隨著人工智能技術應用到標準化、重複性的機械自動化過程，銀行和保險等行業的後勤工作崗位不僅在數量上逐漸減少，而且在形式上也在發生改變。“半人馬智能”(即人機合作智能)在軟件編程等核心工作領域逐漸興起。它將人工智能與人類能力相結合，形成一種共生關係，推動生產率的顯著提升。
出於對人工智能可能造成的大規模失業以及所帶來對監控行為的擔憂，業界日益興起關於組織部署人工智能方式和原因的激烈的倫理性討論。員工希望得到商業巨頭及負責人作出“AI-for-good”(人工智能向善)的承諾和保證。儘管從短期來看，人工智能替代人類工作的趨勢有所加劇，但越來越多證據表明，人工智能通過創造新的就業崗位和改善當前崗位現狀從而大幅提升生產率。
到2020年，20%的從事後勤工作的銀行員工在執行非例行性工作時將依靠人工智能。
到2023年，人工智能將與人類程序員結合，創造出能夠承擔50%傳統程序員工作任務的“半人馬智能”(即人機合作)工作模式——效率達到單個程序員獨自工作效率的兩倍。
到2020年，在“AI-for-good”項目的企業中，員工留存率將提升20%，同時數據分析行業的就業人員數量將提升50%。
到2021年，70%的企業將整合人工智能技術提高員工生產率，這將促使其中10%的企業將“數字騷擾政策”納入工作場所規章之中。
在2020年，人工智能將實現工作機會數量的淨增長，雖然會淘汰180萬個就業崗位，但同時也會創造230萬個新的就業崗位。
到2020年，20%的從事後勤工作的銀行員工在執行非例行性工作時將依靠人工智能。
金融機構操作型員工的主要工作是執行標準化、重複性的工作任務。但非例行性的後勤工作對企業的經濟影響和商業價值更大。與此同時，人工智能技術有助於提高工作人員處理金融機構後勤非常規性任務的能力。這對需要人工干預的複雜工作(例如財務合同審查和交易發起)大有裨益，因為人工智能可減少失誤並對下一步行動提出建議。
機器學習(ML)和自然語言處理(NLP)等人工智能技術接管了越來越多的非例行性任務並實現相關工作自動化。使用人工智能技術提高後勤工作效率將有助於提升員工工作量和提高員工(和客戶)滿意度。
人工智能在銀行例行業務及其價值鏈方面的應用取得了極大的成功。在某些情況下，這會導致以縮減非必要職員為目的的裁員。這一事實使人們擔心後勤崗位將很快被機器取代。事實上，銀行機構後勤崗位的減少大都源於機器人流程自動化(RPA)。例如，據某新聞網站報道，南非的萊利銀行預計將用軟件機器人取代3000個工作崗位。
然而，也有很多非例行性後勤工作將從人工智能應用中獲益。具體例子包括財務合同審查和交易形成：兩者本質上都需要人工參與，但人工智能的普及能極大地提高工作效率。使用機器人程序和RPA可減少工作失誤並去除冗餘環節，從而提升後勤工作的價值。摩根大通的合同智能(COIN)項目成功應用了NLP、大數據、機器人技術和雲基礎設施，以此減少批發合同中貸款業務條款的錯誤。
銀行對人工智能工具的應用也有所增加。使用預測工具便是一個例子，相關領域的專家對工具的依賴度正變得越來越高。隨著此類工具慢慢滲透所有銀行價值鏈活動，業務人員將經常需要依靠人工智能來提升工作效率和他們在企業和組織中的經濟價值。
在銀行業應用人工智能技術方面，預測認為，人類應主動控制人工智能工具，將其作為銀行工作的輔助。儘管預測結果較為樂觀，人們對這個行業的工作機會產生了高度的不安全感，對這個高收入、高學歷的行業就業保障不盡如人意。
到2023年，人工智能將與人類程序員結合，創造出能夠承擔50%傳統程序員工作任務的“半人馬智能”(即人機合作)工作模式——效率達到單個程序員獨自工作效率的兩倍。
數字經濟的發展不斷推動著軟件需求增長。開發、改進、修復和監測這些系統的軟件工程師的工作效率有限，且面臨著與日俱增的工作壓力——即不斷滿足日益增長的軟件需求。
