Az ágensalapú MI megtöri minden feladatkitettségi előrejelzés mögötti alapfeltevést

A munkaerőpiaci előrejelzések abból indultak ki, hogy az automatizálás egyesével veszi át a feladatokat, miközben maga a foglalkozás érintetlen marad. A teljes munkafolyamatokat elvégző ágensalapú MI érvényteleníti ezt a feltevést, az új összetett mutató, az Agentic Task Exposure (ATE) pedig pontosan azt méri, amire a régi keretrendszerek nem képesek.

Vezetői összefoglaló

A korábbi automatizálási előrejelzések, beleértve az Autor-Levy-Murnane-féle feladatkeretrendszerre épülőket is, egyetlen közös feltevésen alapulnak: a foglalkozás koordinációs burokként fennmarad a megmaradó emberi munka körül.

Az ágensalapú MI-rendszerek négy kritériumnak felelnek meg: célspecifikációt kapnak, önállóan választanak ki és hívnak meg eszközöket, fenntartják az állapotot a következtetési lépések között, és emberi közbeavatkozás nélkül állítanak elő kész munkaterméket a köztes lépésekben.

Az ATE-mutató egyesíti az MI-képességpontszámokat, a munkafolyamat-lefedettségi tényezőket és a logisztikus adaptációs sebességet. A hitelelemzők, a bírák és a fenntarthatósági szakértők 0.43-0.47 közötti ATE-értékeket érnek el.

A tanulmány 236 SOC-kódra alkalmazza az ATE-t hat fő foglalkozási csoportban, az Egyesült Államok öt technológiai régiójában, és a feladatkitettségi keretrendszer első olyan több régióra kiterjedő empirikus alkalmazásaként határozza meg magát, amely kifejezetten az ágensalapú MI-rendszereket célozza.

A kiszorítás mellett a tanulmány tizenhét feltörekvő foglalkozási kategóriát azonosít, amelyek az ember-MI együttműködésre, az MI-irányításra (AI governance) és a szakterület-specifikus MI-műveletekre összpontosulnak.

A célon túllövő előrejelzések #

Az ipari robotok valóban kiszorították a feldolgozóipari munkásokat. Ám ezt nem abban az ütemben és nem olyan mértékben tették, ahogyan a kezdeti előrejelzések sugallták. Ennek a mondatnak óvatosságra kell intenie mindenkit, aki hivatásszerűen olvas munkaerőpiaci jóslatokat, mert egy visszatérő mintázatot ír le: az irány helyes volt, a nagyságrend viszont téves.

A szakirodalom legismertebb címlapszáma Frey és Osborne munkájából származik, akik szakértőket kértek fel arra, hogy értékeljenek 702 egyesült államokbeli foglalkozást az általános "számítógépesíthetőség" szempontjából. Eredményük szerint a foglalkozások 47%-a magas kockázatúnak bizonyult. Ez mellbevágó adat, és messzire eljutott.

Arntz, Gregory és Zierahn ezután megmutatták, mi történik, ha az elemzés leszáll a feladatok szintjére, és figyelembe veszi a feladatok heterogenitását a névlegesen kitett foglalkozásokon belül. A magas kockázatú becslések az OECD-országokban 9-14%-ra esnek vissza. A 47% és a 9-14% közötti távolság nem kerekítési vita. Az elemzési egység megválasztását tükrözi, és ez a választás háromszorosára vagy még nagyobb mértékben mozdítja el a választ.

A forrás őszintén elismeri, hogy a foglalkozásszintű és a feladatszintű becslések közötti vita eldöntetlen. Amire a szakterület mégis eljutott, az egy gyakorlati konszenzus: a feladatszintű felbontás elengedhetetlen, a foglalkozásszintű címkék pedig túl durvák. Ez a konszenzus az az alap, amelyen az érvelés többi része nyugszik. És ugyanez az alap az, amelyet az ágensalapú MI feszültség alá helyez.

Hogyan működnek a feladatalapú keretrendszerek #

Ahhoz, hogy lássuk, honnan ered ez a feszültség, érdemes pontosan rögzíteni, mit állít a feladatalapú hagyomány.

Autor, Levy és Murnane két tengely mentén osztotta fel a foglalkozási feladatokat: rutinszerű kontra nem rutinszerű, illetve kognitív kontra manuális. Érvelésük szerint az automatizálás helyettesíti a rutinszerűt, miközben kiegészíti a nem rutinszerűt. Ez tiszta gondolat, amely szókincset adott a későbbi kutatásoknak ahhoz, hogy megbeszéljék, egy munkakör mely részeit képes felszívni egy gép.

Acemoglu és Restrepo formális szerkezetet épített erre. A kibocsátást a tőke és a munka között elosztott feladatok kontinuumából származó eredményként modellezik. Keretükben a munka részaránya attól függően emelkedik vagy csökken, hogy az új feladatok teremtése, amelyet visszaépülési csatornának (reinstatement channel) neveznek, lehagyja-e a feladatok kiszorítását. Őket követve a munka hozzáadott értéken belüli részaránya sL = W * L / Y = f(|NL| / |N|) alakban írható fel, ahol W a bérráta, L a foglalkoztatottság és Y a kibocsátás. Két erő húz egymással ellentétes irányba, és amelyik győz, az dönti el, ki szerzi meg a nyereséget.

Két másik mérési törekvés azért fontos itt, mert ezt a keretrendszert foglalkozásszintű számokká alakította. Felten, Raj és Seamans megalkotta az AI Occupational Exposure (AIOE) mutatót úgy, hogy a publikált MI-képességbeli előrelépéseket összekapcsolta az O*NET képességtaxonómiájával. Eloundou és munkatársai egy párhuzamos, a GPT-4-re összpontosító mérőszámot szerkesztettek, amely a közösségi munkavégzők (crowd-workers) annotációit a GPT-4 feladatszintű önértékeléseivel ötvözte.

Fő megállapításuk az volt, hogy az egyesült államokbeli munkavállalók 80%-a olyan munkakörben dolgozik, ahol a feladatok legalább 10%-a ki van téve az LLM-ek hatásának. A najsúlyosabb kitettség a magas bérű, felsőfokú végzettséget igénylő foglalkozásokban összpontosult. Ez az eredmény szembehelyezkedik a régebbi intuícióval, amely szerint az automatizálás először a rutinszerű, alacsonyabb bérű munkát sújtja, és megmagyarázza, miért vált sürgetővé a szellemi munkavállalók kérdése.

A vakfolt, amelyen minden keretrendszer osztozik #

A forrás éles állítást fogalmaz meg mindezzel a munkával kapcsolatban. Minden idézett keretrendszer osztozik egy architektúrabeli vakfolton: úgy modellezik az automatizálást, mint ami egyesével emeli ki a feladatokat, miközben a foglalkozás érintetlen marad. Szinte minden előrejelzés, beleértve az Autor-Levy-Murnane-féle feladatkeretrendszerre épülőket is, osztozik azon a feltevésen, hogy az automatizálás egyesével szedi ki a feladatokat, a foglalkozás pedig koordinációs burokként tovább él a megmaradó emberi munka körül.

Ez a szerkezetre vonatkozó feltevés, nem pedig a technológiára. Semmit sem mond arról, mennyire rátermett a gép. Azt mondja, hogy bármennyi feladatot vesz is át a gép, valakinek továbbra is össze kell tartania a maradékot.

A jogi asszisztens (paralegal) példája kézzelfoghatóvá teszi a lényeget. Egy feladatkitettségi elemzés megjelölheti a jogi asszisztens feladatainak 80%-át mint LLM-kitettségűt, és mégis arra a következtetésre juthat, hogy a foglalkozás biztonságban van, mivel e feladatok összehangolása emberi ítélőképességet igényel. A következtetés a burokfeltevésből fakad. A feladatok ki vannak téve, de a közöttük lévő varratok nem, így az állás megmarad.

Ekkor következik a forrás kulcslépése: a jogi asszisztensi szerepkört védő koordinációs szűk keresztmetszet most az ágens tervezési modulján belül található. Ha ez igaz, akkor az a gondolatmenet, amely biztonságban tartotta a jogi asszisztenst, többé nem működik. A védelem a koordinációból származott. A koordináció pedig pontosan az, amit egy ágensalapú rendszer csinál.

Szerintem ez a tanulmány leghasznosabb gondolata, és megérdemli, hogy a maga jogán vegyük komolyan. A régebbi keretrendszerek nem a feladatokkal kapcsolatban tévednek. Abban tévednek, hogy mi marad, miután a feladatok eltűnnek. Egy olyan mérőszám, amely egyesével pontozza a feladatokat, képtelen meglátni egy olyan rendszert, amely a teljes sorozatot egyetlen egységként kezeli.

Mi számít ágensalapúnak #

Ha az érvelés egy megkülönböztetésen múlik, akkor ennek a megkülönböztetésnek definícióra van szüksége. A forrás négy kritériummal ad ilyet. Egy ágensalapú MI-rendszer olyan rendszer, amely:

feladatspecifikáció helyett célspecifikációt kap;
önállóan választ ki és hív meg eszközöket a cél elérése érdekében;
több következtetési lépésen keresztül fenntartja az állapotot; és
emberi beavatkozás nélkül állít elő befejezett munkaterméket a köztes lépésekben.

Ezt a felsorolást érdemes listaként megtartani, mert a kritériumok elkülönülnek, és mindegyik külön ellenőrizhető. Egy rendszer, amely egyetlen promptra válaszol, elbukik az elsőn. Egy rendszer, amelynek emberre van szüksége minden köztes lépés jóváhagyásához, elbukik a negyediken.

Egyszerűbben fogalmazva, az ágens célt kap, eszközöket választ, többlépéses tervet hajt végre, ellenőrzi a saját kimenetét és kész munkaterméket szállít. Az ágensalapú rendszerek láncba fűzik az eszközhívásokat, tartós memóriát tartanak fenn a lépések között, több műveletből álló sorozatokat terveznek, és önjavítást végeznek, amikor a köztes kimenetek megbuknak a minőségellenőrzésen.

Az önjavítás részlete fontosabb, mint amilyennek elsőre tűnik. Egy olyan feldolgozási lánc, amely eltörik, ha egyetlen lépés hibázik, továbbra is embert igényel a közelben. Egy olyan rendszer viszont, amely észreveszi a sikertelen minőségellenőrzést és újra próbálkozik, már magába olvasztotta a felügyelet egy részét, amely korábban az ember jelenlétét indokolta.

A tanulmány így határozza meg tárgyát: autonóm MI-ágensek, amelyek elkülönülő feladatok helyett teljes foglalkozási munkafolyamatok elvégzésére képesek. A súly a "teljes" szón van. Az egész érvelés az elkülönülő feladat és a teljes munkafolyamat közötti szakadékról szól.

Miért éppen most jött el az idő #

A forrás kétféle bizonyítékot kínál arra, hogy a kérdés nem elméleti. Az első a képességekre vonatkozik. A GPT-4 osztályú modellek elérték vagy meghaladták az átmenő ponthatárt az ügyvédi szakvizsgán (bar exam) és az amerikai orvosi kamarai vizsgán (USMLE), a CFA Level I vizsgán pedig néhány százalékpontra közelítették meg a sikeres teljesítést. Ezek olyan képesítési vizsgák, amelyekkel a szakmák éppen azért korlátozzák a belépést, mert maga a munka nehéz.

A második a gyakorlati bevezetésre vonatkozik. A nagy vállalati technológiai szállítók, köztük az Amazon, a Microsoft, a Salesforce, a ServiceNow és a Workday, 2024-es eredménybeszámolóikban és befektetői prezentációikban nyilvánosságra hozták a szellemi munkafolyamatokat érintő éles, ágensalapú bevezetéseiket. Ezek éles üzemi bevezetések, nem pedig kutatási demók, és befektetőknek jelentették be őket, nem akadémikusoknak.

A forrás ezeket a közzétételeket olyan közleményekként olvassa, amelyeket a vállalatok csak akkor tesznek meg, amikor a bevezetések már befolyásolják a létszámtervezést. A forrás ezt értelmezésként, nem pedig mérésként keretezi, és akként is kell kezelni. A rendelkezésemre bocsátott feljegyzésekben semmi sem közöl közvetlenül létszámadatokat. A következtetés azonban észszerű: a cégek általában nem tesznek egy technológiai bevezetést a befektetők elé, hacsak nincs jelentősége a költségbázis szempontjából.

Ha a kettőt összerakjuk, az új mérőszám melletti érv egyértelmű. Önmagában a képesség nem kényszerítené ki a kérdést, ahogy néhány kísérleti projekt sem. A szakmai küszöböket már átlépő képesség, olyan rendszerekben, amelyek már éles üzemben futnak, viszont igen.

Az ATE-mutató: mit mér és mit nem #

A tanulmány válasza az Agentic Task Exposure mutató. Ez egy összetett mérőszám, amely kiterjeszti az Acemoglu-Restrepo-féle feladatkiszorítási keretrendszert, hogy figyelembe vegye a teljes munkafolyamat-lefedettséget, az aktuális ágensalapú MI-képességteszteket és a vállalati bevezetés sebességét. A mutató azt méri, milyen mértékben van kitéve egy o foglalkozás a jelenlegi ágensalapú MI-rendszerek általi teljes körű (end-to-end) kiszorításnak.

Három összetevő kerül bele: az MI-képességpontszámok, a munkafolyamat-lefedettségi tényezők és a logisztikus adaptációs sebesség. A munkafolyamat-lefedettségi tényező az a rész, amely közvetlenül kezeli a vakfoltot. A forrás szerint a korábbi munkákból hiányzik annak mérése, hogy egy foglalkozás teljes munkafolyamat-összetétele beleillik-e az ágensalapú MI működési burkába, és ezt formalizálja munkafolyamat-lefedettségi tényezőként. A régebbi mutatók azt kérdezik, ki van-e téve egy feladat. Ez a mutató azt kérdezi, belefér-e az egész munkafolyamat abba, amire egy ágens képes.

A konstrukció két további elemét is pontosítják. A wo,t tag a t feladat fontossággal súlyozott relevanciája az o foglalkozásban, az O*NET feladatfontossági értékeléseiből véve. A CAP(t) képességtagot pedig az MI-teljesítménytesztek szakirodalmából és a gyakorlati szakemberek bevezetési jelentéseiből becsülik. A feladatok fontossága tehát egy szabványos foglalkozási adatbázisból származik, míg a képesség két forrásból: teljesítménytesztekből és terepi jelentésekből.

A tanulmány világosan fogalmaz a módszert illetően, és az olvasónak ehhez kell tartania. Az ATE-értékeket algoritmikusan számítják ki az O*NET feladatadataiból kalibrált adaptációs paraméterek segítségével; ezek nem regressziós becslések. Ennek gyakorlati következményei vannak. A regressziós becslés a standard hibák és azonosítási érvek szokásos apparátusával érkezik. A kalibrált algoritmikus összetett mutató nem, és a kimenetei modellből származtatott előrejelzések - ezt a kifejezést maga a tanulmány is használja a kiszorítási adataira. Azt írják le, mit implikál a modell a paraméterei mellett. Nem arról számolnak be, ami már megtörtént.

Azt állítom, hogy ez becsületes keretezés, és pontosan a megfelelő egy olyan előrejelzési problémához, ahol az előrejelzett dolog még nem következett be. A nyíltan megadott bemenetekből épített összetett mutató megvizsgálható, vitatható és újrakalibrálható. Ha valaki nem ért egyet az adaptáció sebességével, pontosan tudja, melyik tárcsát kell elmozdítania.

Hol alkalmazza ezt a modell #

Az empirikus alkalmazás széles körű. A tanulmány 236, hat fő foglalkozási csoportot átfogó szabványos foglalkozási osztályozási (SOC) kódra alkalmazza az ATE-keretrendszert, és modellből származtatott kiszorítási előrejelzéseket állít elő az Egyesült Államok öt nagy technológiai régiójára a 2025-2030-as időszakra. Az öt régió: a San Franciscó-i öböl térsége (Bay Area), Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark és Boston-Cambridge.

A tanulmány ezt a feladatkitettségi keretrendszer első olyan több régióra kiterjedő empirikus alkalmazásaként írja le, amely kifejezetten az ágensalapú MI-rendszereket célozza. Ez a szerzők elsőbbségi igénye, amelyet az előttem lévő anyagból nem tudok ellenőrizni. Azt viszont elmondhatom, hogy a regionális felépítés józan válasz egy olyan problémára, amelyen az országos szintű vizsgálatok osztoznak: a kitettség a foglalkozások tulajdonsága, de az adaptáció a helyek és a vállalatok tulajdonsága.

A forrás által közölt eredmények alapján a hitelelemzők, a bírák és a fenntarthatósági szakértők 0.43-0.47 közötti ATE-értékeket érnek el. Ez a csoportosítás megér egy második pillantást. Egy hitelelemző, egy bíró és egy fenntarthatósági szakértő nem hasonlít egymásra sem képzésben, sem fizetésben, sem a napi munkában. Ami a tanulmány beszámolója szerint közös bennük, az az azonos tartományba eső pontszám. Én ezt érvként olvasnám a munkakörök ágazat vagy vélt kreativitás szerinti bármiféle lusta, "biztonságos" és "veszélyeztetett" címkékkel történő szétválogatása ellen.

Ugyanakkor ellenállnék annak is, hogy többet olvassak bele ebbe a számba, mint amit a forrás alátámaszt. A birtokomban lévő anyag megadja a tartományt erre a három foglalkozásra, de nem mondja meg, hogyan viszonyul ez a többi 236 kódhoz. A szám tehát azt mutatja, hogy ezek a szerepkörök jelentősen ki vannak téve a tanulmány skáláján. Azt azonban nem mutatja, hogy ezek lennének a leginkább kitéve.

A regionális megállapításokhoz egy megismétlésre érdemes fenntartás társul. A tanulmány kijelenti, hogy a seattle-i munkaerőpiaci hatások 2026-2027-ben előrevetítik azt, amit a tágabb országos, nem műszaki munkaerő 2028-2030-ban fog megtapasztalni. Ez egy megadott késleltetéssel rendelkező, óvatosan megfogalmazott előrejelzés. Úgy olvasható, mint a modell által termelt hipotézis, és nem szabad bizonyított tényként kezelni. De hasznos fajtájú állítás, mert elég konkrét ahhoz, hogy cáfolható legyen. Ha Seattle korai mintázata 2028-ra nem tevődik át az országos nem műszaki munkaerőre, akkor a modellnek olyan problémája van, amelyet nem lehet kimagyarázni.

A főkönyv visszaépülési oldala #

Egy kiszorítási mutató önmagában az Acemoglu-Restrepo-történetnek csak a felét mondja el. Az ő keretükben a munka részaránya attól függ, hogy az új feladatok teremtése lehagyja-e a kiszorítást. Egy olyan tanulmány, amely kiterjesztené a keretrendszert, de csak a kiszorítást mérné, éppen azt a részét hagyná el, amely a keretrendszer belső feszültségét adja.

Ez a tanulmány nem teszi ezt. Azonosítja azokat a foglalkozási kategóriákat, ahol az ágensalapú MI visszaépülési hatásokat hoz létre: olyan új szerepköröket, amelyek nem léteztek azelőtt, hogy az ágensek bevezetése nagy léptékű igényt teremtett volna az emberi felügyeletre, irányításra és együttműködésre. Összesen tizenhét olyan feltörekvő foglalkozási kategóriát azonosít, amelyek profitálnak a visszaépülési hatásokból. Ezek az ember-MI együttműködés, az MI-irányítás és a szakterület-specifikus MI-műveleti szerepkörök köré csoportosulnak.

A mechanizmus könnyen követhető. Ha az ágensek az elejétől a végéig végrehajtják a munkafolyamatokat, valakinek felügyelnie kell őket, meg kell határoznia a működési szabályaikat, és együtt kell dolgoznia velük. Ezek az igények korábban nem léteztek munkakörként, mert még nem volt mit felügyelni.

A forrás nem árulja el, hány embert foglalkoztatna ez a tizenhét kategória, vagy hogy a növekedésük ellensúlyozná-e az ATE-értékek által sugallt kiszorítást. Az általam használható adatok tehát nyitva hagyják a központi kérdést: vajon a visszaépülés lehagyja-e a kiszorítást. Bárki, aki magabiztosan írja le, hogy igen, vagy hogy nem, túlmegy az igazolt állításokon. A tanulmány hozzájárulása az, hogy a főkönyv mindkét oldalát ugyanabba a keretrendszerbe helyezi, és megnevezi, hol jelennek meg az új szerepkörök.

Mit érdemes ebből leszűrni #

Van egy módszertani és egy gyakorlati tanulság.

A módszertani tanulság az, hogy az elemzési egység dönti el a választ. A 47%-ról 9-14%-ra történő ugrás abból fakadt, hogy a foglalkozásokról áttértek a feladatokra. A tanulmány amellett érvel, hogy most egy további lépésre van szükség, a feladatokról a munkafolyamatokra, mert az automatizálás tárgya már nem egy-egy feladat. Valahányszor elmozdult az egység, a becslések megváltoztak, és a szakterület története azt sugallja, hogy az egység megválasztása ugyanolyan alapos vizsgálatot érdemel, mint az adatok megválasztása.

A gyakorlati tanulság mindenkinek szól, aki a következő öt évre létszámot, képzést vagy termékeket tervez. Nem elég egy olyan mutató, amely megmondja, hogy egy szerepkör feladatainak 80%-a ki van téve, mert nem árulja el, hogy a fennmaradó 20% tartós emberi mag-e, vagy csupán az a ragasztó, amelyet most már egy ágens tervezési modulja is képes biztosítani. A munkafolyamat-lefedettségi tényező azért létezik, hogy közvetlenül tegye fel ezt a kérdést.

Az ATE-mutató kalibrált paraméterekkel rendelkező összetett mérőszám, előrejelzései pedig modellből származtatottak. Strukturált érvelést alkotnak a 2025-2030-as időszakról, nem pedig annak krónikáját. Ez ok arra, hogy teszteljük őket, nem pedig arra, hogy figyelmen kívül hagyjuk. A seattle-i hipotézis korai tesztet kínál: ha a 2026-2027-es ottani hatások úgy festenek, ahogy a modell sugallja, akkor az országos nem műszaki munkaerőre történő 2028-2030-as késleltetett átgyűrűzés lesz a következő dolog, amit figyelni kell. A tizenhét visszaépülési kategória pedig felteszi azt a kérdést, amelyet az állítások nem tudnak eldönteni: vajon az ágensek felügyeletére létrehozott szerepkörök olyan számban érkeznek-e, ami számít a munka részaránya szempontjából.

Gyakran ismételt kérdések #

Miért becsülik alul a korábbi feladatkitettségi keretrendszerek az ágensalapú MI hatását?

Az Autor-Levy-Murnane-hagyományra épülő korábbi keretrendszerek feltételezik, hogy az automatizálás egyesével távolítja el a feladatokat, miközben a foglalkozás emberi koordinációs burokként fennmarad. Az ágensalapú MI-rendszerek átveszik a tervezést, az eszközhívást, az állapotkezelést és a köztes minőségellenőrzéseket, amelyekhez korábban emberi koordinátorra volt szükség, így elszigetelt feladatok helyett teljes munkafolyamatokat tesznek ki az automatizálásnak.

Hogyan számítják ki az Agentic Task Exposure (ATE) mutatót?

Az ATE egy algoritmikus összetett mutató, amely az O*NET feladatfontossági értékeléseiből (wo,t), az MI-képességtesztekből és a gyakorlati bevezetési jelentésekből (CAP(t)), egy - a foglalkozás teljes munkafolyamatának az ágens működési burkába való illeszkedését mérő - munkafolyamat-lefedettségi tényezőből, valamint 236 SOC-kódra kalibrált logisztikus adaptációs sebességparaméterekből épül fel.

Mit állapít meg a tanulmány az új munkahelyek teremtésével (visszaépülési hatásokkal) kapcsolatban?

Kiterjesztve az Acemoglu-Restrepo-féle visszaépülési csatornát, a tanulmány tizenhét feltörekvő foglalkozási kategóriát azonosít, amelyek az ember-MI együttműködésre, az MI-irányításra és a szakterület-specifikus MI-műveletekre összpontosulnak. Hogy e kategóriák növekedése ellensúlyozza-e a munkafolyamat-szintű kiszorítást, továbbra is nyitott empirikus kérdés marad.

Hivatkozások #

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.

Utolsó felülvizsgálat 2026-11-01.

A cikk újraközlése

Az ágensalapú MI megtöri minden feladatkitettségi előrejelzés mögötti alapfeltevést — Sebastien Rousseau

A feladatkitettségi keretrendszerek úgy kezelik a foglalkozást, mint egy burkot, amely fennmarad mindaz körül, amit még emberek végeznek. Az ágensalapú rendszerek egy célt követnek és kész...

Ez a cikk a következő licenc alatt áll: Creative Commons Attribution 4.0 International. Az újraközléshez a kanonikus URL forrásmegjelölése szükséges.

Az ágensalapú MI megtöri minden feladatkitettségi előrejelzés mögötti alapfeltevést — Sebastien Rousseau

A feladatkitettségi keretrendszerek úgy kezelik a foglalkozást, mint egy burkot, amely fennmarad mindaz körül, amit még emberek végeznek. Az ágensalapú rendszerek egy célt követnek és kész...

Originally published at https://sebastienrousseau.com/hu/2026-10-25-agensalapu-mi-megtori-minden-feladatkitettsegi-elorejelzes/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER