Sinisira ng Agentic AI ang palagay sa likod ng bawat pagtataya sa task-exposure

TL;DR. Itinuturing ng mga balangkas ng task-exposure ang isang trabaho bilang isang balat na nananatiling buhay sa paligid ng anumang ginagawa pa rin ng mga tao. Tinutugis ng mga sistemang agentic ang isang layunin at naghahatid ng tapos na produkto ng trabaho, kaya ang gawain sa koordinasyon...

Mga Pangunahing Punto

Ang mga pagtatayang lumampas sa marka. Pinalitan nga ng mga pang-industriyang robot ang mga manggagawa sa pagmamanupaktura.
Paano gumagana ang mga balangkas ng gawain. Upang makita kung saan nagmumula ang bigat, nakakatulong na maging tiyak tungkol sa kung ano ang inaangkin ng tradisyon ng gawain.
Ang blind spot na pinagsasaluhan ng bawat balangkas. Gumagawa ang pinagmulan ng isang matulis na pag-aangkin tungkol sa lahat ng gawaing ito.
Ano ang maituturing na agentic. Kung ang argumento ay nakasalalay sa isang pagkakaiba, ang pagkakaiba ay nangangailangan ng isang kahulugan.

Ipinagpalagay ng mga pagtataya sa merkado ng paggawa na inaalis ng awtomasyon ang mga gawain nang paisa-isa at iniiwang nakatayo ang trabaho. Ang Agentic AI, na kumukumpleto ng buong mga workflow, ay nagpapawalang-bisa sa palagay na iyon, at isang bagong composite score, ang Agentic Task Exposure (ATE), ang binuo upang sukatin ang hindi kaya ng mga lumang balangkas.

Buod na Ehekutibo

Ang mga naunang pagtataya ng awtomasyon, kabilang ang mga binuo sa balangkas ng gawain nina Autor, Levy at Murnane, ay nagbabahagi ng isang palagay: nananatiling buhay ang trabaho bilang isang balat ng koordinasyon sa paligid ng natitirang gawain ng tao.

Ang mga sistemang agentic AI ay tumutugon sa apat na pamantayan: kumukuha sila ng detalye ng layunin, kusang pumipili at gumagamit ng mga kasangkapan, nagpapanatili ng estado sa mga hakbang ng inference, at gumagawa ng kumpletong produkto ng trabaho nang walang interbensyon ng tao sa mga gitnang hakbang.

Pinagsasama ng iskor ng ATE ang mga iskor ng kakayahan ng AI, mga salik sa saklaw ng workflow at bilis ng logistic na paggamit. Ang mga credit analyst, hukom at espesyalista sa sustainability ay umaabot sa mga iskor ng ATE na 0.43-0.47.

Inilalapat ng papel ang ATE sa 236 na SOC code sa anim na pangunahing grupo ng trabaho sa limang rehiyon ng teknolohiya sa US, at inilalarawan ang sarili nito bilang unang multi-regional na empirikal na aplikasyon ng balangkas ng task exposure na partikular na tumatarget sa mga sistemang agentic AI.

Kasabay ng pagpapalit ng trabaho, tinutukoy ng papel ang labimpitong umuusbong na kategorya ng trabaho, na nakatuon sa kolaborasyon ng tao at AI, pamamahala ng AI at mga operasyon ng AI na partikular sa domain.

Ang mga pagtatayang lumampas sa marka #

Pinalitan nga ng mga pang-industriyang robot ang mga manggagawa sa pagmamanupaktura. Ngunit hindi nila ito ginawa sa timeline o sa lawak na ipinahiwatig ng mga unang pagtataya. Ang pangungusap na iyon ay dapat maging dahilan upang medyo mag-ingat ang sinumang nagbabasa ng mga hula sa merkado ng paggawa bilang hanapbuhay, dahil inilalarawan nito ang isang padron: tama ang direksyon at mali ang laki.

Ang pinakakilalang numero sa ulo ng balita sa literaturang ito ay nagmula kina Frey at Osborne, na humiling sa mga eksperto na bigyan ng iskor ang 702 na trabaho sa US sa pangkalahatang "computerizability." Ang kanilang resulta ay 47% ng mga trabaho ay nasa mataas na panganib. Isa itong kapansin-pansing pigura, at malayo ang narating nito.

Ipinakita naman nina Arntz, Gregory at Zierahn kung ano ang nangyayari kapag bumaba ang pagsusuri sa antas ng gawain at isinaalang-alang ang pagkakaiba-iba ng gawain sa loob ng mga trabahong diumano'y nakalantad. Bumagsak ang mga pagtataya ng mataas na panganib sa 9-14% sa mga bansang OECD. Ang distansya sa pagitan ng 47% at 9-14% ay hindi isang hindi pagkakasundo sa pag-round off. Sinasalamin nito ang isang pagpili tungkol sa yunit ng pagsusuri, at binabago ng pagpiling iyon ang sagot nang tatlong beses o higit pa.

Tapat ang pinagmulan na hindi pa nareresolba ang debate sa pagitan ng mga pagtataya sa antas ng trabaho at antas ng gawain. Ang narating ng larangan ay isang praktikal na pinagkasunduan: kailangan ang paghimay sa antas ng gawain, at masyadong magaspang ang mga tatak sa antas ng trabaho. Ang pinagkasunduang iyon ang pundasyon kung saan nakatayo ang natitirang bahagi ng argumento. Ito rin ang pundasyon na inilalagay ng agentic AI sa ilalim ng matinding bigat.

Paano gumagana ang mga balangkas ng gawain #

Upang makita kung saan nagmumula ang bigat, nakakatulong na maging tiyak tungkol sa kung ano ang inaangkin ng tradisyon ng gawain.

Hinati nina Autor, Levy at Murnane ang mga gawain sa trabaho sa dalawang ehe: paulit-ulit (routine) laban sa di-paulit-ulit (non-routine), at kognitibo laban sa manwal. Ang kanilang argumento ay pinapalitan ng awtomasyon ang paulit-ulit habang pinupunan ang di-paulit-ulit. Isa itong malinis na ideya, at binigyan nito ang mga sumunod na pag-aaral ng bokabularyo para sa pag-uusap tungkol sa kung aling mga bahagi ng isang trabaho ang kayang saluhin ng isang makina.

Bumuo sina Acemoglu at Restrepo ng isang pormal na istruktura sa ibabaw niyon. Minomodelo nila ang output bilang resulta mula sa isang continuum ng mga gawain na inilalaan sa pagitan ng kapital at paggawa. Sa kanilang pagbabalangkas, tumataas o bumababa ang bahagi ng paggawa depende sa kung ang paglikha ng bagong gawain, na tinatawag nilang reinstatement channel, ay mas mabilis kaysa sa pagpapalit ng gawain. Bilang pagsunod sa kanila, ang bahagi ng paggawa sa idinagdag na halaga ay isinusulat bilang sL = W * L / Y = f(|NL| / |N|), kung saan ang W ay ang rate ng sahod, ang L ay empleyo at ang Y ay output. Dalawang puwersa ang naghihilahan laban sa isa't isa, at kung alin ang mananalo ang magpapasya kung sino ang makakakuha ng mga pakinabang.

Dalawa pang pagsisikap sa pagsukat ang mahalaga rito dahil ginawa nilang mga numero sa antas ng trabaho ang balangkas. Binuo nina Felten, Raj at Seamans ang iskor ng AI Occupational Exposure (AIOE) sa pamamagitan ng pag-uugnay sa mga nailathalang pagsulong sa kakayahan ng AI sa taksonomiya ng kakayahan ng O*NET. Gumawa sina Eloundou et al. ng isang katulad na panukat na nakatuon sa GPT-4, na pinagsasama ang mga anotasyon ng crowd-worker at mga pagsusuri sa sarili ng GPT-4 sa antas ng gawain.

Ang kanilang pangunahing natuklasan ay 80% ng mga manggagawa sa US ay may hawak na mga trabaho kung saan hindi bababa sa 10% ng mga gawain ay nakalantad sa LLM. Ang pinakamabigat na pagkakalantad ay nakatuon sa mga trabahong may mataas na sahod at nangangailangan ng digri. Ang resultang iyon ay sumasalungat sa mas lumang kutob na unang tinatamaan ng awtomasyon ang paulit-ulit at mas mababang sahod na trabaho, at ipinapaliwanag nito kung bakit naging apurahan ang usapin sa mga trabahong white-collar.

Gumagawa ang pinagmulan ng isang matulis na pag-aangkin tungkol sa lahat ng gawaing ito. Ang bawat binanggit na balangkas ay may parehong arkitektural na blind spot: minomodelo nila ang awtomasyon bilang pagkuha ng mga indibidwal na gawain habang nananatiling buo ang trabaho. Halos lahat ng mga pagtataya, kabilang ang mga binuo sa balangkas ng gawain nina Autor-Levy-Murnane, ay nagbabahagi ng palagay na kinukuha ng awtomasyon ang mga gawain nang paisa-isa at nananatiling buhay ang trabaho bilang isang balat ng koordinasyon sa paligid ng natitirang gawain ng tao.

Iyon ay isang palagay tungkol sa istruktura, hindi tungkol sa teknolohiya. Wala itong sinasabi tungkol sa kung gaano kahusay ang makina. Sinasabi nito na gaano man karaming gawain ang kunin ng makina, may isang tao pa ring kailangang magbuklod sa natitira.

Ginagawang konkreto ng paralegal ang punto. Ang isang pagsusuri sa task-exposure ay maaaring magmarka sa 80% ng mga gawain ng isang paralegal bilang nakalantad sa LLM at gayunpaman ay maghinuhang ligtas ang trabaho, dahil ang pagkoordina sa mga gawaing iyon ay nangangailangan ng paghatol ng tao. Ang konklusyon ay sumusunod mula sa palagay ng balat. Ang mga gawain ay nakalantad, ngunit ang pagtatahi sa pagitan nila ay hindi, kaya nananatili ang trabaho.

Pagkatapos ay ang susing hakbang ng pinagmulan: ang bottleneck ng koordinasyon na nagprotekta sa tungkulin ng paralegal ay nasa loob na ngayon ng planning module ng agent. Kung totoo iyon, hihinto sa paggana ang pangangatwiran na nagpanatiling ligtas sa paralegal. Ang proteksyon ay nagmula sa koordinasyon. Ang koordinasyon ay eksaktong kung ano ang ginagawa ng isang sistemang agentic.

Sa tingin ko ito ang pinakakapaki-pakinabang na ideya sa papel, at karapat-dapat itong tanggapin sa sarili nitong mga termino. Ang mga mas lumang balangkas ay hindi mali tungkol sa mga gawain. Mali sila tungkol sa kung ano ang natitira pagkatapos mawala ang mga gawain. Ang isang panukat na nagbibigay ng iskor sa mga gawain nang paisa-isa ay hindi makakakita sa isang sistema na humahawak sa pagkakasunud-sunod bilang isang yunit.

Ano ang maituturing na agentic #

Kung ang argumento ay nakasalalay sa isang pagkakaiba, ang pagkakaiba ay nangangailangan ng isang kahulugan. Nagbibigay ang pinagmulan ng isa na may apat na pamantayan. Ang isang sistemang agentic AI ay isang sistema na:

tumatanggap ng detalye ng layunin (goal specification) sa halip na detalye ng gawain (task specification);
kusang pumipili at gumagamit ng mga kasangkapan upang tugisin ang layunin;
nagpapanatili ng estado sa maraming hakbang ng inference; at
gumagawa ng kumpletong produkto ng trabaho nang walang interbensyon ng tao sa mga gitnang hakbang.

Ito ay isang listahan na karapat-dapat panatilihin bilang isang listahan, dahil ang mga pamantayan ay magkakahiwalay at ang bawat isa ay maaaring suriin. Ang isang sistema na sumasagot sa isang prompt ay bumabagsak sa una. Ang isang sistema na nangangailangan ng isang tao upang aprubahan ang bawat gitnang hakbang ay bumabagsak sa ikaapat.

Sa mas simpleng pananalita, ang isang agent ay tumatanggap ng isang layunin, pumipili ng mga kasangkapan, nagpapatupad ng planong may maraming hakbang, sumusuri sa sarili nitong output at naghahatid ng tapos na produkto ng trabaho. Pinagkakabit-kabit ng mga sistemang agentic ang mga pagtawag sa kasangkapan, nagpapanatili ng tuluy-tuloy na memorya sa mga hakbang, nagpaplano ng mga pagkakasunud-sunod na may maraming aksyon at nagwawasto sa sarili kapag bumagsak sa mga pagsusuri ng kalidad ang mga gitnang output.

Ang detalye ng pagwawasto sa sarili ay mas mahalaga kaysa sa unang tingin. Ang isang pipeline na nasisira kapag bumagsak ang isang hakbang ay nangangailangan pa rin ng isang tao sa malapit. Ang isang sistema na nakakapansin ng bumagsak na pagsusuri sa kalidad at sumusubok muli ay sumipsip na sa ilan sa superbisyon na dating nagbibigay-katwiran sa presensya ng tao.

Binibigyang-kahulugan ng papel ang paksa nito sa ganitong paraan: mga awtonomong AI agent na may kakayahang kumpletuhin ang buong mga workflow ng trabaho sa halip na magkakahiwalay na gawain. Ang salitang "buo" ang nagdadala ng bigat. Ang buong argumento ay tungkol sa agwat sa pagitan ng isang hiwalay na gawain at isang kumpletong workflow.

Bakit ngayon ang tamang panahon #

Nag-aalok ang pinagmulan ng dalawang uri ng ebidensya na ang tanong ay hindi hipotetikal. Ang una ay tungkol sa kakayahan. Ang mga modelong nasa antas ng GPT-4 ay umabot sa o lumampas sa mga threshold ng pasadong iskor sa bar exam at sa US Medical Licensing Exam, at lumapit sa loob ng ilang porsyentong puntos upang makapasa sa CFA Level I. Ang mga iyon ay mga pagsusulit sa pagbibigay ng kredensyal para sa mga propesyon na naglilimita sa pagpasok dahil mismo sa mahirap ang trabaho.

Ang pangalawa ay tungkol sa pag-deploy. Ang mga pangunahing vendor ng teknolohiya sa enterprise, kabilang ang Amazon, Microsoft, Salesforce, ServiceNow at Workday, ay nagbunyag ng mga pamproduksyong agentic deployment na humahawak sa mga white-collar na workflow sa kanilang mga earnings call at presentasyon sa mga mamumuhunan noong 2024. Ang mga ito ay mga pamproduksyong deployment, hindi mga demo sa pananaliksik, at inihayag ang mga ito sa mga mamumuhunan sa halip na sa mga akademiko.

Binabasa ng pinagmulan ang mga pagbubunyag na iyon bilang uri na ginagawa lamang ng mga kumpanya kapag ang mga deployment ay nakakaapekto na sa pagpaplano ng bilang ng mga empleyado (headcount planning). Binabalangkas iyon ng pinagmulan bilang isang interpretasyon, hindi isang pagsukat, at dapat itong ituring bilang ganoon. Walang anuman sa rekord na ibinigay sa akin ang direktang nag-uulat ng mga pigura ng bilang ng empleyado. Ngunit makatwiran ang hinuha: karaniwang hindi inilalagay ng mga kumpanya ang isang deployment sa harap ng mga mamumuhunan maliban kung mahalaga ito sa basehan ng gastos.

Pagsamahin ang dalawa at magiging tuwiran ang kaso para sa isang bagong panukat. Ang kakayahan lamang ay hindi magpipilit sa isyu, at gayundin ang ilang pilot project. Ang kakayahang tumatawid na sa mga propesyonal na threshold, sa mga sistemang nasa produksyon na, ay nagpipilit dito.

Ang iskor ng ATE: ano ang sinusukat nito at ano ang hindi #

Ang tugon ng papel ay ang iskor ng Agentic Task Exposure. Isa itong composite metric na nagpapalawak sa balangkas ng pagpapalit ng gawain nina Acemoglu-Restrepo upang isaalang-alang ang end-to-end na saklaw ng workflow, kasalukuyang mga benchmark ng kakayahan ng agentic AI at bilis ng paggamit sa enterprise. Sinusukat ng iskor ang antas kung saan ang isang trabaho o ay nakalantad sa end-to-end na pagpapalit ng kasalukuyang mga sistemang agentic AI.

Tatlong sangkap ang pumapasok: mga iskor ng kakayahan ng AI, mga salik sa saklaw ng workflow at bilis ng logistic na paggamit. Ang salik sa saklaw ng workflow ang piraso na direktang tumutugon sa blind spot. Sinasabi ng pinagmulan na ang kulang sa mga naunang gawain ay isang panukat kung ang buong komposisyon ng workflow ng isang trabaho ay nakaupo sa loob ng operational envelope ng agentic AI, at ginagawa nitong pormal iyon bilang workflow coverage factor. Tinatanong ng mga lumang iskor kung nakalantad ang isang gawain. Tinatanong naman ng isang ito kung kasya ang buong workflow sa loob ng kayang gawin ng isang agent.

Dalawa pang piraso ng konstruksyon ang tinukoy. Ang terminong wo,t ay ang importance-weighted na kaugnayan ng gawain t sa trabaho o, na hinugot mula sa mga rating ng kahalagahan ng gawain sa O*NET. At ang CAP(t), ang termino ng kakayahan, ay tinataya mula sa literatura ng benchmark ng AI at mga ulat ng deployment ng mga practitioner. Kaya ang kahalagahan ng gawain ay nagmumula sa isang karaniwang database ng trabaho, habang ang kakayahan ay nagmumula sa dalawang sanggunian: mga benchmark at mga ulat sa larangan.

Malinaw ang papel tungkol sa pamamaraan, at dapat itong panghawakan ng mambabasa roon. Ang mga iskor ng ATE ay kinukuwenta nang algoritmiko mula sa datos ng gawain ng O*NET gamit ang mga naka-calibrate na parametro ng paggamit; hindi sila mga pagtataya ng regression. May mga praktikal na kahihinatnan iyon. Ang isang pagtataya ng regression ay may kasamang karaniwang aparato ng mga standard error at mga argumento ng pagkakakilanlan. Ang isang naka-calibrate na algoritmikong composite ay wala, at ang mga output nito ay mga proyeksiyong hinango sa modelo, isang parirala na ginagamit mismo ng papel para sa mga pigura ng pagpapalit nito. Inilalarawan nila kung ano ang ipinahihiwatig ng modelo sa ilalim ng mga parametro nito. Hindi nila iniuulat kung ano ang nangyari.

Ipapakipagtalo ko na iyon ay isang tapat na pagbabalangkas, at ito ang tama para sa isang problema sa pagtataya kung saan ang bagay na tinataya ay hindi pa nangyayari. Ang isang composite na binuo mula sa mga nakasaad na input ay maaaring siyasatin, hamunin at muling i-calibrate. Kung may hindi sumasang-ayon tungkol sa bilis ng paggamit, alam nila kung aling pihitan ang gagalawin.

