AI Agenik Meruntuhkan Andaian di Sebalik Setiap Ramalan Pendedahan Tugasan

Ramalan pasaran buruh selama ini mengandaikan bahawa automasi menghapuskan tugasan satu demi satu dan membiarkan pekerjaan itu terus kekal. AI agenik, yang menyempurnakan keseluruhan aliran kerja, membatalkan andaian tersebut, dan satu skor komposit baharu, Pendedahan Tugasan Agenik (ATE), dibina untuk mengukur apa yang tidak mampu diukur oleh rangka kerja lama.

Ringkasan Eksekutif

Ramalan automasi terdahulu, termasuk yang dibina di atas rangka kerja tugasan Autor-Levy-Murnane, berkongsi satu andaian: pekerjaan bertahan sebagai cangkerang penyelarasan di sekeliling baki kerja manusia.

Sistem AI agenik memenuhi empat kriteria: menerima spesifikasi matlamat, memilih dan memanggil alatan secara autonomi, mengekalkan keadaan (state) merentasi langkah inferens, dan menghasilkan produk kerja yang siap tanpa campur tangan manusia pada langkah-langkah perantaraan.

Skor ATE menggabungkan skor keupayaan AI, faktor liputan aliran kerja dan halaju penerimagunaan logistik. Penganalisis kredit, hakim dan pakar kemampanan mencapai skor ATE sebanyak 0.43-0.47.

Kertas kajian ini menerapkan ATE pada 236 kod SOC dalam enam kumpulan pekerjaan utama merentasi lima rantau teknologi AS, dan menyifatkan dirinya sebagai aplikasi empirikal berbilang rantau yang pertama bagi rangka kerja pendedahan tugasan yang mensasarkan sistem AI agenik secara khusus.

Di samping anjakan pekerjaan, kertas kajian ini mengenal pasti tujuh belas kategori pekerjaan baharu yang tertumpu pada kerjasama manusia-AI, tadbir urus AI dan operasi AI khusus domain.

Ramalan yang tersasar terlalu tinggi #

Robot perindustrian memang telah menggantikan pekerja pembuatan. Namun ia tidak berlaku mengikut garis masa atau pada skala yang dibayangkan oleh ramalan awal. Ayat itu sepatutnya membuatkan sesiapa sahaja yang membaca ramalan pasaran buruh sebagai kerjaya berasa sedikit berwaspada, kerana ia memerihalkan satu corak: arahnya betul tetapi magnitudnya tersasar.

Angka tajuk utama yang paling terkenal dalam kepustakaan ini datang daripada Frey dan Osborne, yang meminta para pakar menilai 702 pekerjaan di AS berdasarkan tahap "kebolehkomputeran" secara keseluruhan. Keputusan mereka menunjukkan bahawa 47% pekerjaan berada pada risiko tinggi. Ia adalah angka yang mengejutkan, dan tersebar luas.

Arntz, Gregory dan Zierahn kemudian menunjukkan apa yang berlaku apabila analisis diturunkan ke peringkat tugasan dan mengambil kira kepelbagaian tugasan di dalam pekerjaan yang secara nominalnya terdedah. Anggaran risiko tinggi jatuh kepada 9-14% merentasi negara-negara OECD. Jarak antara 47% dan 9-14% bukanlah perbezaan pembundaran. Ia mencerminkan pilihan mengenai unit analisis, dan pilihan tersebut menggerakkan jawapannya sebanyak tiga kali ganda atau lebih.

Sumber ini berterus terang bahawa perbahasan antara anggaran peringkat pekerjaan dan peringkat tugasan masih belum selesai. Apa yang berjaya dicapai oleh bidang ini ialah satu ijmak praktikal: penghuraian peringkat tugasan adalah perlu, dan label peringkat pekerjaan adalah terlalu kasar. Ijmak itulah asas tempat baki hujah ini berdiri. Ia juga merupakan asas yang kini diberi tekanan oleh AI agenik.

Bagaimana rangka kerja tugasan berfungsi #

Untuk melihat dari mana datangnya tekanan tersebut, adalah berguna untuk menyatakan dengan tepat apa yang dituntut oleh tradisi analisis tugasan.

Autor, Levy dan Murnane membahagikan tugasan pekerjaan mengikut dua paksi: rutin lawan bukan rutin, serta kognitif lawan manual. Hujah mereka ialah automasi menggantikan yang rutin sambil melengkapkan yang bukan rutin. Ia adalah idea yang kemas, dan memberikan kajian-kajian terkemudian perbendaharaan kata untuk membincangkan bahagian kerja mana yang boleh diserap oleh mesin.

Acemoglu dan Restrepo membina struktur formal di atas idea itu. Mereka memodelkan output sebagai hasil daripada kontinum tugasan yang diperuntukkan antara modal dan buruh. Dalam rangka kerja mereka, bahagian buruh meningkat atau menurun bergantung pada sama ada penciptaan tugasan baharu, yang mereka panggil saluran pengembalian semula (reinstatement channel), mengatasi anjakan tugasan. Mengikut rumusan mereka, bahagian buruh dalam nilai tambah ditulis sebagai sL = W * L / Y = f(|NL| / |N|), di mana W ialah kadar upah, L ialah guna tenaga dan Y ialah output. Dua daya saling menarik antara satu sama lain, dan daya mana yang menang menentukan siapa yang memperoleh hasilnya.

Dua lagi usaha pengukuran adalah penting di sini kerana ia menukarkan rangka kerja tersebut kepada angka peringkat pekerjaan. Felten, Raj dan Seamans membina skor Pendedahan Pekerjaan AI (AI Occupational Exposure / AIOE) dengan menghubungkan kemajuan keupayaan AI yang diterbitkan kepada taksonomi kebolehan O*NET. Eloundou et al. pula membina ukuran selari yang berfokus pada GPT-4, dengan menggabungkan anotasi pekerja khalayak (crowd-worker) bersama penilaian kendiri GPT-4 pada peringkat tugasan.

Penemuan utama mereka ialah 80% pekerja AS memegang pekerjaan yang sekurang-kurangnya 10% daripada tugasannya terdedah kepada LLM. Pendedahan paling berat tertumpu dalam kalangan pekerjaan bergaji tinggi yang memerlukan ijazah. Keputusan itu bercanggah dengan gerak hati lama bahawa automasi melanda kerja rutin bergaji rendah terlebih dahulu, dan ia menerangkan mengapa persoalan pekerja kolar putih kini menjadi begitu mendesak.

Titik buta yang dikongsi oleh setiap rangka kerja #

Sumber ini membuat tuntutan yang tajam mengenai kesemua kajian tersebut. Setiap rangka kerja yang dipetik berkongsi satu titik buta seni bina: mereka memodelkan automasi sebagai proses mengambil alih tugasan individu satu demi satu manakala pekerjaan itu sendiri kekal utuh. Hampir semua ramalan, termasuk yang dibina di atas rangka kerja tugasan Autor-Levy-Murnane, berkongsi andaian bahawa automasi mengambil alih tugasan satu demi satu dan pekerjaan itu bertahan sebagai cangkerang penyelarasan di sekeliling baki kerja manusia.

Itu adalah andaian mengenai struktur, bukannya mengenai teknologi. Ia tidak mengatakan apa-apa tentang betapa berupaya mesin tersebut. Ia hanya mengatakan bahawa walau berapa banyak sekalipun tugasan yang diambil oleh mesin, seseorang masih perlu memegang dan menyatukan bakinya.

