Основные выводы
- Статья 2023 года, в которой оценивалось, что 80% работников в США выполняют задачи, подверженные влиянию больших языковых моделей, была процитирована МВФ, Европейским парламентом и упомянута в предложениях Сената США. Три года спустя несоответствие между первоначальными выводами этой статьи и тем, как они применяются на практике, имеет последствия для принятия политических решений.
- Ограничения этих показателей не являются независимыми; оценки, рассчитанные для одной модели с использованием американской таксономии и разложенные на отдельные задачи, скорее усугубляют, чем просто суммируют эти ограничения.
- Существуют более динамичные, репрезентативные и практические инструменты измерения доказательной базы, однако они не доходят до политиков с той скоростью, которой требует обсуждение политики.
- Как политики, так и исследователи играют свою роль в преодолении разрыва между имеющимися у нас данными и решениями, которые нам необходимо принять, и обе стороны должны начать относиться к работникам как к партнерам в этом процессе, а не как к объектам анализа.
Вы, вероятно, слышали, что ИИ придет за вашей работой. Реальность сложнее, чем предполагает любая отдельная цифра.
Оценка подверженности влиянию существует, потому что внедрение ИИ происходит быстрее, чем наши текущие системы статистики труда могут 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 измерениям: оценивая, на основе того, что ИИ может правдоподобно делать, какие рабочие места с наибольшей вероятностью будут затронуты. Оценки подверженности — это один из способов получить рабочий сигнал при отсутствии более твердых доказательств.
Наиболее широко цитируемая версия этой оценки взята из статьи 2023 года «GPTs are GPTs» (GPT — это GPT), авторами которой являются Eloundou и др. Их основные выводы: 80% рабочей силы США имеют как минимум 10% своих профессиональных задач, подверженных влиянию больших языковых моделей, а 19% — 50% и более. Эти цифры получили широкое распространение — они были процитированы МВФ, Европейским парламентом, упомянуты в предложениях Сената США и взяты за основу исследовательскими институтами в разных странах. На рисунке ниже показана эта дистанция в недавних исследованиях рынка труда в сфере ИИ:
Как и все эмпирические инструменты, оценки из статьи «GPTs are GPTs» являются ограниченным инструментом, и дистанция между тем, на что они были призваны ответить, и тем, для чего их просят использовать, заслуживает внимания.
Что измеряют эти показатели?
Показатели «GPTs are GPTs» измеряют техническую осуществимость модели эпохи GPT-4, оцениваемую по таксономии профессий Министерства труда США, для задач с проверяемыми результатами, которые могут быть выполнены быстрее с помощью ИИ. Это конкретный и решаемый вопрос, и в статье он тщательно проработан.
Но эта конкретика важна по трем основным причинам:
- Показатели отражают модель начала 2023 года. С тех пор возможности передовых ИИ значительно улучшились, при этом один индекс оценивает разрыв примерно в 26 процентных пунктов между моделью, представленной в оценках «GPTs are GPTs», и текущими возможностями ИИ.
- Показатели основаны на американской таксономии профессий, которая не переносится чисто на другие рынки труда, даже с переводом.
- Показатели моделируют работу как набор дискретных, поддающихся оценке задач, что фиксирует то, что можно перечислить, но не суждения, отношения и контекст, которые часто составляют наиболее важные части работы.
Все это ограничения, которые признали первоначальные авторы, и недавние работы начинают формализовать. Но что происходит, когда показатели выходят за эти границы?
Что происходит, когда эти показатели определяют политику?
Политики находятся под давлением необходимости действовать. Им нужно знать, каким работникам потребуется поддержка, какие отрасли находятся под угрозой, какие виды вмешательства оправданы и когда их вводить. Показатели «GPTs are GPTs» стали основным вкладом в эти дискуссии, появляясь в правительственных отчетах, аналитических записках аналитических центров и других документах.
Но вопросы, которые задают политики, требуют больше информации, чем могут предоставить одни лишь статические показатели подверженности. Показатель, рассчитанный для модели 2023 года с использованием американской таксономии, рассматривающий работу как набор дискретных задач, используется для принятия решений в отношении работников в 2026 году и далее, на рынках труда за пределами США, выполняющих работу, которая включает гораздо больше, чем просто перечисляемые задачи. Ограничения не исчезают, когда показатели пересекают эти границы. Они усугубляются. Показатели, определяющие дебаты о будущем сферы труда, показывают, какая работа кажется автоматизируемой. Однако это представление об одном возможном будущем при одном наборе допущений. Когда на работу смотрят через другую призму, появляются другие определения подверженности.
Это также должно побудить нас спросить: чего не хватает? Какие работники, регионы и варианты будущего сферы труда не представлены этими цифрами? Примечательно, что набор данных не содержит дискретных категорий для работников, работающих с данными — реального труда, который питает системы ИИ. Труд этих работников структурно встроен в каждую LLM, против возможностей которой оцениваются задачи O*NET, однако они остаются вне политических дебатов, которые позволяют вести эти показатели.
Недавний обзор МОТ исследований подверженности влиянию ИИ сделал простой вывод: наиболее широко используемые индикаторы говорят нам о чем-то значимом, но не обо всем, что нам нужно знать о том, кто находится в группе риска и почему.
Исследовательское сообщество реагирует
Исследователи не стоят на месте. Появляется все больше работ, которые напрямую устраняют пробелы в статической оценке подверженности.
- Динамические индексы оценивают возможности ИИ в том виде, в каком они существуют сегодня, а не в 2023 году, и связывают эти оценки с реальными данными рынка труда. Одно недавнее исследование показывает, что увеличение подверженности на уровне профессии на 10 пунктов связано со снижением занятости на 5,6–8,5 процентных пункта, что является одним из первых эмпирических доказательств того, что динамически измеренная подверженность предсказывает фактические результаты рынка труда, а не только теоретическую восприимчивость.
- Ансамблевые подходы объединяют несколько систем оценки подверженности, взвешенных так, чтобы подчеркнуть наиболее информативный элемент каждого показателя. Это дает более надежную оценку, чем любая отдельная система может предоставить в одиночку. Индивидуальные показатели, которые различаются в зависимости от методологии и учреждения, оказываются слабо или даже отрицательно коррелированными друг с другом, что означает, что они фиксируют разные измерения подверженности.
- Расширения систем задач исследуют не только то, какие задачи подвержены влиянию, но и как они сочетаются друг с другом в рамках работы. Оказывается, последовательность и смежность задач, подверженных влиянию ИИ, имеют такое же значение, как и общая доля, — вывод, который меняет представление о том, какие профессии кажутся наиболее уязвимыми.
- Меры, ориентированные на работника, добавляют то, что упускают все вышеперечисленные: чего хотят работники и насколько они готовы к изменениям. Одно исследование выявляет значительную категорию задач, которые ИИ мог бы выполнять, но которые работники не хотят автоматизировать. Другое сопоставляет адаптивный потенциал работников с их подверженностью, обнаруживая, что одна лишь подверженность не дает четкого представления об уязвимости.
- Данные о внедрении и использовании дают представление о том, как ИИ используется на самом деле, а не о его теоретическом потенциале. Передовые лаборатории начали анализировать, как их технологии применяются на рабочем месте, включая отчеты о Claude, Copilot и ChatGPT.
В совокупности эти подходы указывают на более богатую доказательную базу, которая использует исходные оценки в качестве отправной точки, а не окончательного ответа.
К чему мы призываем
Дискуссия о будущем сферы труда задает три разных вопроса:
- будут ли возможности ИИ значимо развиваться,
- что это означает для экономических результатов, и
- каковы оптимальные ответные меры политики.
Эти вопросы связаны, но не равнозначны. У нас больше всего доказательств для ответа на первый вопрос (что может делать ИИ). Вопросы о том, что произойдет, когда способный ИИ столкнется с работающей экономикой, и что мы решим с этим делать, остаются открытыми. Две группы, в частности, могут предпринять шаги к расширению этой дискуссии;
Политикам следует рассматривать показатели подверженности влиянию как один из нескольких сигналов. Наиболее надежные политические меры включают those whose value does not depend on any single forecast being correct: усиление защиты работников, инвестирование в инфраструктуру переобучения и создание институционального потенциала для реагирования по мере проявления последствий. Работники должны быть вовлечены в этот процесс как партнеры. Они обладают прямым знанием того, как меняется их работа и каким они хотят видеть будущее сферы труда.
Исследователям следует уделить первоочередное внимание созданию доказательной базы, которая действительно необходима для принятия политических решений. Это означает использование 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 проведении исследований, которые сокращают дистанцию между тем, что мы можем измерить, и тем, на что могут повлиять политики.
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 сформировано решениями, которые исследователи, политики и работники примут вместе. Доказательная база, на которую опираются эти решения, должна соответствовать поставленной задаче.
Полный анализ и рекомендации можно найти в нашем полном отчете.
Ваша профессия есть в этих данных. Министерство труда США ведет O*NET, общедоступную базу данных, в которой каждая профессия в США каталогизирована как список задач — тот же список задач, который лежит в основе большинства оценок подверженности влиянию ИИ, включая «GPTs are GPTs». Посмотрите, как задачи O*NET были переоценены, исключены или переписаны после появления GPT-4, и расскажите нам, отражает ли что-либо из этого то, как изменилась ваша работа на самом деле.
