Ποιες δουλειές θα χαθούν και ποιες θα δημιουργηθούν: Πώς θα αλλάξει τη ζωή μας η 4η βιομηχανική επανάσταση;

Πριν από 1 χρόνο περίπου, το ΔΙΚΤΥΟ φιλοξένησε τον James Kondo. Με θητεία στα υψηλότερα κλιμάκια της Twitter Inc και πρόεδρος Twitter Ιαπωνίας, ο κ. Kondo σε μία άκρως ενδιαφέρουσα ομιλία παρουσίασε ένα μέλλον που… είναι ήδη παρόν, την 4η βιομηχανική επανάσταση.

Από τότε και για 1 χρόνο το ΔΙΚΤΥΟ δούλεψε συστηματικά πάνω στις αλλαγές που θα επιφέρει στις ζωές μας η Τεχνητή Νοημοσύνη, ο αυτοματισμός και καθετί που κουβαλά ως έννοιες η νέα βιομηχανική επανάσταση.

Προϊόν της δουλειάς αυτής είναι ένα μικρό βιβλιαράκι που συνέγραψε ο Διευθυντής του ΔΙΚΤΥΟΥ, Γιάννης Μαστρογεωργίου «Τέταρτη Βιομηχανική Επανάσταση. Κράτη, επιχειρήσεις και εργαζόμενοι μπροστά στην πρόκληση της Τεχνητής Νοημοσύνης και του αυτοματισμού».

Σήμερα, με την άδεια του συγγραφέα, δημοσιεύουμε μερικά ενδιαφέροντα αποσπάσματα. 

Η Τεχνητή Νοημοσύνη (ΑΙ), υπήρξε ένα όνειρο για πολλούς από τότε που πρώτος ο Alan Turing δημοσίευσε τη μελέτη – σταθμός «Computing Machinery and Intelligence» το 1950. Η σκέψη του συμπυκνώνεται στο – ρητορικό τότε – ερώτημα : μπορούν άραγε οι μηχανές να σκεφτούν;

Η γέννηση όμως του επιστημονικού πεδίου της τεχνητής νοημοσύνης, έγινε λίγα χρόνια αργότερα, το 1956, όταν μία ομάδα ερευνητών από το Dartmouth College, ξεκίνησε μία σειρά από ερευνητικά προγράμματα με σκοπό να προγραμματίσουν τους υπολογιστές ώστε να συμπεριφέρονται ως άνθρωποι. Εκεί γεννήθηκε ο όρος «τεχνητή νοημοσύνη».

Η λεγόμενη 4η Βιομηχανική Επανάσταση έχει ως πυρήνα της τον συνδυασμό της δύναμης της αυτό-εκπαίδευσης των ίδιων των μηχανών (Machine Learning – Deep Learning), της επιστήμης των Δεδομένων (Data Science), υπό την γενικότερη ομπρέλα αναφοράς που λέγεται Τεχνητή Νοημοσύνη (Αrtificial Intelligence) και που αθροιστικά, δημιουργούν τεράστιες προκλήσεις και ευκαιρίες.

Για την ιστορία, η 1η Βιομηχανική Επανάσταση που άρχισε στο τέλος του 18ου αιώνα (1770) αφορούσε την εκμηχάνιση της παραγωγής, η 2η Βιομηχανική Επανάσταση στα τέλη του 19ου αιώνα (1870) αφορούσε την μαζική παραγωγή με χρήση του ηλεκτρισμού, η 3η Βιομηχανική Επανάσταση στα τέλη του 20ου αιώνα (1970) αφορούσε την αυτοματοποιημένη παραγωγή με χρήση υπολογιστών.

Σήμερα όμως, η τεχνητή νοημοσύνη όχι μόνο θα αλλάξει τη βιομηχανία, αλλά θα δοκιμάσει τις κοινωνικές, πολιτικές, στρατιωτικές και γεωπολιτικές σχέσεις, και θα επαναχαράξει τη σχέση ανθρώπου – μηχανής· μία σχέση που θα είναι περίπλοκη, καθώς δεν θα φέρει μόνο την αντικατάσταση του πρώτου από τα ρομπότ, αλλά και την συνεργασία μεταξύ τους. Και αυτή η εξέλιξη ανοίγει έναν τεράστιο ορίζοντα φιλοσοφικών, κοινωνικών σχέσεων που θα εξεταστούν υπό νέο πρίσμα.

Η 4η βιομηχανική επανάσταση ξεκινά ως οικονομικό φαινόμενο, αλλά σταδιακά απλώνει το εύρος των προεκτάσεων της σε τομείς ανθρωποκεντρικούς, θεωρητικά άθικτους. Είναι μία νέα φάση της ιστορίας που έχει δύο όψεις, αντίθετες και αλληλοσυμπληρώμενες ταυτόχρονα.

Τα οικονομικά, ως επιστήμη, τα στοιχειώνουν πολλές φορές πλάνες ισχυρότερες από άλλες επιστήμες. Αυτό συμβαίνει εξαιτίας δύο παραγόντων:

Των ομάδων συμφερόντων και της επίμονης τάσης των ανθρώπων να βλέπουν μόνο τα άμεσα αποτελέσματα μίας πολιτικής ή τα αποτελέσματα σε μία μόνο ομάδα. Αυτή είναι η λεγόμενη «πλάνη της παράβλεψης των δευτερογενών επιπτώσεων». Αυτό συμβαίνει και με την 4η βιομηχανική επανάσταση και τις επιπτώσεις της στην απασχόληση, την παραγωγικότητα, το ανθρώπινο κεφάλαιο κλπ. Κάποιοι βλέπουν τις βραχυπρόθεσμες συνέπειες στην αγορά εργασίας, τον τρόπο σύνδεσης και επαφής ανθρώπου και μηχανής, αλλά παραβλέπουν τις μακροπρόθεσμες συνέπειες και προεκτάσεις.

Η 4η βιομηχανική επανάσταση, όμως, πρέπει να συζητηθεί και ως προς τις άμεσες και ως προς τις μακροπρόθεσμες επιπτώσεις:

Αφενός στις σχέσεις ανθρώπου – μηχανής, όπου η ουσία της 4ης βιομηχανικής επανάστασης που είναι ότι τα ρομπότ και οι υπολογιστές δεν θα εκτελούν μόνον μία σειρά από πρακτικές εργασίες ρουτίνας καλύτερα και σε μικρότερο κόστος απ’ ότι ο άνθρωπος, αλλά θα είναι σε θέση να υλοποιούν ενέργειες για τις οποίες απαιτούνται γνωστικές ικανότητες, όπως να λαμβάνουν σιωπηρά αποφάσεις, να ανιχνεύουν συναισθήματα ή ακόμα και να οδηγούν δραστηριότητες των οποίων ο αυτοματισμός θεωρείτο στο παρελθόν εξαιρετικά δύσκολο να επιτευχθεί.
Αφετέρου στις σχέσεις παραγωγής. Οι συνέπειες της 4ης βιομηχανικής επανάστασης σε μικροοικονομικό επίπεδο, θα επιτρέψουν στις  επιχειρήσεις σε όλους τους τομείς να εκμεταλλευτούν τα οφέλη τους και να αποκτήσουν συγκριτικό πλεονέκτημα όχι μόνον λόγω της μείωσης του κόστους εργασίας, αλλά και επειδή θα υπάρξει όφελος σε επίπεδο απόδοσης, όπως αύξηση της παραγωγής, υψηλότερη ποιότητα.

Σε μακροοικονομικό επίπεδο βάσει πρόσφατων μελετών, η εκτίμηση είναι ότι ο αυτοματισμός μπορεί να ενισχύσει την ανάπτυξη της παραγωγικότητας παγκοσμίως, έως και 1,4 % ετησίως.

Οι συνέπειες όμως, που κυρίως θα απασχολήσουν την κοινή γνώμη, θα είναι στην αγορά εργασίας. Εκεί υπάρχουν κάποιοι μύθοι και κάποια δεδομένα. Και πάλι όμως το νόμισμα έχει δύο όψεις και πολλές γκρίζες ζώνες ακόμα.

Καταρχάς, ελάχιστα επαγγέλματα, – λιγότερο από 5% – είναι σήμερα υποψήφια για πλήρη αυτοματοποίηση. Δηλαδή να μπορούν να αυτοματοποιηθούν όλες οι δραστηριότητες που συνιστούν αυτά τα επαγγέλματα. Όμως, σχεδόν όλα τα επαγγέλματα ενδέχεται να αυτοματοποιηθούν εν μέρει, δεδομένου ότι ένα σημαντικό ποσοστό των δραστηριοτήτων τους θα μπορούσε να αυτοματοποιηθεί. Υπολογίζεται ότι η προσαρμογή και μόνον των τεχνολογιών που υπάρχουν σήμερα θα μπορούσε να έχει σαν αποτέλεσμα την αυτοματοποίηση περίπου 50% των εργασιών τις οποίες εκτελούν άνθρωποι παγκοσμίως.

Μία από τις πιο παλιές οικονομικές αυταπάτες είναι η πεποίθηση που διαρκώς επανέρχεται και – έως σήμερα τουλάχιστον διαψεύδεται – ότι οι μηχανές εν συνόλω αυξάνουν την ανεργία. Οποτεδήποτε υπάρχει μία περίοδος υψηλής ανεργίας ένας βολικός αποδιοπομπαίος τράγος ιστορικά, υπήρξε η τεχνολογία. Η αλήθεια είναι ότι εργασίες χάνονται και άλλες δημιουργούνται. Κάποιοι βραχυπρόθεσμα, περνούν σε μία τράνζιτ περιοχή απασχόλησης μέχρι να βρεθεί η οικονομία σε νέα φάση ανόδου και να βρουν αλλού δουλειά. Κάποιοι άλλοι ευνοούνται μέσα από τα νέα επαγγέλματα που δημιουργούνται. Τα μάτια μας πρέπει να είναι στραμμένα και στους μεν και στους δε. Όμως, είναι ανάγκη να υπογραμμίσουμε ,ότι αυτό που έκαναν παλιά οι μηχανές, προ ετών τα κομπιούτερ και αύριο τα ρομπότ, είναι να αυξάνουν την παραγωγή! Και αυτό το κατορθώνουν είτε καθιστώντας τα προϊόντα φθηνότερα είτε αυξάνοντας τους μισθούς επειδή ανεβαίνει η παραγωγικότητα των εργαζομένων.

Η άλλη όψη του νομίσματος που λέγαμε  είναι η φύση της εργασίας, που θα αλλάξει. Καθώς, οι διαδικασίες θα διαφοροποιούνται λόγω του αυτοματισμού των ανθρώπινων δραστηριοτήτων τα άτομα θα εκτελούν δραστηριότητες συμπληρωματικές της εργασίας των μηχανών (και αντιστρόφως). Και αυτό θα χρειαστεί την προσαρμογή και του ανθρώπινου κεφαλαίου στις νέες συνθήκες, γιατί τα αποτελέσματα της αυτοματοποίησης θα ασκήσουν κάποια μορφή επίδρασης στις δεξιότητες της αγοράς εργασίας και την προσφορά που θα επηρεάσει την εξέλιξη του ανθρώπινου κεφαλαίου και της ροής της οικονομίας.

Ποιες δουλειές θα χαθούν και ποιες θα δημιουργηθούν

Ο Τσέχος συγγραφέας Karel Capek επινόησε την λέξη «ρομπότ» σχεδόν πριν από ένα αιώνα σε ένα έργο του 1920 για τα εργοστασιακά ανδροειδή (μηχανικοί εργάτες με μορφή ανθρώπων) όπου καθένα εκτελούσε την εργασία 2 ½ ανθρώπων με απειροελάχιστο κόστος.

Σήμερα, ο ρυθμός και το εύρος της αυτοματοποίησης και συνεπώς του αντίκτυπου επί των εργαζομένων, θα διαφέρει ανάλογα με την δραστηριότητα, το επάγγελμα, αλλά και του επιπέδου αμοιβής και των απαιτούμενων δεξιοτήτων.

Οι δραστηριότητες που πιθανότατα θα αυτοματοποιηθούν πρώτες θα είναι αυτές που έχουν σχέση με προβλέψιμες φυσικές δραστηριότητες, με πρώτες τις δραστηριότητες στον τομέα της μεταποίησης και το λιανεμπόριο, καθώς και εργασίες που αφορούν στην συλλογή και επεξεργασία δεδομένων.  Κάποιες μορφές αυτοματισμού θα απαιτούν δεξιότητες και θα αυξήσουν την παραγωγικότητα των εργαζομένων υψηλής εξειδίκευσης, ενώ θα μειώσουν τις ανάγκες απασχόλησης για άτομα χαμηλής εξειδίκευσης ή εργασίες ρουτίνας όπως υπάλληλοι αρχειοθέτησης ή εργαζόμενοι σε  γραμμή παραγωγής.

