Φρέιζερ Πάτερσον, Ιδρυτής και Διευθύνων Σύμβουλος της Skillit – Σειρά Συνεντεύξεων

Φρέιζερ Πάτερσον, Ιδρυτής και Διευθύνων Σύμβουλος της Skillit, είναι ένας επιχειρηματίας με καριέρα που διαρκεί περισσότερες από τρεις δεκαετίες στους τομείς της κατασκευής και της τεχνολογίας. Ξεκινώντας ως μαθητευόμενος ξυλουργός στη Σκωτία, προήχθη σε journeyman ξυλουργό, σιδηρουργό, γενικό συνεργάτη και τελικά ιδρυτή πολλών επιχειρήσεων που επικεντρώνονται στην κατασκευή, ο Πάτερσον ανέπτυξε μια πρώιμη κατανόηση των προκλήσεων εργασίας που αντιμετωπίζουν οι ειδικευμένοι τεχνίτες. Μετά την ηγεσία επιχειρήσεων όπως η Onis Vida και η Bolster, ίδρυσε την Skillit το 2021 για να αντιμετωπίσει την έλλειψη εργατικών στην κατασκευή μέσω της τεχνολογίας. Η μοναδική του συνδυασμός πρακτικής εμπειρίας και ηγεσίας startup τον έχει τοποθετήσει ως εξέχοντα υποστηρικτή της μετεξέλιξης της κατασκευής μέσω λύσεων που βασίζονται σε δεδομένα και τεχνητή νοημοσύνη.

Skillit είναι μια πλατφόρμα προσλήψεων που βασίζεται στην τεχνητή νοημοσύνη και επικεντρώνεται στην επίλυση ενός από τα πιο πιεστικά προβλήματα της κατασκευής: τη σύνδεση των εργοδοτών με εξειδικευμένους τεχνίτες. Η εταιρεία έχει δημιουργήσει ένα από τα μεγαλύτερα δίκτυα εργατών που είναι έτοιμοι για δουλειά στις Ηνωμένες Πολιτείες, που καλύπτει δεκάδες επαγγέλματα και εκατοντάδες μητροπολιτικές περιοχές. Αντί να βασίζεται σε παραδοσιακές πίνακες εργασίας, η Skillit χρησιμοποιεί προφίλ εργατών, ψηφιακές αξιολογήσεις δεξιοτήτων και τεχνολογία αντιστοίχισης που βασίζεται στην τεχνητή νοημοσύνη για να βοηθήσει τους εργοδότες να αναζητούν, να αξιολογούν και να προσλαμβάνουν εργάτες πιο αποτελεσματικά. Η μακροπρόθεσμη οραματική της εταιρείας εκτείνεται πέρα από την προσλήψη, με στόχο να γίνει η υποδομή εργασίας της κατασκευής και τελικά άλλων φυσικών βιομηχανιών, βοηθώντας τους εργοδότες να ανακαλύψουν ταλαντούχους, να εκπαιδεύσουν νέους εργάτες και να αυξήσουν την εξειδικευμένη εργατική δύναμη που χρειάζεται για την υποστήριξη της υποδομής, της ενέργειας, της производής και της οικονομικής ανάπτυξης που οδηγείται από την τεχνητή νοημοσύνη.

Ξεκινήσατε την καριέρα σας ως μαθητευόμενος ξυλουργός στη Σκωτία, εργάσατε ως journeyman ξυλουργός, σιδηρουργός και γενικός συνεργάτης πριν ιδρύσετε πολλές εταιρείες. Πώς οι εμπειρίες σας σε εργοτάξια διαμόρφωσαν την απόφασή σας να ιδρύσετε την Skillit, και ποια προβλήματα αντιμετώπιζε συχνά που σας έκαναν να πιστεύετε ότι η κατασκευή χρειάζεται μια ουσιαστικά νέα προσέγγιση στην προσλήψη;

Βίωσα το πρόβλημα και από τις δύο πλευρές. Jako μαθητευόμενος ξυλουργός και αργότερα ως journeyman, πέρασα πολύ χρόνο αναζητώντας δουλειά, οδηγώντας μεγάλες αποστάσεις και βασίζοντας μου στην προφορική παράδοση για να βρω ευκαιρίες. Στη συνέχεια, ως γενικός συνεργάτης, είχα το αντίθετο πρόβλημα, γιατί ήξερα ότι υπήρχαν εξειδικευμένοι εργάτες, αλλά η εύρεση του σωστού ανθρώπου στην σωστή στιγμή ήταν απίστευτα δύσκολο. Ήμουν κυρίως εντυπωσιασμένος από το πόσο λίγα δεδομένα υπήρχαν για την εργατική δύναμη. Έχουμε λεπτομερείς πληροφορίες για υλικά, εξοπλισμό, προγράμματα, προϋπολογισμούς, αλλά σχεδόν τίποτα για τους ανθρώπους που κάνουν την κατασκευή. Η σκέψη μου ήταν ότι αν δεν μπορείτε να αντιπροσωπεύσετε ψηφιακά τις δεξιότητες, την εμπειρία, τις πιστοποιήσεις και τις προτιμήσεις ενός εργάτη, δεν μπορείτε να τους κάνετε ανακαλύψιμους και αυτή η πραγματοποίηση οδήγησε στην Skillit.

Και έτσι ξεκινήσαμε να χτίζουμε ένα καλύτερο τρόπο να αντιπροσωπεύουμε τους εξειδικευμένους εργάτες ψηφιακά, βοηθώντας τους να δημιουργήσουν προφίλ για να αντιπροσωπεύσουν τις δεξιότητές τους, την εμπειρία και τις προτιμήσεις εργασίας. Με τον καιρό, αυτό εξελίχθηκε σε μια πλατφόρμα όπου τα δεδομένα, η αυτοματοποίηση και η τεχνητή νοημοσύνη βοηθούν τους εργοδότες να αναζητούν, να αξιολογούν και να συνδέονται με αυτό το ταλέντο.

Σήμερα, βασισμένοι στην μεγαλύτερη δικτύωση επιβεβαιωμένων βιομηχανικών εργατών στην Αμερική, η Skillit βοηθά τους κορυφαίους οικοδομικούς όπως η Mortenson, η DPR και η Kiewit να προσλαμβάνουν εξειδικευμένους βιομηχανικούς εργάτες με ένα επίπεδο ταχύτητας, ακρίβειας και κλίμακας που δεν ήταν ποτέ δυνατό πριν.

Ο στόχος μας είναι τελικά να κλιμακωθούμε στον κόσμο της βιομηχανίας. Να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να κάνουμε τους εξειδικευμένους εργάτες πιο ορατούς, πιο παραγωγικούς και πιο πολύτιμους, εξασφαλίζοντας ότι ο κόσμος έχει το ταλέντο που χρειάζεται για να χτίσει όλα, από σπίτια και νοσοκομεία μέχρι υποδομές, συστήματα ενέργειας και τις βιομηχανίες του μέλλοντος.

Σκεφτόμαστε την αποστολή μας σε τρεις πράξεις.

Η πρώτη πράξη είναι η επίλυση της πρόσβασης στα εκατομμύρια εξειδικευμένων εργατών που ήδη υπάρχουν. Η δεύτερη πράξη είναι η επίλυση της έλλειψης. Μόλις κατανοήσετε την ζήτηση και την προσφορά εργασίας σε πραγματικό χρόνο, μπορείτε να κάνετε περισσότερα από το να συνδέσετε εργάτες με δουλειές – μπορείτε να χρησιμοποιήσετε την τεχνητή νοημοσύνη για να βοηθήσετε να οδηγήσετε περισσότερους ανθρώπους στις βιομηχανίες, να επιταχύνετε την ανάπτυξή τους και να αυξήσετε τον αριθμό των πλήρως παραγωγικών βιομηχανικών εργατών.

Η τρίτη πράξη είναι η επέκταση. Πιστεύουμε ότι η κατασκευή είναι το πιο δύσκολο πρόβλημα συντονισμού εργασίας στον κόσμο και ότι η επίλυση του θα μας δώσει μια θεμελιώδη υπερδύναμη για να εξυπηρετήσουμε 100 εκατομμύρια εργοδότες παγκοσμίως σε όλες τις φυσικές βιομηχανίες σε όλο τον κόσμο και έτσι η τρίτη μας πράξη θα μας οδηγήσει να επεκτείνουμε το σύστημά μας σε όλες τις φυσικές βιομηχανίες, συμπεριλαμβανομένης της производής, των δημοσίων υπηρεσιών και ακόμη και του διαστήματος.

Τελικά, πιστεύουμε ότι χτίζουμε περισσότερα από μια αγορά ή μια πλατφόρμα προσλήψεων, αλλά ότι χτίζουμε την υποδομή εργασίας που η κατασκευή δεν είχε ποτέ, υπό μορφή συστήματος εγγραφής για εργασία, συστήματος δράσης για την προσλήψη και συστήματος νοημοσύνης για την προγραμματισμένη εργασία.

Πολλοί άνθρωποι περιγράφουν την έλλειψη εργατικών στην κατασκευή ως έλλειψη ταλέντου. Έχετε υποστηρίξει ότι είναι συχνά ένα πρόβλημα πρόσβασης και συντονισμού. Ποια είναι η διάκριση και γιατί έχει σημασία όταν σχεδιάζουμε λύσεις για την βιομηχανία;

Οι περισσότεροι άνθρωποι υποθέτουν ότι το πρόβλημα της κατασκευής είναι μια έλλειψη εργατικών επειδή είναι πραγματικά δύσκολο να βρεθούν đủ εξειδικευμένοι βιομηχανικοί εργάτες, αλλά είναι σίγουρα πιο περίπλοκο από αυτό.

Η κατασκευή έχει στην πραγματικότητα одну από τις μικρότερες εργατικές lacunes από οποιαδήποτε μεγάλη βιομηχανία. Υπάρχουν περίπου 8,3 εκατομμύρια άνθρωποι που απασχολούνται στην κατασκευή (περίπου 80% από αυτούς είναι βιομηχανικοί εργάτες) και οι περισσότερες πηγές δεδομένων αναφέρουν ότι μας λείπουν περίπου 400.000 εργάτες. Αυτό σημαίνει ότι η κατασκευή έχει εργατική lacune περίπου 5% της ζήτησης. Συγκρίνετε αυτό με την φιλοξενία στο 25%, την производία στο 17%, τις μεταφορές στο 15%, τη νοσηλεία στο 10%, το λογισμικό στο 7% και το λιανικό εμπόριο στο 6%.

Τι είναι πραγματικά ενδιαφέρον είναι ότι η βιομηχανία επίσης αναφέρει κάποια από τα υψηλότερα προβλήματα προσλήψεων από οποιαδήποτε μεγάλη βιομηχανία. 94% των εργοδοτών στην κατασκευή λένε ότι η προσλήψη είναι το πρώτο τους πρόβλημα – υψηλότερο από τη νοσηλεία στο 81%, τις μεταφορές στο 76%, το λιανικό εμπόριο στο 74%, την производία στο 60%, το λογισμικό στο 50% και την φιλοξενία στο 48%.

Έτσι, η κατασκευή έχει την μικρότερη εργατική lacune και το υψηλότερο επίπεδο πόνου, το οποίο σημαίνει ότι κάτι άλλο συμβαίνει. Δεν μπορεί να είναι απλά μια έλλειψη εργατών και πιστεύουμε ότι είναι πραγματικά μια έλλειψη πρόσβασης στα 95% των εργατών που ήδη έχουμε. Jako βιομηχανία, έχουμε χτίσει πολύπλοκα συστήματα για να παρακολουθούμε προγράμματα, προϋπολογισμούς, εξοπλισμό, υλικά και προγραμματισμένες εργασίες, αλλά δεν έχουμε ποτέ χτίσει το επίπεδο δεδομένων ή την υποδομή προσλήψεων που χρειάζεται για να συνδέσουμε αποτελεσματικά τους εργοδότες με εξειδικευμένους βιομηχανικούς εργάτες σε διάφορες βιομηχανίες, περιοχές και τύπους εργασίας (π.χ. ανοιχτή εργασία, συνδικάτο, τοπική, ημερήσια αμοιβή κ.λπ.).

Και αυτό είναι γιατί 1 στα 20 εργάτες που λείπουν feels σαν 1 στα 3.

Η διάκριση μεταξύ εργατικής έλλειψης και πρόσβασης έχει σημασία γιατί αλλάζει τη λύση. Αν το πρόβλημα είναι απλά μια έλλειψη, η απάντηση είναι απλά να περιμένουμε περισσότερους εργάτες να εισέλθουν στην βιομηχανία, το οποίο είναι γιατί οι παραδοσιακές προσπάθειες να λύσουν το πρόβλημα επικεντρώνονται στην δημιουργία περισσότερης ευαισθητοποίησης για τις βιομηχανίες ή στην προσπάθεια να βελτιώσουν την εκπαίδευση. Αυτά είναι σαν να ρίχνεις νερό σε ένα δέσι που είναι γεμάτο τρύπες. Είναι επίσης σφάλματα στροφής στην επίδρασή τους ή χρειάζονται πολύ χρόνο για να επιτύχουν αποτελέσματα.

Αν το πρόβλημα είναι ωστόσο πρόσβαση, τότε καλύτερα δεδομένα, καλύτερη αντιστοίχηση, καλύτερη συντονισμός και τελικά καλύτερη υποδομή μπορούν να ξεκλειδώσουν τεράστια αξία πολύ πριν ένας νέος εργάτης εισέλθει στην εργατική δύναμη.

Η τεχνητή νοημοσύνη μεταμορφώνει την προσλήψη λευκού κολάρου, αλλά η κατασκευή έχει μοναδικές απαιτήσεις γύρω από πιστοποιήσεις, βιομηχανικές δεξιότητες, εμπειρία εργοταξίου και διαθεσιμότητα εργατών. Τι είναι η προσλήψη που βασίζεται στην τεχνητή νοημοσύνη στις εξειδικευμένες βιομηχανίες και πού παρέχει την μεγαλύτερη αξία σήμερα;

Η εντύπωση που οδήγησε στην Skillit ήταν ότι πριν η τεχνητή νοημοσύνη μπορέσει να βοηθήσει στην προσλήψη εξειδικευμένων εργατών, πρέπει πρώτα να έχει έναν τρόπο να τους κατανοήσει, το οποίο είναι γιατί χτίσαμε την πλατφόρμα σε στρώσεις. Πρώτα, επικεντρωθήκαμε στην κατανάλωση δεδομένων εργατικής δύναμης. Οι βιομηχανικοί εργάτες δεν περνούν τις μέρες τους πίσω από γραφεία με ένα βιογραφικό σημείωμα στο χέρι (και αν είσαι κάτι σαν εμένα, έχεις παχιά δάχτυλα από χρόνια χειρωνακτικής εργασίας, οπότε η πληκτρολόγηση σε μια μικρή οθόνη κινητού τηλεφώνου είναι μια απίστευτα κακή εμπειρία χρήστη), οπότε βασιστήκαμε πολύ στη φωνή και την αυτοματοποίηση. Έτσι, σήμερα οι εργάτες μπορούν να δημιουργήσουν και να διατηρήσουν πλούσια προφίλ απλά μιλώντας και η τεχνητή νοημοσύνη μας ενημερώνει συνεχώς αυτά τα προφίλ με νέες πληροφορίες. Για παράδειγμα, όταν συνεντγχθονται με έναν εργοδότη στην πλατφόρμα, η τεχνητή νοημοσύνη μας καταγράφει την κλήση και ενημερώνει το προφίλ τους με νέες πληροφορίες.

Δεύτερον, χτίσαμε ένα σύστημα που βοηθά τους рекρουτέρ να ανακαλύψουν, να εμπλακούν και να συνδέσουν τους εργάτες που ψάχνουν.

Και τρίτον, όλα αυτά τα δεδομένα εργατικής δύναμης και συναλλαγών δημιουργούν ένα επίπεδο νοημοσύνης που επιτρέπει στις εταιρείες να ερωτούν και να κατανοούν την αγορά εργασίας της κατασκευής σε πραγματικό χρόνο.

Πιστεύω ότι η μεγαλύτερη αξία σήμερα έρχεται από την ορατότητα, την ταχύτητα και την ακρίβεια. Η τεχνητή νοημοσύνη μας τελικά επιτρέπει στους εργοδότες και τους рекρουτέρ να δουν την εργατική δύναμη που χρειάζονται με ακρίβεια και να περάσουν λιγότερο χρόνο αναζητώντας και περισσότερο χρόνο χτίζοντας σχέσεις με τους σωστούς ανθρώπους και τελικά να επιτύχουν επιχειρηματικά αποτελέσματα.

Η Skillit χτίζει αυτό που περιγράφετε ως υποδομή εργατικής δύναμης και όχι απλά μια άλλη πλατφόρμα προσλήψεων. Πώς ορίζετε την υποδομή εργατικής δύναμης και γιατί πιστεύετε ότι θα γίνει τόσο σημαντική για την κατασκευή όσο το λογισμικό διαχείρισης έργων ή προγραμματισμού;

Οι περισσότερες εταιρείες εργασίας φαίνεται να σταματούν στο να είναι μια αγορά. Βοηθούν τους αγοραστές και τους πωλητές να βρουν ο ένας τον άλλον και αυτό είναι το μόνο. Το επόμενο βήμα για εμάς είναι να γίνουμε μια πλατφόρμα, όπου η τεχνητή νοημοσύνη μας βοηθά να διαχειριζόμαστε διάφορες ροές εργασίας, να αυτοματοποιούμε ρουτίνες και να κάνουμε την προσλήψη πιο αποτελεσματική και κλιμακωτή.

Η υποδομή είναι κάτι διαφορετικό και γίνεται το σύστημα στο οποίο η βιομηχανία βασίζεται. Το μέρος όπου τα δεδομένα εργατικής δύναμης ζουν, όπου η προσλήψη συμβαίνει και όπου η νοημοσύνη αγοράς εργασίας γεννιέται. Χτίζουμε ουσιαστικά τρία συστήματα ταυτόχρονα: ένα σύστημα εγγραφής για δεδομένα εργατικής δύναμης, ένα σύστημα δράσης που βασίζεται στην τεχνητή νοημοσύνη και ένα σύστημα νοημοσύνης που βοηθά τις εταιρείες να κατανοούν και να προγραμματίζουν την αγορά εργασίας σε πραγματικό χρόνο. Όταν αυτά τα συστήματα έρθουν μαζί, η διαχείριση εργατικής δύναμης γίνεται πολύ πιο στρατηγική, προβλέψιμη και κλιμακωτή.

Πιστεύω ότι η υποδομή εργατικής δύναμης θα γίνει τόσο σημαντική για την κατασκευή όσο και το λογισμικό διαχείρισης έργων, γιατί κάθε έργο αρχίζει με τους ανθρώπους. Πριν τα προγράμματα, οι προϋπολογισμοί και τα υλικά να μετράνε, χρειάζεστε την εξειδικευμένη εργατική δύναμη για να εκτελέσετε το έργο και να γεννήσετε οποιοδήποτε έσοδο.

Η DPR Construction και η Suffolk Technologies επενδύουν άμεσα στην Skillit και όχι απλά γίνονται πελάτες. Τι σημαίνει αυτό για το πώς οι μεγάλες οικοδομικές εταιρείες σκέφτονται την εργατική δύναμη, την προγραμματισμένη εργασία και το ανταγωνιστικό πλεονέκτημα;

Πιστεύω ότι αυτό σημαίνει μια ευρεία αλλαγή στο πώς οι κορυφαίοι εργοδότες βλέπουν την εργατική δύναμη. Για τις περισσότερες εταιρείες κατασκευής, η εργατική δύναμη είναι τώρα μια από τις πιο σημαντικές στρατηγικές μεταβλητές στην επιχείρηση. Όταν οι οικοδομικές εταιρείες αναλαμβάνουν μεγαλύτερα, πιο σύνθετα έργα και εκτελούν περισσότερη δουλειά εντός, η ικανότητά τους να αναζητούν, να αναπτύσσουν και να διατηρούν εξειδικευμένους εργάτες καθορίζει ολοένα και περισσότερο τα αποτελέσματα του έργου.

Κάθε δολάριο εσόδων κατασκευής αρχίζει με έναν βιομηχανικό εργάτη που εκτελεί δουλειά στο εργοτάξιο. Η προγραμματισμένη εργασία εξαρτάται από την κατανόηση του πού υπάρχει ταλέντο, του πού εμφανίζονται ελλείψεις και του πώς η εργατική δύναμη μπορεί να αναπτυχθεί πιο αποτελεσματικά.

Οι εργοδότες που μπορούν να το κάνουν αυτό πιο γρήγορα και με μεγαλύτερη ακρίβεια θα έχουν σαφώς ένα σημαντικό ανταγωνιστικό πλεονέκτημα την επόμενη δεκαετία.

Η κατασκευή παραμένει μια από τις λιγότερο ψηφιοποιημένες βιομηχανίες στον κόσμο. Ποια εμπόδια υπάρχουν ακόμη για την ευρύτερη υιοθέτηση της τεχνητής νοημοσύνης στην διαχείριση εργατικής δύναμης και πόσο γρήγορα αναμένετε ότι αυτά τα εμπόδια θα εξαφανιστούν;

Το μεγαλύτερο εμπόδιο δεν είναι η τεχνολογία αλλά τα δεδομένα. Τα περισσότερα συστήματα τεχνητής νοημοσύνης είναι τόσο καλά όσο και τα δεδομένα που μπορούν να έχουν πρόσβαση, και η κατασκευή ιστορικά δεν έχει συλλέξει δεδομένα εργατικής δύναμης με ένα αξιόπιστο ή δομημένο τρόπο. Ξέρουμε πολύ για τα έργα, τα υλικά και τον εξοπλισμό, αλλά είναι απίστευτα λίγα για τις δεξιότητες, την εμπειρία και τη διαθεσιμότητα των ανθρώπων που κάνουν την δουλειά.

Η хорошη είδηση είναι ότι αυτό αλλάζει γρήγορα και η τεχνητή νοημοσύνη κάνει πολύ πιο εύκολο να συλλέξουμε και να διατηρήσουμε δεδομένα εργατικής δύναμης μέσω της φωνής, της αυτοματοποίησης και των καθημερινών ροών εργασίας. Πιστεύω ότι θα δούμε την υιοθέτηση της τεχνητής νοημοσύνης στην εργατική δύναμη να επιταχύνεται σημαντικά τα επόμενα τρία έως πέντε χρόνια, καθώς το υπόστρωμα δεδομένων βελτιώνεται και η αγορά εργασίας παραμένει υπό πίεση.

Η πλατφόρμα σας βασίζεται σε επικυρωμένα δεδομένα εργατών και αξιολογήσεις δεξιοτήτων. Πώς ισορροπείτε την αυτοματοποίηση με τις πραγματικότητες της αξιολόγησης της βιομηχανικής ικανότητας, της εμπειρίας και της απόδοσης εργοταξίου που συχνά δεν μπορούν να αναπαρασταθούν πλήρως σε ένα βιογραφικό;

Η κατασκευή είναι τελικά μια βιομηχανία και δεν πιστεύω ότι η βιομηχανική ικανότητα μπορεί να μειωθεί πλήρως σε ένα βιογραφικό ή σε einen αλγόριθμο. Αυτός είναι ο λόγος για τον οποίο πάντα πιστεύαμε ότι το μέλλον είναι η τεχνητή νοημοσύνη плюς η ανθρώπινη κρίση, όχι η τεχνητή νοημοσύνη αντί της ανθρώπινης κρίσης. Κάθε εργάτης στην Skillit αξιολογείται μέσω δομημένων διαδικασιών, και συνδυάζουμε αυτό με αξιολογήσεις, ιστορικό απασχόλησης, ανατροφοδότηση πελατών και ολοένα και περισσότερο, σήματα από το ευρύτερο δίκτυο.

Με τον καιρό, οραματίζουμε την πλατφόρμα μας να κινείται προς ένα σύστημα φήμης, όπου οι εργάτες, οι επόπτες, οι διαχειριστές έργων και οι εργοδότες συμβάλλουν 모두 σε μια πλουσιότερη εικόνα της απόδοσης. Η τεχνητή νοημοσύνη θα φυσικά βοηθήσει να οργανώσει και να αναλύσει αυτές τις πληροφορίες, αλλά η εμπιστοσύνη εξακολουθεί να κερδίζεται μέσω της ποιότητας της δουλειάς που παραδίδεται στο εργοτάξιο.

Κέντρα δεδομένων, εγκαταστάσεις ημιαγωγών, ενεργειακά έργα και μεγάλης κλίμακας υποδομικές αναπτύξεις οδηγούν σε άνευ προηγουμένου ζήτηση για εξειδικευμένους βιομηχανικούς εργάτες. Ποίες βιομηχανίες πιστεύετε ότι θα ασκήσουν την μεγαλύτερη πίεση στις αγορές εργασίας τα επόμενα πέντε χρόνια;

Η μεγαλύτερη πίεση θα έρθει από την υποδομή της τεχνητής νοημοσύνης, την ενέργεια και την προηγμένη производία. Αυτά τα έργα είναι μοναδικά για το μέγεθος και την концентраσή τους, με κέντρα δεδομένων, εγκαταστάσεις ημιαγωγών, παραγωγή ενέργειας, μεταφορά, υποδομές και προηγμένη производία που ανταγωνίζονται πολλούς από τους ίδιους εξειδικευμένους βιομηχανικούς εργάτες.

Μπαίνουμε σε αυτό που μπορεί να είναι ένας από τους μεγαλύτερους φυσικούς κύκλους κατασκευής στην ιστορία. Το κεφάλαιο που αναπτύσσεται στην υποδομή της τεχνητής νοημοσύνης και την ενέργεια (περίπου 600 δισεκατομμύρια δολάρια τα επόμενα δέκα χρόνια από μόνο τέσσερις εταιρείες) θα μπορούσε να υπερβεί ολόκληρες γενιές ιστορικών επενδύσεων σε αυτοκινητόδρομους, οδούς και ηλεκτρική ενέργεια. Αυτή η ζήτηση θα ασκήσει απίστευτη πίεση σε ηλεκτρολόγους, σωληνάδες, συνεργάτες, τεχνικούς κλιματισμού και άλλους κρίσιμους βιομηχανικούς εργάτες.

Προβλέποντας, πώς βλέπετε την προσλήψη στην κατασκευή να εξελίσσεται τα επόμενα δέκα χρόνια; Θα μεταβούμε σε μια πιο δυναμική αγορά εργασίας όπου οι εργάτες θα συνδέονται συνεχώς με έργα ή θα συνεχίσουν τα παραδοσιακά μοντέλα προσλήψεων να κυριαρχούν;

Πιστεύω ότι η προσλήψη θα γίνει δραματικά πιο δυναμική, προβλέψιμη και αυτοματοποιημένη. Σήμερα, η περισσότερη προσλήψη στην κατασκευή είναι αντιδραστική – ένα έργο χρειάζεται εργατική δύναμη, κάποιος σηκώνει το τηλέφωνο και η αναζήτηση αρχίζει. Με τον καιρό, η τεχνητή νοημοσύνη θα επιτρέψει στις εταιρείες να προβλέψουν τις ανάγκες εργατικής δύναμης μήνες ή ακόμη και χρόνια μπροστά, να ανακαλύψουν ελλείψεις πριν συμβούν και να επιφέρουν αυτόματα τους σωστούς εργάτες.

Αυτό δεν εξαφανίζει τους рекρουτέρ γιατί η κατασκευή είναι υψηλού κινδύνου εργασία και χρειάζεται ανθρώπους στο λουρί, αλλά τους κάνει πιο στρατηγικούς. Οι καλύτεροι рекρουτέρ θα λειτουργούν με τη δύναμη ολόκληρης μιας ομάδας τεχνητής νοημοσύνης πίσω τους και το αποτέλεσμα θα είναι μια αγορά εργασίας που κινείται γρηγορότερα, δημιουργεί καλύτερα αποτελέσματα για τους εργάτες και επιτρέπει στους εργοδότες να αναλαμβάνουν μεγαλύτερα και πιο φιλόδοξα έργα με μεγαλύτερη εμπιστοσύνη, ίσως οδηγούμενοι από το πού τώρα κατανοούν την εργατική δύναμη, αντί του αντίθετου.

Αν η Skillit επιτύχει την μακροπρόθεσμη οραματική της, τι θα μοιάζει η οικοδομική εργατική δύναμη το 2035 και πώς θα αλλάξει η τεχνητή νοημοσύνη τον τρόπο με τον οποίο εκατομμύρια εξειδικευμένοι εργάτες ανακαλύπτουν ευκαιρίες, αναπτύσσουν καριέρες και μετακινούνται μεταξύ έργων;

Η οραματική μας είναι να αναπτύξουμε τρεις πράξεις. Η πρώτη είναι η επίλυση της πρόσβασης. Θέλουμε κάθε εξειδικευμένο εργάτη να είναι ορατός και κάθε εργοδότη να μπορεί να βρει το ταλέντο που χρειάζεται, ανεξάρτητα από τη γεωγραφία, την βιομηχανία ή την πηγή εργασίας. Η δεύτερη είναι η επίλυση της έλλειψης. Κατανοώντας την ζήτηση εργατικής δύναμης σε κλίμακα και χρησιμοποιώντας την τεχνητή νοημοσύνη για να οδηγήσει εργάτες σε καριέρες υψηλής ευκαιρίας, μπορούμε να βοηθήσουμε να δημιουργηθούν περισσότεροι εξειδικευμένοι βιομηχανικοί εργάτες και να επιταχύνουμε την πορεία τους προς την παραγωγικότητα. Η τρίτη είναι η επέκταση πέρα από την κατασκευή σε производία, ενέργεια, δημοσίες υπηρεσίες και τελικά κάθε φυσική βιομηχανία.

Περισσότερο, πιστεύω ότι η τεχνητή νοημοσύνη πρέπει να κάνει τους ανθρώπους πιο απαραίτητους, όχι πιο αντικαταστάσιμους. Jako πρώην ξυλουργός και σιδηρουργός, έχω περάσει τη ζωή μου γύρω από ανθρώπους που η δεξιότητα και η κρίση τους δημιουργούν τον φυσικό κόσμο. Κάθε γέφυρα, νοσοκομείο, εργοστάσιο, σταθμός ηλεκτρικής ενέργειας και κέντρο δεδομένων υπάρχει λόγω της ανθρώπινης βιομηχανικής ικανότητας. Η τεχνολογία είναι καλύτερη όταν ενισχύει αυτή τη δυνατότητα αντί να την αντικαθιστά.

Αν επιτύχουμε, η τεχνητή νοημοσύνη δεν θα αντικαταστήσει τους εξειδικευμένους εργάτες, αλλά θα βοηθήσει τους 1,4 δισεκατομμύρια εργάτες σε όλο τον κόσμο να ανακαλύψουν καλύτερες ευκαιρίες, να χτίσουν πιο επιτυχημένες καριέρες και να συνεισφέρουν σε έργα που θα ήταν αλλιώς αδύνατα.

Ευχαριστούμε για τη μεγάλη συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν Skillit.