Os coletores de dados são a próxima fronteira das relações trabalhistas

O impacto da IA, e da IA generativa em particular, está sendo sentido em todos os setores. Mas, embora os executivos estejam entusiasmados com o potencial dessa tecnologia, os trabalhadores de colarinho branco costumam ter receio do que isso pode significar para eles, seus empregos e seus futuros. Essas percepções diferentes estão criando novas tensões e apresentando novos desafios para ambos os grupos. Os trabalhadores já tomaram medidas para exercer sua influência na agenda que determinará o que as organizações farão (ou não) com a IA. O mais notável é a greve de 148 dias organizada em 2023 pelo Writers Guild of America (WGA), um sindicato que representa 11.500 roteiristas. A greve paralisou o setor de entretenimento por meses antes de finalmente terminar com um acordo de que a IA não pode escrever ou reescrever material literário, que o material gerado por IA não será considerado material de origem (o que significa que o material gerado por IA não pode ser usado para prejudicar o crédito ou os direitos separados de um escritor), que a exploração do material dos escritores para treinar a IA é proibida e que os escritores podem optar por usar a IA ao prestar serviços de escrita, mas a empresa não pode exigir que o escritor use o software de IA ao prestar serviços de escrita. Esse resultado foi anunciado como uma vitória para o WGA, mas também ilustra as dificuldades desse tipo de negociação. Primeiro, o acordo expira em três anos, o que significa que os escritores serão forçados a renegociar muito em breve. Em segundo lugar, não está claro como o acordo será aplicado, já que não há uma maneira garantida de verificar se os dados foram ou não ingeridos por um LLM. Terceiro, o acordo não diz nada sobre a entrada de pessoas de fora no setor. A OpenAI iniciou uma ofensiva para promover o Sora - sua ferramenta de geração de vídeo baseada em TI - entre cineastas e estúdios de Hollywood. Em princípio, nada impede que estúdios e cineastas comecem a gerar roteiros e vídeos com a ferramenta da OpenAI, o que diminuiria significativamente não apenas a influência e o poder dos roteiristas, mas também dos atores. Embora a greve da WGA seja o maior exemplo de ação dos funcionários, não é o único. Os empregadores precisam começar a se preparar para a possibilidade de que a ansiedade em relação à IA estimule esforços de sindicalização e ações coletivas de colarinho branco. O Projeto de Lei de IA lançado pelo Traders Union Congress - uma federação de sindicatos que representa trabalhadores de colarinho azul e branco sindicalizados na Inglaterra e no País de Gales - mostra evidências de como os sindicatos estão evoluindo rapidamente para aumentar a participação dos trabalhadores na forma como a tecnologia é usada no trabalho. Todos os problemas acima estão enraizados - direta ou indiretamente - no acesso a dados contextuais de alta qualidade. Os dados são a entrada necessária para que os algoritmos de aprendizado de máquina funcionem, e a IA é feita desses algoritmos. Portanto, quem tem acesso a dados de alta qualidade pode treinar IA de alta qualidade. Atualmente, a WGA não rege a geração e o uso de dados criados por uma força de trabalho, e as regulamentações mais recentes de proteção de dados, como a Lei de IA da UE, concentram-se muito na prevenção do monitoramento de funcionários, mas não em como o conteúdo gerado pelos funcionários pode ser usado para treinar modelos. Consequentemente, há um enorme espaço para conflitos. E, a menos que os trabalhadores e as organizações possam abordar essa questão dos dados de forma significativa e duradoura, os conflitos continuarão a ser litigados por meio de impasses e negociações fragmentadas. As cooperativas de dados oferecem um caminho significativo a seguir. Elas são um modelo organizacional que permite que os indivíduos reúnam seus dados com o objetivo de ganhar poder de barganha com as empresas que analisam seus dados. Cooperativas como Swash, datum, MIDATA, Gener8, SAOS, GISC e o Data Worker's Union oferecem caminhos para que os indivíduos monetizem e gerenciem seus dados, transformando o papel deles - e o seu - na economia digital. Essas cooperativas enfatizam o controle individual, o uso ético e o tratamento justo, e permitem que os usuários mantenham a propriedade e a agência sobre sua pegada digital. Além disso, elas oferecem, em muitos casos, a monetização com fins lucrativos dos dados dos membros das cooperativas, permitindo que terceiros obtenham insights a partir desses dados (de forma responsável e preservando a privacidade). Assim, as cooperativas de dados podem atender a uma demanda por insights baseados em dados ou treinamento em IA. Simultaneamente, elas fornecem às organizações dados atualizados regularmente e de alta qualidade que são extremamente relevantes para seu contexto. Isso significa que os membros têm controle sobre seus dados e podem dar permissão para que empresas específicas os utilizem de forma responsável. Dados como um novo fator de produção O impacto da tecnologia sobre os funcionários e seus empregadores geralmente é analisado como um jogo de soma zero entre ambas as partes, no qual a automação aumenta os lucros para os empregadores e reduz os empregos para os funcionários. No entanto, a dependência da IA em relação a dados atualizados altera essa visão por três motivos: As habilidades de produção de conteúdo da IA generativa podem afetar funções como publicidade e marketing, design de medicamentos e inovação, design e desenvolvimento de produtos e processos. Na verdade, o impacto da IA generativa nos trabalhos de programação já está sendo sentido. Como os modelos de IA são extremamente ávidos por dados, eles podem ser treinados não apenas nos produtos finais, mas também nos dados coletados durante o processo de criação. Esses dados gerados geralmente são de propriedade da organização, o que facilita ainda mais o treinamento de futuros modelos internos de TI. A maioria das organizações já possui grandes minas de ouro de dados anteriores, muitos dos quais podem ser usados com sucesso para pré-treinar ou ajustar os modelos de IA. Considere, por exemplo, uma equipe de engenheiros trabalhando no sistema de transmissão de um novo modelo de carro. Essa equipe pode ser composta por várias dezenas de indivíduos com uma variedade de habilidades e experiências. Ao mesmo tempo, todos os fabricantes de automóveis têm acesso a grandes quantidades de dados de criações anteriores de drivetrain, incluindo seu desempenho, custos e processos de design. Portanto, é previsível que as empresas procurem transferir mais do trabalho inicial para a TI, impactando, assim, vários empregos de colarinho branco na área. No entanto, a TI precisa de conjuntos de dados mais novos, mais limpos e maiores para aprender e melhorar seu desempenho. As organizações que dependem dos recursos atuais da IA podem, mais cedo ou mais tarde, descobrir que os algoritmos que usam começam a ter um desempenho pior do que costumavam ter por meio da "deterioração do modelo" - a degradação do desempenho da IA ao longo do tempo. O motivo é que os dados com os quais eles foram treinados não são mais representativos da realidade na qual a IA precisa navegar. Nossas preferências, contexto, senso de humor, gosto e moda mudam constantemente. E nós, humanos, precisamos revelar nossas preferências, rir e nos envolver quando achamos algo engraçado e usar um produto que achamos na moda. Os dados mais preciosos serão sobre nós, humanos, e, portanto, é a nossa interação com os sistemas digitais que resulta nesses dados. Eliminar o humano implica eliminar os dados sobre a pessoa para a qual a IA foi projetada para gerar conteúdo. Somente nós podemos determinar se achamos aquela piada divertida o suficiente, se aquela mudança sutil de cor está na moda ou se algo novo é necessário agora, porque gerar apenas o que gostávamos há três meses não é mais suficiente. Esse fato, que emerge apenas da natureza da IA e não da natureza de outras tecnologias que, no passado, afetaram o mercado de trabalho, pode surpreendentemente ajudar a alinhar as necessidades de empregadores e funcionários, já que os funcionários humanos são fundamentais para gerar dados mais recentes que podem, eventualmente, impulsionar a IA. As cooperativas de dados são para os dados o que os sindicatos são para o trabalho No contexto do trabalho, são os conhecimentos locais, as habilidades de resolução de problemas e os conjuntos de habilidades em evolução dos funcionários que mudam a cada novo desafio e inovação. Assim, os dados mais valiosos para a IA que pode assumir as tarefas dos trabalhadores virão diretamente das tarefas que eles realizam, pois sua interação prática com ferramentas, sistemas e clientes gera os dados precisos que a IA exige para permanecer precisa e útil. É aqui que as cooperativas de dados oferecem uma nova abordagem para a governança de dados, permitindo que os trabalhadores sejam coproprietários e gerenciem seus dados coletivos por meio de um processo de tomada de decisão mais ou menos descentralizado. Isso acontece porque os membros de uma cooperativa de dados podem reunir dados atualmente isolados em diferentes fontes em um único pacote. A agregação de dados que os membros geram a partir de diversas fontes e situações pode levar ao desenvolvimento de novos produtos, serviços e modelos de negócios que seriam inatingíveis apenas com contribuições individuais ou com a utilização de dados de fontes únicas (como uma empresa, uma plataforma, um provedor de serviços etc.). Além disso, quando os trabalhadores começam a ver a monetização de seus dados pelas cooperativas, é muito mais provável que eles reorganizem seus próprios processos para facilitar uma melhor coleta de dados, o que, por sua vez, pode gerar melhores resultados de IA para a organização e maiores rendas de dados para os trabalhadores. Diferentemente dos sindicatos, que tradicionalmente buscam uma via de mão única para melhorar as condições dos trabalhadores, as cooperativas de dados operam como fornecedores de dados de treinamento e seguem as regras do mercado para atender a uma demanda insatisfeita (a de treinar sistemas de IA com dados atualizados). E isso pode ser feito de forma a preservar a privacidade, de modo que os membros da cooperativa mantenham suas percepções privadas em sigilo. Esse modelo de organização capacita os trabalhadores ao permitir que eles estabeleçam regras compartilhadas para o uso de dados, o que pode aumentar seu poder de negociação com os empregadores. Na prática, isso exige que as cooperativas de dados permitam que os trabalhadores coletem individualmente seus dados de diferentes fontes, decidindo, caso a caso, qual terceiro (como seus empregadores, por exemplo) pode treinar um algoritmo com esses dados. Isso permite que os trabalhadores monetizem seus dados e os mantenham controlados sob um único guarda-chuva. Há vários modelos de como fazer isso: alguns usam blockchain, outros usam aplicativos de terceiros, enquanto outros armazenam dados localmente e simplesmente dão aos usuários mais controle sobre quem tem acesso a eles e como podem ser usados. Agora que os dados estão sendo cada vez mais usados como um fator de produção (ou seja, como um insumo) na economia, parece natural que as cooperativas de dados surjam como uma solução. Essa é a mesma lógica que levou ao desenvolvimento de sindicatos no passado: a fragmentação da estrutura de propriedade do fator de produção (sejam dados ou mão de obra) impede qualquer poder de negociação de um indivíduo com o empregador. Dados e mão de obra, ambos fatores críticos de produção, compartilham o desafio da fragmentação. Entretanto, eles diferem no fato de que os dados criam valor principalmente em grandes volumes. Portanto, sua agregação é necessária para liberar seu valor por meio de insights. É por causa dessa agregação necessária que falamos de "Big Data". No contexto das cooperativas de dados, o modelo de propriedade coletiva de dados faz mais do que apenas aumentar o poder de barganha; ele promove a criação de valor ao aproveitar o volume e a diversidade dos dados de seus membros. Isso ilustra como as estruturas de propriedade distribuída podem gerar benefícios econômicos e sociais mais amplos, além da mera alavancagem de negociação. O que isso significa para o futuro das relações entre empregado e empregador Para que esse valor econômico seja liberado - e para que tanto os empregadores quanto os funcionários prosperem na economia de dados - todos os envolvidos precisam aumentar seu nível de alfabetização em dados. Tanto os trabalhadores quanto os empregadores devem entender como os dados criam valor, ou seja, como são agregados e analisados para revelar insights e padrões que podem melhorar a tomada de decisões e treinar modelos de IA. Além disso, os trabalhadores devem entender como contribuem para criar e gerenciar esses dados enquanto trabalham e usar a influência coletiva que as cooperativas lhes concedem, a fim de ter a discussão certa sobre o futuro do trabalho. Para aproveitar ao máximo os dados que as pessoas produzem e, ao mesmo tempo, garantir que os trabalhadores tenham controle sobre os dados que oferecem e sejam remunerados de forma justa por isso, empregadores e funcionários devem seguir estas etapas para poder moldar o futuro da economia digital e, portanto, o futuro do trabalho: 1. Avaliar os recursos e o potencial de dados internos da organização. Os empregadores e os funcionários devem começar realizando uma auditoria completa dos dados que a organização já coleta e gera, concentrando-se na identificação de dados que possam ser valiosos para o treinamento ou a análise de IA. Nesse exercício, a identificação dos dados gerados pelos funcionários pode servir como base para quantificar a contribuição dos funcionários para o valor baseado em dados gerado pela organização. O "Observatório de Algoritmos dos Trabalhadores" é uma iniciativa nascida na Universidade de Princeton que permite que os trabalhadores façam crowdsourcing de dados e investiguem os sistemas algorítmicos por trás das plataformas que determinam o pagamento, o cronograma e muito mais na economia de plataforma e além. Empregadores e funcionários podem usar essa iniciativa para obter inspiração e apoio. 2. Envolver os funcionários em programas de alfabetização em dados. As organizações podem implementar programas de treinamento para aprimorar a alfabetização de dados de seus funcionários. Ao instruí-los sobre como suas atividades diárias geram dados valiosos, a importância desses dados no desenvolvimento de IA e como eles podem participar de cooperativas de dados, cria-se um conhecimento valioso. Esse conhecimento permite que os funcionários gerem mais valor por meio dos dados da organização e, ao mesmo tempo, permite que todas as partes interessadas da organização tenham um entendimento e uma linguagem comuns sobre o valor que as cooperativas de dados podem criar. Isso beneficia a todos: os funcionários entendem melhor como criam valor e são remunerados por isso, e os empregadores recebem dados de maior qualidade em troca. A empresa farmacêutica Roche é pioneira nessa área. 3. Incorporar cláusulas de cooperação de dados nos contratos de trabalho. Ao atualizar os contratos de trabalho para incluir cláusulas que reconheçam os direitos dos funcionários sobre seus dados e descrevam como seus dados podem ser usados em cooperação com cooperativas de dados, as organizações podem se posicionar como pioneiras nessa área. Isso garantiria a transparência e forneceria uma estrutura legal para o uso de dados, além de ajudar a atrair novos talentos. Esse tipo de cláusula está sendo discutido em iniciativas como a Data Workers Union, que defende os direitos dos trabalhadores sobre os dados que geram. As empresas podem se inspirar nessas discussões para elaborar suas próprias políticas e estar à frente do que promete se tornar uma importante questão trabalhista, liderando e moldando a discussão sobre esse tópico. Ao serem proativas agora, as empresas podem desenvolver um sistema mutuamente benéfico e evitar um ponto de discórdia mais tarde, quando talvez tenham que se sacrificar mais. Dada a natureza dinâmica da sociedade, a IA precisará (pelo menos em um futuro próximo) dos dados e da orientação dos seres humanos para gerar valor real. Portanto, os trabalhadores desempenharão um papel fundamental para manter a relevância da IA. É a combinação de trabalho, capital e IA que gerará - se é que gerará - o valor que está sendo projetado por consultorias como a McKinsey. Portanto, os trabalhadores devem se concentrar em compreender a interação entre capital, trabalho e dados e começar a orientar a discussão sobre o futuro do trabalho com a compreensão correta da natureza da IA. Os líderes empresariais também devem entender as dependências entre capital, trabalho e dados para propor proativamente estruturas de colaboração que permitam que as organizações - e, portanto, a sociedade - prosperem na era da IA.

Os coletores de dados são a próxima fronteira das relações trabalhistas

Resumo.

Partner Center