AI Occupational Exposure measure (AIOE)

W skrócie

Publiczny wynik pokazujący, na ile każdy zawód opiera się na zdolnościach, w których AI zrobiła postępy. Istnieją odpowiadające mu wyniki dla branż i regionów. Użyj go, żeby szybko porównać stanowiska, a potem przyjrzyj się prawdziwym zadaniom.

Dla osoby, która prowadzi diagnozę: kierownika HR lub operacji, wewnętrznego zespołu projektowego albo zewnętrznego konsultanta.

Co mierzy

Każdy zawód wymaga pewnego zestawu zdolności. W niektórych z nich AI zrobiła postępy, w innych nie. Miara łączy jedno z drugim i daje każdemu zawodowi jeden wynik narażenia na AI. Autorzy zbudowali też wyniki dla branż i regionów oraz pokazują, jak zbudować wynik dla pojedynczej firmy z zestawu zawodów, które zatrudnia.

Badanie opisano na osobnej stronie.

Jak używać

1. Dopasuj swoje stanowiska do kodów zawodów.
2. Użyj wyników, żeby ułożyć stanowiska w kolejności do bliższego przyjrzenia się.
3. Rozpisz zadania na kilku pierwszych stanowiskach razem z ludźmi, którzy je wykonują. Zobacz rozpisz zadania, zanim zdecydujesz, co automatyzować.
4. Nie przedstawiaj wyników pracownikom jako prognozy.

Czego nie mierzy

• Czy AI zastąpi pracę, wesprze ją, czy zostawi w spokoju. Daje jedną liczbę narażenia i nie rozróżnia tych przypadków.
• Zadań. Ocenia całe zawody. Dwie osoby z tą samą nazwą stanowiska mogą wykonywać różną pracę.
• Użycia. Pokazuje, czego AI mogłaby dotknąć, a nie do czego się jej używa.
• Listy zawodów w twoim kraju. Używa kodów amerykańskich.

Jak to sprawdzono

• Autorzy zbudowali miarę i sprawdzili ją w recenzowanym badaniu.
• Inny zespół zastosował ją w 23 krajach. Bardziej narażone zawody ogólnie nie straciły zatrudnienia. Tam, gdzie praca z komputerem była częsta, większe narażenie szło w parze z szybszym wzrostem zatrudnienia.
• Autorzy rozszerzyli ją później na językowe narzędzia AI w artykule roboczym. Ten artykuł nie przeszedł recenzji naukowej.

Wynik jest więc dobrze udokumentowany, a najbardziej znane sprawdzenie ostrzega przed czytaniem go jako prognozy utraty miejsc pracy.

Licencja i dostęp

Artykuł jest w otwartym dostępie na licencji CC BY 4.0. Autorzy udostępniają dane. Ich lokalizacja i licencja nie są ustalone.

Alternatywy

Inne narzędzia do podobnego zadania i kiedy lepiej wybrać każde z nich.

• Na których stanowiskach generatywna AI mogłaby przejąć zadania, a na których mogłaby pomagać? ILO index of occupational exposure to generative AI Wybierz je, gdy pracujesz z międzynarodowymi kodami zawodów albo chcesz odróżnić automatyzację od wsparcia. Nikt nie jest ankietowany · Dopasowujesz nazwy swoich stanowisk do standardowej listy zawodów Bezpłatne, można dostosować Sprawdzenie: Wstępne Mapy zadań i stanowisk
• Które z naszych własnych zadań AI mogłaby wykonywać albo w których mogłaby pomagać? TPAH task analysis Rozważ je, gdy chcesz oceny zadań twojej własnej firmy, a nie typowego zawodu. Nikt nie jest ankietowany. Właściciele procesów sprawdzają wyniki · Analiza na podstawie opisu firmy i jej stanowisk Płatna usługa Sprawdzenie: Wstępne Mapy zadań i stanowisk

Praktyki, które z niego korzystają

• Rozpisz zadania, zanim zdecydujesz, co zautomatyzować Rozłóż stanowiska na zadania i przyjrzyj się każdemu z nich. Publikowane wskaźniki oceniają, jaką część pracy mogłaby wykonać AI, czyli jej „ekspozycję” na AI. Traktuj wysoki wynik jako miejsce, któremu warto się przyjrzeć, a nie jako decyzję o automatyzacji. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba) Dowody: Umiarkowane Sporne Przebudowa procesów · Rozpoznanie

Szczegóły

Sprawdzenie

Umiarkowane Zbudowany i sprawdzony przez autorów w recenzowanym badaniu. Inny zespół zastosował go w 23 krajach i stwierdził, że narażenie nie przewidywało utraty miejsc pracy. Nie sprawdzono go jako podstawy decyzji wewnątrz jednej firmy.

Czego dotyczy

Stanowisko i jego zadania

Jak zbiera się odpowiedzi

Istniejące dane o zdolnościach, których wymaga każdy zawód, powiązane z obszarami, w których AI zrobiła postępy.

Długość

Bez ankiety. Dopasowujesz nazwy swoich stanowisk do amerykańskich kodów zawodów.

Koszt

Bezpłatne

Licencja

CC BY 4.0 (artykuł)Artykuł ma otwartą licencję. Warunki dla zbioru danych nie są ustalone.

Języki

Angielski. Oparty na amerykańskich klasyfikacjach zawodów; inne kraje potrzebują przyporządkowania.

Autorzy

Felten, Raj and Seamans, 2021

Źródła

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

Powiązane badania na tej stronie

• Miara tego, jak bardzo każdy zawód jest narażony na AI 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.
• Narażenie na AI a zatrudnienie w 23 krajach Georgieff and Hyee (2022). Artificial Intelligence and Employment: New Cross-Country Evidence. Frontiers in Artificial Intelligence, 5, 832736.
• Narażenie to nie wdrożenie: co AI mogłaby robić, a do czego się jej używa Sedai (2026). Exposure Is Not Adoption: Measuring Generative AI and Labor Demand. SSRN working paper.