Problém tréninkového žebříčku: Proč AI narušuje způsob, jakým se profesionálové učí své řemeslo

Perspektiva

Luis Garicano je profesor na London School of Economics, který desítky let studuje znalostní hierarchie a organizační ekonomii. V tomto rozhovoru pro EPOCH AI prezentuje jednu z nejstřízlivějších analýz dopadu AI na profesionální práci—ne skrze masivní propouštění, ale skrze tiché zmizení náboru začátečníků. Jeho výzkum odhaluje skrytou krizi: "tréninkový žebříček", který proměňuje juniory v experty, je rozebírán samotnými nástroji, které měly zvýšit jejich produktivitu.

O lidském úzkém hrdlu: "As long as the AI needs your supervision because it makes lots of mistakes, then the bottleneck is the human." (Dokud AI potřebuje vaši supervizi, protože dělá spoustu chyb, pak je úzkým hrdlem člověk.) To je hlavní napětí, které Garicano identifikuje—zvýšení produktivity díky AI je omezeno kapacitou lidského dohledu, dokud AI nepřekročí "práh supervize" a nedosáhne skutečné autonomie. Jsme v období augmentace, ne nahrazení, což vlastně omezuje potenciální přínos.

O technologické změně založené na senioritu: "In the AI exposed occupations, you don't see anything happen to senior employment. You see it growing. You see junior employment really dropping. And the way it's dropping is through hiring." (V povoláních vystavených AI nevidíte žádný vliv na zaměstnanost seniorů. Vidíte, že roste. Vidíte, že zaměstnanost juniorů skutečně klesá. A klesá prostřednictvím náboru.) Garicano cituje dva studie ze srpna 2025 analyzující 62 milionů pracovníků, které ukazují, že to není anekdotické—je to systematické. Partneři McKinsey nejsou nahrazováni; jen nepřijímají nové analytiky.

O rozbitém tréninkovém kontraktu: "The apprentice is paying not in dollars, it's paying in menial tasks... If the AI can do the basic research at McKenzie, can do the contract review at Cravath, then how do you pay for your training?" (Učeň neplatí v dolarech, platí všední rutinními úkoly... Pokud AI dokáže dělat základní výzkum v McKinsey, dokáže kontrolovat smlouvy v Cravath, jak tedy zaplatíte za svůj trénink?) Juniorští zaměstnanci historicky vyměňovali dřinu za učení se od expertů. Když AI dělá tuto dřinu, ekonomická logika vztahu mistr-učeň se hroutí.

O efektu superstar: "A very good AI programmer with lots of AI can have enormous leverage and can reach very large market size." (Velmi dobrý AI programátor s množstvím AI může mít obrovskou páku a může dosáhnout velmi velkého trhu.) Stejně jako Messi může oslovit 500 milionů diváků, špičkoví AI inženýři mohou nyní požadovat kompenzační balíčky za 100 milionů dolarů. Bifurkace je skutečná: komplementy nahoře, substituty dole.

O regulační fragmentaci: "We are in a game theoretical situation between China and the US. I don't think the possibility of slowing things down exists... Who is 'we' here? Is it China, is the US? Is it firms? Is it workers?" (Jsme v herně teoretické situaci mezi Čínou a USA. Nemyslím, že existuje možnost zpomalit věci... Kdo je to 'my'? Je to Čína, jsou to USA? Jsou to firmy? Jsou to pracovníci?) Garicano zpochybňuje optimismus Darona Acemoglua ohledně řízení technologie—neexistuje jednotný aktér, který by mohl koordinovat zpomalení.

Klíčové poznatky

• Junioři jsou potichu od-najímáni, ne propouštěni - Posun se projevuje v zmrazení náboru, ne ve výpovědích, což ztěžuje detekci, dokud není pipeline budoucích expertů už rozbitý
• Práh supervize určuje vše - AI se přesune z komplementu na substitut v okamžiku, kdy překročí laťku kvality, kde lidé už nemohou zlepšit její výstup
• Přenos tacitních znalostí je ohrožen - Expertíza, která není v žádné příručce—jak jednat s klienty, navigovat organizacemi—může přestat být zcela předávána
• Superstar ekonomika se zesiluje - Ti nahoře získávají páku, zatímco ti pod prahem autonomie čelí tlaku na mzdy
• Krátkodobé HDP by mohlo klesnout, i když blahobyt roste - Pokud se právní a zdravotnické služby stanou bezplatnými, spotřebitelský přebytek vyletí, ale měřený ekonomický výstup může během přechodu klesnout
• GDPR a EU AI Act mohou mít opačný efekt - "Část rizika je, že se snažíte kontrolovat technologii a skončíte bez technologie"

Celkový obraz

Garicanova analýza odhaluje paradox v srdci AI augmentace: nástroje, které mají pomoci juniorským pracovníkům učit se rychleji, mohou ve skutečnosti eliminovat ekonomické odůvodnění pro jejich trénování. Když AI kontroluje smlouvy, vytváří PowerPoint prezentace a dělá základní výzkum, jakou měnu má učeň ještě k dispozici, aby zaplatil za mentoring? Nejde o to, že by AI nahrazovala experty—jde o to, že AI brání další generaci stát se experty. Pro organizace nasazující AI agenty otázka není jen "jaké úkoly můžeme automatizovat?", ale "jaké tréninkové cesty ničíme?"