Kerjaya paralegal menjadikan hujah ini konkrit. Analisis pendedahan tugasan mungkin menandakan 80% daripada tugasan seorang paralegal sebagai terdedah kepada LLM namun tetap menyimpulkan bahawa pekerjaan itu selamat, kerana menyelaraskan tugasan-tugasan tersebut menuntut pertimbangan manusia. Kesimpulan itu lahir daripada andaian cangkerang tadi. Tugasannya terdedah, tetapi jahitan di antara tugasan itu tidak terdedah, maka pekerjaan itu kekal wujud.

Kemudian muncul langkah utama sumber ini: kekangan penyelarasan yang dahulunya melindungi peranan paralegal kini berada di dalam modul perancangan agen. Jika perkara itu benar, penaakulan yang memastikan paralegal itu selamat berhenti berfungsi. Perlindungan itu datang daripada penyelarasan. Sedangkan penyelarasan adalah tepat apa yang dilakukan oleh sistem agenik.

Saya rasa ini adalah idea paling berguna dalam kertas kajian tersebut, dan ia wajar dinilai mengikut syaratnya sendiri. Rangka kerja lama tidak salah mengenai tugasan-tugasan itu. Mereka salah mengenai apa yang tinggal selepas tugasan-tugasan itu tiada. Ukuran yang menilai tugasan satu demi satu tidak dapat melihat sistem yang mengendalikan keseluruhan urutan itu sebagai satu unit.

Apa yang dikira sebagai agenik #

Jika hujah ini bergantung pada satu perbezaan, perbezaan itu memerlukan takrifan. Sumber ini membekalkannya melalui empat kriteria. Sistem AI agenik ialah sistem yang:

menerima spesifikasi matlamat bukannya spesifikasi tugasan;
memilih dan memanggil alatan secara autonomi untuk mengejar matlamat tersebut;
mengekalkan keadaan (state) merentasi berbilang langkah inferens; dan
menghasilkan produk kerja yang siap tanpa campur tangan manusia pada langkah-langkah perantaraan.

Ini adalah senarai yang wajar dikekalkan sebagai senarai, kerana kriterianya bersifat diskret dan setiap satunya boleh disemak. Sistem yang sekadar menjawab prompt gagal pada kriteria pertama. Sistem yang memerlukan seseorang meluluskan setiap langkah perantaraan gagal pada kriteria keempat.

Dalam bahasa yang lebih mudah, sebuah agen menerima matlamat, memilih alatan, melaksanakan pelan berbilang langkah, menyemak outputnya sendiri dan menyerahkan produk kerja yang siap. Sistem agenik merantaikan panggilan alatan, mengekalkan ingatan kekal merentasi langkah, merancang urutan berbilang tindakan dan membuat pembetulan kendiri apabila output perantaraan gagal melepasi semakan kualiti.

Butiran mengenai pembetulan kendiri adalah lebih penting daripada yang kelihatan pada pandangan pertama. Saluran paip pemprosesan yang terhenti apabila satu langkah gagal masih memerlukan manusia berdekatan. Sistem yang menyedari semakan kualiti yang gagal lalu mencuba semula telah menyerap sebahagian daripada penyeliaan yang dahulunya menjadi alasan kehadiran manusia.

Kertas kajian ini mentakrifkan subjeknya dengan cara ini: agen AI autonomi yang mampu menyempurnakan keseluruhan aliran kerja pekerjaan dan bukannya tugasan diskret semata-mata. Perkataan "keseluruhan" memikul beban makna tersebut. Keseluruhan hujah ini adalah mengenai jurang antara satu tugasan diskret dengan satu aliran kerja yang lengkap.

Mengapa masanya adalah sekarang #

Sumber ini menawarkan dua jenis bukti bahawa persoalan ini bukanlah sekadar hipotesis. Yang pertama melibatkan keupayaan. Model kelas GPT-4 telah mencapai atau melepasi ambang markah lulus dalam peperiksaan peguam (bar exam) dan Peperiksaan Pelesenan Perubatan AS (USMLE), serta menghampiri beberapa mata peratusan sahaja untuk lulus CFA Tahap I. Itu semua adalah peperiksaan pentauliahan bagi profesion yang menghadkan kemasukan justru kerana kerjanya sukar.