Saan ito inilalapat ng modelo #

Malawak ang empirikal na aplikasyon. Inilalapat ng papel ang balangkas ng ATE sa 236 na Standard Occupational Classification (SOC) code na sumasaklaw sa anim na pangunahing grupo ng trabaho, na bumubuo ng mga proyeksiyong hinango sa modelo para sa pagpapalit ng trabaho sa limang pangunahing rehiyon ng teknolohiya sa Estados Unidos para sa panahon ng 2025-2030. Ang limang rehiyon ay ang San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark, at Boston-Cambridge.

Inilalarawan ito ng papel bilang unang multi-regional na empirikal na aplikasyon ng balangkas ng task exposure na partikular na tumatarget sa mga sistemang agentic AI. Iyon ay isang pag-aangkin ng pagiging una na ginawa ng mga may-akda, at hindi ko ito masusuri mula sa materyal na nasa harap ko. Ang masasabi ko ay ang rehiyonal na disenyo ay isang makatwirang tugon sa isang problemang pinagsasaluhan ng mga pag-aaral sa pambansang antas: ang pagkakalantad ay katangian ng mga trabaho, ngunit ang paggamit ay katangian ng mga lugar at mga kumpanya.

Sa mga resultang ibinibigay ng pinagmulan, ang mga credit analyst, hukom at espesyalista sa sustainability ay umaabot sa mga iskor ng ATE na 0.43-0.47. Ang pagpapangkat ay karapat-dapat sa pangalawang tingin. Ang isang credit analyst, isang hukom at isang espesyalista sa sustainability ay hindi magkakahawig sa pagsasanay, sahod o pang-araw-araw na trabaho. Ang pagkakatulad nila, ayon sa salaysay ng papel, ay isang iskor sa parehong hanay. Babasahin ko iyon bilang isang marka laban sa anumang tamad na pagbubukod-bukod ng mga trabaho sa "ligtas" at "nasa panganib" ayon sa sektor o ayon sa inaakalang pagkamalikhain.

Lalabanan ko rin ang pagbasa nang higit pa sa pigura kaysa sa sinusuportahan ng pinagmulan. Ang materyal na mayroon ako ay nagbibigay ng hanay para sa tatlong trabahong ito at hindi sinasabi kung paano ito maihahambing sa natitirang bahagi ng 236 na code. Kaya ipinapakita ng numero na ang mga tungkuling ito ay malaki ang pagkakalantad sa iskala ng papel. Hindi nito ipinapakita na sila ang pinakanakalantad.

Ang mga rehiyonal na natuklasan ay may kasamang pasubali na karapat-dapat ulitin. Isinasaad ng papel na ang mga epekto sa lakas-paggawa ng Seattle sa 2026-2027 ay nagbibigay ng paunang silip sa kung ano ang mararanasan ng mas malawak na pambansang di-teknikal na lakas-paggawa sa 2028-2030. Iyon ay isang hula na may nakasaad na pagkaantala (lag), at may pasubali ito. Binabasa ito bilang isang hipotesis na nililikha ng modelo, at hindi ito dapat ituring bilang isang naitatag na katotohanan. Ngunit isa itong kapaki-pakinabang na uri ng pag-aangkin, dahil sapat ang pagiging tiyak nito upang mapatunayang mali. Kung ang maagang padron ng Seattle ay hindi maililipat sa pambansang di-teknikal na lakas-paggawa pagsapit ng 2028, ang modelo ay may problemang hindi nito maipapaliwanag nang basta-basta.

Ang panig ng reinstatement sa talaan #

Ang isang iskor sa pagpapalit ng trabaho nang mag-isa ay nagsasabi lamang ng kalahati ng kuwento nina Acemoglu-Restrepo. Sa kanilang balangkas, ang bahagi ng paggawa ay nakasalalay sa kung ang paglikha ng bagong gawain ay mas mabilis kaysa sa pagpapalit. Ang isang papel na nagpalawak sa balangkas at nagsukat lamang ng pagpapalit ay mag-aabandona sa bahagi nito na nagbibigay ng tensyon sa balangkas.

