Bokanmeldelse - «Prediction Machines» - Agrawal, Gans og Goldfarb
Historien om kunstig intelligens er ofte en hvor maskiner erstatter mennesker på arbeidsplassen. Noen går lenger og forfekter en verden hvor mennesker blir maskinenes slaver. Ingen av disse fremtidsbildene stemmer, i følge forfatterne av boken «Prediction Machines – The Simple Economics of Artificial Intelligence». Men måten vi jobber på kommer til å endres dramatisk.
Boken har et forlokkende enkelt argument godt fundert i enkel mikroøkonomisk teori. Mennesket har alltid vært «in the business of prediction». Vi jobbet tidlig for å forutse hvor mammuter eller sabeltanntigre ville befinne seg i steinalderen. Mer nylig har vi forsøkt å velge den perfekte julegaven i 2019 etter et katastrofalt dårlig gavevalg i 2018. AI leder først og fremst til bedre og billigere prediksjoner. Når noe blir bedre og billigere, konsumerer vi mer av det (det er dette vi kaller fallende etterspørselskurver). Dette betyr at vi kan la maskiner håndtere mer og mer av våre prediksjoner for oss. AI kan gjøre mer av det vi gjør.
Dette må jo være dårlig nytt for arbeidsmarkedene, sier du? Nei, vil Agrawal og hans kolleger hevde. For samtidig med at etterspørselen etter AI går opp, går etterspørselen av komplementer til AI også opp. Et komplement (komplementært gode) er et hvor etterspørselen øker som følge av økning i etterspørsel av et annet gode. Når etterspørselen etter kaffe øker, øker også etterspørselen etter fløte og sukker. Og her ligger det veldig enkle resonnementet til Agrawal & Co: AI har mange komplementer.
Og her trekker de frem mange eksempler komplementer til AI. Men den viktigste er utøvelses av skjønn (judgement). Mennesker er relativt sett mye bedre enn maskiner til å utøve skjønn. Skjønn er nødvendig for å virkelig dra verdi ut av en god prediksjon. Et eksempel på dette er kredittkortselskapers evne til å forutsi svindel. Denne prediksjonen er vesentlig bedre med AI enn den var tidligere, og man kan raskt avdekke potensielle svindelforsøk. Samtidig kan prediksjonen, hvis den ble overlatt til seg selv, predikere svindel i tilfeller der dette ikke var tilfelle og nekte en legitim transaksjon. Mange har opplevd at de har fått kortet avvist i butikker de vanligvis ikke handler i fordi automatisert prediksjon har fattet mistanke basert på lignende transaksjoner hos lignende kunder. Dette kan føre til en meget misfornøyd kunde og ha en kostnad prediksjonen ikke klarer å ta innover seg. Her må menneskelig skjønn til for å avdekke riktig handling.
Etterspørselen etter skjønn øker altså samtidig med etterspørselen etter prediksjon. Dette tyder da på at man ikke får færre, men flere nye jobber som følge av AI. Det er selvfølgelig mange forutsetninger her, men bokas hovedargument er at mens enkelte funksjoner overtas av maskiner, øker behovet for menneskelig interaksjon med disse maskinene. Dette betyr at mens det å analysere røntgenbilder nå gjøres bedre av AI, har etterspørselen etter radiologer ikke gått ned. Det samme viser statistikken over jobbannonser i yrker hvor nettopp AI er antatt å ha stor effekt. Forfatterne viser til at antallet markedsføringsjobber har økt, men at disse jobbene inneholder større grad av skjønnsmessige ferdigheter enn tidligere.
Boken er veldig lett skrevet og bruker gode eksempler til å belyse hovedargumentene. Det mangler noe på empiri, men det er nok ikke rart all den tid dette er et fenomen som nettopp har begynt å vise seg rundt oss. Boken kan anbefales til praktikere og akademikere som en god innføring i kunstig intelligens og dets effekt på økonomien.
Kommentare