Sztuczna inteligencja zmienia rynek pracy: dlaczego 800 000 utraconych miejsc pracy to tylko połowa historii

Sztuczna inteligencja i niemiecki rynek pracy: rozpoczyna się wielka zmiana na rynku pracy

Dlaczego szczególnie młodzi profesjonaliści mogą być pod presją

Sztuczna inteligencja raczej nie przekształci niemieckiego rynku pracy poprzez nagły spadek zatrudnienia, a raczej poprzez głęboką restrukturyzację miejsc pracy, kwalifikacji i możliwości rozwoju zawodowego. Według długoterminowego scenariusza, w ciągu 15 lat może zniknąć około 800 000 miejsc pracy – podczas gdy powstanie mniej więcej taka sama liczba nowych. Jednak ten niemal zrównoważony wynik nie powinien być powodem do samozadowolenia: dotkniętych tym zjawiskiem miejsc pracy i osób nie da się po prostu ze sobą kompensować. Nowe stanowiska mogą wymagać innych umiejętności, pojawiać się w różnych lokalizacjach lub być dostępne później. Osoby rozpoczynające karierę mogą napotkać szczególne wyzwania, ponieważ firmy zmieniają swoje procesy i automatyzują standardowe zadania. Dlatego kluczowe pytanie brzmi nie tylko, ile miejsc pracy ostatecznie pozostanie, ale także, kto zarządza tą transformacją, jak rozkłada się wzrost wydajności i czy postęp technologiczny rzeczywiście przekłada się na realne możliwości rozwoju zawodowego.

W związku z tym:

• Eksplozja kosztów administracyjnych: Trybunał Obrachunkowy bije na alarm – Jak Federalna Agencja Pracy przepala miliardy pod rządami Andrei Nahles

Bilans miejsc pracy może być pozytywny, ale mimo to setki tysięcy ludzi wciąż tracą

Sztuczna inteligencja prawdopodobnie przekształci niemiecki rynek pracy nie poprzez nagły spadek zatrudnienia, a poprzez głęboką restrukturyzację miejsc pracy, kwalifikacji i możliwości rozwoju kariery. Około 800 000 utraconych miejsc pracy w ciągu 15 lat mogłoby zostać zrekompensowanych podobną liczbą nowych. Jednak ten w dużej mierze zrównoważony wynik nie jest powodem do samozadowolenia. Oznaczałoby to po prostu, że utrata miejsc pracy i nowe zatrudnienie z grubsza znoszą się wzajemnie w całej gospodarce, ale nie oznacza to, że osoby dotknięte tym problemem będą w stanie przejść na nowe stanowiska bez utraty dochodów, relokacji czy długich okresów przejściowych.

Kluczowym pytaniem ekonomicznym nie jest zatem po prostu to, ile miejsc pracy ostatecznie pozostanie. Ważniejsze jest to, które miejsca pracy znikną, gdzie pojawi się dodatkowy popyt, jak szybko firmy będą mogły się reorganizować i kto będzie w stanie na czas zdobyć niezbędne umiejętności. Dla Niemiec sztuczna inteligencja oferuje możliwość generowania większej wartości dodanej przy coraz bardziej ograniczonych zasobach ludzkich. Jednocześnie stwarza to ryzyko, że na rynku pracy istniejące relacje pracownicze pozostaną względnie stabilne, podczas gdy młodzi specjaliści, niektóre zawody w sektorze usług i mniej elastyczne firmy znajdą się pod coraz większą presją.

Co kryje się za tymi 800 000?

Liczby 800 000 utraconych miejsc pracy nie należy interpretować jako prognozy odpowiadającego temu wzrostowi bezrobocia. Opisuje ona potencjalną transformację strukturalną w długim okresie. Zgodnie z obliczeniami bazowymi, po 15 latach utraconych zostanie około 790 000 miejsc pracy w porównaniu ze ścieżką odniesienia, co zostanie zrównoważone mniej więcej taką samą liczbą nowych miejsc pracy. Po zaokrągleniu daje to powszechnie stosowaną liczbę 800 000 miejsc pracy w każdym przypadku. Łącznie oznaczałoby to, że około 1,6 miliona miejsc pracy zostałoby dotkniętych dodatkowymi zmianami strukturalnymi.

Punkt odniesienia ma kluczowe znaczenie. Ścieżka odniesienia nie opisuje zamrożonej gospodarki bez cyfryzacji, lecz raczej rozwój, w którym istniejące trendy ekonomiczne, technologiczne i demograficzne są już ekstrapolowane. Scenariusz sztucznej inteligencji bada, jak zwiększone wykorzystanie technologii mogłoby zmienić tę ścieżkę rozwoju. Dlatego zidentyfikowanych różnic nie należy utożsamiać ani z całościową utratą miejsc pracy w przyszłości, ani z ogólną zmianą zatrudnienia.

Nie oznacza to również, że 800 000 miejsc pracy znika każdego roku. Skala zjawiska ujawnia się w rozpatrywanym okresie i odzwierciedla różnice między dwiema możliwymi strukturami gospodarczymi. Jednolity rozkład w poszczególnych latach byłby mylący, ponieważ inwestycje, zmiany organizacyjne i nowe modele biznesowe zachodzą w różnym tempie. Dane te są przydatne jako wskaźnik skali transformacji, a nie jako precyzyjny plan zwolnień.

Zrównoważony budżet nie chroni nikogo

Istnieje znacząca różnica między zrównoważoną ogólną sytuacją zatrudnienia a indywidualnymi możliwościami zatrudnienia. Utrata pracy w ujednoliconym przetwarzaniu dokumentów nie może zostać automatycznie zastąpiona dodatkowym stanowiskiem w obszarze bezpieczeństwa IT lub integracji systemów technicznych. Może to wymagać innej wiedzy specjalistycznej, dodatkowego doświadczenia zawodowego lub innego miejsca pracy. Nawet jeśli oba stanowiska są statystycznie równoważne, nie są one zamienne z perspektywy danej osoby.

