Agentowa sztuczna inteligencja łamie założenie stojące za każdą prognozą ekspozycji zadań

Prognozy rynku pracy zakładały, że automatyzacja usuwa zadania pojedynczo i pozostawia zawód nienaruszonym. Agentowa AI, która realizuje całe przepływy pracy, unieważnia to założenie, a nowy wskaźnik złożony, Agentic Task Exposure (ATE), został zbudowany, by mierzyć to, czego stare ramy nie potrafią.

Podsumowanie wykonawcze

Wcześniejsze prognozy automatyzacji, w tym te oparte na zadaniowych ramach Autora-Levy'ego-Murnane'a, dzielą jedno założenie: zawód przetrwa jako skorupa koordynacyjna wokół pozostałej pracy ludzkiej.

Systemy agentowej AI spełniają cztery kryteria: przyjmują specyfikację celu, autonomicznie wybierają i wywołują narzędzia, utrzymują stan pomiędzy kolejnymi krokami wnioskowania oraz wytwarzają ukończony produkt pracy bez udziału człowieka na etapach pośrednich.

Wskaźnik ATE łączy oceny możliwości AI, współczynniki pokrycia przepływów pracy oraz logistyczną szybkość adopcji. Analitycy kredytowi, sędziowie i specjaliści ds. zrównoważonego rozwoju osiągają wartości ATE na poziomie 0.43-0.47.

Artykuł stosuje ATE do 236 kodów SOC w sześciu głównych grupach zawodowych w pięciu regionach technologicznych USA i określa się jako pierwsze wieloregionalne empiryczne zastosowanie ram ekspozycji zadań ukierunkowane bezpośrednio na systemy agentowej AI.

Obok wypierania artykuł identyfikuje siedemnaście wschodzących kategorii zawodowych, skoncentrowanych wokół współpracy człowiek-AI, nadzoru nad AI (AI governance) oraz dziedzinowych operacji AI.

Prognozy, które przestrzeliły #

Roboty przemysłowe rzeczywiście wyparły pracowników produkcyjnych. Nie zrobiły tego jednak w ramach czasowych ani na skalę, jaką sugerowały początkowe prognozy. To zdanie powinno wzbudzić czujność każdego, kto zawodowo czyta prognozy rynku pracy, ponieważ opisuje pewien wzorzec: kierunek był właściwy, ale skala okazała się błędna.

Najbardziej znana liczba w tej literaturze pochodzi od Freya i Osborne'a, którzy poprosili ekspertów o ocenę 702 zawodów w USA pod kątem ogólnej "podatności na komputeryzację". Z ich wyników wynikało, że 47% zawodów znajduje się w grupie wysokiego ryzyka. To uderzająca liczba, która odbiła się szerokim echem.

Następnie Arntz, Gregory i Zierahn pokazali, co się dzieje, gdy analiza schodzi na poziom zadań i uwzględnia ich niejednorodność w obrębie nominalnie zagrożonych zawodów. Oszacowania wysokiego ryzyka spadają wówczas do 9-14% w krajach OECD. Rozbieżność między 47% a 9-14% nie jest błędem zaokrąglenia. Odzwierciedla wybór jednostki analizy, a wybór ten zmienia odpowiedź trzykrotnie lub bardziej.

Źródło otwarcie przyznaje, że spór między oszacowaniami na poziomie zawodów a oszacowaniami na poziomie zadań pozostaje nierozstrzygnięty. W dziedzinie tej osiągnięto jednak praktyczny konsensus: dekompozycja na poziomie zadań jest niezbędna, a etykiety na poziomie całych zawodów są zbyt zgrubne. Ten konsensus stanowi fundament, na którym opiera się reszta argumentacji. Jest to również fundament, który agentowa AI wystawia na ciężką próbę.

Jak działają ramy zadaniowe #

Aby dostrzec, skąd bierze się to napięcie, warto precyzyjnie określić, co głosi tradycja podejścia zadaniowego.

Autor, Levy i Murnane podzielili zadania zawodowe wzdłuż dwóch osi: rutynowe kontra nierutynowe oraz poznawcze kontra manualne. Ich argument polegał na tym, że automatyzacja zastępuje zadania rutynowe, a uzupełnia nierutynowe. To przejrzysta koncepcja, która dała późniejszym pracom słownik pozwalający opisać, które części pracy może przejąć maszyna.