Yang kedua melibatkan penggunaan sebenar (deployment). Vendor teknologi perusahaan utama, termasuk Amazon, Microsoft, Salesforce, ServiceNow dan Workday, telah mendedahkan penggunaan agenik peringkat pengeluaran yang menyentuh aliran kerja kolar putih dalam panggilan pendapatan 2024 dan pembentangan pelabur mereka. Ini adalah penggunaan peringkat pengeluaran, bukannya demo penyelidikan, dan ia diumumkan kepada para pelabur bukannya kepada ahli akademik.

Sumber ini membaca pendedahan tersebut sebagai jenis kenyataan yang hanya dibuat oleh syarikat apabila penggunaan teknologi sudah mula mempengaruhi perancangan jumlah pekerja. Sumber ini membingkaikan perkara itu sebagai satu tafsiran, bukannya satu ukuran, dan ia wajar dipegang sedemikian. Tiada apa-apa dalam rekod yang diberikan kepada saya melaporkan angka jumlah pekerja secara terus. Tetapi inferens itu munasabah: firma lazimnya tidak membentangkan sesuatu penggunaan teknologi di hadapan pelabur melainkan ia memberi kesan kepada asas kos.

Gabungkan kedua-duanya dan hujah bagi keperluan satu ukuran baharu menjadi sangat jelas. Keupayaan semata-mata tidak akan memaksa persoalan ini timbul, begitu juga dengan beberapa projek rintis. Namun keupayaan yang sudah pun melintasi ambang profesional, di dalam sistem yang sudah berada dalam pengeluaran, jelas memaksanya.

Skor ATE: apa yang diukurnya dan apa yang tidak #

Maklum balas kertas kajian ini ialah skor Pendedahan Tugasan Agenik (ATE). Ia adalah metrik komposit yang melanjutkan rangka kerja anjakan tugasan Acemoglu-Restrepo untuk mengambil kira liputan aliran kerja hujung ke hujung, penanda aras keupayaan AI agenik semasa dan halaju penerimagunaan perusahaan. Skor ini mengukur tahap pendedahan sesuatu pekerjaan o kepada anjakan hujung ke hujung oleh sistem AI agenik semasa.

Tiga ramuan dimasukkan: skor keupayaan AI, faktor liputan aliran kerja dan halaju penerimagunaan logistik. Faktor liputan aliran kerja ialah bahagian yang secara langsung menangani titik buta tadi. Sumber ini menyatakan bahawa apa yang hilang daripada kajian terdahulu ialah ukuran sama ada komposisi aliran kerja penuh bagi sesuatu pekerjaan berada di dalam sampul operasi AI agenik, dan ia memformalkan perkara itu sebagai faktor liputan aliran kerja. Skor-skor lama bertanya sama ada sesuatu tugasan itu terdedah. Skor yang ini bertanya sama ada keseluruhan aliran kerja itu muat di dalam apa yang mampu dilakukan oleh sebuah agen.

Dua lagi bahagian pembinaannya turut dinyatakan. Sebutan wo,t ialah kerelevanan berpemberat-kepentingan bagi tugasan t dalam pekerjaan o, yang diambil daripada penarafan kepentingan tugasan O*NET. Manakala CAP(t), iaitu sebutan keupayaan, dianggarkan daripada kepustakaan penanda aras AI dan laporan penggunaan pengamal industri. Jadi kepentingan tugasan datang daripada pangkalan data pekerjaan piawai, manakala keupayaan datang daripada dua sumber: penanda aras dan laporan lapangan.

Kertas kajian ini bersifat eksplisit mengenai kaedah, dan pembaca wajar berpegang pada penjelasan itu. Skor ATE dikira secara algoritma daripada data tugasan O*NET menggunakan parameter penerimagunaan yang ditentukur; ia bukanlah anggaran regresi. Perkara itu mempunyai kesan praktikal. Anggaran regresi hadir bersama peralatan biasa seperti ralat piawai dan hujah pengenalpastian. Komposit algoritma yang ditentukur tidak memilikinya, dan outputnya adalah unjuran terbitan model, satu frasa yang digunakan sendiri oleh kertas kajian itu untuk angka-angka anjakannya. Ia memerihalkan apa yang dibayangkan oleh model di bawah parameter-parameternya. Ia tidak melaporkan apa yang telah berlaku.

Saya berpendapat bahawa itu adalah pembingkaian yang jujur, dan merupakan pembingkaian yang tepat untuk masalah ramalan di mana perkara yang diramalkan memang belum berlaku lagi. Komposit yang dibina daripada input yang dinyatakan secara terbuka boleh diperiksa, dicabar dan ditentukur semula. Jika seseorang tidak bersetuju mengenai halaju penerimagunaan, mereka tahu tombol mana yang perlu digerakkan.

Di mana model ini menerapkannya #

Aplikasi empirikalnya adalah luas. Kertas kajian ini menerapkan rangka kerja ATE pada 236 kod Pengelasan Pekerjaan Piawai (Standard Occupational Classification / SOC) yang merentangi enam kumpulan pekerjaan utama, sekali gus menjana unjuran anjakan terbitan model merentasi lima rantau teknologi utama Amerika Syarikat bagi tempoh 2025-2030. Lima rantau tersebut ialah San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark, dan Boston-Cambridge.

Kertas kajian ini menyifatkan usaha ini sebagai aplikasi empirikal berbilang rantau yang pertama bagi rangka kerja pendedahan tugasan yang mensasarkan sistem AI agenik secara khusus. Itu adalah tuntutan keutamaan yang dibuat oleh para pengarangnya, dan saya tidak dapat menyemaknya daripada bahan yang ada di hadapan saya. Apa yang boleh saya katakan ialah reka bentuk serantau merupakan maklum balas yang munasabah terhadap masalah yang dikongsi oleh kajian peringkat kebangsaan: pendedahan adalah sifat bagi pekerjaan, tetapi penerimagunaan adalah sifat bagi tempat dan firma.

Mengenai keputusan yang diberikan oleh sumber ini, penganalisis kredit, hakim dan pakar kemampanan mencapai skor ATE sebanyak 0.43-0.47. Pengumpulan ini wajar dilihat sekali lagi. Seorang penganalisis kredit, seorang hakim dan seorang pakar kemampanan tidak menyerupai satu sama lain dari segi latihan, gaji atau kerja harian. Apa yang mereka kongsi bersama, mengikut kiraan kertas kajian ini, ialah skor yang berada dalam julat yang sama. Saya membaca perkara itu sebagai bukti yang menolak sebarang pengasingan sambil lewa yang membahagikan pekerjaan kepada "selamat" dan "berisiko" mengikut sektor atau tanggapan tahap kreativiti.

Saya juga memilih untuk tidak membaca lebih jauh ke dalam angka tersebut melebihi apa yang disokong oleh sumbernya. Bahan yang saya ada memberikan julat untuk ketiga-tiga pekerjaan ini dan tidak menyatakan bagaimana ia dibandingkan dengan baki 236 kod yang lain. Jadi angka itu menunjukkan bahawa peranan-peranan ini terdedah dengan ketara pada skala kertas kajian tersebut. Ia tidak menunjukkan bahawa ketiga-tiganya adalah yang paling terdedah.

Penemuan serantau hadir dengan satu pernyataan berlapik yang wajar diulang. Kertas kajian ini menyatakan bahawa kesan tenaga kerja di Seattle pada 2026-2027 menjadi pratonton kepada apa yang bakal dialami oleh tenaga kerja bukan teknikal kebangsaan yang lebih luas pada 2028-2030. Itu adalah ramalan dengan sela masa yang dinyatakan, dan ia bersifat bersyarat. Ia dibaca sebagai satu hipotesis yang dihasilkan oleh model, dan tidak sepatutnya dianggap sebagai fakta yang telah tetap. Tetapi ia adalah jenis tuntutan yang berguna, kerana ia cukup khusus untuk dibuktikan salah. Jika corak awal di Seattle tidak terbawa kepada tenaga kerja bukan teknikal kebangsaan menjelang 2028, model ini mempunyai masalah yang tidak boleh dielakkan begitu sahaja.

Sebelah pengembalian semula dalam lejar #

Skor anjakan semata-mata hanya menceritakan separuh daripada kisah Acemoglu-Restrepo. Dalam rangka kerja mereka, bahagian buruh bergantung pada sama ada penciptaan tugasan baharu mengatasi anjakan. Kertas kajian yang melanjutkan rangka kerja tersebut tetapi hanya mengukur anjakan bermakna telah meninggalkan bahagian yang memberikan ketegangan analisis kepada rangka kerja itu.

Kertas kajian ini tidak berbuat demikian. Ia mengenal pasti kategori pekerjaan di mana AI agenik mewujudkan kesan pengembalian semula (reinstatement): peranan baharu yang tidak wujud sebelum penggunaan agenik mencipta permintaan untuk pengawasan manusia, tadbir urus dan kerjasama pada skala besar. Secara keseluruhannya ia mengenal pasti tujuh belas kategori pekerjaan baharu yang mendapat manfaat daripada kesan pengembalian semula. Kesemuanya tertumpu pada peranan kerjasama manusia-AI, tadbir urus AI dan operasi AI khusus domain.

Mekanismenya mudah diikuti. Jika agen menjalankan aliran kerja dari hujung ke hujung, seseorang perlu menyelia mereka, menetapkan peraturan yang mengawal perjalanan mereka, dan bekerja di samping mereka. Keperluan-keperluan itu tidak pernah wujud sebagai pekerjaan sebelum ini kerana belum ada apa-apa yang perlu diselia.

Sumber ini tidak memberitahu saya berapa ramai orang yang akan diambil bekerja oleh tujuh belas kategori ini, atau sama ada pertumbuhannya akan mengimbangi anjakan yang dibayangkan oleh skor ATE. Jadi data yang boleh saya gunakan membiarkan persoalan utama kekal terbuka: sama ada pengembalian semula mengatasi anjakan. Sesiapa yang menulis dengan penuh yakin bahawa ia mengatasi anjakan, atau sebaliknya, telah melangkaui tuntutan yang disahkan. Sumbangan kertas kajian ini adalah meletakkan kedua-dua belah lejar ke dalam rangka kerja yang sama dan menamakan di mana peranan-peranan baharu itu muncul.

Apa yang boleh diambil daripadanya #

Terdapat satu pengajaran metodologi dan satu pengajaran praktikal.

Pengajaran metodologinya ialah unit analisis menentukan jawapan. Lonjakan daripada 47% kepada 9-14% datang daripada pergerakan unit analisis daripada pekerjaan kepada tugasan. Kertas kajian ini berhujah bahawa satu lagi pergerakan kini diperlukan, iaitu daripada tugasan kepada aliran kerja, kerana perkara yang sedang diautomasikan bukan lagi sekadar satu tugasan tunggal. Setiap kali unitnya beralih, anggarannya berubah, dan sejarah bidang ini mencadangkan bahawa pemilihan unit wajar mendapat penelitian yang sama rapi seperti pemilihan data.

Pengajaran praktikalnya pula adalah untuk sesiapa sahaja yang merancang jumlah pekerja, latihan atau produk bagi tempoh lima tahun akan datang. Skor yang memberitahu anda bahawa 80% daripada tugasan sesuatu peranan terdedah tidak mencukupi, kerana ia tidak menyatakan sama ada baki 20% itu adalah teras kemahiran manusia yang tahan lasak atau sekadar pelekat yang kini boleh dibekalkan oleh modul perancangan sebuah agen. Faktor liputan aliran kerja wujud untuk bertanyakan soalan itu secara terus.

Skor ATE ialah satu komposit dengan parameter yang ditentukur, dan unjurannya adalah terbitan model. Ia adalah hujah berstruktur mengenai tempoh 2025-2030, bukannya rekod sejarah mengenainya. Itulah sebab untuk mengujinya dan bukannya mengabaikannya. Hipotesis Seattle menawarkan ujian awal: jika kesan 2026-2027 di sana kelihatan seperti yang dibayangkan oleh model, sela masa kepada tenaga kerja bukan teknikal kebangsaan pada 2028-2030 menjadi perkara seterusnya untuk diperhatikan. Dan tujuh belas kategori pengembalian semula itu mengemukakan persoalan yang tidak dapat diselesaikan oleh tuntutan sedia ada: sama ada peranan yang dicipta untuk menyelia agen akan tiba dalam jumlah yang cukup bermakna kepada bahagian buruh.

Soalan Lazim #

Mengapakah rangka kerja pendedahan tugasan terdahulu memandang rendah kesan AI agenik?

Rangka kerja terdahulu yang dibina di atas tradisi Autor-Levy-Murnane mengandaikan bahawa automasi menghapuskan tugasan individu manakala pekerjaan itu bertahan sebagai cangkerang penyelarasan manusia. Sistem AI agenik menyerap perancangan, pemanggilan alatan, pengurusan keadaan dan semakan kualiti perantaraan yang sebelum ini memerlukan penyelaras manusia, sekali gus mendedahkan keseluruhan aliran kerja dan bukannya tugasan yang terpencil.

Bagaimanakah skor Pendedahan Tugasan Agenik (ATE) dikira?

ATE ialah komposit algoritma yang dibina daripada penarafan kepentingan tugasan O*NET (wo,t), penanda aras keupayaan AI dan laporan penggunaan pengamal (CAP(t)), faktor liputan aliran kerja yang mengukur sama ada aliran kerja penuh sesuatu pekerjaan muat di dalam sampul operasi agen, serta parameter halaju penerimagunaan logistik yang ditentukur merentasi 236 kod SOC.

Apakah penemuan kajian ini berkaitan penciptaan pekerjaan baharu (kesan pengembalian semula)?

Dengan melanjutkan saluran pengembalian semula Acemoglu-Restrepo, kajian ini mengenal pasti tujuh belas kategori pekerjaan baharu yang tertumpu pada kerjasama manusia-AI, tadbir urus AI dan operasi AI khusus domain. Sama ada pertumbuhan dalam kategori tersebut dapat mengimbangi anjakan peringkat aliran kerja kekal sebagai persoalan empirikal yang terbuka.

Rujukan #

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.

Semakan terakhir 2026-11-01.

Terbit semula artikel ini

AI Agenik Meruntuhkan Andaian di Sebalik Setiap Ramalan Pendedahan Tugasan — Sebastien Rousseau

Rangka kerja pendedahan tugasan melayan sesuatu pekerjaan sebagai cangkerang yang bertahan di sekeliling apa sahaja yang masih dilakukan oleh manusia. Sistem agenik mengejar matlamat dan menyerahkan...

Artikel ini dilesenkan di bawah Creative Commons Attribution 4.0 International. Penerbitan semula memerlukan atribusi kepada URL kanonik.

AI Agenik Meruntuhkan Andaian di Sebalik Setiap Ramalan Pendedahan Tugasan — Sebastien Rousseau

Rangka kerja pendedahan tugasan melayan sesuatu pekerjaan sebagai cangkerang yang bertahan di sekeliling apa sahaja yang masih dilakukan oleh manusia. Sistem agenik mengejar matlamat dan menyerahkan...

Originally published at https://sebastienrousseau.com/ms/2026-10-25-agenik-meruntuhkan-andaian-sebalik-setiap-ramalan/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER