kunstig intelligens og fremtidens arbeidsliv...27 27 37 25 30 36 41 23 31 43 43 32 17 45 37 22 11 7...
TRANSCRIPT
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
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
11McKinsey & Company
Contents
Introduksjon
Fortidens arbeidsliv vs fremtidens arbeidsliv
Hvordan skal vi møte endringene?
12McKinsey & Company
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
13McKinsey & Company
… 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
14McKinsey & Company
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
KILDE: SSB; McKinsey
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)
15McKinsey & Company
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
16McKinsey & Company
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%
17McKinsey & Company
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
18McKinsey & Company
Automatisering handler mer om omorganisering enn jobbtap – og nye jobber vil bli opprettet på toppen
KILDE: “Artificial Intelligence and Automation – Shaping the future of work”, McKinsey report, to be published October 2017
~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
19McKinsey & Company
Vi har god tradisjon for å gjemme oss unna
Text
20McKinsey & Company
Grad av ekstern konkurranse og # ansatte (i ‘000), Norge
Denne gangen vil internasjonal konkurranse tvinge oss til forandring på mange områder
KILDE: SSB; McKinsey
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
21McKinsey & Company
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
22McKinsey & Company
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
23McKinsey & Company
Implikasjoner for Norge (3/4): Mindre utdannelse og kompetanse vil koste mer enn før
KILDE: “Artificial Intelligence and Automation – Shaping the future of work”, McKinsey report, to be published October 2017
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
24McKinsey & Company
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
25McKinsey & Company
Contents
Introduksjon
Fortidens arbeidsliv vs fremtidens arbeidsliv
Hvordan skal vi møte endringene?
26McKinsey & Company
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
27McKinsey & Company
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
28McKinsey & Company
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
29McKinsey & Company
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
30McKinsey & Company
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
31McKinsey & Company
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
32McKinsey & Company
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
33McKinsey & Company
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