Αν σήμερα, λοιπόν, η συζήτηση σχετικά με την αυτοματοποίηση έχει εστιάσει στην ενδεχόμενη μαζική απώλεια θέσεων απασχόλησης, βασιζόμενη στην υπόθεση  του πλεονάσματος ανθρώπινης εργασίας, η παγκόσμια οικονομία  στην πραγματικότητα, θα χρειαστεί κάθε ικμάδα ανθρώπινης εργασίας πέραν των ρομπότ για να ξεπεράσει την ραγδαία γήρανση του πληθυσμού τόσο στις αναπτυγμένες αλλά και στις αναπτυσσόμενες χώρες. Με άλλα λόγια είναι πιο πιθανόν να υπάρξει πλεόνασμα εργατικού δυναμικού και όχι έλλειψη εργασίας με εξαίρεση την περίπτωση ευρύτατης εφαρμογής του αυτοματισμού.

Όμως, αυτό που σίγουρα θα αλλάξει, είναι η φύση της εργασίας. Καθώς, οι διαδικασίες θα διαφοροποιούνται λόγω του αυτοματισμού των ανθρώπινων δραστηριοτήτων τα άτομα θα εκτελούν δραστηριότητες συμπληρωματικές της εργασίας των μηχανών (και αντιστρόφως). Η μετακίνηση αυτή θα αλλάξει τον τρόπο οργάνωσης των επιχειρήσεων, την δομή και τις βάσεις του ανταγωνισμού εντός των κλάδων της βιομηχανίας αλλά και τα επιχειρηματικά μοντέλα. Στο προσκήνιο – ευτυχώς – θα βρεθεί η διά βίου μάθηση και κατάρτιση, η διαρκής επένδυση στη βελτίωση των προσόντων μας.

Η μηχανή πλέον μπορεί να μαθαίνει. Μαθαίνει όμως τα πάντα;

Από την ποιότητα και το βάθος της συνεργατικής σχέσης που θα αναπτύξουν οι άνθρωποι και οι μηχανές, θα εξαρτηθεί το βάθος, η ταχύτητα και το εύρος των αλλαγών στην παραγωγή και την απασχόληση. Η ποιότητα της σχέσης θα εξαρτηθεί από δύο προσεγγίσεις που όμως ακόμα δεν έχουν πλήρως αποκαλύψει το εύρος των πιθανών δυνατοτήτων τους και που φαινομενικά είναι αντίθετες μεταξύ τους, αλλά είναι «προγραμματισμένες» να συνδυαστούν:

– Η αντίληψη του διαφορετικού περιβάλλοντος εργασίας. Τα πιο πολλά συστήματα αυτοματισμού της παραγωγής στερούνται ευελιξίας. Τα περισσότερα εργοστάσια παραγωγής αυτοκινήτων διαθέτουν βιομηχανικά ρομπότ για την τοποθέτηση τζαμιών στα αυτοκίνητα. Αλλά η τοποθέτηση τζαμιού κατόπιν μίας ζημιάς γίνεται στο φαναρτζίδικο από ειδικό τεχνικό και όχι από ρομπότ. Γιατι; Επειδή η αλλαγή του σπασμένου τζαμιού, η τοποθέτηση του νέου και η διαδικασία που απαιτείται για την αντικατάσταση, χρειάζεται περισσότερη συνδυαστική προσαρμοστικότητα (real time adaptability) που διαθέτει η τέχνη του ειδικού από την τυποποιημένη δουλειά ρουτίνας του ρομπότ. Η διαφοροποίηση ανάμεσα στη γραμμή παραγωγής και στην επί τόπου διόρθωση υπογραμμίζει εμφατικά το ρόλο της ευελιξίας και της προσαρμοστικότητας στις διαφορετικές κάθε φορά απαιτήσεις. Τη στιγμή λοιπόν, που οι μηχανές «βραχυκυκλώνουν» μπροστά στην αυτενέργεια που χρειάζεται η αλλαγή των συνθηκών, οι μηχανικοί του συνεργείου απλοποιούν τις απαιτήσεις και κάνουν τις μηχανές υποβοηθητικές της δικής τους απόφασης.

Για πόσο ακόμα όμως οι μηχανές θα περιορίζονται παραμένει άγνωστο. Ο άνθρωπος φύσει ον ικανό να προσαρμόζεται, να λύνει προβλήματα με κρίση και αξιολόγηση, διαθέτει άπειρη ευελιξία στις επιλογές του. Οι μηχανές δεν διαθέτουν αυτά τα χαρακτηριστικά, αλλά αποκτούν άλλες δεξιότητες, όπως δύναμη, ταχύτητα, ακρίβεια, προσαρμογή στις εντολές. Το μέλλον δεν απαιτεί υποκατάσταση ούτε ανθρωποειδή ρομπότ. Το μέλλον ζητά συνεργασία.