Hindi iyon ginagawa ng papel. Tinutukoy nito ang mga kategorya ng trabaho kung saan lumilikha ang agentic AI ng mga epekto ng reinstatement: mga bagong tungkulin na hindi umiiral bago lumikha ang agentic deployment ng pangangailangan para sa pangangasiwa ng tao, pamamahala at kolaborasyon nang malawakan. Sa kabuuan ay tinutukoy nito ang labimpitong umuusbong na kategorya ng trabaho na nakikinabang mula sa mga epekto ng reinstatement. Ang mga ito ay nakatuon sa kolaborasyon ng tao at AI, pamamahala ng AI at mga tungkulin sa operasyon ng AI na partikular sa domain.

Madaling sundan ang mekanismo. Kung isinasagawa ng mga agent ang mga workflow mula simula hanggang dulo, may kailangang mangasiwa sa kanila, magtakda ng mga patakaran kung saan sila tumatakbo, at makipagtulungan sa kanila. Ang mga pangangailangang iyon ay hindi umiral bilang mga trabaho noon dahil wala pang kailangang pangasiwaan.

Hindi sinasabi sa akin ng pinagmulan kung ilang tao ang mabibigyan ng trabaho ng labimpitong kategoryang ito, o kung ang kanilang paglago ay makakapagpabawi sa pagpapalit na ipinahihiwatig ng mga iskor ng ATE. Kaya iniiwang bukas ng datos na magagamit ko ang sentral na tanong: kung ang reinstatement ay mas mabilis kaysa sa pagpapalit. Ang sinumang sumulat nang may kumpiyansa na oo, o hindi, ay lumalampas sa mga napatunayang pag-aangkin. Ang kontribusyon ng papel ay ilagay ang magkabilang panig ng talaan sa iisang balangkas at pangalanan kung saan lumilitaw ang mga bagong tungkulin.

Ano ang mapupulot dito #

Mayroong aral sa pamamaraan at isang praktikal na aral.

Ang aral sa pamamaraan ay ang yunit ng pagsusuri ang nagpapasya sa sagot. Ang pagtalon mula 47% tungong 9-14% ay nagmula sa paglipat mula sa mga trabaho patungo sa mga gawain. Ipinapakipagtalo ng papel na kailangan na ngayon ang karagdagang paglipat, mula sa mga gawain patungo sa mga workflow, dahil ang bagay na ginagawang awtomatiko ay hindi na isang gawain. Sa bawat pagkakataong lumipat ang yunit, nagbago ang mga pagtataya, at ipinahihiwatig ng kasaysayan ng larangan na ang pagpili ng yunit ay karapat-dapat sa kasinghigpit na pagsusuri gaya ng pagpili ng datos.

Ang praktikal na aral ay para sa sinumang nagpaplano ng bilang ng empleyado, pagsasanay o mga produkto sa susunod na limang taon. Ang isang iskor na nagsasabi sa iyo na 80% ng mga gawain ng isang tungkulin ay nakalantad ay hindi sapat, dahil hindi nito sinasabi kung ang natitirang 20% ay isang matibay na ubod ng tao o pandikit lamang na kaya nang ibigay ngayon ng planning module ng isang agent. Umiiral ang workflow coverage factor upang direktang itanong ang tanong na iyon.

Ang iskor ng ATE ay isang composite na may mga naka-calibrate na parametro, at ang mga proyeksiyon nito ay hinango sa modelo. Ang mga ito ay isang nakabalangkas na argumento tungkol sa 2025-2030, hindi isang rekord nito. Iyon ay isang dahilan upang subukan ang mga ito sa halip na balewalain. Ang hipotesis sa Seattle ay nag-aalok ng maagang pagsubok: kung ang mga epekto sa 2026-2027 doon ay magmukhang gaya ng ipinahihiwatig ng modelo, ang pagkaantala patungo sa pambansang di-teknikal na lakas-paggawa sa 2028-2030 ang magiging susunod na babantayan. At ang labimpitong kategorya ng reinstatement ay nagbubukas ng tanong na hindi kayang lutasin ng mga pag-aangkin: kung ang mga tungkuling nilikha upang mangasiwa sa mga agent ay darating sa bilang na mahalaga sa bahagi ng paggawa.

Mga Madalas Itanong #

Bakit minamaliit ng mga naunang balangkas ng task-exposure ang epekto ng agentic AI?

Ipinagpapalagay ng mga naunang balangkas na binuo sa tradisyon nina Autor-Levy-Murnane na inaalis ng awtomasyon ang mga indibidwal na gawain habang nananatiling buhay ang trabaho bilang isang balat ng koordinasyon ng tao. Sinisipsip ng mga sistemang agentic AI ang pagpaplano, paggamit ng kasangkapan, pamamahala ng estado at mga pagsusuri sa kalidad sa gitnang hakbang na dating nangangailangan ng tagapag-ugnay na tao, na naglalantad sa buong mga workflow sa halip na magkakahiwalay na gawain.

Paano kinukuwenta ang iskor ng Agentic Task Exposure (ATE)?

Ang ATE ay isang algoritmikong composite na binuo mula sa mga rating ng kahalagahan ng gawain sa O*NET (wo,t), mga benchmark ng kakayahan ng AI at mga ulat ng deployment ng mga practitioner (CAP(t)), isang workflow coverage factor na sumusukat kung kasya ang buong workflow ng isang trabaho sa loob ng operational envelope ng isang agent, at mga naka-calibrate na parametro ng bilis ng logistic na paggamit sa 236 na SOC code.

Ano ang natuklasan ng pag-aaral tungkol sa paglikha ng bagong trabaho (reinstatement effects)?

Sa pagpapalawak ng reinstatement channel nina Acemoglu-Restrepo, tinutukoy ng pag-aaral ang labimpitong umuusbong na kategorya ng trabaho na nakatuon sa kolaborasyon ng tao at AI, pamamahala ng AI at mga operasyon ng AI na partikular sa domain. Kung ang paglago sa mga kategoryang iyon ay makakapagpabawi sa pagpapalit sa antas ng workflow ay nananatiling isang bukas na empirikal na tanong.

Mga Sanggunian #

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.

Huling sinuri 2026-11-01.

Muling i-publish ang artikulong ito

Sinisira ng Agentic AI ang palagay sa likod ng bawat pagtataya sa task-exposure — Sebastien Rousseau

Itinuturing ng mga balangkas ng task-exposure ang isang trabaho bilang isang balat na nananatiling buhay sa paligid ng anumang ginagawa pa rin ng mga tao. Tinutugis ng mga sistemang agentic ang isang layunin at naghahatid ng tapos na produkto ng trabaho, kaya ang gawain sa koordinasyon...

Ang artikulong ito ay nakapailalim sa lisensya ng Creative Commons Attribution 4.0 International. Kailangan ng pagkilala sa canonical URL para sa muling pag-publish.

Sinisira ng Agentic AI ang palagay sa likod ng bawat pagtataya sa task-exposure — Sebastien Rousseau

Itinuturing ng mga balangkas ng task-exposure ang isang trabaho bilang isang balat na nananatiling buhay sa paligid ng anumang ginagawa pa rin ng mga tao. Tinutugis ng mga sistemang agentic ang isang layunin at naghahatid ng tapos na produkto ng trabaho, kaya ang gawain sa koordinasyon...

Originally published at https://sebastienrousseau.com/fil/2026-10-25-sinisira-ng-agentic-ai-palagay-likod/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER