Основные выводы
- Документ 2023 года, в котором оценивалось, что у 80% работников в США есть задачи, подверженные влиянию больших языковых моделей, цитировался МВФ, Европейским парламентом и упоминался в предложениях Сената США. Три года спустя несоответствие между первовыводами этой работы и сферой применения её результатов имеет последствия для принятия политических решений.
- Ограничения этих оценок не являются независимыми: показатели, рассчитанные для одной модели с использованием американской таксономии и разложенные на отдельные задачи, скорее усиливают, чем просто накапливают эти ограничения.
- Существуют более динамичные, репрезентативные и применимые на практике инструменты оценки доказательств, однако они не доходят до лиц, принимающих решения, с той скоростью, которой требуют политические дебаты.
- И политические деятели, и исследователи должны сыграть свою роль в преодолении разрыва между имеющимися у нас данными и решениями, которые нам необходимо принимать, и оба сообщества должны начать относиться к работникам как к партнерам в этом процессе, а не как к объектам анализа.
Вы наверняка слышали, что ИИ придет за вашей работой. Реальность гораздо сложнее, чем может показаться на основе какой-то одной цифры.
Оценка степени подверженности (exposure scoring) существует потому, честные эмпирические данные о реальном влиянии ИИ на рынок труда остаются неубедительными. Внедрение ИИ происходит быстрее, чем наши текущие системы трудовой статистики способны это зафиксировать — исторически сложилось так, что последствия новых технологий проявляются в данных о занятости и заработной плате лишь спустя годы. Тем временем исследователи обращаются к теоретическим методам измерения: оценивая на основе того, что ИИ может гипотетически делать, какие рабочие места с наибольшей вероятностью пострадают. Оценки подверженности — это способ сформировать рабочий сигнал в отсутствие более твердых доказательств.
Наиболее широко цитируемая версия этой оценки содержится в исследовании 2023 года «GPTs are GPTs» Элонду и др. Их основные выводы: у 80% рабочей силы США как минимум 10% профессиональных задач подвержены влиянию больших языковых моделей, а у 19% — 50% и более. Эти цифры получили широкое распространение: их цитировали МВФ, ОЭСР, на них ссылались в предложениях Сената США, и на их основе строятся исследования научных институтов во многих странах. На графике ниже показано расстояние между этими данными в современных исследованиях рынка труда в эпоху ИИ:
Как и все эмпирические инструменты, оценки из работы «GPTs are GPTs» представляют собой ограниченный инструмент, и разница между тем, на какой вопрос они были призваны ответить, и тем, для обоснования чего они используются, заслуживает внимания.
Что измеряют эти оценки?
Оценки в исследовании «GPTs are GPTs» измеряют техническую осуществимость для модели эпохи GPT-4 по сравнению с таксономией профессий Министерства труда США для задач с проверяемыми результатами, которые можно выполнить быстрее с помощью ИИ. Это конкретный вопрос, на который можно дать ответ, и авторы подходят к нему очень аккуратно.
Но эта специфика важна по трем основным причинам:
- Оценки отражают возможности модели начала 2023 года. С тех пор возможности передового ИИ существенно выросли: по оценкам одного из индексов, разрыв между моделью, представленной в исследовании «GPTs are GPTs», и текущими возможностями ИИ составляет примерно 26 процентных пунктов.
- Оценки построены на американской таксономии профессий, которая некорректно переносится на другие рынки труда, даже с учетом перевода.
- Оценки моделируют работу как набор дискретных, поддающихся оценке задач, что позволяет учесть то, что поддается учету, но не суждения, отношения и контекст, которые часто составляют наиболее важную часть работы.
Все эти ограничения были признаны первоначальными авторами, и в недавних работах их начинают формализовать. Но что происходит, когда эти оценки выходят за рамки указанных границ?
Что происходит, когда эти оценки определяют политику?
Лица, принимающие решения, находятся под давлением и вынуждены действовать. Им необходимо знать, каким работникам потребуется поддержка, какие отрасти находятся под угрозой, какие меры вмешательства оправданы и когда их следует принимать. Оценки из «GPTs are GPTs» стали основным источником информации для таких дискуссий, появляясь в правительственных отчетах, аналитических записках аналитических центров и предложениях Сената США.
Но вопросы, которые задают политики, требуют больше информации, чем могут предоставить одни лишь статические показатели подверженности. Оценка, рассчитанная для модели 2023 года с использованием американской таксономии, рассматривающая работу как набор дискретных задач, используется для принятия решений в отношении работников в 2026 году и в последующий период на рынках труда за пределами США, выполняющих работу, которая включает в себя гораздо больше, чем просто задачи, поддающиеся учету. Ограничения не исчезают, когда оценки пересекают эти границы. Они усиливаются. Показатели, определяющие дебаты о будущем труда, показывают, какая работа кажется автоматизируемой. Однако это лишь демонстрация одного возможного будущего при одном наборе допущений. Если посмотреть на труд под другим углом, возникают иные определения подверженности.
Это также должно заставить нас задаться вопросом: а что упущено? Какие работники, регионы и варианты будущего не представлены в этих цифрах? Примечательно, что набор данных не содержит отдельных категорий для дата-воркеров (работников данных) — реального труда, который питает системы ИИ. Труд этих людей структурно встроен в каждую языковую модель, чьи возможности оцениваются по задачам O*NET, однако они остаются за рамками политических дебатов, которые эти оценки делают возможными.
В недавнем обзоре МОТ, посвященном исследованиям подверженности ИИ, сделан прямой вывод: наиболее широко используемые показатели говорят нам о многом, но не обо всем, что нам необходимо знать о том, кто находится в зоне риска и почему.
Исследовательское сообщество реагирует
Исследователи не стоят на месте. Появляется все больше работ, которые напрямую устраняют пробелы в статических оценках подверженности.
- Динамические индексы оценивают возможности ИИ в их текущем виде, а не по состоянию на 2023 год, и связывают эти оценки с реальными данными рынка труда. Недавнее исследование показало, что увеличение уровня профессиональной подверженности на 10 пунктов связано со снижением занятости на 5,6–8,5 процентных пункта. Это одно из первых эмпирических доказательств того, что динамически измеряемая подверженность прогнозирует реальные результаты на рынке труда, а не только теоретическую уязвимость.
- Ансамблевые подходы объединяют несколько систем оценки подверженности, взвешенных так, чтобы подчеркнуть наиболее информативный элемент каждого показателя. Это дает более надежный результат, чем любая отдельная система сама по себе. Индивидуальные показатели, которые различаются в зависимости от методологии и организации, оказываются слабо или даже отрицательно коррелированными друг с другом, что означает, что они фиксируют разные измерения подверженности.
- Расширения для работы с задачами исследуют не только то, какие задачи подвержены риску, но и то, как они сочетаются друг с другом в рамках одной профессии. Оказывается, последовательность и смежность задач, подверженных влиянию ИИ, имеют такое же значение, как и их общая доля, и это открытие меняет представление о том, какие профессии кажутся наиболее уязвимыми.
- Меры, ориентированные на работника, добавляют то, что упускают все вышеперечисленные подходы: чего хотят сами работники и насколько они готовы к изменениям. Одно исследование выявило значительную категорию задач, которые ИИ мог бы выполнять, но работники не хотят их автоматизации. Другое исследование соотносит способность работников к адаптации с их подверженностью рискам и показывает, что одна лишь подверженность не ведет напрямую к уязвимости.
- Данные об усыновлении и использовании дают представление о том, как ИИ используется на практике, а не о его теоретическом потенциале. Передовые лаборатории начали анализировать то, как их технологии применяются на рабочем месте, включая отчеты по Claude, Copilot и ChatGPT.
В совокупности эти подходы указывают на формирование более богатой доказательной базы, в которой исходные баллы используются в качестве отправной точки, а не окончательного ответа.
К чему мы призываем
В дискуссии о будущем сферы труда задаются три разные вопроса:
- будут ли возможности ИИ существенно развиваться,
- что это означает для экономических результатов и
- какими должны быть оптимальные меры политики.
Эти вопросы связаны между собой, но не тождественны. У нас больше всего доказательств для ответа на первый вопрос (на что способен ИИ). Вопросы о том, что происходит, когда способный ИИ сталкивается с работающей экономикой, и что мы решим с этим делать, остаются открытыми. В частности, две группы могут предпринять шаги к расширению этой дискуссии;
Политикам следует рассматривать показатели подверженности влиянию как один из нескольких сигналов. Наиболее надежными являются те политические меры, ценность которых не зависит от правильности какого-то одного прогноза: усиление защиты работников, инвестиции в инфраструктуру переквалификации и наращивание институционального потенциала для реагирования по мере проявления последствий. Работники должны быть привлечены в качестве партнеров в этот процесс. Они обладают прямыми знаниями о том, как меняется их работа и каким они хотят видеть будущее сферы труда.
Исследователям следует уделять первоочередное внимание формированию доказательной базы, которая действительно необходима для принятия политических решений. Это означает создание инструментов измерения, которые обновляются вместе с возможностями ИИ, выходят за рамки рынков труда США и напрямую связаны с вопросами, на которые пытаются ответить политики. Это также означает отношение к работникам как к эпистемическим партнерам на протяжении всего исследовательского процесса, а не просто как к источникам данных. Цель состоит в том, чтобы проводить исследования, которые сокращают расстояние между тем, что мы можем измерить, и тем, на что политики могут повлиять.
Показатель подверженности в 80% описывает техническую осуществимость при определенном наборе допущений в определенный момент времени. Это не прогноз и не директива. Будущее сферы труда будет формироваться под влиянием решений, которые исследователи, политики и работники принимают вместе. Доказательная база, на которую опираются эти решения, должна соответствовать поставленной задаче.
Полный анализ и рекомендации читайте в нашем полном отчете.
Ваша профессия есть в этих данных. Министерство труда США поддерживает O*NET — общедоступную базу данных, в которой каждая профессия США каталогизирована в виде списка задач (тот же список задач лежит в основе большинства оценок подверженности влиянию ИИ, включая исследование «GPTs are GPTs»). Посмотрите, как задачи O*NET были переоценены, исключены или переписаны после появления GPT-4, и расскажите нам, отражает ли что-то из этого то, как на самом деле изменилась ваша работа.
