Man kan ha fel om framtiden på en mängd olika intressanta sätt – men den som spenderat en del tid med olika framtidsstudier börjar efter ett tag känna igen några av de möjliga misstagen. Jag skriver möjliga, eftersom de inte alltid är misstag — ibland kan de säkert till och med vara kraftfulla metoder: det är det som är spännande med att tänka kring framtiden. Jag tänkte illustrera dessa med frågor om framtidens arbetsmarknad, eftersom jag tror att det kan vara ett bra område att använda som exempel.
Det första misstaget är enkelt – det är att övertolka signalen. Automatiseringen övertolkades tidigt som trend, och alarmistiska siffror om att 50% av jobben skulle kunna försvinna inom en generation cirkulerade. En hel del av dessa siffror hade endast sin grund i att journalister inte hade läst en vetenskaplig artikel som inte sade detta, men som såg ut att säga det — men några forskare hängde på och såg en chans att äntligen få diskutera teknikdriven arbetslöshet. Varje tänkbar mental modell som kom fram till just detta resultat behövde dock förenkla bilden för att kunna förstärka signalen och snart avfärdades dessa tidiga rapporter som de sensationslystna tidningsankor de var.
Det andra misstaget är mer subtilt – det handlar om att välja fel begrepp för analysen, eller bättre: fel upplösning på modellen. En hel del seriösa forskare utgick från följande mycket enkla förhållande: automatisering betyder att en mängd uppgifter kan utföras av robotar, och därför borde det betyda att vi förlorar en massa jobb till automatiseringen. Ser ni vad som hände där? Vi gick från en upplösning – uppgifter – till en mer grynig upplösning – jobb – och drog en slutsats som baserade sig på att vi såg en oundviklig förändring på en nivå och antog att den ledde till en förändring på nivån ovanför. Här måste vi välja, och för arbetsmarknaden är förmodligen rätt upplösning just uppgifter. Jobb är kompetenskorgar, knippen av uppgifter, och att ett urval uppgifter kan automatiseras betyder inte att hela jobb försvinner. Däremot betyder det att de uppgifter som utgör ett jobb — innehållet i kompetenskorgarna — förändras. Detta i sig är inget nytt, utan har varit en ständig del av arbetsmarknadens utveckling. Vi ser det exempelvis i den förmodligen apokryfiska anekdoten om Herbert Simons läkare, som före bilen var tvungen att lära sig rida under läkarutbildningen för att nå sina patienter, och som efter bilens tillkomst kunde klara sitt yrke utmärkt utan denna kompetens i korgen
Det tredje misstaget är inte så mycket ett misstag som en metod: att hålla allt annat lika medan vi ser på en specifik fråga som vi vill försöka förutsäga. När vi frågar om hur automatiseringen kommer att påverka jobben så antar vi att jobben är statiska och att automatiseringen ökar. Vi håller allt annat lika. Ingen social förändringen sker på detta vis, eftersom det som händer är ett en förändring i en del av systemet genererar andra förändringar i systemet. Våra jobb är inte sociala atomer som alltid funnits — de är produkten av industrisamhällets organisation av arbete och det medvetna sociala valet att inkludera social trygghet och status i just jobbet, i det sätt på vilket vi förpackade arbete. Om automatiseringen ökar så ökar också trycket på resten av systemet och vi borde försöka se till systemförändringar i stället för att koncentrera oss på en enda nod i systemet och förutsäga den.
När det gäller framtidens arbetsmarknad har detta vittfamnande konsekvenser. Den som frågar hur AI kommer att påverka arbetsmarknaden i dag frågar oftast efter hur automatiseringen kommer att påverka jobben. Det går emellertid att undersöka andra delar av systemet också. AI — eller kanske snarare maskininlärning – skulle kunna komponera olika kompetenskorgar dynamiskt och skapa en helt ny sorts organisation av arbetet i vårt samhälle, och därför också en helt ny arbetsmarknad. Det skulle kunna betyda att den modell i vilken vi arbetar för en enda arbetsgivare – där jobbet är en 1:1 relation med en arbetsgivare – också försvinner och de sociala trygghetselementen organiseras på ett helt annat sätt. Poängen är enkelt — en teknik, särskilt en s.k. General Purpose Technology, påverkar aldrig bara en del av systemet.
Att fråga hur AI kommer att påverka arbetsmarknaden är litet som att fråga hur elektriciteten påverkade arbetsmarknaden.
Ett systemperspektiv är ofta komplext och dynamiskt, och det är därför vi förenklar våra modeller — men vi bör vara medvetna om att när vi gör det blir resultatet av våra undersökningar ofta haltande. Ett systemansats till frågan om framtidens arbetsmarknad skulle förmodligen utmana ett flertal olika föreställningar vi har om arbetsmarknaderna:
Måste de vara nationella? Varför ska ett jobb vara nationellt, när det är fullt möjligt att arbeta internationellt idag? Outsourcing kan mycket väl bli pansourcing där de kompetenser som behövs i en organisation hämtas där de möter kraven bäst.
Måste det finnas arbetsgivare? Företag beskrevs av Coase som logiska konsekvenser av transaktionskostnader. Dessa kostnader förändras kontinuerligt, och kanske borde vi också ställa frågan om hur AI påverkar företagets natur? Kommer vi att ha flashföretag som uppkommer för att lösa en komplex uppgift och sedan försvinner?
Kan de integrera utbildningssystemen helt? Arbetsmarknadens matchningsproblem har att göra med att signalerna från arbetsmarknaden överförs till utbildningssystemen mycket långsamt, och dessa systems förmåga att dynamiskt allokera resurser är ganska låg. Varför skulle inte en pulvriserad utbildningskostnad i systemet via olika sorters försäkringslösningar kunna skapa en kombinerad utbildnings- och arbetsmarknad? Invändningen att detta skulle skada långsiktig forskning är ett enkelt missförstånd — marknader kan lika gärna vara långsiktiga som kortsiktiga.
Och så vidare. Om vi väljer att undersöka alla begrepp i våra mentala modeller och se hur de kan förändras tillsammans, blir resultatet förmodligen mer intressant än om vi bara fokuserar på ett enda element i modellen.
Att ha fel om framtiden är emellertid inte det sämsta, det gör att vi kan diskutera den och försöka hitta bättre mentala modeller för de olika förändringar som vi vill se, och det är ju en fördel.