Agentní umělá inteligence boří předpoklad stojící za každou prognózou expozice úkolů

Prognózy trhu práce předpokládaly, že automatizace odstraňuje úkoly jeden po druhém a samotné povolání ponechává stát. Agentní AI, která dokončuje celé pracovní postupy, tento předpoklad ruší a nové složené skóre, Agentic Task Exposure (ATE), je navrženo tak, aby měřilo to, co staré rámce nedokážou.

Manažerské shrnutí

Dřívější prognózy automatizace, včetně těch postavených na úkolovém rámci Autora, Levyho a Murnanea, sdílejí jeden předpoklad: povolání přežívá jako koordinační skořápka kolem zbývající lidské práce.

Systémy agentní AI splňují čtyři kritéria: přijímají specifikaci cíle, autonomně vybírají a volají nástroje, udržují stav napříč kroky odvozování a vytvářejí dokončený pracovní výstup bez lidského zásahu v mezikrocích.

Skóre ATE kombinuje hodnocení schopností AI, faktory pokrytí pracovních postupů a logistickou rychlost adopce. Úvěroví analytici, soudci a specialisté na udržitelnost dosahují hodnot ATE v rozmezí 0.43-0.47.

Článek aplikuje ATE na 236 kódů SOC v šesti hlavních profesních skupinách napříč pěti technologickými regiony USA a popisuje se jako první vícekrajská empirická aplikace rámce expozice úkolů zaměřená přímo na systémy agentní AI.

Vedle vytlačování článek identifikuje sedmnáct nastupujících profesních kategorií soustředěných do spolupráce člověka s AI, správy AI (AI governance) a oborově specifického provozu AI.

Prognózy, které přestřelily #

Průmyslové roboty skutečně vytlačily dělníky ve výrobě. Neudělaly to však v časovém horizontu ani v měřítku, které naznačovaly původní prognózy. Tato věta by měla každého, kdo se živí čtením predikcí trhu práce, přimět k opatrnosti, protože popisuje jistý vzorec: směr byl správný, ale rozsah nikoli.

Nejznámější titulkové číslo v této literatuře pochází od Freye a Osbornea, kteří požádali odborníky, aby ohodnotili 702 amerických povolání z hlediska celkové "počítačové nahraditelnosti". Jejich výsledkem bylo, že 47 % povolání je vystaveno vysokému riziku. Je to výrazné číslo a obletělo svět.

Arntz, Gregory a Zierahn poté ukázali, co se stane, když analýza sestoupí na úroveň jednotlivých úkolů a zohlední různorodost úkolů uvnitř nominálně ohrožených povolání. Odhady vysokého rizika klesnou napříč zeměmi OECD na 9-14 %. Vzdálenost mezi 47 % a 9-14 % není zaokrouhlovací odchylkou. Odráží volbu jednotky analýzy a tato volba posouvá odpověď trojnásobně či více.

Zdroj upřímně přiznává, že spor mezi odhady na úrovni povolání a na úrovni úkolů zůstává nevyřešen. Čeho však obor dosáhl, je praktický konsenzus: rozklad na úroveň úkolů je nezbytný a nálepky na úrovni celých povolání jsou příliš hrubé. Tento konsenzus je základem, na němž stojí zbytek argumentace. Je to také základ, který agentní AI vystavuje tlaku.

Jak fungují úkolové rámce #

Abychom viděli, odkud tento tlak pochází, pomůže přesně vymezit, co tradice úkolového přístupu tvrdí.

Autor, Levy a Murnane rozdělili pracovní úkoly podél dvou os: rutinní versus nerutinní a kognitivní versus manuální. Jejich argumentem bylo, že automatizace nahrazuje rutinní úkoly, zatímco nerutinní doplňuje. Je to čistá myšlenka, která dala pozdějším pracím slovník pro popis toho, které části práce dokáže stroj pohltit.

Acemoglu a Restrepo na tom vystavěli formální strukturu. Modelují výstup jako výsledek kontinua úkolů rozdělených mezi kapitál a práci. V jejich pojetí podíl práce roste nebo klesá podle toho, zda vytváření nových úkolů, které nazývají kanálem znovuzapojení (reinstatement channel), předstihuje vytlačování úkolů. V jejich duchu se podíl práce na přidané hodnotě zapisuje jako sL = W * L / Y = f(|NL| / |N|), kde W je mzdová sazba, L je zaměstnanost a Y je výstup. Dvě síly táhnou proti sobě a to, která z nich zvítězí, určuje, kdo získá výnosy.

Dvě další měřicí iniciativy jsou zde důležité, protože proměnily tento rámec v čísla na úrovni povolání. Felten, Raj a Seamans vytvořili skóre AI Occupational Exposure (AIOE) propojením publikovaných pokroků ve schopnostech AI s taxonomií dovedností v databázi O*NET. Eloundou a kol. zkonstruovali paralelní míru zaměřenou na GPT-4, která kombinovala anotace davových pracovníků se sebehodnocením samotného modelu GPT-4 na úrovni úkolů.

Jejich hlavním zjištěním bylo, že 80 % amerických pracovníků zastává pracovní místa, kde je alespoň 10 % úkolů vystaveno působení modelů LLM. Nejsilnější expozice byla soustředěna mezi vysoce placenými povoláními vyžadujícími vysokoškolské vzdělání. Tento výsledek jde proti starší intuici, že automatizace zasahuje nejprve rutinní a hůře placenou práci, a vysvětluje, proč se otázka bílých límečků stala tak naléhavou.

Slepé místo, které sdílejí všechny rámce #

Zdroj vznáší vůči celé této literatuře cílenou námitku. Všechny citované rámce sdílejí architektonické slepé místo: modelují automatizaci jako přebírání jednotlivých úkolů, zatímco povolání zůstává nedotčeno. Téměř všechny prognózy, včetně těch postavených na úkolovém rámci Autora, Levyho a Murnanea, sdílejí předpoklad, že automatizace odstraňuje úkoly jeden po druhém a povolání přežívá jako koordinační skořápka kolem zbývající lidské práce.

To je předpoklad o struktuře, nikoli o technologii. Neříká nic o tom, jak schopný je stroj. Říká jen, že bez ohledu na to, kolik úkolů stroj převezme, někdo stále musí držet zbytek pohromadě.

Příklad koncipienta či právního asistenta (paralegal) ukazuje tuto myšlenku konkrétně. Analýza expozice úkolů může označit 80 % úkolů právního asistenta jako vystavených modelům LLM, a přesto dospět k závěru, že povolání je v bezpečí, protože koordinace těchto úkolů vyžaduje lidský úsudek. Tento závěr vyplývá z předpokladu skořápky. Úkoly jsou vystaveny, ale švy mezi nimi nikoli, takže pracovní místo zůstává.

Pak přichází klíčový tah zdroje: úzké hrdlo koordinace, které roli právního asistenta chránilo, se nyní nachází uvnitř plánovacího modulu agenta. Pokud to platí, úvaha, která právního asistenta udržovala v bezpečí, přestává fungovat. Ochrana pocházela z koordinace. A koordinace je přesně to, co dělá agentní systém.

Domnívám se, že toto je nejužitečnější myšlenka v celém článku a zaslouží si být posuzována sama o sobě. Starší rámce se nemýlí ohledně úkolů. Mýlí se v tom, co zůstane, když úkoly zmizí. Míra, která hodnotí úkoly jeden po druhém, nemůže vidět systém, který zvládá celou posloupnost jako jeden celek.

Co se počítá jako agentní #

Pokud argument závisí na rozlišení, potřebuje toto rozlišení definici. Zdroj ji dodává pomocí čtyř kritérií. Systém agentní AI je takový, který:

přijímá specifikaci cíle namísto specifikace úkolu;
autonomně vybírá a volá nástroje k dosažení tohoto cíle;
udržuje stav napříč více kroky odvozování; a
vytváří dokončený pracovní výstup bez lidského zásahu v mezikrocích.

Tento výčet stojí za to uchovat jako seznam, protože kritéria jsou oddělená a každé z nich lze zkontrolovat. Systém, který odpovídá na jediné zadání (prompt), neprojde prvním kritériem. Systém, který potřebuje člověka ke schválení každého mezikroku, neprojde čtvrtým.

Jednodušeji řečeno, agent obdrží cíl, vybere nástroje, provede vícekrokový plán, zkontroluje vlastní výstup a dodá hotový pracovní produkt. Agentní systémy řetězí volání nástrojů, udržují trvalou paměť napříč kroky, plánují víceakční sekvence a samy se opravují, když mezivýstupy neprojdou kontrolou kvality.

Detail týkající se sebeopravy je důležitější, než se na první pohled zdá. Potrubí (pipeline), které se zastaví, když selže jeden krok, stále potřebuje člověka poblíž. Systém, který zaznamená neúspěšnou kontrolu kvality a zkusí to znovu, pohltil část dohledu, který dříve ospravedlňoval lidskou přítomnost.

Článek definuje svůj předmět zkoumání takto: autonomní agenti AI schopní dokončit celé profesní pracovní postupy namísto oddělených jednotlivých úkolů. Váhu zde nese slovo "celé". Celý argument pojednává o propasti mezi jednotlivým úkolem a kompletním pracovním postupem.

Proč je ten správný čas právě teď #

Zdroj nabízí dva druhy důkazů, že tato otázka není hypotetická. První se týká schopností. Modely třídy GPT-4 dosáhly prahových hodnot pro složení advokátní zkoušky (bar exam) a americké lékařské licenční zkoušky (USMLE) nebo je překonaly a přiblížily se na několik procentních bodů ke složení zkoušky CFA Level I. Jde o certifikační zkoušky pro profese, které omezují vstup právě proto, že tato práce je obtížná.

Druhý důkaz se týká nasazení v praxi. Hlavní dodavatelé podnikových technologií, včetně společností Amazon, Microsoft, Salesforce, ServiceNow a Workday, zveřejnili ve svých hovorech k hospodářským výsledkům a prezentacích pro investory v roce 2024 produkční nasazení agentních systémů zasahujících do pracovních postupů bílých límečků. Jedná se o produkční nasazení, nikoli výzkumné ukázky, a byla oznámena investorům, nikoli akademikům.

Zdroj čte tato zveřejnění jako typ sdělení, která firmy činí až tehdy, když nasazení již ovlivňuje plánování počtu zaměstnanců. Zdroj to rámuje jako interpretaci, nikoli jako měření, a tak je třeba k tomu přistupovat. Nic v podkladech, které mám k dispozici, neuvádí přímo čísla o počtech zaměstnanců. Tento úsudek je však rozumný: firmy obvykle nepředkládají nasazení technologie investorům, pokud nemá význam pro nákladovou základnu.

Spojíme-li obojí dohromady, je důvod pro novou míru přímočarý. Samotné schopnosti by si tuto otázku nevynutily a stejně tak ani několik pilotních projektů. Schopnosti, které již překračují profesní prahy v systémech, jež jsou již v produkčním provozu, však ano.

Skóre ATE: co měří a co nikoli #

Odpovědí článku je skóre Agentic Task Exposure. Jde o složenou metriku, která rozšiřuje rámec vytlačování úkolů Acemoglua a Restrepa tak, aby zohledňovala komplexní pokrytí pracovních postupů, současné srovnávací testy schopností agentní AI a rychlost zavádění v podnicích. Skóre měří míru, do jaké je povolání o vystaveno komplexnímu vytlačení současnými systémy agentní AI.

Vstupují do něj tři složky: hodnocení schopností AI, faktory pokrytí pracovních postupů a logistická rychlost adopce. Faktor pokrytí pracovních postupů je tou částí, která přímo řeší zmíněné slepé místo. Zdroj říká, že v dřívějších pracích chybí míra toho, zda celá skladba pracovního postupu daného povolání leží uvnitř provozní obálky agentní AI, a formalizuje to jako faktor pokrytí pracovních postupů. Starší skóre se ptají, zda je vystaven jednotlivý úkol. Toto skóre se ptá, zda se celý pracovní postup vejde do toho, co agent dokáže udělat.

Upřesněny jsou i další dva prvky konstrukce. Člen wo,t je důležitostí vážená relevance úkolu t v povolání o, čerpaná z hodnocení důležitosti úkolů v databázi O*NET. A člen CAP(t), vyjadřující schopnosti, je odhadován z literatury o srovnávacích testech AI a ze zpráv praktiků o reálném nasazení. Důležitost úkolů tedy pochází ze standardní databáze povolání, zatímco schopnosti pocházejí ze dvou zdrojů: ze srovnávacích testů a ze zpráv z praxe.

Článek je v otázce metody zcela otevřený a čtenář by se toho měl držet. Hodnoty ATE jsou počítány algoritmicky z dat o úkolech v O*NET pomocí kalibrovaných parametrů adopce; nejde o regresní odhady. To má praktické důsledky. Regresní odhad přichází s obvyklým aparátem směrodatných chyb a identifikačních argumentů. Kalibrovaný algoritmický kompozit ničím takovým nedisponuje a jeho výstupy jsou projekcemi odvozenými z modelu, což je obrat, který samotný článek používá pro svá čísla o vytlačování. Popisují to, co model implikuje při zadaných parametrech. Nepodávají zprávu o tom, co se již stalo.

Tvrdil bych, že jde o poctivé zarámování a že je to správný přístup k prognostickému problému, kde prognozovaný jev ještě nenastal. Složený ukazatel vybudovaný z jasně uvedených vstupů lze prozkoumat, zpochybnit a překalibrovat. Pokud někdo nesouhlasí s rychlostí adopce, přesně ví, kterým knoflíkem má otočit.

Kde to model aplikuje #

Empirická aplikace je široká. Článek aplikuje rámec ATE na 236 kódů Standardní klasifikace povolání (SOC) pokrývajících šest hlavních profesních skupin a generuje modelem odvozené projekce vytlačování napříč pěti hlavními technologickými regiony Spojených států pro období 2025-2030. Těmito pěti regiony jsou San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark a Boston-Cambridge.

Článek to popisuje jako první vícekrajskou empirickou aplikaci rámce expozice úkolů zaměřenou přímo na systémy agentní AI. To je nárok na prvenství vznesený autory, který z materiálu před sebou nemohu ověřit. Co však říci mohu, je, že regionální uspořádání představuje rozumnou odpověď na problém, který sdílejí celostátní studie: expozice je vlastností povolání, ale adopce je vlastností míst a firem.

Podle výsledků, které zdroj uvádí, dosahují úvěroví analytici, soudci a specialisté na udržitelnost hodnot ATE v rozmezí 0.43-0.47. Toto seskupení stojí za druhý pohled. Úvěrový analytik, soudce a specialista na udržitelnost se sobě nepodobají vzděláním, platem ani každodenní náplní práce. Co mají podle článku společného, je skóre ve stejném pásmu. Četl bych to jako bod proti jakémukoli pohodlnému třídění pracovních míst na "bezpečná" a "ohrožená" podle odvětví nebo vnímané kreativity.

Stejně tak bych se bránil tomu vyčíst z tohoto čísla více, než zdroj dokládá. Materiál, který mám k dispozici, uvádí rozpětí pro tato tři povolání a neříká, jak si stojí ve srovnání se zbytkem z 236 kódů. Číslo tedy ukazuje, že tyto role jsou na škále článku značně vystaveny. Neukazuje však, že jsou vystaveny nejvíce.

Regionální zjištění přicházejí s výhradou, kterou stojí za to zopakovat. Článek uvádí, že dopady na pracovní sílu v Seattlu v letech 2026-2027 předznamenávají to, co širší celostátní netechnická pracovní síla zažije v letech 2028-2030. To je predikce s uvedeným zpožděním a je formulována opatrně. Čte se jako hypotéza, kterou model produkuje, a neměla by být brána jako prokázaný fakt. Je to však užitečný druh tvrzení, protože je dostatečně konkrétní na to, aby se mohlo ukázat jako mylné. Pokud se raný vzorec ze Seattlu nepřenese na celostátní netechnickou pracovní sílu do roku 2028, má model problém, který nelze snadno vymluvit.

Strana znovuzapojení v účetní knize #

Samotné skóre vytlačování vypráví jen polovinu příběhu Acemoglua a Restrepa. V jejich rámci závisí podíl práce na tom, zda vytváření nových úkolů předstihuje vytlačování. Článek, který by tento rámec rozšířil a měřil pouze vytlačování, by opustil právě tu část, která rámci dodává jeho vnitřní napětí.

Tento článek to nedělá. Identifikuje profesní kategorie, v nichž agentní AI vytváří efekty znovuzapojení: nové role, které před nasazením agentů neexistovaly, vytvářejí poptávku po lidském dohledu, správě a spolupráci ve velkém měřítku. Celkem identifikuje sedmnáct nastupujících profesních kategorií těžících z efektů znovuzapojení. Jsou soustředěny v rolích zaměřených na spolupráci člověka s AI, správu AI a oborově specifický provoz AI.

Mechanismus je snadno pochopitelný. Pokud agenti provádějí pracovní postupy od začátku do konce, někdo na ně musí dohlížet, nastavovat pravidla, podle nichž běží, a pracovat po jejich boku. Tyto potřeby dříve jako pracovní místa neexistovaly, protože ještě nebylo na co dohlížet.

Zdroj mi neříká, kolik lidí by těchto sedmnáct kategorií zaměstnalo, ani zda by jejich růst vyrovnal vytlačování, které naznačují hodnoty ATE. Data, která mohu použít, tedy nechávají ústřední otázku otevřenou: zda znovuzapojení předstihuje vytlačování. Každý, kdo sebevědomě píše, že ano, nebo že ne, překračuje ověřená tvrzení. Přínosem článku je vložení obou stran účetní knihy do téhož rámce a pojmenování míst, kde se nové role objevují.

Co si z toho odnést #

Plyne z toho poučení metodologické a poučení praktické.

Metodologické poučení spočívá v tom, že jednotka analýzy rozhoduje o odpovědi. Skok ze 47 % na 9-14 % vzešel z přechodu od povolání k úkolům. Článek tvrdí, že nyní je zapotřebí další posun, od úkolů k pracovním postupům, protože věcí, která se automatizuje, již není jednotlivý úkol. Pokaždé, když se jednotka posunula, změnily se i odhady, a historie oboru naznačuje, že volba jednotky si zaslouží stejně důkladné zkoumání jako volba dat.

Praktické poučení platí pro každého, kdo plánuje počty zaměstnanců, školení nebo produkty na příštích pět let. Skóre, které vám řekne, že 80 % úkolů dané role je vystaveno, nestačí, protože neříká, zda zbývajících 20 % představuje odolné lidské jádro, nebo jen tmel, který nyní dokáže dodat plánovací modul agenta. Faktor pokrytí pracovních postupů existuje právě proto, aby tuto otázku položil přímo.

Skóre ATE je složený ukazatel s kalibrovanými parametry a jeho projekce jsou odvozeny z modelu. Jsou strukturovaným argumentem o období 2025-2030, nikoli jeho záznamem. To je důvod je testovat, nikoli ignorovat. Hypotéza o Seattlu nabízí raný test: pokud budou tamní dopady v letech 2026-2027 vypadat tak, jak model naznačuje, stane se zpožděný přenos na celostátní netechnickou pracovní sílu v letech 2028-2030 další věcí, kterou je třeba sledovat. A sedmnáct kategorií znovuzapojení klade otázku, kterou samotná tvrzení nemohou rozhodnout: zda role vytvořené k dohledu nad agenty dorazí v počtech, které budou mít pro podíl práce skutečný význam.

Často kladené otázky #

Proč dřívější rámce expozice úkolů podceňují dopad agentní AI?

Dřívější rámce postavené na tradici Autora, Levyho a Murnanea předpokládají, že automatizace odstraňuje jednotlivé úkoly, zatímco povolání přežívá jako lidská koordinační skořápka. Systémy agentní AI pohlcují plánování, volání nástrojů, správu stavu a průběžné kontroly kvality, které dříve vyžadovaly lidského koordinátora, čímž vystavují celé pracovní postupy namísto izolovaných úkolů.

Jak se vypočítává skóre Agentic Task Exposure (ATE)?

ATE je algoritmický složený ukazatel sestavený z hodnocení důležitosti úkolů v databázi O*NET (wo,t), srovnávacích testů schopností AI a zpráv praktiků o nasazení (CAP(t)), faktoru pokrytí pracovních postupů měřícího, zda se celý pracovní postup povolání vejde do provozní obálky agenta, a kalibrovaných parametrů logistické rychlosti adopce napříč 236 kódy SOC.

Co studie zjišťuje ohledně vytváření nových pracovních míst (efektů znovuzapojení)?

Rozšířením kanálu znovuzapojení Acemoglua a Restrepa studie identifikuje sedmnáct nastupujících profesních kategorií soustředěných do spolupráce člověka s AI, správy AI a oborově specifického provozu AI. Zda růst v těchto kategoriích vyrovná vytlačování na úrovni pracovních postupů, zůstává otevřenou empirickou otázkou.

Literatura #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Naposledy revidováno 2026-11-01.

Znovu publikovat tento článek

Agentní umělá inteligence boří předpoklad stojící za každou prognózou expozice úkolů — Sebastien Rousseau

Rámce expozice úkolů zacházejí s povoláním jako se skořápkou, která přežívá kolem toho, co stále dělají lidé. Agentní systémy sledují cíl a dodávají hotový pracovní výstup, takže koordinační práce...

Tento článek je licencován pod Creative Commons Attribution 4.0 International. Při opětovné publikaci uveďte odkaz na kanonickou URL.

Agentní umělá inteligence boří předpoklad stojící za každou prognózou expozice úkolů — Sebastien Rousseau

Rámce expozice úkolů zacházejí s povoláním jako se skořápkou, která přežívá kolem toho, co stále dělají lidé. Agentní systémy sledují cíl a dodávají hotový pracovní výstup, takže koordinační práce...

Originally published at https://sebastienrousseau.com/cs/2026-10-25-agentni-umela-inteligence-bori-predpoklad-stojici/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER