בינה מלאכותית סוכנותית שוברת את הנחת היסוד מאחורי כל תחזית חשיפת משימות

TL;DR. מסגרות חשיפת משימות מתייחסות למקצוע כאל מעטפת ששורדת סביב מה שבני אדם עדיין עושים. מערכות סוכנותיות חותרות ליעד ומספקות תוצר עבודה מוגמר, כך שעבודת התיאום...

עיקרי המסקנות

התחזיות שהחטיאו כלפי מעלה. רובוטים תעשייתיים אכן דחקו עובדי ייצור.
כיצד פועלות מסגרות המשימות. כדי לראות מאין מגיע הלחץ, כדאי לדייק לגבי מה שמסורת המשימות טוענת.
הכתם העיוור שכל מסגרת חולקת. המקור מעלה טענה חדה לגבי כל העבודה הזו.
מה נחשב לסוכנותי. אם הטיעון תלוי בהבחנה, ההבחנה זקוקה להגדרה.

תחזיות שוק העבודה הניחו שאוטומציה מסירה משימות בזו אחר זו ומותירה את המקצוע על כנו. בינה מלאכותית סוכנותית, המשלימה תהליכי עבודה שלמים, מפריכה את ההנחה הזו, ומדד משוקלל חדש, חשיפת משימות סוכנותית (ATE), נבנה כדי למדוד את מה שהמסגרות הישנות אינן מסוגלות.

תקציר מנהלים

תחזיות מוקדמות יותר של אוטומציה, כולל אלו שנבנו על מסגרת המשימות של אוטור-לוי-מורניין (Autor-Levy-Murnane), חולקות הנחה אחת: המקצוע שורד כמעטפת תיאום סביב העבודה האנושית שנותרה.

מערכות בינה מלאכותית סוכנותית עונות על ארבעה קריטריונים: הן מקבלות הגדרת יעד, בוחרות ומפעילות כלים באופן אוטונומי, שומרות על מצב (state) לאורך שלבי היסק, ומייצרות תוצר עבודה מוגמר ללא התערבות אנושית בשלבי הביניים.

ציון ה-ATE משלב ציוני יכולת של בינה מלאכותית, גורמי כיסוי של תהליכי עבודה ומהירות אימוץ לוגיסטית. אנליסטים של אשראי, שופטים ומומחי קיימות מגיעים לציוני ATE של 0.43-0.47.

המאמר מיישם את ה-ATE על 236 קודי SOC בשש קבוצות תעסוקתיות מרכזיות על פני חמישה אזורי טכנולוגיה בארה"ב, ומתאר את עצמו כיישום האמפירי הרב-אזורי הראשון של מסגרת חשיפת המשימות המכוון במיוחד למערכות בינה מלאכותית סוכנותית.

לצד הדחיקה, המאמר מזהה שבע-עשרה קטגוריות תעסוקתיות מתפתחות, המרוכזות בשיתוף פעולה אדם-בינה מלאכותית, ממשל בינה מלאכותית ותפעול בינה מלאכותית ייעודי לתחום.

התחזיות שהחטיאו כלפי מעלה #

רובוטים תעשייתיים אכן דחקו עובדי ייצור. הם לא עשו זאת בלוח הזמנים או בהיקף שהתחזיות הראשוניות רמזו עליהם. המשפט הזה צריך לגרום לכל מי שקורא תחזיות שוק עבודה לפרנסתו להיות קצת זהיר, משום שהוא מתאר דפוס: הכיוון היה נכון, ועוצמת ההשפעה הייתה שגויה.

מספר הכותרת הידוע ביותר בספרות הזו מגיע מפריי ואוסבורן (Frey and Osborne), שביקשו ממומחים לדרג 702 משלחי יד בארה"ב לפי מידת ה"מחשוביות" (computerizability) הכוללת שלהם. התוצאה שלהם הייתה ש-47% ממשלחי היד נמצאים בסיכון גבוה. זהו נתון מרשים, והוא עשה דרך ארוכה.

ארנץ, גרגורי וציראן (Arntz, Gregory and Zierahn) הראו לאחר מכן מה קורה כאשר הניתוח יורד לרמת המשימה ומביא בחשבון הטרוגניות של משימות בתוך משלחי יד החשופים לכאורה. אומדני הסיכון הגבוה צונחים ל-9-14% במדינות ה-OECD. המרחק בין 47% ל-9-14% אינו אי-הסכמה על עיגול מספרים. הוא משקף בחירה לגבי יחידת הניתוח, והבחירה הזו מזיזה את התשובה פי שלושה או יותר.

המקור גלוי לב בכך שהוויכוח בין אומדנים ברמת המקצוע לאומדנים ברמת המשימה נותר פתוח. מה שהתחום כן הגיע אליו הוא הסכמה מעשית: פירוק לרמת המשימה הוא הכרחי, ותוויות ברמת המקצוע גסות מדי. ההסכמה הזו היא היסוד שעליו נשען שאר הטיעון. היא גם היסוד שבינה מלאכותית סוכנותית מעמידה תחת לחץ.

כיצד פועלות מסגרות המשימות #

כדי לראות מאין מגיע הלחץ, כדאי לדייק לגבי מה שמסורת המשימות טוענת.

אוטור, לוי ומורניין חילקו משימות תעסוקתיות לאורך שני צירים: שגרתיות לעומת לא-שגרתיות, וקוגניטיביות לעומת ידניות. הטיעון שלהם היה שאוטומציה מחליפה את השגרתי בעודה משלימה את הלא-שגרתי. זהו רעיון נקי, והוא העניק לעבודות מאוחרות יותר אוצר מילים לדיון בשאלה אילו חלקים של עבודה מכונה יכולה לבלוע.

אג'מולו ורסטרפו (Acemoglu and Restrepo) בנו מבנה פורמלי על גבי זה. הם ממדלים תפוקה כתוצאה של רצף משימות המוקצות בין הון לעבודה. במסגור שלהם, חלקה של העבודה בתוצר עולה או יורד בהתאם לשאלה האם יצירת משימות חדשות, שהם מכנים ערוץ השילוב מחדש (reinstatement channel), עוקפת בקצבה את דחיקת המשימות. בעקבותיהם, חלק העבודה בערך המוסף נכתב כ-sL = W * L / Y = f(|NL| / |N|)‎, כאשר W הוא שיעור השכר, L הוא תעסוקה ו-Y הוא תפוקה. שני כוחות מושכים זה נגד זה, והשאלה מי מהם מנצח קובעת מי לוכד את הרווחים.

שני מאמצי מדידה נוספים חשובים כאן משום שהם הפכו את המסגרת למספרים ברמת המקצוע. פלטן, ראג' וסימנס (Felten, Raj and Seamans) בנו את ציון החשיפה התעסוקתית לבינה מלאכותית (AIOE) על ידי קישור התקדמויות שפורסמו ביכולות בינה מלאכותית לטקסונומיית היכולות של O*NET. אלונדו ושות' (Eloundou et al.‎) בנו מדד מקביל הממוקד ב-GPT-4, המשלב תיוגים של עובדי המון עם הערכות עצמיות של GPT-4 ברמת המשימה.

ממצא הכותרת שלהם היה ש-80% מהעובדים בארה"ב מחזיקים במשרות שבהן לפחות 10% מהמשימות חשופות למודלי שפה גדולים (LLMs). החשיפה הכבדה ביותר התרכזה בקרב משלחי יד בשכר גבוה הדורשים תואר אקדמי. התוצאה הזו מנוגדת לאינטואיציה הישנה יותר שלפיה אוטומציה פוגעת תחילה בעבודה שגרתית בשכר נמוך, והיא מסבירה מדוע שאלת הצווארון הלבן הפכה לדחופה.

הכתם העיוור שכל מסגרת חולקת #

המקור מעלה טענה חדה לגבי כל העבודה הזו. כל מסגרת מצוטטת חולקת כתם עיוור ארכיטקטוני: הן ממדלות אוטומציה ככזו שקוטפת משימות בודדות בעוד שהמקצוע נותר שלם. כמעט כל התחזיות, כולל אלו שנבנו על מסגרת המשימות של אוטור-לוי-מורניין, חולקות את ההנחה שאוטומציה קוטפת משימות בזו אחר זו והמקצוע שורד כמעטפת תיאום סביב העבודה האנושית שנותרה.

זוהי הנחה על מבנה, לא על טכנולוגיה. היא אינה אומרת דבר על מידת היכולת של המכונה. היא אומרת שלא משנה כמה משימות המכונה לוקחת, מישהו עדיין צריך להחזיק את השארית יחד.

עוזר משפטי (paralegal) הופך את הנקודה למוחשית. ניתוח חשיפת משימות עשוי לסמן 80% ממשימותיו של עוזר משפטי כחשופות ל-LLM ובכל זאת להסיק שהמקצוע בטוח, משום שתיאום המשימות הללו דורש שיקול דעת אנושי. המסקנה נובעת מהנחת המעטפת. המשימות חשופות, אך התפירה ביניהן אינה חשופה, ולכן המשרה נשארת.

ואז מגיע המהלך המרכזי של המקור: צוואר הבקבוק של התיאום שהגן על תפקיד העוזר המשפטי נמצא כעת בתוך מודול התכנון של הסוכן. אם זה מחזיק מים, ההיגיון ששמר על העוזר המשפטי בטוח מפסיק לעבוד. ההגנה הגיעה מהתיאום. התיאום הוא בדיוק מה שמערכת סוכנותית עושה.

אני חושב שזהו הרעיון המועיל ביותר במאמר, וראוי לבחון אותו לגופו. המסגרות הישנות יותר אינן טועות לגבי המשימות. הן טועות לגבי מה שנשאר אחרי שהמשימות הולכות. מדד שמדרג משימות בזו אחר זו אינו יכול לראות מערכת שמטפלת ברצף כיחידה אחת.

מה נחשב לסוכנותי #

אם הטיעון תלוי בהבחנה, ההבחנה זקוקה להגדרה. המקור מספק הגדרה כזו עם ארבעה קריטריונים. מערכת בינה מלאכותית סוכנותית היא מערכת אשר:

מקבלת הגדרת יעד במקום הגדרת משימה;
בוחרת ומפעילה כלים באופן אוטונומי כדי לחתור ליעד;
שומרת על מצב (state) לאורך שלבי היסק מרובים; וכן
מייצרת תוצר עבודה מוגמר ללא התערבות אנושית בשלבי הביניים.

זוהי רשימה שכדאי לשמור כרשימה, משום שהקריטריונים בדידים וניתן לבדוק כל אחד מהם. מערכת שעונה לפרומפט נכשלת בראשון. מערכת שזקוקה לאדם שיאשר כל שלב ביניים נכשלת ברביעי.

במילים פשוטות יותר, סוכן מקבל יעד, בוחר כלים, מוציא לפועל תוכנית רב-שלבית, בודק את הפלט של עצמו ומספק תוצר עבודה מוגמר. מערכות סוכנותיות משרשרות קריאות לכלים, שומרות על זיכרון מתמיד לאורך שלבים, מתכננות רצפים רב-פעולתיים ומתקנות את עצמן כאשר פלטי ביניים נכשלים בבדיקות איכות.

פרט התיקון העצמי חשוב יותר מכפי שנדמה במבט ראשון. צינור עיבוד (pipeline) שנשבר כאשר שלב אחד נכשל עדיין זקוק לאדם בסביבה. מערכת שמבחינה בבדיקת איכות שנכשלה ומנסה שוב בלעה חלק מהפיקוח שבעבר הצדיק את נוכחות האדם.

המאמר מגדיר את נושאו כך: סוכני בינה מלאכותית אוטונומיים המסוגלים להשלים תהליכי עבודה תעסוקתיים שלמים במקום משימות בדידות. המילה "שלמים" נושאת את המשקל. הטיעון כולו עוסק בפער שבין משימה בדידה לבין תהליך עבודה שלם.

מדוע העיתוי הוא עכשיו #

המקור מציע שני סוגי ראיות לכך שהשאלה אינה היפותטית. הראשונה נוגעת ליכולת. מודלים מרמת GPT-4 הגיעו אל סף הציון העובר או מעליו בבחינת לשכת עורכי הדין ובבחינת הרישוי הרפואי בארה"ב (USMLE), והגיעו למרחק של אחוזים בודדים ממעבר בחינת CFA רמה I. אלו הן בחינות הסמכה למקצועות המגבילים כניסה בדיוק משום שהעבודה קשה.

השנייה נוגעת לפריסה בשטח. ספקיות טכנולוגיה ארגוניות מובילות, בהן Amazon,‏ Microsoft,‏ Salesforce,‏ ServiceNow ו-Workday, חשפו פריסות סוכנותיות בסביבת ייצור הנוגעות לתהליכי עבודה של צווארון לבן בשיחות הרווחים ובמצגות למשקיעים שלהן בשנת 2024. אלו הן פריסות ייצור, לא הדגמות מחקר, והן הוכרזו למשקיעים ולא לאנשי אקדמיה.

המקור קורא את הגילויים הללו כסוג הגילויים שחברות מפרסמות רק כאשר הפריסות כבר משפיעות על תכנון מצבת כוח האדם. המקור ממסגר זאת כפרשנות, לא כמדידה, ויש להתייחס לכך בהתאם. שום דבר בתיעוד שנמסר לי אינו מדווח ישירות על נתוני מצבת עובדים. אך ההיקש סביר: חברות אינן נוהגות להציג פריסה טכנולוגית בפני משקיעים אלא אם כן יש לה משמעות לבסיס העלויות.

חברו את השניים יחד והטיעון בעד מדד חדש ברור לחלוטין. יכולת לבדה לא הייתה כופה את הדיון, וגם לא כמה פיילוטים. יכולת שכבר חוצה ספים מקצועיים, במערכות שכבר פועלות בייצור, כן עושה זאת.

ציון ה-ATE: מה הוא מודד ומה לא #

תגובת המאמר היא ציון חשיפת המשימות הסוכנותית (Agentic Task Exposure). זהו מדד משוקלל המרחיב את מסגרת דחיקת המשימות של אג'מולו-רסטרפו כדי להביא בחשבון כיסוי תהליכי עבודה מקצה לקצה, מדדי ייחוס עדכניים ליכולות בינה מלאכותית סוכנותית ומהירות אימוץ ארגונית. הציון מודד את המידה שבה מקצוע o חשוף לדחיקה מקצה לקצה על ידי מערכות בינה מלאכותית סוכנותית קיימות.

שלושה מרכיבים נכנסים פנימה: ציוני יכולת של בינה מלאכותית, גורמי כיסוי של תהליכי עבודה ומהירות אימוץ לוגיסטית. גורם הכיסוי של תהליכי העבודה הוא החלק שמטפל ישירות בכתם העיוור. המקור אומר שמה שחסר בעבודות מוקדמות יותר הוא מדד לשאלה האם הרכב תהליך העבודה המלא של מקצוע יושב בתוך מעטפת התפעול של בינה מלאכותית סוכנותית, והוא מفرמל זאת כגורם הכיסוי של תהליך העבודה. הציונים הישנים יותר שואלים האם משימה חשופה. הציון הזה שואל האם תהליך העבודה כולו נכנס לתוך מה שסוכן יכול לעשות.

שני חלקים נוספים של הבנייה מפורטים. האיבר wo,t הוא הרלוונטיות המשוקללת לפי חשיבות של משימה t במקצוע o, הנשאבת מדירוגי חשיבות המשימות של O*NET. והאיבר CAP(t)‎, איבר היכולת, נאמד מתוך ספרות מדדי הייחוס של בינה מלאכותית ודוחות פריסה של אנשי מקצוע בשטח. כך שחשיבות המשימה מגיעה ממאגר נתונים תעסוקתי סטנדרטי, בעוד שהיכולת מגיעה משני מקורות: מדדי ייחוס ודוחות שטח.

המאמר מפורש לגבי המתודה, והקורא צריך לדרוש ממנו לעמוד בכך. ציוני ATE מחושבים אלגוריתמית מנתוני משימות של O*NET באמצעות פרמטרי אימוץ מכוילים; הם אינם אומדני רגרסיה. יש לכך השלכות מעשיות. אומדן רגרסיה מגיע עם המנגנון הרגיל של טעויות תקן וטיעוני זיהוי (identification). מדד משוקלל אלגוריתמי מכויל אינו מגיע עם אלו, והפלטים שלו הם תחזיות הנגזרות ממודל, ביטוי שהמאמר עצמו משתמש בו עבור נתוני הדחיקה שלו. הם מתארים מה המודל גוזר תחת הפרמטרים שלו. הם אינם מדווחים על מה שקרה בפועל.

הייתי טוען שזהו מסגור הגון, והוא המסגור הנכון לבעיית חיזוי שבה הדבר הנחזה טרם התרחש. מדד משוקלל הבנוי מקלטים מוצהרים ניתן לבדיקה, לאתגור ולכיול מחדש. אם מישהו חולק על מהירות האימוץ, הוא יודע איזו חוגה לסובב.

היכן המודל מיישם זאת #

היישום האמפירי רחב. המאמר מיישם את מסגרת ה-ATE על 236 קודי סיווג משלחי יד סטנדרטי (SOC) המשתרעים על פני שש קבוצות תעסוקתיות מרכזיות, ומייצר תחזיות דחיקה הנגזרות מהמודל על פני חמישה אזורי טכנולוגיה מרכזיים בארצות הברית לתקופה 2025-2030. חמשת האזורים הם אזור מפרץ סן פרנסיסקו, סיאטל-טקומה-בלוויו, אוסטין-ראונד רוק, ניו יורק-ניוארק ובוסטון-קיימברידג'.

המאמר מתאר זאת כיישום האמפירי הרב-אזורי הראשון של מסגרת חשיפת המשימות המכוון במיוחד למערכות בינה מלאכותית סוכנותית. זוהי טענת ראשוניות של המחברים, ואינני יכול לבדוק אותה מתוך החומר שלפניי. מה שאני כן יכול לומר הוא שהעיצוב האזורי הוא תגובה הגיונית לבעיה שהמחקרים ברמה הלאומית חולקים: חשיפה היא תכונה של משלחי יד, אך אימוץ הוא תכונה של מקומות ופירמות.

לפי התוצאות שהמקור מציג, אנליסטים של אשראי, שופטים ומומחי קיימות מגיעים לציוני ATE של 0.43-0.47. הקיבוץ הזה ראוי למבט שני. אנליסט אשראי, שופט ומומחה קיימות אינם דומים זה לזה בהכשרה, בשכר או בעבודה היומיומית. מה שמשותף להם, לפי דיווח המאמר, הוא ציון באותו טווח. הייתי קורא זאת כנקודה נגד כל מיון עצל של משרות ל"בטוחות" ו"בסיכון" לפי מגזר או לפי יצירתיות נתפסת.

הייתי גם נמנע מלקרוא לתוך הנתון יותר ממה שהמקור תומך בו. החומר שבידי נותן את הטווח עבור שלושת משלחי היד הללו ואינו אומר כיצד הוא מושווה לשאר 236 הקודים. כך שהמספר מראה שהתפקידים הללו חשופים באופן מהותי בסולם של המאמר. הוא אינו מראה שהם החשופים ביותר.

