kunstig intelligens og fremtidens arbeidsliv...27 27 37 25 30 36 41 23 31 43 43 32 17 45 37 22 11 7...

27. september 2017

Kunstig intelligens og fremtidens

arbeidsliv

FINANS NORGE

CONFIDENTIAL AND PROPRIETARY

Any use of this material without specific permission of McKinsey & Company is strictly prohibited

[email protected]

2McKinsey & Company

Innhold

Introduksjon

Fortidens arbeidsliv vs fremtidens arbeidsliv

Hvordan skal vi møte endringene?

3McKinsey & Company 3McKinsey & Company

Første

mennesker

utvikler seg i

Afrika

Utryddelse

av andre

menneskearter

Homo sapiens

eneste

overlevende

13,0002.5

millioner

Den kognitive

revolusjonen

Fremveksten

av språket

70,000

Den

vitenskapelige

revolusjon

500

Den

industrielle

revolusjon

200

Intelligente

maskiner

I dag

Vi har hersket i 13 000 år på grunn av vår overlegne hjerne – men nå blir maskiner mer og mer

intelligente …Antall år før i dag

KILDE: Harari, Y. (2015). Sapiens: A Brief History of Humankind; McKinsey

4McKinsey & CompanyKILDE: Google; University of Oxford; MIT Technology Review; Pressesøk

1 AI-maskinen DeepMind ble opplært gjennom 5000 timer med video fra seks ulike TV programmer, inkludert BBC Newsnight, Question Time og BBC Breakfast

93.4 %sammenlignet med 52.3 %

for profesjonelle leppelesere

korrekte ord

Eksempel: Google DeepMind er bedre på leppelesning enn profesjonelle leppelesereAndel ord identifisert korrekt1

EKSEMPEL

5McKinsey & Company

Kunstig intelligens Maskinlæring Dyp læring

1990’s 2000’s 2010’s1960’s 1970’s1950’s 1980’s

Vi er her

Intelligente maskiner er ikke et nytt fenomen

KILDE: McKinsey

Den generelle betegnelsen på intelligente

datasystemer

Maskiner etterligner kognitive funksjoner som

forbindes med det menneskelige sinn

Hovedtilnærmingen til realisering av

kunstig intelligens som innebærer å lære

fra empiriske data – dvs. å lære utover det

som er eksplisitt programmertInkluderer dype nevrale nettverk– AlphaGo-programmet var

basert på dyp læring

Forsøker å modellere høynivå abstraksjoner i data

Fellesbetegnelse for hierarkisk «feature-læring» som ofte blir

brukt på realistiske, menneskelige problemer (som for

eksempel å gjenkjenne en katt)

6McKinsey & Company

Gjensidig forsterkning i fremveksten av kunstig intelligens

Teknologi-

drivere

Adopsjons-

drivere

Datakraft

Program-

merings-

plattformer

og algoritmer

Big data

Applikasjon-

er og «use

cases»

Viktigste AI-drivere

KILDE: Selskapspresentasjoner; Dell; NVIDIA; Pressesøk; McKinsey

1 Floating-point operations per second, indikator for datakraft 2 Datakraft for ledende superdatamaskiner per år

1985

2000

2007

2016

ÅrPrognose

1

~250,000

~50,000,000

~1,250

Datakraft2,

FLOPS1, Indeksert, 1985 = 1

200x

7,0001,864

20172014

Databehandlingskraft2, GFLOPS1

96

2020

>99

2016

Nøyaktighetsgrad i talegjenkjenning, %

36

7

20202015

Mengde data produsert, Zettabyte/år

20202015

~60

~150Markedsstørrelse for AI-applikasjoner, NOK bn.

7McKinsey & Company

En stund kunne det virke som at AI-maskiner hovedsakelig vant i spill …

KILDE: Pressesøk; Markedsrapporter; McKinsey

1990 2000 20101970 1980

1997: Deep Blue slår Garry

Kasparov i sjakk

2016: Google AlphaGo slår

toppspiller Lee Sedol i spillet

“Go!”