Problem ten często opisuje się jako niedopasowanie podaży i popytu na pracę. Ludzie szukają pracy, a jednocześnie firmy narzekają na brak obsadzonych stanowisk. Sztuczna inteligencja może zaostrzyć tę sytuację, jeśli zapotrzebowanie na określone zadania zmienia się szybciej, niż pracownicy są w stanie dostosować swoje umiejętności. Bliskie zeru saldo zatrudnienia może zatem prowadzić do dłuższych okresów bezrobocia w niektórych grupach, zwiększonych wymagań szkoleniowych i pogłębiania się nierówności dochodowych.

Kluczowy jest również wymiar czasowy. Dodatkowe miejsca pracy niekoniecznie powstają dokładnie wtedy, gdy inne stanowiska są likwidowane. Firma może redukować zatrudnienie w administracji, podczas gdy nowe usługi generują wystarczające przychody dopiero później. Dlatego długoterminowy stan docelowy nie jest jedynym czynnikiem wpływającym na ocenę polityki gospodarczej. Równie istotne są koszty przejściowe: utracone dochody, niewykorzystane umiejętności, obciążenie finansowe systemu zabezpieczenia społecznego oraz ryzyko trwałej marginalizacji.

Zadania znikają na rzecz całych zawodów

Sztuczna inteligencja początkowo zmienia zadania, niekoniecznie całe profile stanowisk. Praca zazwyczaj składa się z szeregu różnych zadań: gromadzenia informacji, sprawdzania danych, przygotowywania decyzji, komunikacji z klientami, brania odpowiedzialności za wyniki i rozwiązywania nieoczekiwanych problemów. Jeśli technologia przyspiesza niektóre z tych zadań, nie oznacza to automatycznie, że całe zadanie staje się ekonomicznie przestarzałe.

Praca analityczna może na przykład wymagać mniej czasu na sporządzenie raportu, przy jednoczesnym zachowaniu analizy nietypowych wyników, koordynacji z wyspecjalizowanymi działami i odpowiedzialności za decyzję. Dlatego potencjał automatyzacji technicznej nie powinien być utożsamiany z realnym ryzykiem utraty pracy. Pomiędzy tymi dwoma aspektami leżą koszty operacyjne, wymagania jakościowe, obowiązki prawne oraz pytanie, czy zaoszczędzony czas można wykorzystać produktywnie gdzie indziej.

Z drugiej strony, zbyt optymistyczne byłoby stwierdzenie, że taka perspektywa zadań gwarantuje bezpieczeństwo zatrudnienia. Jeśli wyeliminuje się wystarczającą liczbę etapów pracy i zreorganizuje procesy w firmach, to samo obciążenie pracą można obsłużyć mniejszą liczbą pracowników. Przejście może wówczas przebiegać stopniowo: odchodzący pracownik nie zostanie zastąpiony, dodatkowe stanowisko nie zostanie zatwierdzone lub wcześniej niezależne stanowisko zostanie połączone z innym. Rynek pracy zmienia się zatem nawet bez publicznie widocznych fal zwolnień.

Dlaczego wydajność ma dwa kierunki

To, czy wyższa produktywność zmniejszy zatrudnienie, czy stworzy dodatkowe miejsca pracy, zależy w dużej mierze od popytu. Jeśli firma może zapewnić taką samą wydajność przy mniejszej liczbie pracowników, a wolumen sprzedaży pozostanie niezmieniony, zapotrzebowanie na siłę roboczą początkowo spadnie. Jeśli jednak usługi staną się tańsze, lepsze lub dostępne dla większej liczby klientów, popyt może wzrosnąć i zniwelować część początkowych oszczędności.

Na przykład dostawca usług mógłby wykorzystać sztuczną inteligencję do bardziej ekonomicznego wspierania małych firm, ponieważ spadłyby koszty prostych analiz. Mogłoby to prowadzić do nawiązania nowych relacji z klientami i pojawienia się nowych usług konsultingowych. Jednak na rynku o w dużej mierze nasyconym popycie, ten sam postęp technologiczny mógłby przede wszystkim wywołać presję cenową i redukcję zatrudnienia. Sama technologia nie decyduje o tym, który rozwój się utrzyma.

Wykorzystanie zysków również odgrywa rolę. Wyższe zyski mogą finansować inwestycje, wyższe płace mogą wspierać konsumpcję, a niższe ceny mogą poprawić siłę nabywczą. Jeśli jednak oszczędności zostaną w dużej mierze wykorzystane bez generowania dodatkowego popytu krajowego lub inwestycji, efekt tworzenia miejsc pracy będzie słabszy. Rzetelna analiza ekonomiczna musi zatem wykraczać poza pojedyncze zautomatyzowane procesy i uwzględniać reperkusje dla rynków, dochodów i decyzji biznesowych.

Pierwsze ciśnienie spada na usługi

Usługi biznesowe są szczególnie istotne, ponieważ wiele z nich wiąże się z przetwarzaniem informacji dostępnych cyfrowo. Obejmuje to standaryzowane analizy, badania wstępne, dokumentację i niektóre zadania administracyjne. Generatywna sztuczna inteligencja może wspierać lub częściowo automatyzować te procesy. Zmienia to nie tylko wymagania kadrowe, ale także podstawy ekonomiczne istniejących ofert usług.

W długoterminowym scenariuszu rozwoju sztucznej inteligencji (AI), przewiduje się, że zatrudnienie w sektorze usług biznesowych będzie o około 120 000 osób niższe niż w przypadku trajektorii odniesienia po 15 latach. Z kolei w sektorze IT i usług informacyjnych przewiduje się utworzenie około 110 000 dodatkowych miejsc pracy. Te różnice pokazują, że cyfryzacja danej branży nie przekłada się automatycznie na wzrost lub spadek zatrudnienia. Kluczowym czynnikiem jest to, które usługi zostaną zastąpione, wsparte lub na które będzie dodatkowe zapotrzebowanie.

Stanowi to fundamentalne wyzwanie dla dostawców usług konsultingowych i opartych na wiedzy. Jeśli samo sporządzenie standardowego raportu stanie się tańsze, straci on na wartości jako samodzielny wyróżnik. Coraz ważniejszy staje się dobór trafnych pytań, solidna wiedza branżowa, walidacja założeń i wdrażanie konkretnych zmian. Potencjalna zmiana strukturalna prowadzi zatem od samej sprzedaży przetwarzania informacji do ewidentnie poprawiających decyzje i wyniki biznesowe. Jednak różne grupy usług biznesowych nie są tożsame: konkretnego wskaźnika branżowego nie da się zastosować bez modyfikacji do wszystkich zawodów konsultingowych lub opartych na wiedzy.

Banki potrzebują czegoś więcej niż analiz

Działania analityczne w bankach i firmach ubezpieczeniowych są szczególnie narażone, ponieważ często opierają się na ustrukturyzowanych danych, obszernej dokumentacji i powtarzających się procedurach oceny. Potencjalne zastosowania obejmują zarówno podsumowywanie złożonych dokumentów, jak i przygotowywanie standardowych ocen ryzyka. Chociaż wsparcie techniczne może skrócić czas przetwarzania, nie eliminuje ono automatycznie potrzeby nadzoru eksperckiego.

Zwłaszcza w usługach finansowych błędne wyniki mogą być kosztowne. Przekonująco sformułowana ocena niekoniecznie jest trafna. Jeśli dane wejściowe są niekompletne, nietypowe okoliczności są błędnie klasyfikowane lub model zawiera błędy systematyczne, pozorny wzrost wydajności może stwarzać dodatkowe ryzyko. Automatyzacja jest zatem ekonomicznie opłacalna tylko wtedy, gdy uwzględni się koszty monitorowania i potencjalne błędy w ocenie.

Potrzeby kadrowe prawdopodobnie staną się zatem bardziej zróżnicowane. Standaryzacja prac wstępnych może stracić na znaczeniu, a wymagające audyty, obsługa wyjątków i monitorowanie wdrożonych systemów mogą zyskać na znaczeniu. Czy doprowadzi to do powstania nowych stanowisk o podobnej skali, dopiero się okaże. Nie każde dodatkowe zadanie kontrolne wymaga nowego etatu, a nie każdy specjalista może łatwo przejść do wyspecjalizowanej funkcji kontrolnej.

Polisy nie zapewniają całkowitej ochrony

Utożsamianie wykształcenia wyższego z niższą automatyzacją to nadmierne uproszczenie w odniesieniu do generatywnej sztucznej inteligencji. Technologia ta dociera obecnie do zadań, które przez długi czas uważano za typową pracę opartą na wiedzy: formułowania tekstów, kompilowania informacji, tworzenia kodu programu czy wstępnego strukturowania złożonych zagadnień. Dlatego dyplom ukończenia studiów wyższych nie chroni każdego aspektu pracy przed wsparciem technologicznym lub koniecznością zastąpienia go innym.

Nie oznacza to jednak, że edukacja akademicka traci swoją wartość ekonomiczną. Wiedza specjalistyczna pomaga identyfikować błędy, zadawać właściwe pytania i umieszczać wyniki w szerszym kontekście. Problematyczna byłaby kwalifikacja, której praktyczna korzyść polegałaby niemal wyłącznie na rzetelnym wykonywaniu standardowych kroków roboczych. Dlatego istnieje istotna granica między powtarzalnym przetwarzaniem a niezależnym, odpowiedzialnym rozwiązywaniem problemów.

Nawet pracownicy bez dyplomu ukończenia studiów wyższych nie są w żadnym wypadku automatycznie chronieni. Chociaż długoterminowa analiza scenariuszy wskazuje na istotniejsze zmiany w zawodach wymagających wysokich kwalifikacji, bieżące analizy ujawniają jednocześnie potencjalne negatywne korelacje między ekspozycją na sztuczną inteligencję a zatrudnieniem młodych ludzi w zawodach pozaakademickich. Te dwa ustalenia mogą współwystępować, ponieważ dotyczą różnych okresów, struktur pracy i podejść badawczych. Dlatego rzetelna ocena unika pochopnych uogólnień na temat zwycięzców i przegranych, opartych wyłącznie na poziomie wykształcenia.

Jakość wykonania pozostała solidna, ale nie nietknięta

Zawody z dużym udziałem zadań praktycznych i manualnych są uważane za stosunkowo odporne na obecne zastosowania generatywnej sztucznej inteligencji. Naprawy na miejscu, regulacja obrabianych przedmiotów czy praca w zmieniającym się otoczeniu przestrzennym nie mogą być realizowane wyłącznie za pomocą modelu językowego. Fizyczne wykonanie, ocena sytuacji i natychmiastowa odpowiedzialność ograniczają bezpośrednią zastępowalność w tych przypadkach.

Ta względna solidność nie oznacza jednak, że tradycyjne rzemiosło pozostanie niezmienione przez sztuczną inteligencję. Oferty mogłyby być przygotowywane szybciej, dokumenty techniczne mogłyby być łatwiejsze w ocenie, a spotkania z klientami mogłyby być bardziej efektywne. Potencjalny wzrost produktywności leży zatem głównie w procesach wspierających. Firma mogłaby obsłużyć więcej zamówień bez fundamentalnej zmiany podstawowego rzemiosła swoich usług.

Ważne jest również odróżnienie tego od robotyki i innych form automatyzacji. Niski poziom kontaktu z generatywną sztuczną inteligencją nie gwarantuje całkowitej niezastąpioności technologicznej. Nie mówi on również nic o cyklicznej naturze zawodu. Zawód o charakterze praktycznym może być odporny na modele językowe, a jednocześnie podatny na spadek popytu, niskie inwestycje lub inne zmiany technologiczne. W celu oceny ekonomicznej, ryzyka te należy rozpatrywać oddzielnie.

Wejście na rynek pracy staje się wąskim gardłem

Rozwój młodych pracowników wymaga szczególnie ścisłego monitorowania. Wiele zadań na poziomie podstawowym obejmuje prace przygotowawcze, które są technicznie niezbędne, ale wciąż stosunkowo ustandaryzowane. Mogą to być wstępne badania, proste analizy, dokumentacja i przygotowywanie dokumentów. Takie zadania szczególnie dobrze nadają się do wsparcia sztucznej inteligencji. Firmy mogłyby zatem rozważyć zatrudnienie mniejszej liczby młodszych pracowników i zamiast tego wyposażyć doświadczonych pracowników w bardziej zaawansowane narzędzia.

Wczesny wskaźnik dla Niemiec pokazuje, że zatrudnienie w pełnym wymiarze godzin wśród osób w wieku 20–24 lat w zawodach najbardziej narażonych na AI spadło z około 279 000 do 239 000 od 2022 roku. Odpowiada to spadkowi o około 14%. Jednak we wszystkich grupach wiekowych zatrudnienie w tych szczególnie narażonych zawodach rozwijało się znacznie korzystniej. Ta różnica sprawia, że ​​wejście na rynek pracy jest ważnym punktem obserwacji, ale nie dowodzi jeszcze, że AI jest odpowiedzialna za cały spadek.

Co więcej, ta grupa wiekowa nie jest identyczna ze wszystkimi nowymi pracownikami. Niektórzy rozpoczynają karierę wcześniej, inni dopiero po dłuższym okresie nauki. Niemniej jednak pojawia się realne ryzyko: rynek pracy może wydawać się stosunkowo stabilny dla już zatrudnionych pracowników, jednocześnie ograniczając ich dostępność. Brak stanowiska na poziomie podstawowym często pozostaje mniej widoczny dla opinii publicznej niż zwolnienie, ale może mieć istotne konsekwencje dla długoterminowego rozwoju kariery.

Mniej młodych talentów będzie nas później kosztować więcej wiedzy specjalistycznej

Automatyzując proste zadania na poziomie podstawowym, firmy muszą na nowo przemyśleć, w jaki sposób przyszli specjaliści powinni zdobywać doświadczenie. Osąd zawodowy nie rozwija się wyłącznie poprzez wiedzę teoretyczną. Ewoluuje on również poprzez wielokrotną pracę z rzeczywistymi przypadkami, otrzymywanie informacji zwrotnych i refleksję nad błędami. Skrócenie lub całkowite wyeliminowanie tej fazy uczenia się może później doprowadzić do powstania luki między formalnymi kwalifikacjami a kompetencjami praktycznymi.

Z perspektywy pojedynczej firmy, w perspektywie krótkoterminowej korzystne może być zatrudnianie przede wszystkim doświadczonych specjalistów i redukcja liczby stanowisk juniorskich. Jednakże, jeśli wiele firm postąpi podobnie, zbiorowe podstawy przyszłej wykwalifikowanej siły roboczej mogą ulec osłabieniu. Rekrutacja doświadczonych pracowników nie rozwiązuje tego problemu makroekonomicznego, a jedynie redystrybuuje ograniczoną pulę talentów.

Rozsądnym rozwiązaniem biznesowym nie byłoby zatem sztuczne utrzymywanie każdego istniejącego, rutynowego zadania. Zamiast tego, ścieżki uczenia się musiałyby zostać świadomie przeprojektowane. Uczestnicy mogliby analizować wyniki sztucznej inteligencji, porównywać różne rozwiązania i stopniowo przejmować odpowiedzialność za rzeczywiste decyzje. To przesunęłoby nacisk szkolenia w kierunku rozumienia i krytycznego myślenia. Zaoszczędzony czas byłby wówczas nie tylko narzędziem redukcji kosztów osobowych, ale mógłby zostać wykorzystany konkretnie na szybszy i bardziej kompleksowy rozwój umiejętności.

Produktywność może również dać początkującym siłę

Wpływ sztucznej inteligencji na nowych specjalistów nie jest całkowicie negatywny. Odpowiedni asystent może ułatwić dostęp do wiedzy, udzielić wskazówek dotyczących doboru słów i wesprzeć w rozwiązywaniu mniej znanych problemów. Pozwala to niedoświadczonym pracownikom szybciej osiągnąć produktywność. To, czy firmy wykorzystają to jako okazję do zatrudnienia dodatkowych pracowników, czy do redukcji zapotrzebowania kadrowego, to osobna decyzja biznesowa.

Kompleksowe badanie obsługi klienta, obejmujące 5172 pracowników, wykazało, że wsparcie AI przełożyło się na średnio o około 15% więcej pomyślnie rozwiązanych zgłoszeń na godzinę pracy. Szczególnie znaczące korzyści odnieśli pracownicy mniej doświadczeni i wcześniej osiągający niższe wyniki. Odkrycie to dowodzi, że AI może zmniejszyć istniejące dysproporcje w wydajności w obrębie danego stanowiska. Nie pozwala ono jednak na wyciągnięcie ogólnych wniosków na temat zmian w zatrudnieniu i płacach w całej gospodarce.

To rozróżnienie jest kluczowe. Narzędzie może zwiększyć produktywność młodego pracownika, jednocześnie zmniejszając ogólne zapotrzebowanie na młodych pracowników w firmie. Podobnie, zwiększone korzyści z zatrudnienia dodatkowego pracownika mogą sprawić, że nowozatrudnienie będzie ekonomicznie opłacalne. To, czy efekt wsparcia, czy też tłoku przeważy, zależy od popytu, organizacji i strategii korporacyjnej. Możliwości technologiczne nie determinują w pełni rezultatu.

Obszary zainteresowań branży: B2B, digitalizacja (od AI do XR), inżynieria mechaniczna, logistyka, odnawialne źródła energii i przemysł

Więcej informacji tutaj:

• Centrum Biznesu Ekspertów

Centrum tematyczne oferujące spostrzeżenia i wiedzę specjalistyczną:

• Platforma wiedzy obejmująca gospodarki globalne i regionalne, innowacje i trendy branżowe
• Zbiór analiz, spostrzeżeń i informacji ogólnych na temat obszarów, na których się koncentrujemy
• Miejsce, w którym można zdobyć wiedzę i informacje na temat bieżących wydarzeń w biznesie i technologii
• Centrum dla firm poszukujących informacji na temat rynków, cyfryzacji i innowacji branżowych

Dane dotyczące zatrudnienia wymagają trzeźwej interpretacji

Jak dotąd w Niemczech nie zaobserwowano powszechnego spadku zatrudnienia w zawodach szczególnie narażonych na AI. Na początku 2026 roku zatrudnienie w pełnym wymiarze godzin w zawodach najbardziej narażonych było o 1,8% wyższe niż w 2022 roku. Natomiast w zawodach najmniej narażonych było ono o 6,4% niższe. Dane te przeczą uproszczonemu przekonaniu, że wysoki poziom wpływu technologii AI musi prowadzić do ogólnej redukcji zatrudnienia.