– Η δυνατότητα της μηχανής να μαθαίνει. Machine learning και deep learning. Το παράδοξο με τη δυνατότητα της μάθησης ή της αυτομάθησης από τις μηχανές είναι ότι συνιστά μία αντίφαση με αυτό που παραπάνω παρουσιάσαμε ως αποκλειστική ανθρώπινη δυνατότητα. Την ικανότητα δηλαδή του ανθρώπου να προσαρμόζεται εκείνος αποκλειστικά στο μεταβαλλόμενο περιβάλλον εργασίας. Αυτό όμως, το παράδοξο είναι που κάνει την 4η βιομηχανική επανάσταση, πραγματική καινοφανή περίοδο στην ιστορία μας. Η δυνατότητα των μηχανών να μαθαίνουν είναι μία απλή ιδέα που συνίσταται στη σύνθεση στατιστικών δεδομένων και επαγωγικής ανάλυσης για την παραγωγή των καλύτερων πιθανών επιλογών  στις περιπτώσεις που οι τυπικοί κανόνες μίας διαδικασίας δεν είναι γνωστοί. Με άλλα λόγια, όπου οι προγραμματιστές πχ δεν είναι σε θέση να προγραμματίσουν μία μηχανή να μιμηθεί μία πράξη ή απόφαση ακολουθώντας σαφείς κανόνες ενός κώδικα (κανόνες διαδικασίας), μπορούν να προγραμματίσουν τη μηχανή να εκτελέσει την εντολή μόνη της, αφού πρώτα «μελετήσει» παραδείγματα εκτέλεσης της ίδιας εντολής προηγουμένως από άλλους. Οι αλγόριθμοι που θα προκύπτουν από τη συνεχή εξάσκηση της μηχανής μπορούν θεωρητικώς, να διευκολύνουν τις μηχανές να ολοκληρώσουν εργασίες που αποτελούσαν απαγορευτικές προκλήσεις για εκείνες όσο οι διαδικασίες ήταν προδιαγεγραμμένες και οι εντολές ανεπαρκείς. Ας εξετάσουμε τι σημαίνει στην πράξη το machine learning μέσα από το παράδειγμα της οπτικής ταυτοποίησης μίας καρέκλας.  Εφαρμόζοντας στο παράδειγμα αυτό τις τυπικές εντολές, ένας προγραμματιστής θα «φόρτωνε» τα βασικά χαρακτηριστικά μίας καρέκλας στον υπολογιστή της μηχανής, μπράτσα, πλάτη, κλπ. Κατόπιν, θα έδινε την εντολή να αναγνωρίσει η μηχανή μία καρέκλα. Αλλά έχοντας δώσει ένα σύνολο χαρακτηριστικών για την ταυτοποίηση του αντικειμένου, δεσμεύει την αναγνώριση του ως προς όλα τα χαρακτηριστικά , τα οποία έτσι κρίνονται αναγκαία, τη στιγμή που μπορεί κάλλιστα μία καρέκλα να… είναι καρέκλα χωρίς να έχει μπράτσα ή πλάτη. Αν η εντολή χαλαρώσει ως προς τα κριτήρια και απαιτήσει πχ την αναγνώριση ως καρέκλα για αντικείμενα που δεν έχουν πλάτη, τότε θα περιελάμβανε και αντικείμενα που δεν είναι καρέκλες όπως πχ το τραπέζι.

Το παράδειγμα αυτό θα ήταν παντελώς άχρηστο και χαζό για ένα παιδί του νηπιαγωγείου. Τι είναι όμως αυτό που κάνει το παιδί να ταυτοποιεί με ευκολία την καρέκλα όσα κριτήρια και αν αλλάξουν ως προς την επιλογή; Αυτό δεν το γνωρίζουμε και αυτό ακριβώς συνιστά το λεγόμενο «παράδοξο του Πολάνυι», που συνίσταται στη φράση «γνωρίζουμε περισσότερα από αυτά που μπορούμε να εξηγήσουμε». Η δυνατότητα των μηχανών να εκπαιδεύονται έρχεται ακριβώς σε αυτό το σημείο ως μία νέα παράμετρος που ξεπερνά αυτό το πρόβλημα. Με το πλεονέκτημα των τεράστιων βάσεων δεδομένων της αληθινής γνώσης που πλέον παράγονται σωρηδόν,  μία μηχανή θα μπορεί να εξελίξει στατιστικά ή τουλάχιστον να προσπαθήσει, να συμπεράνει ποια χαρακτηριστικά συνιστούν μία καρέκλα κατά το μάλλον ή ήττον. Αυτή είναι η διαδικασία της εκπαίδευσης. Μόλις, η διαδικασία αυτή ολοκληρωθεί, η μηχανή θα μπορεί να αναγνωρίσει ως καρέκλα ένα αντικείμενο που μπορεί και να διαφέρει από το αρχικό που της είχε καταχωρηθεί στη μνήμη (διαφορετικό σχήμα, υλικό, διαστάσεις κλπ). Τι είναι αυτό άρα που κάνει συναρπαστική αυτή τη διαδικασία εκμάθησης των μηχανών; Πολύ απλά ότι δεν απαιτεί τη φυσική παρουσία ενός αντικείμενου που εν προκειμένω, είναι η καρέκλα. Πρόκειται για μία δυναμική τεχνική που έχει ως πρώτη ύλη μεγάλες βάσεις συνεχώς νέων δεδομένων, σημαντική ικανότητα επεξεργασίας και βέβαια εξελιγμένο software. Σήμερα, έχουμε κάποιο απτό παράδειγμα machine learning; Ναι, όποιος πχ χρησιμοποιεί Google Translate, ή τη φωνητική εντολή στο κινητό τηλέφωνο, μπορεί να διαπιστώσει τις δυνατότητες, αλλά και τον πολύ δρόμο που έχει ακόμα να διανύσει η τεχνολογία για να φτάσει σε ένα ικανοποιητικό επίπεδο, αφού τα λάθη είναι πολλά και συχνά παιδαριώδη. Αν αναλογιστούμε όμως, τις προεκτάσεις της εκπαίδευσης της μηχανής στην αναγνώριση μίας καρέκλας. Σε τελική ανάλυση αυτό που ορίζει μία καρέκλα είναι ο σκοπός της που είναι να αποτελεί κάθισμα για τον άνθρωπο. Αυτή η αντίληψη του σκοπού του αντικειμένου απαγορεύει τον άνθρωπο να θεωρήσει ως κάθισμα πχ ένα κωνοειδές σχήμα και είναι εξαιρετικά αδύνατο για μία μηχανή να προχωρήσει από την αναγνώριση του αντικειμένου στην κατανόηση του σκοπού…

Υπ’ αυτή την έννοια όσο και αν εξελιχθεί η τεχνητή νοημοσύνη, κάποιες βαθιά διανοητικές επεξεργασίες θα μείνουν αποκλειστικό προνόμιο του είδους μας.

Πώς προετοιμαζόμαστε για αυτές τις αλλαγές;

Ενώ, για τις επιχειρήσεις τα οφέλη στην απόδοση τους από την αυτοματοποίηση είναι σχετικά ξεκάθαρα, για τους λεγόμενους «λήπτες αποφάσεων» και τις Κυβερνήσεις, τα πράγματα δεν είναι το ίδιο ξεκάθαρα.

Για τους φορείς διαμόρφωσης πολιτικών, λοιπόν, η υιοθέτηση της αυτοματοποίησης μπορεί να αποτελέσει πεδίο άσκησης υπεύθυνης πολιτικής μακρόπνοου ορίζοντα, αρκεί να δράσουν μεθοδικά και έγκαιρα. Οι φορείς διαμόρφωσης πολιτικών σε όλο τον κόσμο έχουν σοβαρά κίνητρα για να ενθαρρύνουν και να διευκολύνουν την υιοθέτηση των τεχνολογιών αυτοματισμού με στόχο να προωθήσουν και να στηρίξουν την παραγωγικότητα, ως μοχλό προώθησης της ανάπτυξης.

Ταυτόχρονα, θα πρέπει να σκεφτούν σοβαρά πως θα στηρίξουν την επανένταξη ενός μεγάλου αριθμού εργαζομένων οι οποίοι θα πρέπει να μετακινηθούν σε άλλες δραστηριότητες, έχοντας κατά νου πάντα, ότι τα οικονομικά οφέλη της αυτοματοποίησης στο σύνολο τους εξαρτώνται από το κατά πόσο οι εργαζόμενοι θα συνεχίζουν να εργάζονται…

Γιάννης Μαστρογεωργίου, Διευθυντής του ΔΙΚΤΥΟΥ www.todiktio.eu