2011: IBM’s Watson vinner

Jeopardy

2014: Datamaskin består ‘The

Turing Test’

2017: AI-datamaskin ‘Libratus’

vinner i poker

8McKinsey & Company

50 75 1000 25 125 150

10 15 200 5

Full automatisering av

arbeidskraft

Gjøre matematisk forskning2

Arbeide som kirurg

Skrive New York Times

bestselger3

Arbeide som selger

innen detaljhandel

Arbeide som lastebilsjåfør

Oversette4 bedre enn mennesket

Brette klesvask

Sette sammen alle typer LEGO

43

37

33

15

12

8

11

5

122

… men nå er maskiner i ferd med å forbigå mennesket på generell basis

KILDE: “When will AI exceed human performance?”, Oxford University and Yale University, May 2017; McKinsey

Medianen av antall år fra 2016, basert på prognose fra ~400 intervjuede maskinlæringsspesialister1

1 Spesialister utvalgt basert på topp rangert forskning fra forskningsinstitusjoner

2 Autonomt generere og bevise matematiske teoremer publiserbare i tier 1 tidsskrifter; 3 Skrive roman eller novelle god nok til å havne på NY Times bestselgerliste 4 Sanntid

9McKinsey & CompanyKILDE: “Artificial Intelligence and Automation – Shaping the future of work”, McKinsey report, to be published October 2017

Automatiseringspotensial som prosent av arbeidstid1

FIN NED

46%

USSWE

45%

IRE

43% 44%

BEL

44%46%

EST De fem

store i

Europa

Ni

fokusland

46%46%

NOR

42%40%

38%

DKLUX

42%

Nær 50% av all arbeidstid er automatiserbar med dagens teknologi

1 Automatisering mulig med nåværende eksisterende teknologi, inkludert kunstig intelligens

10McKinsey & Company

Det store spørsmålet: Vil roboter være et substitutt eller et komplement for dagens jobber?

KILDE: Pressesøk; McKinsey

Før 1980-tallet: Statiske

regnskapsbøker og bokføring

1980-tallet: Dynamiske regneark

forbedrer produktiviteten radikalt

Netto antall jobber innen

regnskap & revisjon økte

~5 sek / beregning1

~0.00002 sek / beregning1

1 Antagelse: 5 sekunder per beregning når det gjøres en-for-en, kolonne-for-kolonne og ~1 sekund å summere et regneark i Excel med 50 000 rader

2 Økt etterspørsel etter tjenester, inkludert f.eks. hva-hvis-analyse av endringer i inndata

1979:

VisiCalc

lansert

1987:

MS Excel

lansert

▪ I USA forsvant 400 000

bokføringsjobber på grunn

av effektiviseringsgevinster

▪ Samtidig ble 600 000 nye

jobber innen regnskap &

revisjon opprettet2


Contents

Introduksjon




Det norske arbeidsmarkedet har gjennomgått storstilte endringer før

KILDE: SSB; McKinsey

5 917

25

3727 2725

30

36

41

2331

43

43

32

17

4537

22

11 7 5

6

100 100100 100100 100

Private tjenester

Ressursbasert sektor

35 55 75 2015

Offentlige tjenester

951915

Industri

Sysselsatte i Norge1, prosent

1 Allokeringsnøkkel for årene 1935-1995 er per time, for 1915 og 2015 er per ansatt benyttet


… og 57% reduksjon i arbeidstimer73x økning i forbruk og levestandard …

Arbeidstimer per ukeBNP per capita, fastsatt til 2017 USD, indeks (1800=100)

7,349

100

73x

20171800

31

72

-57%

20171800

Produktivitetsveksten har tilrettelagt for 73x økning i levestandard og 57% færre arbeidstimer

KILDE: OECD; Federal Reserve Statistics; International Labor Organization; SSB; McKinsey


110

230

140

170

150

260

210

190

180

120

0

130

250

220

160

240

200

Offentlig admistrasjon og forsvar

Faglig, vitenskapelig og teknisk tjeneste

Informasjon og kommunikasjon

Varehandel og reparasjon av motorvogn

Bygge- og anleggsvirksomhet

09 151008 1306 2016052000 01

Finansierings- og forsikringsvirksomhet

11040302989695 99 14120797

Transport utenom utenriks sjøfart

Industri

Helse- og omsorgstjenester

1994

Automatisering og produktivitetsforbedringer har vært ulikt fordelt på tvers av sektorer


Høy vekst

Middels vekst

Lav vekst

1 Nominell produksjon og unntatt petroleumsvirksomhet, maritime og private eiendomsmeglingstjenester

Arbeidsproduktivitet målt ved produksjon per time, topp 9 norske sektorer1, indeks (1994=100)


60

70

60

90

80

100

50302015 5545 7540 65352510 70

20

50

30

50

10

085 9580

40

10090

Produktivitetsvekst 1994-20160 = lavest, 100 = høyest

Handel

Finansielle tjenester

Helse

Offentlig infrastruktur

Bygge- og anleggsvirksomhet

Transport

Hotell og restaurant

Industri

Kunst og underholdning

Primær1

ICT

Utdannelse

Fremtidig automatiseringspotensial0 = lavest, 100 = høyest

Profesjonelle tjenester

Offentlig

Sannsynlige temposkifter de kommende årene, mens noen næringer er ‘stuck’

KILDE: McKinsey; SSB

Nye ledereFortsatte etterslepere – “Baumol’s sykdom”

Tidligere ledere Fortsatte ledere

TAKTSKIFTE

Lav Høy

1 Landbruk og skogbruk


Mer enn 50% automatiseringspotensial i sektorer med ~40% av jobbene

KILDE: “Artificial Intelligence and Automation – Shaping the future of work”, McKinsey report, to be published October 2017

1 Vi definerer automatiseringspotensial basert på arbeidsaktiviteter som kan automatiseres ved å tilpasse demonstrert tilgjengelig teknologi

Sektor

42%

29%

31%

33%

33%

34%

36%

37%

39%

40%

52%

53%

54%

60%

61%

63%

Profesjonelle tjenester

Kunst og underholdning

Handel

Primærindustri

Utdannelse

Offentlig

IKT

Total

Finansielle tjenester

Helse

Andre tjenester

Offentlig infrastruktur

Industri

Bygg- og anleggsvirksomhet

Hotell og restaurant

Transport

Andel av arbeidstidAutomatiseringspotensial, Prosent1

100%

1%

9%

8%

14%

4%

21%

2%

2%

0%

13%

3%

5%

9%

5%

3%

1%

4%


To eksempler på hvordan kunstig intelligens gir tap av jobber og nye jobber

KILDE: Press search; McKinsey analysis

Bank og

finans

E-handel

Industri Eksempel Beskrivelse

▪ Intelligent plattform

for behandling av

juridiske kontrakter

med automatisert

gjennomgang og

analyse av

dokumenter

360,000

COiN analyse1 -99.9 %

Manuell analyse

~0

~30-60

sekunder

Tid krevd for å analysere 12,000 dokumenter, timer per år

1 COiN = JP Morgan Chase's Contrant Intelligence Platform

▪ Automatiserte varehus

ved hjelp av roboter

▪ Amazon har ansatt

~100 000 nye

varehusmedarbeidere

etter introduksjonen av

roboter, og sier at

ansettelsen vil fortsette


Automatisering handler mer om omorganisering enn jobbtap – og nye jobber vil bli opprettet på toppen


~16%

Sannsynlig omorganisering

~26%

Automatiserbar

arbeidstid

-42%

Potensielt jobbtap1

1 Definert ved jobber der automatiseringspotensialet er 70% eller mer

Fordeling av automatiserbar arbeidstid, prosent av total arbeidstid


Vi har god tradisjon for å gjemme oss unna

Text


Grad av ekstern konkurranse og # ansatte (i ‘000), Norge

Denne gangen vil internasjonal konkurranse tvinge oss til forandring på mange områder


19

30

32

44

46

60

6

8

11

31

111

216

183

68

Annonse og reklame

IT tjenester

Film/TV

Reise

Engroshandel

Finans

Overnatting

Servering

Olje og gass

Transport

Helse

Post og distribusjon

Jordbruk

Detaljhandel

Middels

Lav

Høy


Implikasjoner for Norge (1/4): Fast ansatte holder på jobbene sine

KILDE: OECD

110

105

100

0

90

95

20142007 2009 20122010 2015 2016

Norge

2008

+4%

Sverige

2013

-10%

2011

Gjennomsnittlig ansiennitet, indeks (2007=100)

8.8 9.0 9.1 9.2 9.1 9.1 9.2 9.4 9.2 9.2

10.0 9.9 10.1 10.0 9.7 9.7 9.6 9.5 9.3 9.0

Norge

Sverige

# år


14

2

0

3

1

9

10

6

5

12

11

8

13

16

15

7

4 Kvinner (15-74 år)

Menn (15-74 år)

Kvinner (15-24 år)

Menn (15-24 år)

1716151410 120908072006 1311

FIN

AN

SK

RIS

E

Implikasjoner for Norge (2/4): Unge mennesker vil ha større vansker med å finne arbeid

KILDE: SSB

Arbeidsledighet, Norge, % av total arbeidskraft

72

69

73

74

71

70

68

66

65

67

151209 201613 1411102008

Arbeidsdeltakelse, Norge, prosent


Implikasjoner for Norge (3/4): Mindre utdannelse og kompetanse vil koste mer enn før


47% 48%

70%

53% 52%

30%

Ikke-

automatiserbare

aktiviteter

Medium2

Automatiserbare

aktiviteter

Høy3Lav1Kompetanse

44%40%

17%

Antall

jobber

100% =

2.6m

1 Mindre enn grunnskole, grunnskole og nedre videregående (nivå 0-2); 2 Videregående og post-sekundær ikke-tertiær (nivå 3 og 4); 3 Kortere høyere utdanning, bachelor eller tilsvarende, mastergrad eller tilsvarende, doktorgrad eller tilsvarende (nivå 5-8)

4 Tilnærmet fra historisk yrkesmiks i Nederland og antatt samme forhold mellom yrkesmiksendring og endring i aktivitetsmiks i yrker frem mot 2030

5 Arbeidstid er omfordelt til aktivitetstyper basert på aktivitetsmiks av nye jobber opprettet. Landsspesifikk utvikling i aktivitetsmiks er estimert ved å justere DF9-estimatet for landsspesifikke automatiseringspotensial

Potensiale for automatisering

Prosent av arbeidstid i dag


Implikasjoner for Norge (4/4): Presset mot erodering av middelklassen vil innhente oss

KILDE: Goos, Manning, Salomons (2014); Autor (2015); OECD Employment Outlook (2017)

1 Basert på 2-siffer ISCO koder med 21 definerte yrker; Lavtlønnede er 4 yrker med lavest gjennomsnittslønn, høytlønnede er 8 høyest betalte yrker og middellønn er gjenstående 9

Endring i sysselsetting etter lønnsnivå, 1993-2015

Prosent

9%

2%

-8%

11%13%

4%

12%

-11% -11%

5%

-2%

-15%

2%

-8%

2%

6%

-2%

-10%

9%8%

4%

-10%-12%

3%

Middellønnede1

Høytlønnede1

Lavtlønnede1


Contents

Introduksjon




Et samfunns «agilitet» har blitt en viktigere driver for økonomisk vekst

KILDE: Worldwide Governance Indicators 2016: World Bank; McKinsey

Forskning

Innovasjon

Teknologisk adopsjon

Agilitetsindeks

Relativ betydning av agilitet og politiske institusjoner for BNP-vekst1

1980- & 90s 2000- & 2010s

1 Målt som relativ vekst i BNP per innbygger for et land som øker en desil i politiske institusjoner og agilitetsindeks

Fleksibilitet i

arbeidsmarkedet

~65%

~35%

~60%

~40%

Politiske institusjoner

Verdensomspennende

styringsindikatorer


Hvem er best posisjonert for AI-revolusjonen?

KILDE: Worldwide Governance Indicators (WGI) 2000-2010; World Bank; OECD

USA

Danmark

Storbritannia

Japan

Sveits

Sverige

Island

Canada

Singapore

2

3

4

5

6

7

8

9

10

1 New Zealand

Rangering av land basert på agilitet

Tyskland

Norge

Frankrike

Italia

12

19

21

24

27 Spania


Hva skal til for å bli et topp-5 land?

KILDE: Worldwide Governance Indicators (WGI) 2000-2010; World Bank; OECD

Forskning

Innovasjon

Teknologisk adopsjon

Agilitet

Fleksibilitet i

arbeidsmarkedet

Utdanning

Kapital

Åpenhet

Gjenopplæring

USA

Danmark

Storbritannia

Japan

Sveits

Sverige

Island

Canada

Singapore

Tyskland

Norge

Frankrike

Italia

2

3

4

5

6

7

8

9

10

12

19

21

24

1

27

New Zealand

Spania

Rangering av land basert på agilitet


3129 353428 40330

95

90

100

36

70

65

38 48

75

60

44 4542 5041 4737

55

460

85

4339 49

80

3230

Finland

Sverige

Norge

Danmark

Fullføringsandel

Prosent

Andel med grad i naturvitenskaplige fag, matematikk, statistikk, ingeniørfag

Prosent

Utdanning: Forsyne arbeidsmarkedet med det vi trenger

KinaSør-Korea

KILDE: McKinsey


Kapital: Investere i de neste 500 000 jobbene

Kilder til produktivitetstap – Norsk Tippeliga

Gjennomføringsmodell samferdsel16

Kortidsfravær15

Bestemmelser uten reell nytte-kost12

Tidstyver – privat sektor9

Ikke på jobb, ikke fritid -- men i kø7

Mer læring på tvers i vår største sektor (kommunene)6

Permanent fravær5

Effektiv arbeidstid i offentlige tjenester2

Utilstrekkelig standardisering13

Teknologistøtte på steinbruddnivå (teknologi offentlig sektor)8

Jordbruk14

Overinvestering i inaktiv kapital (eiendom)1

Feiltilpassete kapasiteter (olje og gass)11

Effektiv brukstid (kapitalproduktivitet, e.g. biler)10

4 Tid fra investering til avkastning (infrastruktur)

3 År i arbeid

16

46

93

378Total

224

Forvaltningskapital 2015 for personmarkedet, EUR bn

Det norske sparemarkedet er betydelig underutviklet

KILDE: McKinsey


Åpenhet: Drive fornyelse der det ikke nødvendigvis skjer naturlig

15

25

35

25

100Total

Offentlig sektor

Globalt konkurrerende

Lokalt konkurrerende

Olje & gass og vannkraft

40%

60%

Andel av Norges BNP, Prosent

KILDE: McKinsey


Omskolering: Legge til rette for endring

KILDE: AT&T; New York Times

Coding

Digital

marketing

Software &

virtualization

Applied

analytics

Data

scienceDesign

Cloud

computing

Product

development

Machine

learning

Digital

channels

$250 mill.på ansattes

utvikling og

utdanning

$30 mill.på undervisnings-

avgift

140,000 ansatte aktivt

engasjert i å tilegne

ferdigheter for

nyopprettede

stillinger


Diskuterer vi de riktige tingene?

KILDE: NRK; McKinsey

Basert på transkripsjon fra NRKs partilederdebatter, 14. august og 8. september 2017

27. september 2017

Kunstig intelligens og fremtidens

arbeidsliv

FINANS NORGE

CONFIDENTIAL AND PROPRIETARY

Any use of this material without specific permission of McKinsey & Company is strictly prohibited

[email protected]

kunstig intelligens og fremtidens arbeidsliv...27 27 37 25 30 36 41 23 31 43 43 32 17 45 37 22 11 7...

Documents