Nie dowodzą one jednak, że sztuczna inteligencja (AI) już w tak dużym stopniu zwiększyła zatrudnienie. Rozwój badanych grup zawodowych różnił się w niektórych przypadkach jeszcze przed upowszechnieniem się sztucznej inteligencji generatywnej. Cyfryzacja, zmiany w przemyśle i inne czynniki strukturalne mogą wpływać na wyniki. Każdy, kto interpretuje całą różnicę jako efekt AI, myli zaobserwowaną korelację z udowodnioną przyczyną.

Dodatkowe ograniczenie wynika z rozpatrywanego segmentu zatrudnienia. Zatrudnienie w pełnym wymiarze godzin nie odzwierciedla całego zatrudnienia ani automatycznie całkowitego wolumenu pracy. Zmiany w zatrudnieniu w niepełnym wymiarze godzin, samozatrudnieniu lub w godzinach pracy mogą dostarczyć dodatkowych informacji. Dlatego, aby postawić wiarygodną diagnozę, poziom zatrudnienia, nowo zatrudnionych pracowników, godziny pracy i dochody należy rozpatrywać łącznie. Pojedynczy wskaźnik może stanowić sygnał ostrzegawczy, ale nie daje pełnego obrazu transformacji gospodarczej.

Trendy ekonomiczne i sztuczna inteligencja się nakładają

Obecny kryzys gospodarczy utrudnia przypisanie obserwowanych zmian konkretnym czynnikom. Firmy często wahają się przed zatrudnianiem, gdy perspektywy sprzedaży są niepewne. Może to szczególnie dotknąć młodych specjalistów, ponieważ nie mają oni jeszcze stałego zatrudnienia, a ich kompetencje są trudniejsze do oceny przez potencjalnych pracodawców. Dlatego też trudniejsze wejście na rynek pracy nie jest automatycznie dowodem na wyparcie technologiczne.

Kolejna analiza dotycząca Niemiec koncentruje się na szerszej grupie wiekowej, czyli w wieku 20–29 lat. W tej grupie zatrudnienie w pełnym wymiarze godzin spadło o 3,8% między 2022 a 2025 rokiem w zawodach o większym narażeniu na AI oraz o 2,6% w zawodach o mniejszym narażeniu. Po uwzględnieniu dodatkowo wrażliwości ekonomicznej i predyspozycji do pracy z domu, ujemna korelacja z narażeniem na AI w tej grupie wiekowej pozostała statystycznie niejednoznaczna. Korelacja ze słabością ekonomiczną była znacznie silniejsza.

Wyniki te niekoniecznie przeczą wyraźniejszemu spadkowi liczby zachorowań wśród osób w wieku 20–24 lat. Definicja wieku, okres i klasyfikacja zawodowa różnią się. Podsumowując, wyniki uzasadniają ostrożną interpretację: istnieją poważne przesłanki wskazujące na zmieniające się możliwości wejścia na rynek pracy, ale nie ma wystarczających powodów, aby przypisywać wszystkie problemy młodych pracowników sztucznej inteligencji. Polityka gospodarcza musi zatem jednocześnie uwzględniać adaptację technologiczną oraz ogólną słabość inwestycji i popytu.

Dystrybucja to jeszcze nie transformacja

Generatywna sztuczna inteligencja szybko się rozpowszechniła w niemieckich firmach. Jej wykorzystanie wzrosło z około 5% w 2023 roku do prawie 25% w 2025 roku. Około 40% wszystkich pracowników podlegających składkom na ubezpieczenie społeczne pracowało w tych firmach. Nie oznacza to jednak, że wszyscy ci pracownicy sami pracowali z AI. Technologia ta może pozostać ograniczona do określonych działów lub zadań w firmie.

Istotne różnice występowały również między wielkościami firm. W 2025 roku około 48% firm zatrudniających co najmniej 200 pracowników korzystało z generatywnej sztucznej inteligencji. W firmach zatrudniających do dziewięciu pracowników odsetek ten wynosił około 21%. Technologia ta była szczególnie rozpowszechniona w sektorze technologii informacyjno-komunikacyjnych (59%), finansów i ubezpieczeń (50%) oraz usług okołobiznesowych (37%).

Znaczenie ekonomiczne tych danych leży nie tylko w szybkości adopcji. Sporadyczne podsumowanie tekstowe zmienia firmę inaczej niż integracja sztucznej inteligencji z ciągłymi przepływami pracy. Około 90% firm korzystających z rozwiązań bazowało na rozwiązaniach dostępnych publicznie; jedynie mniejszy odsetek korzystał z bardziej dostosowanych lub opracowanych wewnętrznie modeli. Wysokie wskaźniki adopcji mogą zatem zbiegać się z ograniczoną penetracją organizacji. Dla produktywności i zatrudnienia najważniejsze jest to, jak intensywnie i w jakim celu technologia jest wykorzystywana.

Korzyść ustalana jest w trakcie eksploatacji

Inwestycje w sztuczną inteligencję są opłacalne, jeśli dodatkowe korzyści przewyższają całkowite koszty. Koszty te obejmują nie tylko opłaty licencyjne, ale także zasoby potrzebne do przygotowania danych, interfejsy techniczne, szkolenia, środki bezpieczeństwa i monitorowanie wyników. Tanie narzędzie może okazać się drogie, jeśli jego wyniki wymagają częstych i kosztownych korekt.

Kluczowym pytaniem biznesowym nie jest zatem to, czy pojedyncze zadanie zostanie wykonane szybciej. Kluczowe jest pytanie, czy cały proces stanie się bardziej ekonomiczny, przy jednoczesnym zachowaniu lub poprawie jakości. Jeśli wstępna ocena pozwoli zaoszczędzić czas, ale konieczna jest późniejsza koordynacja i kontrole, rzeczywisty zysk może pozostać niewielki. Z drugiej strony, pozornie drobna poprawa może mieć znaczący wpływ, jeśli wyeliminuje wąskie gardło w często powtarzanym procesie.

Realistyczne wprowadzenie wymaga zatem weryfikowalnych kryteriów. Należą do nich czas przetwarzania potrzebny do osiągnięcia użytecznego rezultatu, wskaźniki błędów i poprawek oraz rzeczywista ilość uwolnionych mocy przerobowych. Liczba tworzonych tekstów, prezentacji czy projektów programów sama w sobie nie jest miarą produktywności. Postęp gospodarczy następuje tylko wtedy, gdy wyniki stają się bardziej użyteczne, klienci otrzymują wartość dodaną lub ograniczone zasoby są wykorzystywane bardziej efektywnie. Sztuczna inteligencja jako symbol modernizacji nie wystarczy, aby to osiągnąć.

Dlaczego duże liczby wzrostu są warunkowo ważne

Długoterminowy scenariusz sztucznej inteligencji (AI) łączy transformację strukturalną ze znaczącymi możliwościami makroekonomicznymi. Przy przyjętych założeniach, roczny wzrost gospodarczy w ciągu 15 lat mógłby być średnio o 0,8 punktu procentowego wyższy niż w ścieżce odniesienia. W całym okresie skumulowana dodatkowa wartość dodana wygenerowałaby około 4,5 biliona euro. Kwota ta stanowi potencjalny, a nie gwarantowany zwrot.

Należy unikać dwóch powszechnych błędnych przekonań. Wzrost rocznego wzrostu o 0,8 punktu procentowego nie jest tym samym, co jednorazowy wzrost produkcji gospodarczej o 0,8%. Podobnie, 4,5 biliona euro dodatkowej wartości dodanej w ciągu 15 lat nie jest ani dodatkowym budżetem rządowym, ani jednorazową kwotą pieniędzy rocznie. Chodzi o skumulowaną różnicę w produkcji gospodarczej między dwiema ścieżkami rozwoju w tym okresie.

Mechanizm leżący u podstaw jest zrozumiały: wyższa wydajność pracy, mniejsze nakłady materiałowe i nowe możliwości sprzedaży. Rzeczywista skala tych efektów zależy jednak od wdrożenia. Rezultatów szczególnie udanych, indywidualnych zastosowań nie da się bezpośrednio ekstrapolować na całą gospodarkę. Ponadto, pojawiają się niepewności dotyczące nowych modeli biznesowych, reakcji konkurencji międzynarodowej oraz tempa upowszechniania. Dlatego wysokie potencjalne wskaźniki należy rozumieć jako uzasadnienie poprawy warunków ramowych, a nie jako substytut weryfikowalnej strategii inwestycyjnej.

Nowe miejsca pracy nie tworzą się automatycznie

Długoterminowa, niemal zrównoważona równowaga zatrudnienia wymaga, aby oprócz wzrostu efektywności, pojawiła się dalsza aktywność gospodarcza. Obejmuje to rozwój i eksploatację infrastruktury technicznej, nowych usług informatycznych oraz modeli biznesowych, które wcześniej nie były ekonomicznie opłacalne. To zatrudnienie nie jest automatycznym efektem ubocznym każdej zaoszczędzonej godziny. Wymaga ono firm inwestycyjnych, klientów chętnych do płacenia oraz niezbędnych umiejętności.

Rozwój w czasie również nie jest liniowy. Początkowo może być potrzebny dodatkowy personel do gromadzenia danych, wdrażania technicznego i rozwoju infrastruktury. Później wzrost wydajności może zmniejszyć zapotrzebowanie na siłę roboczą. Nowe obszary działalności mogą zniwelować ten efekt w dłuższej perspektywie. Jeśli ich rozwój nie będzie zgodny z oczekiwaniami, zmieni się również bilans zatrudnienia. Analiza scenariuszy może zilustrować tę zależność, ale nie gwarantuje spełnienia wszystkich niezbędnych warunków.

Co więcej, dodatkowa praca niekoniecznie musi przekładać się wyłącznie na nowe stanowiska. Istniejący dostawca usług technicznych mógłby rozszerzyć swoją ofertę, firma przemysłowa mogłaby rozwijać dodatkowe usługi konserwacji cyfrowej, a firma konsultingowa mogłaby podjąć się nowych zadań wdrożeniowych. Liczy się dodatkowy popyt ekonomiczny, a nie liczba nowo utworzonych stanowisk. Dla polityki zatrudnienia oznacza to, że innowacje i zakładanie nowych firm są równie istotne, jak dalsze kształcenie obecnych pracowników.

Dane demograficzne sprawiają, że wydajność jest szczególnie cenna

W starzejącym się społeczeństwie wydajność pracy ma szczególne znaczenie. Gdy trudniej znaleźć pracowników na określone stanowiska, automatyzacja zadań administracyjnych może pomóc w efektywniejszym wykorzystaniu istniejących, wykwalifikowanych pracowników. Niższe zapotrzebowanie na siłę roboczą w jednym sektorze niekoniecznie oznacza pogorszenie ogólnej sytuacji na rynku pracy. Może również pomóc złagodzić niedobory.

Nie należy jednak nadmiernie rozciągać tego powiązania. Pracownik biurowy odciążony od zadań administracyjnych przez sztuczną inteligencję nie staje się automatycznie poszukiwanym pielęgniarzem, a dodatkowe kompetencje techniczne nie zastępują wszystkich praktycznych zadań. Wymagania kwalifikacyjne, preferencje osobiste i ograniczenia organizacyjne leżą pomiędzy tymi obszarami. W związku z tym niedobór kadrowy uwarunkowany demograficznie i przesunięcie technologiczne mogą wystąpić jednocześnie.

Atrakcyjna ekonomicznie perspektywa polega na przesunięciu ograniczonego czasu pracy ze standardowych zadań na zadania przynoszące większe korzyści ludzkie. Mogłoby to obejmować lepszą obsługę klienta, szybsze rozwiązywanie problemów lub lepsze przygotowanie techniczne. Powodzenie tego zależy od organizacji pracy. Jeśli obniżymy jedynie koszty osobowe bez odpowiedniego wykorzystania pozostałych mocy produkcyjnych, część potencjału pozostanie niewykorzystana. Sztuczna inteligencja jest zatem potencjalnym elementem w rozwiązywaniu problemów demograficznych, ale nie zastąpi w pełni edukacji, uczestnictwa w rynku pracy i odpowiedniej imigracji.

Dalsza edukacja wymaga konkretnych celów zawodowych

Zapotrzebowanie na dalsze szkolenia pozostaje nieskuteczne, jeśli nie wiadomo, jakie umiejętności będą później potrzebne z ekonomicznego punktu widzenia. Ogólne szkolenie wprowadzające z obsługi chatbota może być pomocne, ale nie zastąpi ono adaptacji umiejętności zawodowych. Pracownicy muszą być w stanie rozpoznać, które z ich zadań ulegną zmianie i jakie dodatkowe obowiązki będą musieli przejąć w przyszłości.

Sytuacja operacyjna ujawnia znaczną lukę wdrożeniową. W 2025 roku około 27% firm korzystających z generatywnej sztucznej inteligencji oferowało odpowiednie szkolenia. Kolejne 21% planowało oferowanie takich szkoleń. Nie należy utożsamiać już wdrożonych środków z samymi planami. Wdrożenie regulacji wewnętrznych również było niekompletne: około 21% firm korzystających z AI posiadało odpowiednie wytyczne, a kolejne 22% planowało ich wdrożenie.

Sensowny rozwój zawodowy łączy zatem specjalistyczną wiedzę, umiejętności praktyczne i ocenę wyników. Pracownicy powinni nauczyć się nie tylko formułować instrukcje, ale także rozpoznawać niepewność, właściwie interpretować dane i oceniać ograniczenia modelu. Dla firm kluczowe jest faktyczne przeznaczenie czasu na naukę w ramach codziennej rutyny. Przerzucenie odpowiedzialności wyłącznie na gotowość pracownika do kontynuowania nauki w ramach prywatnych szkoleń byłoby niekorzystne dla osób dysponujących mniejszym czasem, zasobami finansowymi lub odpowiednimi możliwościami kształcenia.

Klasa średnia między dostępem a zależnością

Dla mniejszych firm łatwo dostępne usługi AI początkowo obniżają bariery wejścia. Nawet bez własnego działu rozwoju, mogą one uzyskać wsparcie w zakresie komunikacji, badań lub analiz. Stwarza to możliwości częściowej kompensacji niekorzystnych warunków organizacyjnych w porównaniu z większymi konkurentami. Jednak dalsza integracja z procesami specyficznymi dla danej firmy pozostaje trudniejsza niż korzystanie z pojedynczego narzędzia.

Duże firmy mogą rozłożyć stałe koszty wdrożenia na więcej przypadków użycia i zatrudnić bardziej wyspecjalizowane zespoły. Z drugiej strony, mniejsze firmy, dysponując ograniczonymi zasobami kadrowymi, często muszą decydować, które aplikacje są sensowne i jak wpisują się w istniejące systemy. W tym przypadku pomocne mogą być ujednolicone rozwiązania branżowe lub wsparcie zewnętrzne. Ma to jednak sens ekonomiczny tylko wtedy, gdy korzyści, dostęp do danych, koszty bieżące i opcje przełączania pozostają wystarczająco przejrzyste.

Dodatkowe ryzyko wiąże się z zależnością od indywidualnych dostawców. Jeśli podstawowe procesy są ściśle powiązane z jednym systemem, późniejsze zmiany cen, ograniczenia techniczne lub trudności ze zmianą dostawcy mogą zniweczyć początkowe korzyści. Dlatego w strategii AI skierowanej do średnich firm istotne są nie tylko przystępne cenowo licencje podstawowe. Równie ważne są transferowalne dane, przejrzyste interfejsy oraz struktura organizacyjna, która nie przewiduje całkowitego outsourcingu kluczowej wiedzy specjalistycznej.

Kto otrzymuje korzyści z wydajności

Wzrost produkcji gospodarczej nie rozwiązuje automatycznie problemu dystrybucji. Korzyści związane ze sztuczną inteligencją mogą przypaść pracownikom, klientom, firmom korzystającym z niej lub dostawcom technologii. Zakres korzyści każdej z grup zależy między innymi od konkurencji, siły przetargowej i niedoboru określonych umiejętności. Dlatego też pozytywny ogólny rozwój gospodarczy może wiązać się ze znacznymi dysproporcjami w dochodach i bezpieczeństwie zatrudnienia.

Usługi standaryzowane mogą znaleźć się pod presją cenową, podczas gdy solidna wiedza specjalistyczna, dostęp do klientów czy możliwość praktycznego wdrożenia rozwiązań staną się bardziej cenne. Jednocześnie sztuczna inteligencja może umożliwić poszczególnym pracownikom podejmowanie bardziej wymagających zadań. Takie zmiany niekoniecznie muszą prowadzić do wzrostu nierówności. Mogą one zmniejszyć różnice w wynikach w ramach jednego stanowiska, jednocześnie tworząc nowe luki dochodowe między różnymi stanowiskami.

Dla zabezpieczenia społecznego istotne jest również, czy wyższa produktywność przekłada się na wzrost płac, dodatkowe zatrudnienie, czy też przede wszystkim na inne formy dochodów. Sama stabilna siła robocza nie gwarantuje odpowiednio rosnącej bazy składkowej. Z drugiej strony, bardziej produktywna gospodarka z szerokim udziałem społecznym mogłaby ułatwić finansowanie zadań społecznych. Kwestie dystrybucji nie powinny zatem być traktowane jako kwestia drugorzędna ani jako już rozstrzygnięte. Stanowią one centralny element kształtowania ekonomicznych aspektów zmian technologicznych.

Infrastruktura ogranicza obietnicę cyfrową

Sztuczna inteligencja wymaga solidnych fundamentów fizycznych i organizacyjnych. Moc obliczeniowa, zasilanie, łączność sieciowa, zarządzanie danymi i bezpieczeństwo IT są niezbędne do produktywnego użytkowania. Założenie, że te fundamenty będą dostępne na czas, jest warunkiem pomyślnych scenariuszy wzrostu. Jeśli te warunki nie zostaną spełnione, inwestycje mogą stać się droższe lub ich efekty mogą być opóźnione.

Budowa centrów danych może początkowo generować dodatkową aktywność gospodarczą i zatrudnienie. Nie gwarantuje to jednak nieograniczonego i trwałego efektu tworzenia miejsc pracy. Budownictwo i eksploatacja techniczna charakteryzują się odmienną strukturą kadrową, a najszerszy wpływ na gospodarkę mają jedynie produktywni odbiorcy w innych firmach. Centrum danych jest zatem niezbędną infrastrukturą dla niektórych zastosowań, ale nie stanowi jeszcze dowodu na pomyślny wzrost produktywności.

W przemyśle i logistyce wyzwaniem jest przede wszystkim integracja narzędzi cyfrowych z rzeczywistymi procesami. Może to obejmować ulepszoną dokumentację techniczną, wsparcie decyzji konserwacyjnych lub szybszą obsługę odchyleń operacyjnych. Takie aplikacje muszą być kompatybilne z jakością danych, wymogami bezpieczeństwa i istniejącymi systemami. Dlatego udana demonstracja nie jest równoznaczna z ekonomicznie opłacalnym wdrożeniem w bieżących procesach. Ostatecznie decydującym czynnikiem jest to, czy technologia działa niezawodnie w warunkach rzeczywistych i poprawia ogólną wydajność procesu.

Polityka rynku pracy musi finansować transformacje

Rozsądne podejście do polityki gospodarczej nie powinno zasadniczo uniemożliwiać automatyzacji produkcji. Próba zachowania każdej istniejącej struktury zatrudnienia mogłaby utrudnić niezbędny wzrost efektywności i wprowadzenie nowych modeli biznesowych. Równie niewystarczające byłoby jednak oczekiwanie, że rynek rozwiąże wszystkie problemy związane z transformacją bez wsparcia. Luki informacyjne, ryzyko finansowe i brak możliwości uczenia się mogą utrudniać wprowadzanie znaczących zmian.

Polityka rynku pracy powinna zatem być wdrażana już na wczesnym etapie. Jeśli zadania w firmie ulegną zmianie, terminowe szkolenie może potencjalnie zapobiec utracie pracy w przyszłości. Jeśli zmiana jest konieczna, dalsze szkolenia i doradztwo powinny być ukierunkowane na konkretne możliwości zatrudnienia. Sam udział w programie nie jest dowodem sukcesu; kluczowe są później realne perspektywy zatrudnienia, odpowiednia praca i minimalne długoterminowe straty dochodów.

Dostęp do rynku pracy zasługuje na szczególną uwagę. Staże, wspierane stanowiska dla osób rozpoczynających pracę oraz niezawodne ścieżki kształcenia pełnią funkcję wykraczającą poza krótkoterminowe korzyści dla poszczególnych firm. Strategia polityki zatrudnienia powinna zatem nie tylko rozwiązywać problem istniejącego bezrobocia. Musi również zapobiegać krótkoterminowym oszczędnościom firm na kosztach rekrutacji, które osłabiałyby w dłuższej perspektywie zasoby wykwalifikowanej siły roboczej w gospodarce. Utrzymywanie możliwości kształcenia to coś innego niż sztuczne podtrzymywanie przestarzałych, rutynowych metod pracy.

Jak można zmierzyć renowację

Spektakularne ogłoszenia o redukcjach zatrudnienia to nie jedyne obiecujące wskaźniki na nadchodzące lata. Szczególnie istotne będą nowe zatrudnienia ze względu na wiek i zawód, liczba dostępnych stanowisk na poziomie podstawowym, transfery wewnętrzne oraz przejście ze szkolenia do stałego zatrudnienia. Należy również wziąć pod uwagę godziny pracy i dochody, aby stabilna siła robocza nie maskowała zmian w jakości lub zakresie pracy.

Na poziomie firmy, aby wykazać rzeczywistą poprawę wyników, potrzebne są wiarygodne kluczowe wskaźniki efektywności (KPI). Efektywne wykorzystanie sztucznej inteligencji (AI) powinno przekładać się na użyteczne rezultaty, mniejszą liczbę poprawek, lepszą jakość lub wartość dodaną dla klienta. Aby zapewnić rzetelną, naukową ocenę, dane dotyczące faktycznego wdrożenia w firmach powinny być idealnie powiązane z danymi o zatrudnieniu. Tylko wtedy można lepiej rozróżnić, czy obserwowane zmiany są związane z AI, czy też mają przede wszystkim inne przyczyny ekonomiczne.

Perspektywa polityki gospodarczej powinna pozostać jasna: nie każde zanikające zadanie rutynowe oznacza stratę społeczną, a nie każde nowo utworzone miejsce pracy jest dowodem udanej transformacji. Punktem odniesienia jest to, czy wyższa produktywność przekłada się na tworzenie dodatkowej wartości, osiągalne możliwości kariery i stabilne dochody. Kluczowym wyzwaniem projektowym jest powiązanie postępu technologicznego z rozwojem człowieka w taki sposób, aby zrównoważony rynek pracy zapewniał ekonomicznie bezpieczną przyszłość dla jak największej liczby osób.

Xpert.Digital to branżowy hub B2B oparty na danych, kierowany przez Konrad Wolfenstein . Firma działa jako zewnętrzne, quasi-wewnętrzne rozwiązanie dla partnerów przemysłowych, eliminując luki operacyjne w obszarze marketingu, treści i sprzedaży – bez konieczności angażowania dodatkowych zasobów po stronie klienta.

Więcej informacji tutaj:

• Rozwiązanie quasi-in-house: Jak Xpert.Digital niweluje luki operacyjne w marketingu i sprzedaży B2B – Smart Content-Driven Business

☑️ Naszym językiem biznesowym jest angielski lub niemiecki

☑️ NOWOŚĆ: Korespondencja w Twoim ojczystym języku!

 

Ja i mój zespół chętnie będziemy do Państwa dyspozycji jako osobisty doradca.

Możesz się ze mną skontaktować, wypełniając formularz kontaktowy tutaj wolfenstein@xpert.digital:lub po prostu dzwoniąc pod numer +49 7348 4088 965. Mój adres e-mail to

Nie mogę się doczekać naszego wspólnego projektu.

 

 

☑️ Wsparcie dla MŚP w zakresie strategii, doradztwa, planowania i wdrażania

☑️ Tworzenie lub reorganizacja strategii cyfrowej i digitalizacji

☑️ Rozszerzenie i optymalizacja procesów sprzedaży międzynarodowej

☑️ Globalne i cyfrowe platformy handlowe B2B

☑️ Rozwój biznesu pionierskiego / Marketing / PR / Targi