計算能力極大地推動了基於機器學習和人工智能的應用發展。機器學習專門處理異常檢測，傳遞推薦的觀點並預測行為和結果。反過來，基於機器學習的功能又有助於滿足對軟件工程人才和生產能力的需求。
人工智能將為傳統軟件工程活動提供四個關鍵領域的支持：
系統開發
迭代需求
異常檢測
預測性和規範性監測
此類編程活動將越來越多地由人類軟件工程師和人工智能組成的“人機合作”模式完成，以應對工程需求量的增長。這些“人機合作”將通過人類工程師和基於人工智能的機器的合作運作。
人機合作關係將存在多種形式，例如：
過渡——由軟件工程師劃分人與機器的軟件工作任務，並確定兩者之間的過渡工作。
協作——由軟件工程師對已確認的工作任務進行分類，不斷向機器傳輸常規問題的解決方案，並將非常規性任務交由工程師解決。
啟發——企業利用人工智能發展軟件工程技能和人才。
創新——機器的能力將進一步提升，從而滿足已知的軟件工程需求。其結果將呈現給軟件工程師，以完成機器無法完成的工作，創新者和合作者共同取得更加重要和成熟的商業成果。
企業將利用“人機合作”模式滿足日益增長的複雜軟件和生產能力的需求。隨著人工智能對大量例行工作或重複性任務實現自動化處理，軟件工程將更具創造性，取得令人滿意的成果。軟件工程將有機會參與架構設計、協作和創新，為日益複雜的新商業成果提供支持。
到2020年，在“AI-for-good”項目的企業中，員工留存率將提升20%，同時數據分析行業的就業人員數量將提升50%。
數據科學和人工智能技能需求龐大，而相關人才仍然短缺。高德納公司相關分析結果顯示，僅在美國，就有超過23.6萬個數據和分析職位空缺，同比增長43%。超過一半的職位空缺需要半年以上的時間填補。據麥肯錫估計，到2024年，美國將有25萬個數據科學職位空缺。同樣的，歐盟委員會一份2015年報告估計，專業數據人員和專業分析員的職位空缺率達77%，且預計需求量還將增加160%。
教育經費的增加和薪酬待遇的提高是應對這種勞動力短缺的典型措施。不過，當前正出現了一個新的機遇，讓抓住機會的企業可以脫穎而出，從而吸引並留住數據和人工智能人才。這個機遇就是“Data-for-good”(數據向善)項目，以及衍生而來的“AI-for-good”(人工智能向善)。
數據和分析通常用於提升業務績效、完善客戶服務和提高運營效率。在公共部門和非營利性組織中，數據和分析可能用於衡量項目和服務的影響力，或用於確保資金使用的透明化。然而，這些組織的數據和分析發展滯後，而私營部門的成熟度更高，通常能吸引更多人才。“數據、人工智能向善”的項目使私營組織能夠向具有社會影響力的項目提供數據、技能和技術等方面的支持。項目覆蓋範圍廣泛，包括：利用人工智能算法識別貧民中的領導者以改善HIV教育的成果;面部識別用於打擊販賣人口;自動圖像標記幫助拯救野生動物;或在颶風或洪水等災難發生後利用人工智能進行針對性救援。
“數據和人工智能向善”運動使企業領導者能夠利用、調整企業文化，使其成為吸引員工的決定性競爭優勢。例如，將慈善事業作為工作核心的文化表達了企業奉獻全社會的承諾。顯然，這對員工和領導者的重要程度可能因地區而異，但“數據向善”應用顯然是一項全球性運動。剛畢業的大學生在選擇就業單位和企業時越來越重視社會責任因素。高德納公司和馬里蘭大學研究發現，女性學生學習數據和分析的首要原因之一，是希望為公司和世界做出貢獻。美世諮詢公司2018年的全球人才趨勢調查表明，最優秀的員工選擇具有強烈目標感的公司工作的可能性要高出三倍。但7600名調查對象中，只有13%表示自己工作的企業因“目標導向使命”而具有差異化優勢。
閱讀更多 科技化家庭 的文章