Acemoglu i Restrepo nadbudowali nad tym formalną strukturę. Modelują oni produkcję jako wynik kontinuum zadań rozdzielanych między kapitał a pracę. W ich ujęciu udział pracy rośnie lub spada w zależności od tego, czy tworzenie nowych zadań, które nazywają kanałem przywracania (reinstatement channel), wyprzedza wypieranie zadań. Idąc ich śladem, udział pracy w wartości dodanej zapisuje się jako sL = W * L / Y = f(|NL| / |N|), gdzie W oznacza stawkę płacy, L zatrudnienie, a Y produkcję. Dwie siły ciągną w przeciwnych kierunkach, a to, która z nich zwycięży, decyduje o tym, kto przejmie korzyści.

Dwa inne przedsięwzięcia pomiarowe mają tutaj znaczenie, ponieważ przełożyły te ramy na liczby na poziomie zawodów. Felten, Raj i Seamans zbudowali wskaźnik AI Occupational Exposure (AIOE), łącząc publikowane postępy możliwości AI z taksonomią zdolności O*NET. Eloundou i współpracownicy skonstruowali równoległą miarę skupioną na GPT-4, łącząc adnotacje pracowników crowdsourcingowych z samoocenami GPT-4 na poziomie zadań.

Ich główny wniosek brzmiał: 80% pracowników w USA wykonuje zawody, w których co najmniej 10% zadań jest podatnych na działanie modeli LLM. Największa ekspozycja koncentrowała się wśród zawodów wysoko opłacanych, wymagających wyższego wykształcenia. Wynik ten przeczy starszej intuicji, zgodnie z którą automatyzacja uderza najpierw w pracę rutynową i gorzej opłacaną, oraz wyjaśnia, dlaczego pytanie o pracowników umysłowych stało się tak pilne.

Martwy punkt wspólny dla wszystkich ram #

Źródło formułuje pod adresem wszystkich tych prac jednoznaczny zarzut. Wszystkie cytowane ramy dzielą architektoniczny martwy punkt: modelują automatyzację jako przejmowanie pojedynczych zadań, podczas gdy sam zawód pozostaje nienaruszony. Prawie wszystkie prognozy, w tym te zbudowane na ramach zadaniowych Autora-Levy'ego-Murnane'a, dzielą założenie, że automatyzacja wyrywa zadania jedno po drugim, a zawód przetrwa jako skorupa koordynacyjna wokół pozostałej pracy ludzkiej.

Jest to założenie dotyczące struktury, a nie technologii. Nie mówi ono nic o tym, jak sprawna jest maszyna. Mówi jedynie, że niezależnie od tego, ile zadań przejmie maszyna, ktoś nadal musi spajać resztę w całość.

Przykład asystenta prawnego (paralegal) nadaje tej tezie konkretny wymiar. Analiza ekspozycji zadań może oznaczyć 80% zadań asystenta prawnego jako podatne na modele LLM, a mimo to uznać sam zawód za bezpieczny, ponieważ koordynacja tych zadań wymaga ludzkiego osądu. Wniosek ten wynika wprost z założenia o skorupie. Zadania są odsłonięte, ale szwy łączące je ze sobą nie, więc stanowisko pracy zostaje zachowane.

W tym miejscu następuje kluczowy ruch źródła: wąskie gardło koordynacji, które chroniło rolę asystenta prawnego, znajduje się teraz wewnątrz modułu planowania agenta. Jeśli to prawda, rozumowanie zapewniające asystentowi prawnemu bezpieczeństwo przestaje działać. Ochrona wynikała z koordynacji. A koordynacja jest dokładnie tym, czym zajmuje się system agentowy.

Uważam, że jest to najbardziej użyteczna idea w całym artykule i zasługuje na rozpatrzenie na jej własnych warunkach. Starsze ramy nie mylą się co do samych zadań. Mylą się co do tego, co pozostaje, gdy zadania znikną. Miara oceniająca zadania pojedynczo nie jest w stanie dostrzec systemu, który obsługuje całą sekwencję jako jedną całość.

Co kwalifikuje się jako system agentowy #

Jeśli argument zależy od rozróżnienia, rozróżnienie to wymaga definicji. Źródło dostarcza definicję złożoną z czterech kryteriów. System agentowej AI to taki, który:

otrzymuje specyfikację celu zamiast specyfikacji zadania;
autonomicznie wybiera i wywołuje narzędzia w celu realizacji tego celu;
utrzymuje stan przez wiele kroków wnioskowania; oraz
wytwarza ukończony produkt pracy bez interwencji człowieka na etapach pośrednich.

Warto zachować to wyliczenie w formie listy, ponieważ kryteria są rozłączne i każde z nich można osobno zweryfikować. System, który odpowiada na pojedynczy prompt, oblewa kryterium pierwsze. System, który wymaga od człowieka zatwierdzania każdego kroku pośredniego, oblewa kryterium czwarte.

Mówiąc prościej, agent otrzymuje cel, dobiera narzędzia, realizuje wieloetapowy plan, sprawdza własny wynik i dostarcza gotowy produkt pracy. Systemy agentowe łączą wywołania narzędzi w łańcuchy, utrzymują trwałą pamięć między krokami, planują wielodziałaniowe sekwencje i dokonują samokorekty, gdy wyniki pośrednie nie przechodzą kontroli jakości.

Szczegół dotyczący samokorekty ma większe znaczenie, niż mogłoby się początkowo wydawać. Potok przetwarzania, który psuje się, gdy zawiedzie jeden krok, nadal potrzebuje człowieka w pobliżu. System, który zauważa nieudaną kontrolę jakości i próbuje ponownie, wchłonął część nadzoru, który dotychczas uzasadniał obecność człowieka.

Artykuł definiuje swój przedmiot badań następująco: autonomiczni agenci AI zdolni do realizowania całych zawodowych przepływów pracy, a nie pojedynczych, wyodrębnionych zadań. Ciężar znaczeniowy spoczywa na słowie "całych". Cała argumentacja dotyczy luki między pojedynczym zadaniem a kompletnym przepływem pracy.

Dlaczego właściwy moment jest właśnie teraz #

Źródło przedstawia dwa rodzaje dowodów na to, że kwestia ta nie jest hipotetyczna. Pierwszy dotyczy możliwości technicznych. Modele klasy GPT-4 osiągnęły lub przekroczyły progi zdawalności na egzaminie adwokackim (bar exam) oraz amerykańskim lekarskim egzaminie licencyjnym (USMLE), a także zbliżyły się na odległość kilku punktów procentowych do zdania egzaminu CFA Level I. Są to egzaminy uprawniające do wykonywania zawodów, które ograniczają dostęp właśnie dlatego, że praca w nich jest trudna.

Drugi dowód dotyczy wdrożeń. Główni dostawcy technologii dla przedsiębiorstw, w tym Amazon, Microsoft, Salesforce, ServiceNow oraz Workday, ujawnili produkcyjne wdrożenia systemów agentowych obejmujące przepływy pracy pracowników umysłowych podczas swoich telekonferencji wynikowych i prezentacji dla inwestorów w 2024 roku. Są to wdrożenia produkcyjne, a nie demonstracje badawcze, i zostały ogłoszone inwestorom, a nie środowisku akademickiemu.

Źródło odczytuje te informacje jako tego rodzaju komunikaty, które firmy publikują dopiero wtedy, gdy wdrożenia zaczynają wpływać na planowanie stanu zatrudnienia. Źródło ujmuje to jako interpretację, a nie bezpośredni pomiar, i tak należy to traktować. Nic w przekazanym mi materiale nie podaje bezpośrednio liczb dotyczących redukcji etatów. Wniosek jest jednak rozsądny: firmy zazwyczaj nie prezentują wdrożenia przed inwestorami, dopóki nie ma ono znaczenia dla bazy kosztowej.

Połączenie tych dwóch faktów sprawia, że argument za stworzeniem nowej miary staje się oczywisty. Same możliwości techniczne nie przesądziłyby sprawy, podobnie jak kilka programów pilotażowych. Natomiast możliwości, które przekraczają już progi zawodowe w systemach działających produkcyjnie, zdecydowanie to robią.

Wskaźnik ATE: co mierzy, a czego nie #

Odpowiedzią artykułu jest wskaźnik Agentic Task Exposure. Jest to złożona metryka rozszerzająca ramy wypierania zadań Acemoglu-Restrepo o kompleksowe pokrycie przepływów pracy, aktualne testy porównawcze możliwości agentowej AI oraz szybkość wdrażania w przedsiębiorstwach. Wskaźnik mierzy stopień, w jakim zawód o jest narażony na kompleksowe wyparcie przez obecne systemy agentowej AI.

W skład wskaźnika wchodzą trzy elementy: oceny możliwości AI, współczynniki pokrycia przepływów pracy oraz logistyczna szybkość adopcji. Współczynnik pokrycia przepływów pracy to element, który bezpośrednio uderza we wspomniany martwy punkt. Źródło wskazuje, że we wcześniejszych pracach brakowało miary określającej, czy pełna kompozycja przepływu pracy danego zawodu mieści się w obwiedni operacyjnej agentowej AI, i formalizuje to właśnie jako współczynnik pokrycia przepływów pracy. Starsze wskaźniki pytają, czy zadanie jest podatne na ekspozycję. Ten pyta, czy cały przepływ pracy mieści się w tym, co potrafi zrobić agent.

Doprecyzowano również dwa kolejne elementy tej konstrukcji. Wyraz wo,t oznacza ważoną istotnością trafność zadania t w zawodzie o, zaczerpniętą z ocen istotności zadań w bazie O*NET. Z kolei CAP(t), czyli człon określający możliwości, jest szacowany na podstawie literatury dotyczącej testów porównawczych AI oraz raportów wdrożeniowych praktyków. Tak więc istotność zadań pochodzi ze standardowej bazy danych o zawodach, natomiast możliwości pochodzą z dwóch źródeł: testów porównawczych i raportów z terenu.

Artykuł wyraźnie stawia sprawę metody i czytelnik powinien się tego trzymać. Wartości ATE są obliczane algorytmicznie na podstawie danych o zadaniach z O*NET przy użyciu skalibrowanych parametrów adopcji; nie są to oszacowania regresyjne. Ma to praktyczne konsekwencje. Oszacowanie regresyjne niesie ze sobą zwykły aparat błędów standardowych i argumentów identyfikacyjnych. Skalibrowany wskaźnik algorytmiczny tego nie ma, a jego wyniki są projekcjami wyprowadzonymi z modelu, co jest sformułowaniem, którego sam artykuł używa w odniesieniu do swoich liczb dotyczących wypierania. Opisują one to, co model implikuje przy przyjętych parametrach. Nie relacjonują tego, co już się wydarzyło.

Twierdzę, że jest to uczciwe postawienie sprawy i właściwe podejście do problemu prognostycznego, w którym prognozowane zjawisko jeszcze nie nastąpiło. Wskaźnik złożony zbudowany z jawnie podanych danych wejściowych można sprawdzić, zakwestionować i ponownie skalibrować. Jeśli ktoś nie zgadza się co do szybkości adopcji, wie dokładnie, którym pokrętłem poruszyć.

Gdzie model znajduje zastosowanie #

Zastosowanie empiryczne jest szerokie. Artykuł stosuje ramy ATE do 236 kodów Standardowej Klasyfikacji Zawodów (SOC) obejmujących sześć głównych grup zawodowych, generując wyprowadzone z modelu projekcje wypierania w pięciu głównych regionach technologicznych Stanów Zjednoczonych na lata 2025-2030. Te pięć regionów to San Francisco Bay Area, Seattle-Tacoma-Bellevue, Austin-Round Rock, Nowy Jork-Newark oraz Boston-Cambridge.

Artykuł opisuje to jako pierwsze wieloregionalne empiryczne zastosowanie ram ekspozycji zadań ukierunkowane bezpośrednio na systemy agentowej AI. Jest to deklaracja pierwszeństwa złożona przez autorów, której nie mogę zweryfikować na podstawie dostępnego mi materiału. Mogę natomiast powiedzieć, że projekt regionalny jest rozsądną odpowiedzią na problem wspólny dla badań ogólnokrajowych: ekspozycja jest własnością zawodów, ale adopcja jest własnością miejsc i firm.

Według wyników podanych w źródle analitycy kredytowi, sędziowie oraz specjaliści ds. zrównoważonego rozwoju osiągają wartości ATE w przedziale 0.43-0.47. Temu zestawieniu warto przyjrzeć się bliżej. Analityk kredytowy, sędzia i specjalista ds. zrównoważonego rozwoju nie przypominają siebie nawzajem pod względem wykształcenia, płacy ani codziennej pracy. Tym, co ich łączy według artykułu, jest wynik w tym samym przedziale. Odczytałbym to jako argument przeciwko leniwemu sortowaniu miejsc pracy na "bezpieczne" i "zagrożone" według sektora lub postrzeganej kreatywności.

Powstrzymałbym się jednak przed wyczytywaniem z tej liczby więcej, niż potwierdza źródło. Materiał, którym dysponuję, podaje przedział dla tych trzech zawodów i nie mówi, jak wypada on na tle pozostałych z 236 kodów. Liczba ta pokazuje zatem, że role te są w znacznym stopniu eksponowane na skali przyjętej w artykule. Nie dowodzi jednak, że są eksponowane najbardziej.

Wyniki regionalne opatrzone są zastrzeżeniem, które warto powtórzyć. Artykuł stwierdza, że skutki dla siły roboczej w Seattle w latach 2026-2027 stanowią zapowiedź tego, czego szersza ogólnokrajowa nietechniczna siła robocza doświadczy w latach 2028-2030. Jest to prognoza z określonym opóźnieniem czasowym i sformułowana ostrożnie. Brzmi jak hipoteza generowana przez model i nie należy jej traktować jako ustalonego faktu. Jest to jednak użyteczny rodzaj twierdzenia, ponieważ jest wystarczająco konkretne, by mogło okazać się błędne. Jeśli wczesny wzorzec z Seattle nie przeniesie się na ogólnokrajową nietechniczną siłę roboczą do 2028 roku, model stanie przed problemem, którego nie da się łatwo wytłumaczyć.

Strona przywracania w rejestrze #

Sam wskaźnik wypierania opowiada tylko połowę historii z modelu Acemoglu-Restrepo. W ich ramach udział pracy zależy od tego, czy tworzenie nowych zadań wyprzedza wypieranie. Artykuł, który rozszerzyłby te ramy i mierzył wyłącznie wypieranie, porzuciłby tę część konstrukcji, która nadaje jej wewnętrzne napięcie.

Ten artykuł tego nie robi. Identyfikuje kategorie zawodowe, w których agentowa AI tworzy efekty przywracania: nowe role, które nie istniały przed wdrożeniem agentów, generują popyt na ludzki nadzór, zarządzanie ładu (governance) i współpracę na dużą skalę. Łącznie artykuł wskazuje siedemnaście wschodzących kategorii zawodowych korzystających z efektów przywracania. Koncentrują się one w rolach związanych ze współpracą człowiek-AI, nadzorem nad AI oraz dziedzinowymi operacjami AI.

Mechanizm ten łatwo prześledzić. Jeśli agenci realizują przepływy pracy od początku do końca, ktoś musi ich nadzorować, ustalać reguły, według których działają, oraz pracować u ich boku. Potrzeby te nie istniały wcześniej jako osobne stanowiska pracy, ponieważ nie było jeszcze czego nadzorować.

Źródło nie mówi, ile osób znalazłoby zatrudnienie w tych siedemnastu kategoriach ani czy ich wzrost zrównoważyłby wypieranie implikowane przez wskaźniki ATE. Dane, którymi mogę się posłużyć, pozostawiają więc centralne pytanie otwarte: czy przywracanie wyprzedza wypieranie. Każdy, kto pisze z pewnością siebie, że tak jest lub że tak nie jest, wykracza poza zweryfikowane twierdzenia. Wkładem artykułu jest umieszczenie obu stron rejestru w tych samych ramach i nazwanie miejsc, w których pojawiają się nowe role.

Co z tego wynika #

Płynie stąd lekcja metodologiczna oraz lekcja praktyczna.

Lekcja metodologiczna mówi, że jednostka analizy decyduje o odpowiedzi. Skok z 47% do 9-14% wynikał z przejścia od zawodów do zadań. Artykuł dowodzi, że teraz potrzebny jest kolejny ruch, od zadań do przepływów pracy, ponieważ rzeczą podlegającą automatyzacji nie jest już pojedyncze zadanie. Za każdym razem, gdy zmieniała się jednostka, zmieniały się oszacowania, a historia tej dziedziny sugeruje, że wybór jednostki zasługuje na równie wnikliwą ocenę jak wybór danych.

Lekcja praktyczna jest skierowana do każdego, kto planuje zatrudnienie, szkolenia lub produkty na najbliższe pięć lat. Wskaźnik mówiący, że 80% zadań na danym stanowisku podlega ekspozycji, nie wystarcza, ponieważ nie informuje, czy pozostałe 20% to trwały ludzki rdzeń, czy tylko spoiwo, które może teraz zapewnić moduł planowania agenta. Współczynnik pokrycia przepływów pracy istnieje właśnie po to, by zadać to pytanie wprost.

Wskaźnik ATE jest miarą złożoną ze skalibrowanymi parametrami, a jego projekcje są wyprowadzone z modelu. Stanowią one ustrukturyzowany argument dotyczący lat 2025-2030, a nie ich zapis historyczny. To powód, by je testować, a nie ignorować. Hipoteza dotycząca Seattle oferuje wczesny test: jeśli efekty z lat 2026-2027 będą tam wyglądać tak, jak sugeruje model, opóźnione przełożenie na ogólnokrajową nietechniczną siłę roboczą w latach 2028-2030 stanie się kolejnym zjawiskiem wartym obserwacji. Z kolei siedemnaście kategorii przywracania stawia pytanie, którego same deklaracje nie potrafią rozstrzygnąć: czy role stworzone do nadzorowania agentów pojawią się w liczbie mającej realne znaczenie dla udziału pracy.

Często zadawane pytania #

Dlaczego wcześniejsze ramy ekspozycji zadań nie doszacowują wpływu agentowej AI?

Wcześniejsze ramy zbudowane w tradycji Autora-Levy'ego-Murnane'a zakładają, że automatyzacja usuwa pojedyncze zadania, podczas gdy sam zawód przetrwa jako ludzka skorupa koordynacyjna. Systemy agentowej AI przejmują planowanie, wywoływanie narzędzi, zarządzanie stanem oraz pośrednie kontrole jakości, które wcześniej wymagały ludzkiego koordynatora, wystawiając na ekspozycję całe przepływy pracy, a nie izolowane zadania.

Jak obliczany jest wskaźnik Agentic Task Exposure (ATE)?

ATE jest algorytmicznym wskaźnikiem złożonym budowanym na podstawie ocen istotności zadań z bazy O*NET (wo,t), testów porównawczych możliwości AI i raportów wdrożeniowych praktyków (CAP(t)), współczynnika pokrycia przepływów pracy mierzącego, czy pełny przepływ pracy danego zawodu mieści się w obwiedni operacyjnej agenta, oraz skalibrowanych parametrów logistycznej szybkości adopcji dla 236 kodów SOC.

Co badanie ustaliło w kwestii tworzenia nowych miejsc pracy (efektów przywracania)?

Rozszerzając kanał przywracania Acemoglu-Restrepo, badanie identyfikuje siedemnaście wschodzących kategorii zawodowych skoncentrowanych wokół współpracy człowiek-AI, nadzoru nad AI oraz dziedzinowych operacji AI. To, czy wzrost w tych kategoriach zrównoważy wypieranie na poziomie całych przepływów pracy, pozostaje otwartym pytaniem empirycznym.

Bibliografia #

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.

Ostatnia weryfikacja 2026-11-01.

Opublikuj ponownie ten artykuł

Agentowa sztuczna inteligencja łamie założenie stojące za każdą prognozą ekspozycji zadań — Sebastien Rousseau

Ramy ekspozycji zadań traktują zawód jako skorupę, która przetrwa wokół tego, co nadal robią ludzie. Systemy agentowe realizują cel i dostarczają gotowy produkt pracy, więc praca koordynacyjna...

Ten artykuł jest objęty licencją Creative Commons Attribution 4.0 International. Ponowna publikacja wymaga przypisania do kanonicznego adresu URL.

Agentowa sztuczna inteligencja łamie założenie stojące za każdą prognozą ekspozycji zadań — Sebastien Rousseau

Ramy ekspozycji zadań traktują zawód jako skorupę, która przetrwa wokół tego, co nadal robią ludzie. Systemy agentowe realizują cel i dostarczają gotowy produkt pracy, więc praca koordynacyjna...

Originally published at https://sebastienrousseau.com/pl/2026-10-25-agentowa-sztuczna-inteligencja-amie-ozenie-stojace/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER