Wird Automatisierung die Stellenpolarisierung, wie wir sie seit etwa 1980 beobachten können, weiter vorantreiben? Werden also die Stellen mit mittlerem Einkommen auch in Zukunft immer weniger? Wird darum die Einkommensverteilung immer ungleicher? In seiner Studie zum Ende der Arbeit skizziert David Autor nach der Entwicklung in der Vergangenheit (Teil 1) auch Leitplanken für die weitere Automatisierung.

Zunächst hält David Autor aber folgendes fest:  Der Trend zur Stellenpolarisierung hat sich zumindest in den USA im Laufe der letzten 40 Jahre modifiziert. Während die Zahl der Stellen mit geringen Qualifikationsanforderungen heute stärker steigt als zu Beginn des Trends, steigt die Zahl der Stellen für Gutqualifizierte heute weniger. So sinkt inzwischen bereits der Anteil der Stellen, die Qualifikationen im oberen Mittelfeld erfordern.

David Autor bietet dafür zwei mögliche – und sich teils widersprechende – Erklärungen an: Die erste lautet, dass die IT immer intelligenter wird und immer bessere Stellen wegrationalisiert. Die zweite lautet, dass der Strukturwandel in den letzten Jahren in den USA langsamer gelaufen ist als vorher und daher weniger neue Stellen für Gutqualifizierte entstanden sind.

Aber wie geht es nun weiter?

In einem Video werden uns Robotor an einer Hotelrezeption vorgestellt. Und der Chef der japanischen Hotelkette, die diese Roboter einsetzt, preist als ihren größten Vorteil an, dass sie immer höflich sind. Sind Roboter also inzwischen selbst im Umgang mit Menschen überlegen?

Ich glaube allerdings, die Hotelroboter würden schnell nervig, wenn man jeden Tag mit ihnen zu tun hätte. Was also in einem Hotel für ein paar Tage geht, geht sicherlich nicht in einem Altenheim. Und auf einen anderen Aspekt weist David Autor hin: Geldautomaten haben bisher keineswegs die Zahl der Bankkassierer reduziert. Die Aufgabe der Kassierer hat sich stattdessen gewandelt: Beratung, Werbung für weitere Produkte, Lösung von Problemfällen.

Zwei Wege für die weitere Automatisierung

David Autor erkennt zwei Wege für die Computer, in Zukunft die Felder einzunehmen, die bisher noch Domaine der Menschen sind, also die Felder, die Flexibilität, Urteilskraft oder gesunden Menschenverstand erfordern. Beide Wege haben aber ihre Grenzen.

Der eine Weg ist die Kontrolle der Umwelt. Das zur Zeit anspruchsvollste Beispiel ist das Auto ohne Fahrer. Viel mehr als auf seine eigenen Sensoren vertraut das Auto ohne Fahrer hochdetaillierten und ständig aktualisierten Karten. Und nicht Weniges bei der Kartenaktualisierung geschieht manuell. David Autor schreibt:

… das Google-Auto erscheint nach außen als lern- und anpassungsfähig, es ähnelt aber etwas einem Zug, der auf unsichtbaren Schienen fährt.

Der zweite Weg ist das maschinelle Lernen. Rechner werden dazu mit großen Datenmengen gefüttert, Es geht um Daten über viele Einzelfälle, möglichst alle ihre konkreten Umstände und alle relevanten Schlussfolgerungen aus ihnen. Die Rechner entwickeln dann mithilfe der Wahrscheinlichkeitsrechnung immer bessere Prognosen über die gefragten Schlussfolgerungen. Ein einfaches Beispiel sind die Amazon-Buchempfehlungen, ein weiteres Google Translate.

Eine prominente lernende Maschine, IBMs Watson, besiegt im Quizspiel Jeopardy inzwischen die besten Menschen. Aber als Watson die Stadt in den USA angeben sollte, bei der „Its largest airport was named for a World War II hero; its second largest, for a World War II battle“, da antwortete Watson: „Toronto“. Ein kapitaler Fehler, Toronto liegt in Kanada.

Auch die Amazon-Empfehlungen sind im Durchschnitt sicher besser als die eines guten Buchhändlers und trotzdem manchmal grottenschlecht. Darum vermute ich, lernende Maschinen werden dort, wo eine geringe Fehlertoleranz besteht, immer nur ein bloßes Hilfsmittel für den ersten Überblick bleiben.

Foto (von MF/Wikimedia): Warenbewirtschaftungsroboter in einem Arzneimittellager