הממצאים האזוריים מגיעים עם הסתייגות שכדאי לחזור עליה. המאמר קובע שהשפעות כוח האדם בסיאטל בשנים 2026-2027 מהוות קדימון למה שכוח האדם הלא-טכני הרחב יותר ברמה הלאומית יחווה בשנים 2028-2030. זוהי תחזית עם פער זמן מוצהר, והיא מסויגת. היא נקראת כהשערה שהמודל מייצר, ואין להתייחס אליה כאל עובדה מוגמרת. אך זהו סוג מועיל של טענה, משום שהיא ממוקדת מספיק כדי להתברר כשגויה. אם הדפוס המוקדם של סיאטל לא יעבור לכוח האדם הלא-טכני הלאומי עד 2028, למודל יש בעיה שהוא אינו יכול להסביר ולהחליק.

צד השילוב מחדש של המאזן #

ציון דחיקה בפני עצמו מספר מחצית מהסיפור של אג'מולו-רסטרפו. במסגרת שלהם, חלק העבודה בתוצר תלוי בשאלה האם יצירת משימות חדשות עוקפת בקצבה את הדחיקה. מאמר שהיה מרחיב את המסגרת ומודד רק דחיקה היה נוטש את החלק שמעניק למסגרת את המתח שלה.

המאמר אינו עושה זאת. הוא מזהה קטגוריות תעסוקתיות שבהן בינה מלאכותית סוכנותית מייצרת השפעות שילוב מחדש (reinstatement effects): תפקידים חדשים שלא היו קיימים לפני שהפריסה הסוכנותית יצרה ביקוש לפיקוח אנושי, ממשל ושיתוף פעולה בקנה מידה רחב. בסך הכול הוא מזהה שבע-עשרה קטגוריות תעסוקתיות מתפתחות הנהנות מהשפעות שילוב מחדש. הן מרוכזות בתפקידי שיתוף פעולה אדם-בינה מלאכותית, ממשל בינה מלאכותית ותפעול בינה מלאכותית ייעודי לתחום.

קל לעקוב אחר המנגנון. אם סוכנים מבצעים תהליכי עבודה מקצה לקצה, מישהו צריך לפקח עליהם, לקבוע את הכללים שלפיהם הם פועלים ולעבוד לצידם. הצרכים הללו לא היו קיימים כמשרות משום שעדיין לא היה על מה לפקח.

המקור אינו מספר לי כמה אנשים יעסיקו שבע-עשרה הקטגוריות הללו, או האם צמיחתן תקזז את הדחיקה שציוני ה-ATE מרמזים עליה. לכן הנתונים שאני יכול להשתמש בהם מותירים את השאלה המרכזית פתוחה: האם השילוב מחדש עוקף את הדחיקה. כל מי שכותב בביטחון שכן, או שלא, חורג מעבר לטענות המאומתות. תרומתו של המאמר היא להציב את שני צידי המאזן בתוך אותה מסגרת ולנקוב בשם המקומות שבהם התפקידים החדשים מופיעים.

מה לקחת מזה #

יש כאן לקח מתודולוגי ולקח מעשי.

הלקח המתודולוגי הוא שיחידת הניתוח קובעת את התשובה. הקפיצה מ-47% ל-9-14% נבעה מהמעבר ממשלחי יד למשימות. המאמר טוען שכעת נדרש מעבר נוסף, ממשימות לתהליכי עבודה, משום שהדבר שעובר אוטומציה אינו עוד משימה בודדת. בכל פעם שהיחידה זזה, האומדנים השתנו, וההיסטוריה של התחום מלמדת שבחירת היחידה ראויה לאותה מידה של בחינה קפדנית כמו בחירת הנתונים.

הלקח המעשי מיועד לכל מי שמתכנן מצבת כוח אדם, הכשרה או מוצרים סביב חמש השנים הקרובות. ציון שאומר לך ש-80% ממשימות התפקיד חשופות אינו מספיק, משום שהוא אינו אומר האם ה-20% הנותרים הם ליבה אנושית עמידה או רק הדבק שמודול התכנון של סוכן יכול כעת לספק. גורם הכיסוי של תהליך העבודה קיים כדי לשאול את השאלה הזו ישירות.

ציון ה-ATE הוא מדד משוקלל עם פרמטרים מכוילים, והתחזיות שלו נגזרות ממודל. הן טיעון מובנה לגבי השנים 2025-2030, לא תיעוד היסטורי שלהן. זו סיבה לבחון אותן במקום להתעלם מהן. השערת סיאטל מציעה מבחן מוקדם: אם ההשפעות בשנים 2026-2027 שם ייראו כפי שהמודל מרמז, פער הזמן עד לכוח האדם הלא-טכני הלאומי בשנים 2028-2030 הופך לדבר הבא שיש לעקוב אחריו. ושבע-עשרה קטגוריות השילוב מחדש מציבות את השאלה שהטענות אינן יכולות להכריע: האם התפקידים שייווצרו כדי לפקח על סוכנים יגיעו במספרים שמשנים לחלקה של העבודה בתוצר.

שאלות נפוצות #

מדוע מסגרות מוקדמות יותר של חשיפת משימות מעריכות בחסר את השפעת הבינה המלאכותית הסוכנותית?

מסגרות מוקדמות יותר שנבנו על מסורת אוטור-לוי-מורניין מניחות שאוטומציה מסירה משימות בודדות בעוד שהמקצוע שורד כמעטפת תיאום אנושית. מערכות בינה מלאכותית סוכנותית בולעות את התכנון, הפעלת הכלים, ניהול המצב ובדיקות האיכות בשלבי הביניים שבעבר דרשו מתאם אנושי, ובכך חושפות תהליכי עבודה שלמים במקום משימות מבודדות.

כיצד מחושב ציון חשיפת המשימות הסוכנותית (ATE)?

ציון ה-ATE הוא מדד משוקלל אלגוריתמי הבנוי מדירוגי חשיבות משימות של O*NET ‏(wo,t), מדדי ייחוס של יכולות בינה מלאכותית ודוחות פריסה של אנשי שטח (CAP(t)‎), גורם כיסוי תהליך עבודה המודד האם תהליך העבודה המלא של מקצוע נכנס לתוך מעטפת התפעול של סוכן, ופרמטרים מכוילים של מהירות אימוץ לוגיסטית על פני 236 קודי SOC.

מה מוצא המחקר בנוגע ליצירת משרות חדשות (השפעות שילוב מחדש)?

תוך הרחבת ערוץ השילוב מחדש של אג'מולו-רסטרפו, המחקר מזהה שבע-עשרה קטגוריות תעסוקתיות מתפתחות המרוכזות בשיתוף פעולה אדם-בינה מלאכותית, ממשל בינה מלאכותית ותפעול בינה מלאכותית ייעודי לתחום. השאלה האם הצמיחה בקטגוריות הללו מקזזת את הדחיקה ברמת תהליך העבודה נותרת שאלה אמפירית פתוחה.

מקורות #

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.

נסקר לאחרונה 2026-11-01.

פרסום מחדש של הכתבה

בינה מלאכותית סוכנותית שוברת את הנחת היסוד מאחורי כל תחזית חשיפת משימות — Sebastien Rousseau

מסגרות חשיפת משימות מתייחסות למקצוע כאל מעטפת ששורדת סביב מה שבני אדם עדיין עושים. מערכות סוכנותיות חותרות ליעד ומספקות תוצר עבודה מוגמר, כך שעבודת התיאום...

כתבה זו מפורסמת ברישיון Creative Commons Attribution 4.0 International. פרסום מחדש מחייב ייחוס לכתובת ה-URL הקאנונית.

בינה מלאכותית סוכנותית שוברת את הנחת היסוד מאחורי כל תחזית חשיפת משימות — Sebastien Rousseau

מסגרות חשיפת משימות מתייחסות למקצוע כאל מעטפת ששורדת סביב מה שבני אדם עדיין עושים. מערכות סוכנותיות חותרות ליעד ומספקות תוצר עבודה מוגמר, כך שעבודת התיאום...

Originally published at https://sebastienrousseau.com/he/2026-10-25-bynh-malakhutit-svknvtyt-shvbrt-hncht-hysvd/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER