14. lapszám · nov. 2–8. 2026Agent Age hírmagazin · Többi kiadás · Keresés · Módszer · HU / ENG

A munka az AI korában kétszer változik meg: előbb az, amit az ember csinál, aztán az, amiért megfizetik.

Esszé

Az AI-bevezetés mérhetővé teszi a munkaelméletek jóslatait

A munkáról szóló elméletek közül azok használhatók, amelyek megmondják, milyen megfigyelés cáfolná őket. Az AI bevezetése ezt a próbát teszi lehetővé, mert a felügyelet, a feladatkör és az önállóság mértéke mérhető beállítássá válik.

Varga Zoltán · 2026-11-21 · 10 perc olvasás

A munka tudománya · 2/4. rész

A munkáról szóló elméleteket azzal a kérdéssel közelítem meg, mit tiltanak meg, vagyis milyen megfigyelés mondana ellent nekik. Amelyik elmélet minden kimenetellel összefér, az kényelmes szótár, a döntéshez azonban keveset ad. A sorozat első részében a gondolkodók kérdéseit követtem, és arra jutottam, hogy a vita tengelye a munkáról szóló tudás helye. A válaszaikat az minősíti, mit jósolnak, milyen bizonyíték áll mögöttük, és milyen megfigyelés döntené el a körülöttük folyó vitát. Úgy látom, az AI ebben a mérlegelésben vizsgálati eszköz is, mert olyan változókat tesz állíthatóvá, amelyeket korábban csak vezetői stílusként lehetett leírni.

A tudományos munkaszervezés jóslata és a határa

A tudományos munkaszervezés jóslata egyszerű és ellenőrizhető. Rebecca Henderson a Reimagining Capitalism in a World on Fire című könyvében úgy foglalja össze, hogy a kibocsátás sok esetben jelentősen növelhető, ha a műveletet elemi részeire bontják, a részeket külön javítják, a dolgozót pedig a kijelölt eljárás pontos követésére kötelezik 1. Az elmélet mellett szól, hogy a jóslat a gyári munkában tömegesen teljesült. Vaclav Smil az Energy and Civilization lapjain a japán gyártók világsikerét is ide sorolja, és a leírása fontos részletet tartalmaz: ezek a vállalatok a terméketlen munka és az egyenetlen munkatempó folyamatos felszámolása mellett a dolgozók javító javaslataira és a vezetés és a munkások közötti összeütközés mérséklésére építettek 2.

Ez a részlet az elmélet határát is megmutatja. A tartós eredmény ott született, ahol a szabványt azok módosíthatták, akik végrehajtották, vagyis ahol a szabvány visszacsatolást kapott a műhelyből. A tiszta változat, amelyben a tervező mindent tud és a végrehajtó csak követ, két helyen vall kudarcot: ahol a munka tartalma gyorsabban változik, mint a szabvány, és ahol a kimenet minősége kívülről nem látszik. A tudásmunka mindkét feltételt teljesíti, ezért Peter Drucker tétele, amelyet az első rész tárgyalt, itt ellenjóslatként olvasható: a szellemi munkánál a szoros külső előírás rontja a teljesítményt.

A vitát az döntené el, ha azonos szellemi feladaton mérnék az előírt és a szabadon választott munkamenet eredményét, a minőséget utólagos, független értékeléssel. Az AI-asszisztensek bevezetése éppen ilyen helyzetet teremt, mert a javasolt munkamenet követése rögzíthető.

Az X és Y elmélet nehezen cáfolható

Douglas McGregor két feltevéspárja a terület legismertebb és legkevésbé ellenőrzött elmélete. Daniel H. Pink a Drive című könyvében a jóslati tartalmát is megadja: aki az X feltevésből indul, annak a vezetési technikái szükségképpen korlátozott eredményt hoznak, mert a középszerűségbe vetett hit a középszerűséget teszi az elérhető teljesítmény felső határává, az Y feltevésből induló szervezet lehetőségei pedig tágak. Pink azt is rögzíti, hogy a megközelítés hamar a vezetőképzés alapanyaga lett 3.

A bizonyíték jellege ennél szerényebb. Marvin R. Weisbord a Productive Workplaces című könyvében annyit mond, hogy McGregor az akkori viselkedéskutatásból vezette le az alternatív feltevéseket 4. Peter Senge és szerzőtársai a The Dance of Change lapjain azt írják, McGregor megfigyelése szerint az általa ismert hatékony vezetők többsége az Y feltevést vallotta 5. Scott Barry Kaufman Transcend című könyve egy üzemlátogatást idéz fel: Abraham Maslow egy olyan gyárban figyelte a dolgozókat, ahol a tulajdonos úgy alakította át a működést, hogy mindenki büszkeséget és gazdaszemléletet érezzen a késztermék iránt, és Maslow azt jegyezte fel, hogy a munkások valóban elégedettnek és érdeklődőnek látszottak 6. Ezek személyes megfigyelések és esetek, kontrollcsoport nélkül.

A nehézség mélyebb, mint az adatok hiánya. Az első részben Senge nyomán leírt önbeteljesítő hurok 5 itt azt jelenti, hogy mindkét feltevés megtermeli a saját igazolását: a bizalmatlan vezető passzív beosztottakat lát, a bizalmat adó vezető kezdeményezőket. Egy ilyen szerkezetű elméletet megfigyeléssel alig lehet megingatni, mert a megfigyelő a saját beavatkozásának következményét látja. Senge egy harmadik, a tanuló szervezetek körében elterjedt nézetet is említ, amely szerint az ember alapvetően megbízható, és minden hiba a rendszeré 5. Ezt már olyan állításnak tartom, amely semmit sem kockáztat.

Az algoritmikus irányítás ezen a ponton hoz újat. A felügyelet sűrűsége, a kivételek engedélyezése és a mért mutatók köre szoftverbeállítás, amely csapatonként eltérhet, és amelynek a hatása összevethető. A vitát olyan vizsgálat döntené el, amely azonos munkán, véletlen besorolással változtatja a felügyelet mértékét, és a teljesítmény mellett a kezdeményezések számát is követi.

A motivációelméletek: tartalom, önállóság, megszólalás

Frederick Herzberg kéttényezős modellje pontosabb jóslatot tesz, és ezért sebezhetőbb is. Stephen P. Robbins és Timothy A. Judge tankönyve, az Organizational Behavior szerint Herzberg kettős skálát javasolt: az elégedettség ellentéte az elégedettség hiánya, az elégedetlenségé pedig az elégedetlenség hiánya. Ebből következik, hogy a vezető, aki a fizetésen, a szabályokon vagy a munkakörülményeken javít, nyugalmat teremt, motivációt azonban ettől még nem. A tankönyv a mérleget is megvonja: a kéttényezős elméletet a kutatás nem támasztotta alá meggyőzően 7. A sorozat első részében idézett kulturális ellenvetés ehhez képest a második csapás. A modell mégis él a vezetői gondolkodásban, és ezt azzal magyarázom, hogy a jóslatának gyakorlati fele, a munka tartalmának elsődlegessége, a későbbi elméletekben jobb formát kapott.

Ez a jobb forma Richard Hackman és Greg Oldham 1976-os munkakörjellemző-modellje 8, amelynek öt jellemzőjét az első rész sorolta fel. Frank J. Landy és Jeffrey M. Conte tankönyve, a Work in the 21st Century szerint a modell kérdőívvel pontozza a munkakört, és feltételhez köti a hatást: a jellemzők csak annál érvényesülnek, akit a magasabb rendű szükségletei vezetnek 9. A pontozhatóság az elmélet erőssége, a feltétel a gyenge pontja, mert egy elmaradt hatás mindig magyarázható azzal, hogy a munkatárs igényei mások voltak. A modellt az tenné próbára, ha a feltételt előre, a munkakör átalakítása előtt mérnék.

Az AI-bevezetés erre kínál alkalmat. Ha egy eszköz átveszi a feladat egy részét, a munkakör pontszáma megváltozik, és a modell jóslata szerint a motivációnak követnie kell: csökkennie ott, ahol a munkatársnál csak a gépi kimenet javítása marad, és nőnie ott, ahol az egész feladat nála marad, a gép pedig a részmunkát gyorsítja.

Az önmeghatározás-elmélet, amelyet az első rész Edward Deci és Richard Ryan munkájaként mutatott be, ugyanezt a jóslatot a motiváció minőségére fogalmazza meg: a három alapszükséglet kielégülése erősebb önmotivációval, az akadályozása gyengébb motivációval és jólléttel jár 10. A pszichológiai biztonság a csoport szintjén jósol, és Amy Edmondson 1999-es terepvizsgálata a bizonyíték jellegét is megmutatja. A szerző egyetlen gyártóvállalat 51 munkacsoportjában mért együttjárást a pszichológiai biztonság és a tanulási viselkedés között, a modelljében pedig a tanulási viselkedés közvetít a biztonság és a csoport teljesítménye között 11. Mindkét elméletnél ugyanaz a nyitott kérdés, az ok iránya. A jól teljesítő csapatban könnyebb megszólalni, a sikeres munkatárs pedig több önállóságot kap, ezért az együttjárásból önmagában nem dönthető el, mi mit mozgat.

A feladatalapú megközelítés és az egyenetlen képességhatár

A közgazdasági elméletek más anyagból dolgoznak, a jóslatuk bérekre és foglalkozási szerkezetre vonatkozik. Janneke Pieters és munkatársai 2025-ös előzetes közleménye, az Inequality at risk of automation? két egymást váltó tételt különít el. A képzettségnek kedvező technológiai változás elmélete szerint a magasan képzettek munkája iránt nő a kereslet, a vesztesek pedig a béreloszlás alján sűrűsödnek. A rutinfeladatokat érintő technológiai változás elmélete a kockázatot a feladat rutinszerűségéhez köti, a végzettségtől részben függetlenül 12.

A feladatalapú megközelítés ereje, hogy a foglalkozás helyett a tevékenységet méri, és így megmagyarázza, miért alakul át egy szakma úgy, hogy közben megmarad. David Autor 2015-ös esszéje, amelyet az első rész idézett, a technológiai változás észrevehető következményeként írja le a munkaerőpiac polarizálódását: az utóbbi évtizedek bérnövekedése aránytalanul a jövedelmi és készségeloszlás tetején és alján jelentkezett, a közepén kevésbé. A szerző hozzáteszi, hogy e folyamat hosszú folytatódására nem számít 13, ami ellenőrizhető jóslat. A megközelítés gyengesége a besorolás: valakinek el kell döntenie, melyik feladatot tudja a gép elvégezni. Ravish Gupta és Saket Kumar 2026-os előzetes közleménye, az Agentic AI and Occupational Displacement ezt a keretet az agentekre terjeszti ki, azzal az érvvel, hogy az agent egész munkafolyamatot hajt végre, többlépcsős következtetéssel és eszközhasználattal, ezért a részfeladatonkénti elemzés alulbecsüli a kitettséget 14.

A besorolás nehézségét az egyenetlen képességhatár fogalma teszi élessé. A Fabrizio Dell’Acqua és munkatársai kísérletéből ismert megfigyelés szerint az ember számára hasonló nehézségű feladatok a modellnek nagyon különbözően mennek. A megfigyelést többnyire képzési tanulságként idézik, elméleti szempontból én ellenvetésnek tekintem a kitettségi mutatókkal szemben. Ha a határ a feladat leírásából előre nem olvasható ki, akkor a leírásokból számolt kitettség a gép névleges képességét méri, a tényleges kiválthatóságot csak a munkában megfigyelt eredmény mutatja meg.

Kiváltás vagy kiegészítés: becslések és megfigyelések

A kiváltásról és a kiegészítésről folyó vita két állítást ütköztet. Ray Kurzweil a The Singularity Is Nearer című, 2024-es könyvében a feladat és a szakma megkülönböztetéséből indul: bizonyos esetekben a teljesen automatizált feladat lehetővé teszi, hogy a munkakör más feladatok felé forduljon. A példái a bankpénztáros, akinek a szerepe a pénzkiadó automaták mellett az értékesítés és az ügyfélkapcsolat felé tolódott, és a jogi asszisztens, akinek a szakmája a keresőszoftverek hatására más feladatcsomagot jelent, mint évtizedekkel korábban. Kurzweil ugyanott az ellenkező irányú erőt is megnevezi: hosszú távon a gazdasági ösztönzők az automatizálás felé hatnak, mert azonos feltételek mellett a gép vagy a szoftver megvásárlása olcsóbb a folyamatos bérköltségnél, és ez az ösztönző ott a legerősebb, ahol magasak a bérek 15.

A két erőt Daron Acemoglu és Pascual Restrepo kerete, amelyet az első rész bemutatott, egy mérlegbe teszi. A szerzők szerint az automatizálás a termelékenység emelkedése mellett is mindig csökkenti a munka részesedését a hozzáadott értékből, az új feladatok megjelenése pedig mindig növeli. Az Egyesült Államok ágazati adataira alkalmazott felbontásuk arra utal, hogy a foglalkoztatás utóbbi három évtizedben lassuló növekedése mögött a kiszorítás gyorsulása áll, főként a feldolgozóiparban, mellette az új feladatok gyengébb ellensúlya és a korábbinál lassabb termelékenységnövekedés 16.

A kiváltás oldalán Gupta és Kumar becslése áll. Mutatójuk, az agentes feladatkitettségi pontszám, a szerzők saját megfogalmazása szerint algoritmikusan számolt, kalibrált paraméterekre épülő összetett mérőszám, amely nem regressziós becslés. Öt amerikai technológiai régióra és a 2025 és 2030 közötti időszakra alkalmazva azt kapják, hogy hat információigényes foglalkozási csoport 236 vizsgált foglalkozásának 93,2 százaléka 2030-ra átlépi az általuk mérsékelt kockázatnak nevezett, 0,35-ös küszöböt a legfejlettebb régiókban. Ugyanez a közlemény tizenhét új foglalkozási kategóriát is azonosít, főként az ember és az AI együttműködése, az AI irányítása és a szakterületi AI-üzemeltetés körül 14. A szám tehát egy modell kimenete, amelynek értéke a feltételezett képességpontokon és elterjedési sebességen múlik, és a küszöb megválasztása is a szerzők döntése.

A friss megfigyelés oldalán az első részben idézett álláshirdetés-elemzés áll. Dora Zhao és munkatársai 2026-os előzetes közleménye a kitett tevékenységek arányában 2023 és 2025 között csak enyhe csökkenést talált, és a szerzők az eredményt úgy értelmezik, hogy a munkáltatók olyan embert keresnek, aki ezeket a feladatokat AI-val látja el 17. A két forrás között nagy a távolság: az egyik öt év múlvára számol jelentős kitettséget, a másik a közelmúltban enyhe elmozdulást és a feladatok átalakulását látja.

A vitát a kibocsátás iránti kereslet viselkedése döntené el. Ha az olcsóbbá váló szolgáltatásból a vevők többet kérnek, a megmaradó emberi feladatok iránti igény nő, ahogyan Kurzweil pénztárosainál; ha a kereslet telített, az ösztönző a létszám csökkentése felé hat. Erre foglalkozásonként, bér- és létszámadatokból adható válasz, a kitettségi pontszám önmagában kevés hozzá.

A termelékenységi paradoxon mérési vita

A termelékenységi paradoxon régi megfigyelés: egy általános célú technológia elterjedése évekig nem látszik a termelékenységi statisztikában. Két magyarázat verseng: az egyik szerint a statisztika mér rosszul, a másik szerint a haszon késik, mert a technológia csak akkor hoz eredményt, amikor a szervezet a folyamatait, a munkaköreit és a képzését is hozzáigazította. Erik Brynjolfsson és munkatársai 2020-as tanulmánya, The Productivity J-Curve a kettőt egy modellbe foglalja. Az általános célú technológiák jelentős kiegészítő beruházást kívánnak, amely gyakran megfoghatatlan, és a nemzeti számlákban rosszul mérhető. Emiatt a termelékenység növekedése a technológia korai éveiben alulbecsült, később, amikor a beruházások haszna beérik, túlbecsült. A szerzők számítása szerint a számítógépes hardverhez és szoftverhez kötődő megfoghatatlan javakkal kiigazított amerikai teljes tényezős termelékenység szintje 2017 végén 15,9 százalékkal haladta meg a hivatalos mérést 18.

Én a késleltetést gondolom az erősebb magyarázatnak, a mérési hibát pedig a következményének, és ehhez az álláshirdetések elemzése is ad támpontot. Zhao és munkatársai azt találták, hogy az AI említésének növekedése nagyrészt a tényleges munkatevékenységek leírásán kívül jelent meg a hirdetésekben 17. Ez arra utal, hogy az eszköz iránti érdeklődés megelőzi a munkakörök átírását, vagyis a szervezetek egy része az átszervezés előtti szakaszban tart. Kurzweil ösztönzőérve további, ellenőrizhető jóslatot ad: az átállásnak ott kell gyorsabbnak lennie, ahol a kiváltott munka drága 15.

A két magyarázat között olyan vállalati szintű adatsor döntene, amely időben követi az eszköz bevezetését, a munkakörök átalakítását és a kibocsátást. Ha a termelékenység az átszervezés után ugrik meg, és ott marad el, ahol az eszközt a régi folyamatra ültették, a késleltetés magyarázata igazolódik.

Az AI-bevezetés mint az elméletek próbája

A felsorolt viták közös szerkezetet mutatnak. A munkáról szóló elméletek többsége azért maradt évtizedekig eldöntetlen, mert a kulcsváltozóik, a felügyelet szorossága, a feladat egésze, az önállóság mértéke, a szervezetben vezetői szokásként léteztek, és ritkán változtak ellenőrzött módon. Az AI-rendszer ezeket a változókat beállítássá teszi. A szervezet eldönti, hogy az eszköz javaslata kötelező vagy felülbírálható, hogy a munkatárs az egész ügyet viszi vagy a gépi kimenetet javítja, hogy a rendszer mit naplóz és kinek mutatja meg.

Ebből az következik, hogy minden bevezetés hallgatólagos fogadás valamelyik elmélet mellett. A kötelező munkamenet a taylori jóslatra tesz, a felülbírálható javaslat Drucker ellenjóslatára, a sűrű megfigyelés az X feltevésre. A fogadás ára akkor ismerhető meg, ha a szervezet a bevezetés előtt rögzíti, milyen eredményt vár, és milyen eredmény esetén változtat a beállításon. A kitettségi becslések és a létszámra vonatkozó előrejelzések ebben a döntésben háttéradatok: irányt jeleznek, a konkrét munkakör sorsát viszont az dönti el, hogyan osztja el a szervezet a feladatot ember és gép között. Azt az elméletet tekintem hasznosnak, amelyik ehhez a döntéshez előre megmondja, mit kell mérni.

Az elméletektől a szereplőkig

Az elméletek próbája konkrét helyeken zajlik: vállalatoknál, amelyek az eszközöket építik és bevezetik, intézményeknél, amelyek a munkaerőpiacot mérik és szabályozzák, és kutatóhelyeken, ahol a kísérletek készülnek. A sorozat a szereplőkkel folytatódik, vagyis azzal, hogy kik állítják elő azokat az adatokat és döntéseket, amelyeken a fenti viták eldőlnek. A munka tudományának mai állása szerint a kiváltás és a kiegészítés aránya nyitott kérdés, amelyre a válasz a szervezetek mért tapasztalatából fog összeállni, és ebben a mérésben a klasszikus elméletek adják a kérdéseket.

Ajánlott olvasmányok

Források

  1. [1] Rebecca Henderson (2020): Reimagining Capitalism in a World on Fire. könyv
  2. [2] Vaclav Smil (2017): Energy and Civilization: A History. könyv
  3. [3] Daniel H. Pink (2009): Drive: The Surprising Truth About What Motivates Us. könyv
  4. [4] Marvin R. Weisbord (2011): Productive Workplaces. könyv
  5. [5] Peter Senge, Art Kleiner, Charlotte Roberts, Richard Ross, George Roth, Bryan Smith (1999): The Dance of Change: The Challenges to Sustaining Momentum in Learning Organizations. könyv
  6. [6] Scott Barry Kaufman (2020): Transcend. könyv
  7. [7] Stephen P. Robbins, Timothy A. Judge: Organizational Behavior, Global Edition. könyv
  8. [8] J. Richard Hackman, Greg R. Oldham (1976): Motivation through the design of work: test of a theory. Organizational Behavior and Human Performance.
  9. [9] Frank J. Landy, Jeffrey M. Conte (2018): Work in the 21st Century: An Introduction to Industrial and Organizational Psychology, 6th Edition. könyv
  10. [10] Richard M. Ryan, Edward L. Deci (2000): Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being.. American Psychologist.
  11. [11] Amy C. Edmondson (1999): Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly.
  12. [12] Janneke Pieters, Ana Kujundzic, Rulof Burger, Joel Gondwe (2025): Inequality at risk of automation? Gender differences in routine tasks intensity in developing country labor markets. arXiv. előnyomat, lektorálás előtt
  13. [13] David Autor (2015): Why Are There Still So Many Jobs? The History and Future of Workplace Automation. The Journal of Economic Perspectives.
  14. [14] Ravish Gupta, Saket Kumar (2026): Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption. arXiv. előnyomat, lektorálás előtt
  15. [15] Ray Kurzweil (2024): The Singularity Is Nearer: When We Merge with AI. könyv
  16. [16] Daron Acemoğlu, Pascual Restrepo (2019): Automation and New Tasks: How Technology Displaces and Reinstates Labor. The Journal of Economic Perspectives.
  17. [17] Dora Zhao, Lin Ai, Pranav Khadpe, Siddharth Suri és munkatársai (2026): AI Exposure and the Changing Responsibilities in Job Postings. arXiv. előnyomat, lektorálás előtt
  18. [18] Erik Brynjolfsson, Daniel Rock, Chad Syverson (2020): The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. American Economic Journal Macroeconomics.

Esszék és áttekintések →

Heti levél

Hetente egy levél az Agent Age kiadások fő történeteiről. E-mailben erősíti meg, egy kattintással leiratkozhat.

Mindjárt kész: e-mailt küldtünk. Nyissa meg, és kattintson a megerősítő hivatkozásra. Ha pár percen belül nem érkezik meg, nézze meg a spam mappát.

↑