AI Occupational Exposure measure (AIOE)

En resumen

Una puntuación pública de cuánto depende cada ocupación de capacidades en las que la IA ha avanzado. Hay puntuaciones equivalentes para sectores y regiones. Úsela para comparar puestos de un vistazo, y después mire las tareas reales.

Para quien dirija la evaluación: una persona responsable de RR. HH. u operaciones, un equipo de proyecto interno o una consultoría externa.

Qué mide

Cada ocupación necesita una combinación de capacidades. La IA ha avanzado en algunas y no en otras. La medida relaciona las dos cosas y da a cada ocupación una puntuación de exposición. Los autores también construyeron puntuaciones para sectores y para regiones, y muestran cómo construir una para una sola empresa a partir de la combinación de ocupaciones que emplea.

El estudio se describe en su propia página.

Cómo usarla

1. Haga corresponder sus puestos con los códigos de ocupación.
2. Use las puntuaciones para ordenar los puestos que conviene mirar más de cerca.
3. Trace el mapa de tareas de los primeros puestos de la lista con las personas que hacen ese trabajo. Vea haga un mapa de las tareas antes de decidir qué automatizar.
4. No presente las puntuaciones al personal como una previsión.

Qué no mide

• Si la IA sustituirá el trabajo, lo apoyará o lo dejará igual. Da un solo número de exposición y no separa esos casos.
• Las tareas. Puntúa ocupaciones enteras. Dos personas con el mismo cargo pueden hacer trabajos distintos.
• El uso. Muestra lo que la IA podría tocar, no para qué se usa.
• La lista de ocupaciones de su país. Usa los códigos de Estados Unidos.

Cómo se probó

• Los autores construyeron la medida y la comprobaron en un estudio revisado por pares.
• Otro equipo la aplicó a 23 países. Las ocupaciones más expuestas no perdieron empleo en conjunto. Donde el uso de equipos informáticos era alto, una mayor exposición iba unida a un crecimiento más rápido del empleo.
• Más tarde, los autores la ampliaron a las herramientas de IA de lenguaje en un documento de trabajo. Ese documento no ha pasado una revisión por pares.

Así que la puntuación está bien documentada, y la prueba más conocida que se le ha hecho es una advertencia contra leerla como una previsión de pérdidas de empleo.

Licencia y acceso

El artículo es de acceso abierto con licencia CC BY 4.0. Los autores comparten los datos. Dónde están y con qué licencia no está establecido.

Alternativas

Otras evaluaciones con un fin parecido, y cuándo conviene cada una.

• ¿En qué puestos podría la IA generativa asumir tareas, y en cuáles podría ayudar? ILO index of occupational exposure to generative AI Prefiérala cuando trabaje con códigos de ocupación internacionales, o quiera distinguir la automatización de la ayuda. No se encuesta a nadie · Usted hace corresponder sus puestos con una lista estándar de ocupaciones Uso y adaptación libres Pruebas: Emergente Mapas de tareas y puestos
• ¿Cuáles de nuestras propias tareas podría hacer la IA, o en cuáles podría ayudar? TPAH task analysis Considérela cuando quiera puntuar las tareas de su propia empresa, no las de una ocupación típica. No se encuesta a nadie. Los responsables de cada proceso revisan los resultados · Un análisis a partir de una descripción de la empresa y de sus puestos Servicio de pago Pruebas: Emergente Mapas de tareas y puestos

Prácticas que la usan

• Haga un mapa de las tareas antes de decidir qué automatizar Divida los puestos en tareas y examine cada una. Hay puntuaciones publicadas que miden cuánto de un puesto podría hacer la IA, su “exposición”. Trate una puntuación alta como un lugar donde mirar, no como una decisión de automatizar. Hacer primero · Esfuerzo: bajo (días, una persona) Evidencia: Moderada Controvertida Rediseño de procesos · Explorar

Los detalles

Pruebas

Moderada Sus autores la construyeron y la comprobaron en un estudio revisado por pares. Otro equipo la aplicó en 23 países y encontró que la exposición no predecía pérdidas de empleo. No se ha probado como guía para decisiones dentro de una empresa.

Qué examina

Puesto y sus tareas

Cómo se recogen las respuestas

Datos existentes sobre las capacidades que necesita cada ocupación, vinculados a las áreas en las que la IA ha avanzado.

Duración

Sin encuesta. Usted hace corresponder sus puestos con los códigos de ocupación de Estados Unidos.

Costo

Gratis

Licencia

CC BY 4.0 (artículo)El artículo tiene una licencia abierta. Las condiciones del conjunto de datos no están establecidas.

Idiomas

Inglés. Se basa en las clasificaciones de empleo de Estados Unidos; otros países necesitan una tabla de correspondencias.

Autores

Felten, Raj and Seamans, 2021

Fuentes

1. Felten, Raj and Seamans (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal. doi:10.1002/smj.3286
2. Felten, Raj and Seamans (2023). How will Language Modelers like ChatGPT Affect Occupations and Industries? Working paper, not peer-reviewed. doi:10.2139/ssrn.4375268
3. Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence. doi:10.3389/frai.2022.832736

Estudios relacionados en este sitio

• Una medida de cuánto está expuesta cada ocupación a la IA Felten, Raj and Seamans (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217.
• Exposición a la IA y empleo en 23 países Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence, 5, 832736.
• Exposición no es adopción: lo que la IA podría hacer frente a aquello para lo que se usa Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper.