buď z vnějšího prostředí, nebo synapsemi z jiných neuronů.

I nepříliš inteligentní člověk snadno rozpoznává tváře, protože lidský mozek je na tento úkol stavěn. Pro počítač je to ovšem výpočetně i algoritmicky velmi náročná úloha.

Uvnitř je nelineární funkce, jejímž vstupem je součet vstupních proměnných a výstupem je číslo, které může být vstupní proměnnou pro další neurony, nebo je součástí výsledku. Jednotlivé synapse mají číselně určené váhy. Jedna buňka mnoho neumí, ale dostatečný počet neuronů dokáže divy. Již 800 umělých neuronů spolehlivě rozpoznává ručně psaná číslice a písmena. Pro srovnání, nervová soustava jednoduchého červa Caenorhabditis elegans má 302 nervových buněk, průměrný lidský mozek asi 100 miliard. Co to znamená v praxi?

Již poměrně jednoduchá neuronová síť dokáže zvládnout úkoly, se kterými měly počítače tradičně velké problémy. Jednou z hlavních slabin umělé inteligence je totiž věc, která je pro přirozenou inteligenci hračkou: identifikace tvarů, předmětů, obličejů, zvuků, pohybů, zkrátka obrazců v nejobecnějším smyslu tohoto slova. I nepříliš inteligentní člověk snadno rozpoznává tváře, protože lidský mozek je na tento úkol stavěn. Pro počítač je to ovšem výpočetně i algoritmicky velmi náročná úloha.

Neuronové sítě

Teprve v současnosti počítače dosáhly výkonnosti, která umožňuje relativně rutinní nasazení například v průmyslu, lékařské diagnostice, v rozpoznávání otisků prstů a jiných biometrických údajů, a tak dále. Doménou neuronových sítí nejsou logické hlavolamy jako v případě logického programování, ale univerzální rozpoznávání obrazců. Univerzalita je obrovskou výhodou neuronových sítí.

Společnost Google (nyní oficiálně přejmenovaná na Alphabet Inc.) sestrojila síť o kapacitě několika milionů neuronů, která mnohokrát hrála sama se sebou deskovou hru go. Stále však platí, že vyšší rozumové schopnosti neuronové sítě zůstávají na úrovni červa.

Jejich druhou velkou výhodou je schopnost učení. Neuronovou síť není třeba programovat tradičním způsobem (vlastně to ani nejde), ale sama se učí ze svých úspěchů i omylů. Pokud neuronové síti předložíme sto obrázků psa, kočky nebo ryby, sama se naučí, v čem spočívá vizuální podstata psovitosti, kočkovitosti nebo rybovitosti. Pro člověka trivialita, pro počítač obrovský průlom.

Ještě lepší je, že neuronová síť se dokáže učit sama. Společnost Google (nyní oficiálně přejmenovaná na Alphabet Inc.) sestrojila síť o kapacitě několika milionů neuronů, která mnohokrát hrála sama se sebou deskovou hru go. Po nějaké době byla tato síť schopná porazit světového šampiona. Hra go je přitom z počítačového hlediska mnohem složitější než šachy, neboť počet možných postavení je o stovky desítkových řádů vyšší. Donedávna byla go jednou z posledních deskových her, kde lidský šampion měl převahu nad strojem. To dnes již neplatí.

Nicméně stále platí, že stroj ve skutečnosti neví, co dělá. I nejdokonalejší dnešní neuronová síť schopná se učit sama není nic než pouhý mechanismus. Stroj nerozumí, že hraje šachy nebo go. Je schopný rozpoznat obraz kočky od obrazu psa, ale v podstatě neví, co je kočka a co pes. Nemá vědomí. Stále platí, že vyšší rozumové schopnosti neuronové sítě zůstávají na úrovni červa.

Strojové učení

Strojové učení ale není vyhrazeno jen neuronovým sítím. Ve většině případů se pod tímto pojmem rozumí komplexní algoritmus založený na tradičních a v zásadě nepříliš mimořádných technikách matematické statistiky a lineární algebry. Řekne-li se „vektorové prostory“, zní to značně odtažitě, ale touto cestou lze sestavit funkční algoritmus strojového překladu. Jak?

Strojové učení není vyhrazeno jen neuronovým sítím. Ve většině případů se pod tímto pojmem rozumí komplexní algoritmus založený na tradičních a v zásadě nepříliš mimořádných technikách matematické statistiky a lineární algebry.

Velmi zjednodušeně, každé slovo nebo termín se v jazyce vyskytuje v nějaké souvislosti s ostatními. Vektorový prostor si můžeme představit jako soustavu souřadnic, kde jsou na různých místech umístěna slova. Pokud víme, kde se vyskytuje například anglické slovo „light“, stačí sáhnout do obdobného místa v českém vektorovém prostoru a vidíme, že jde o slovo „světlo“.

Pokud se ale „light“ bude vyskytovat v poněkud odlišné společnosti slov, systém sáhne jinam a přeloží toto slovo jako „lehký“. Anebo ještě jinak, víme-li, že české slovo „královna“ odpovídá anglickému „queen“, pak jistá operace (posun ve vektorovém prostoru) vyrobí množná čísla obou slov. Jiný posuv ve vektorovém prostoru převede ženský rod na mužský.

Český matematik Tomáš Mikolov

Modelování umělé inteligence pomocí vektorových prostorů úzce souvisí s prací mladého českého matematika Tomáše Mikolova, který pracoval pro Google a nyní je zaměstnancem vývojového oddělení Facebooku. Mikolov si všiml, že váhy spojů neuronové sítě mezi vstupem a skrytou vrstvou odpovídají vektorové reprezentaci slov ve vícerozměrném prostoru, píše český odborník na neuronové sítě Jiří Materna. Mikolovova přelomová disertační práce je z roku 2012 a model Word2vec, který jeho tým vyvinul u společnosti Google, je dnes světovou špičkou.

Modelování umělé inteligence pomocí vektorových prostorů úzce souvisí s prací mladého českého matematika Tomáše Mikolova, který pracoval pro Google a nyní je zaměstnancem vývojového oddělení Facebooku

Nicméně i zde je zřejmé, že stroje převádí slova a věty na pouhá čísla, se kterými posléze provádí matematické operace. Vědomí, že i lidský jazyk lze interpretovat čistě matematicky, je pozoruhodné. Stále ovšem platí, že ani geniální algoritmus Word2vec nerozumí tomu, co je v onom jazyce psáno.

Strojový překlad Google Translate je dnes mnohem dokonalejší, než byly strojové překlady před deseti a více lety. Pořád je však patrné, že jde o produkt mechanické činnosti, nikoli o výsledek vědomí, porozumění textu a jeho převedení do jiného jazyka. Profesionální překladatelé se zatím nemusejí bát o práci. To přivádí k otázce, jaké profese jsou nástupem umělé inteligence ohroženy. A není jich málo.

Ohrožená pracovní místa

Mezi dnes již zaniklé profese patřili počtáři. Málokdo ví, že anglické slovo „computer“ pochází přibližně z roku 1640 a označovalo lidskou profesi, nikoli stroj. Pokud jde o výhody strojů nad lidmi, čím exaktněji formulovaný problém, tím lépe pro stroj; čím vyšší požadavky na rychlost a čím rozsáhlejší databáze je třeba, tím opět lépe pro stroj.

Všude, kde jde o rutinní práci s informacemi, jsou pracovní místa ohrožena. Týká se to nejen mzdových účetních, bankovních úvěrářů, ale i sportovních rozhodčích a dokonce i modelek.

Výzkumníci Carl Benedikt Frey a Michael A. Osborne z Oxfordské univerzity zveřejnili v roce 2014 rozsáhlou práci, která se pokoušela odhadnout možnosti automatizace různých profesí. Velmi ohrožena jsou úřednická místa v bankách, pojišťovnách, makléřských firmách, poradenských firmách, knihovnách, a tak dále.

Všude, kde jde o rutinní práci s informacemi, jsou pracovní místa ohrožena. Týká se to nejen mzdových účetních, bankovních úvěrářů, ale i sportovních rozhodčích a dokonce i modelek. (Umělá kráska generovaná počítačovou grafikou možná bude zpočátku vypadat trochu neosobně, ale bude mnohem levnější než Eva Herzigová nebo Giselle Bündchenová. Ano, i tělesnou krásu lze interpretovat jako rutinně zpracovatelnou informaci!)

Zatím nenahraditelný lékař

Vraťme se však k umělé inteligenci. Donedávna existovalo málo aplikací, kde vedla nad člověkem – šachy a dáma patřily mezi první. Ale s rostoucí silou procesorů, kapacitou databází a pokrokem v oblasti algoritmizace se náskok člověka ztenčuje. Šachy jsou jen hra, ale jakmile počítač poráží promovaného doktora medicíny v lékařské diagnostice, jde do tuhého.

Zatím neexistuje „elektronický doktor“, který by nahradil živého lékaře v celém rozsahu. Medicína je zatím příliš složitý obor, který vyžaduje analýzu mnoha různých údajů, včetně těch, se kterými strojové rozpoznávání obrazců má dosud zásadní problémy.

Na univerzitě v americké Indianě byl proveden experiment, v jehož rámci „nakrmili“ systém IBM Watson lékařskými daty zahrnujícími vysoký krevní tlak, diabetes a chronické deprese – a byl o 42 procent lepší v diagnostice a v preskripci léků než živí lékaři. Doktor Joshua Denny z Vanderbiltovy univerzity v Nashville je spoluautorem systému, který radí lékařům s komplikacemi a vedlejšími účinky léků na základě dat 16 tisíc pacientů, je založen na matematické statistice a sám o sobě není nijak „inteligentní“. „Systém je velmi dobrý, lepší než moje intuice,“ říká Denny.

Zatím neexistuje „elektronický doktor“, který by nahradil živého lékaře v celém rozsahu. Medicína je zatím příliš složitý obor, který vyžaduje analýzu mnoha různých údajů, včetně těch, se kterými strojové rozpoznávání obrazců má dosud zásadní problémy. Proto je vůči pokroku umělé inteligence nejodolnější – zejména terapeuti jsou mnohem hůře nahraditelní strojem než diagnostici.

Nejobtížněji automatizovatelné jsou léčby, které vyžadují nejvíce lidský přístup, ať už jde o jemnou motoriku (chirurgie, zubní lékařství), empatii (psychologie a psychiatrie), špičkové rozpoznávací schopnosti (rentgenová diagnostika), anebo základní lékařský výzkum, neboť stroje jsou nejslabší tam, kde je nutná tvořivost, tvorba hypotéz a hledání nových řešení. Zatímco v diagnostice role strojů poroste, terapie zřejmě zůstane doménou lidí.

Oblast financí

Zatímco v medicíně stroje spíše zůstanou jen asistenty lékařů, jiné obory jsou na tom mnohem hůře. Například v oblasti financí schvalování pojistných smluv bývalo dříve procesem, který vyžadoval lidskou zkušenost a praxi a trval dny, někdy i týdny. Dnes je pojistka schválena online za použití algoritmu, bez dotyku lidské ruky. Výrok „jsem bez práce, nahradili mě kapesní kalkulačkou“ již nezní jako vtip. Totéž platí pro hodnocení úvěrů: Má, nebo nemá banka poskytnout půjčku tomu nebo onomu žadateli?

V oblasti financí schvalování pojistných smluv bývalo dříve procesem, který vyžadoval lidskou zkušenost a praxi a trval dny, někdy i týdny. Dnes je pojistka schválena online za použití algoritmu, bez dotyku lidské ruky.

Profese úvěrového specialisty bývala dříve vážená a náležitě finančně hodnocená. Nyní patří mezi ohrožené druhy, zejména v oblasti spotřebitelských úvěrů a hypoték, kde je klientů vysoký počet, žádosti lze snadno standardizovat, statisticky vyhodnotit a bleskurychle povolit či zamítnout. Práce s úvěry navíc nemá stejně velké nároky na výpočetní kapacitu ani na složitost algoritmu jako lékařská diagnostika nebo zpracování přirozeného jazyka: stačí matematická statistika a bayesovská pravděpodobnost.

Na druhé straně je pozoruhodné, jak malý dopad dosud umělá inteligence měla na oblast investic. Zdálo by se logické nahradit portfolio manažera investičního fondu strojem. Navzdory tomu je pokusů v této oblasti málo – pokud nepočítáme automatizované a vysokofrekvenční obchodování, což je úplně jiný žánr než umělá inteligence. Úspěšných pokusů je ještě méně. Oblast investic na burze je přitom ideálním prostorem pro náhradu lidského úsudku algoritmem.

Ten netrpí výkyvy testosteronu a kortizolu jako burzovní obchodníci, jsou mu cizí sympatie nebo antipatie k politikům nebo ke členům rady centrální banky, neexistují pro něj naděje nebo strach. Jinými slovy, veškeré nežádoucí vlivy negativně ovlivňující výsledky investičního procesu mohou být odstraněny automatizací. Proč se to dosud nestalo?

Bez emocí

Kromě tradičního konzervatismu regulačních orgánů za to může i fakt, že techniky umělé inteligence, které slaví úspěchy například v lékařské diagnostice, v oblasti investic selhávají. Důvod: jsou příliš dokonalé. Finanční informace jsou více než jakékoli jiné zaneseny informačním šumem (mnohdy vzniká otázka, zda jde vůbec o informace). Neuronová síť je schopná se perfektně naučit, za jakých okolností v minulosti burza šla nahoru, nebo dolů, ale popis těchto okolností je neuvěřitelně zanesen informačním balastem.

Může existovat expertní systém, který bude založen na pravidlech a rozhodovat o složení investičního portfolia moudřeji než běžný portfolio manažer. Především ale bez emocí, které vždy devastují kvalitu „lidského“ investičního rozhodování.

Snadno se proto stane, že znalostní systém, který je trénován na historická finanční data, v budoucnosti zcela selže, protože budoucí růsty nebo poklesy akcií, měn nebo komodit se budou odehrávat ve zcela jiných souvislostech. Příklad: žádná neuronová síť nebo bayesovský algoritmus by nedokázal předpovědět pokles úrokových sazeb v mnoha vyspělých ekonomikách do záporných hodnot v uplynulých letech.

Tento jev byl historicky úplnou novinkou, která měla kořeny ve faktu, že centrální bankéři se v nouzi uchýlili k „tvořivému“ řešení, jež nikdy dříve nebylo použito. Tím není řečeno, že v oblasti investic není možné použít metody umělé inteligence. Je to možné, ale je třeba postupovat novým, neobvyklým způsobem – robustnost řešení musí mít přednost před přesností.

Nikdy nebude existovat zázračná finanční „křišťálová koule“, může však existovat expertní systém, který bude založen na pravidlech a rozhodovat o složení investičního portfolia moudřeji než běžný portfolio manažer. Především ale bez emocí, které vždy devastují kvalitu „lidského“ investičního rozhodování.

Příští automobilka

V oblasti financí a managementu roboti nenahradí člověka v náročných obchodních jednáních. Automat ho může nahradit u benzínové pumpy, v supermarketu, při žádosti o kreditní kartu nebo o hypotéku, nikdy ale nenahradí dobrého živého obchodníka, jakmile půjde o něco náročnějšího, počínaje investicemi nebo životním pojištěním. Obojí sice lze automatizovat, ale člověk bude mít sklon probírat zásadní finanční rozhodnutí s jinými lidmi. Totéž platí pro nákupy spojené s emocemi. (Asi nebudete kupovat Bentley či Aston Martin přes eshop. I kdybyste mohli.)

V dohledné době bude automobilka vypadat jako obrovská hala téměř bez lidí, na jejímž vstupu budou suroviny, polotovary a základní součástky, na výstupu pak budou vyjíždět hotová auta. To vše za dohledu několika inženýrů, techniků a manažerů.

Makroekonomicky významnou roli může sehrát automatizace a robotizace v průmyslu. Již nyní je zřejmý značný pokrok a patrně je to jen začátek. V dohledné době bude automobilka vypadat jako obrovská hala téměř bez lidí, na jejímž vstupu budou suroviny, polotovary a základní součástky, na výstupu pak budou vyjíždět hotová auta. To vše za dohledu několika inženýrů, techniků a manažerů.

Význam manuální práce bude odsunut do pozadí, podobně jako se již mnohem dříve stalo v textilním průmyslu. Málokdo dnes vzpomene roli, již hrál textil při industrializaci Británie, Francie nebo Švýcarska. Dnes v nich prakticky neexistuje. Může se něco podobného stát s tolik hýčkaným automobilovým průmyslem v Česku? Proč by ne. Za 20 let ode dneška může český průmysl stát na úplně jiných základech. Případně nemusí stát vůbec.

Vzniká otázka, co s nynějšími zaměstnanci a co budou lidé v budoucnu dělat. Nabízí se analogie s velkou zemědělskou revolucí od začátku 20. století, jež během několika desítek let zcela proměnila strukturu zaměstnanosti od Kalifornie po Košice. Mechanizace a umělá hnojiva zvýšily produktivitu natolik, že zemědělství dnes zaměstnává doslova pár procent pracovních sil ve vyspělých zemích. Ostatní našli uplatnění především ve službách. Ale je to cesta do budoucnosti, když velká část pracovních míst v sektoru služeb je ohrožena? Co budou ti lidé dělat?

Ne až tak chmurná budoucnost

Existuje názor, že se lidstvo rozdělí na nepočetnou, skvěle placenou elitu vývojářů, lékařů, inženýrů a dalších tvořivých profesí, zatímco masa proletariátu bude živa převážně ze základního nepodmíněného příjmu a zabíjet čas sledování televize a únikem z reality v podobě počítačových her nebo drog. Bude-li tomu vskutku tak, asi by bylo rozumné podporovat tyto perspektivní profese, a nikoli je dusit progresivním zdaněním. Ale budoucnost nemusí být tak chmurná. Proč?

Existuje názor, že se lidstvo rozdělí na nepočetnou, skvěle placenou elitu vývojářů, lékařů, inženýrů a dalších tvořivých profesí, zatímco masa proletariátu bude živa převážně ze základního nepodmíněného příjmu a zabíjet čas sledování televize a únikem z reality v podobě počítačových her nebo drog. Budoucnost však nemusí být tak chmurná.

Podívejme se na dobu, kdy nejvíce ubývalo pracovních míst v zemědělství: 1920 až 1960 v USA, o něco málo později v Evropě. Jaký byl trh práce v oněch časech? Odpověď zní: pružný, nesvázaný složitými zákoníky práce, zaměstnavatelé směli celkem svobodně přijímat i propouštět. Volný trh vyřešil problém, co dělat s lidmi, kteří nenašli práci na farmách. Trh fungoval mnohem lépe, než si většina lidí uvědomuje.

Jak ale vypadá evropský trh práce v současnosti? Jako byrokratické martýrium pro zaměstnavatele. Past nebo nášlapná mina všude, kam se podíváte. Za těchto okolností se vyplatí buď přesunout výrobu do Číny anebo investovat do automatizace. Dokud si to politici neuvědomí, vize elity ovládající automatizovaný svět na jedné straně a nezaměstnatelného proletariátu na druhé je bohužel velmi reálná.

Autor: