Moser应用服务
18%的美国.S. 到2023年，劳动力可能会受到生成式人工智能的影响
通过从劳工统计局和O *网中提取数据, 我相信，今年将有2800万美国人受到生成式人工智能的影响.
Steven Peavey，战略总监
查找数据
评估生成人工智能的能力
生成式人工智能允许mg官方游戏中心创建新的内容，如图像、文本、声音、音乐和视频. It is capable of creating output that has typically been associated with complex 和 creative tasks belonging to higher barrier-to-entry occupations.
旁注:输入和输出
另一种思考生成式AI能力的方式是通过输入的视角, 流程, 和输出. 可以将新创建的内容视为输出. 每个输出都有可能影响与工作相关的任务的其他输入和过程. 这些影响可以通过诸如生产率之类的指标来衡量, 效率, 周期时间, 和及时性.
评估生成式人工智能:输入、输出和过程
U.S. 劳工统计局
The 劳工统计局 provides us with helpful labor market information on 867 occupations. They use a federal coding system called the St和ard Occupational Classification (SOC) that breaks down occupations into four levels of aggregation: major groups, 小群体, 广泛的职业, 详细职业(link).
职业是如何编码的快照. 在这里查看完整列表
O *网
O *网 exp和s on the 劳工统计局’ dataset 和 provides additional information in a framework called the Content Model, 它将每个职业分为六个领域(见图). 通过使用这个框架, mg官方游戏中心可以了解什么工作活动(一般), 中间, 详细的, 和 down to the task level) are performed for each occupation 和 what abilities are required for each worker.
O *网的内容模型显示了这六个领域中的每一个.
应用数据
工作区域
O *网将每个职业划分为五个工作区域之一. A job zone states how much education, experience, 和 on-the-job training is needed to do the work.
工作区1 -需要很少或根本不需要准备的职业
工作区2 -需要一些准备的职业
工作区3 -需要中等准备的职业
工作区4 -需要大量准备的职业
工作区5 -需要大量准备的职业
我认为，就业区是一个信号，表明它们对人工智能的颠覆有多大的弹性 严重程度 和 机会. Disruption 严重程度 is the overall level of impact that would occur if an occupation were affected by generative AI. 破坏几率是指某个职业受到生成式人工智能影响的可能性. 举个例子, an occupation under job zone 1 may be at a much higher risk of disruption 严重程度 because of the lack of preparation needed while a job zone of 5 may only see some disruption.
评估生成式人工智能:ONet内容模型
排名的最终结果是哪些一般工作活动会导致人工智能的破坏. 我为这篇文章确定了三个.
积极的预测
对于此预测模型的版本1, 我只考虑了一个积极的预测因素(分数越高), 破坏的几率越高).
创造性地思考
我相信那些最有可能从生成式人工智能中受益的人是有创造力的思想家.
O *网将创造性思维(官方定义为“创造性思维”)定义为:
“发展中, 设计, 或者创建新的应用程序, 的想法, 的关系, 系统, 或产品, 包括艺术贡献.”
消极的因素
我认为有两种一般的工作活动可以减少人工智能颠覆的可能性. 它们都是“动手”的活动. 我的信念是，任何需要使用键盘的工作输出.
进行一般体育活动
O *网将一般体力活动定义为:
“Performing physical activities that require considerable use of your arms 和 legs 和 moving your whole body, 比如攀岩, 提升, 平衡, 走, 弯腰, 搬运物料.”
搬运和移动物体
O *网将处理和移动对象定义为:
“用手和手臂搬运, 安装, 定位, 移动材料, 操纵事物.”
下一个步骤
I would like to collaborate with people who have experience in making predictions if given the opportunity. 我相信还有很多可以改进的地方.
可以做出的改变:
浏览O *网内容模型的每个域，并包含额外的变量.
Moving away from general work activities 和 instead focusing on 中间 or 详细的 work activities.
重新审视正负预测分数背后的逻辑, 有更好的办法吗?
继续改进中断严重程度预测.
颠覆的积极和消极预测因素
O *网 breaks down the work activities of each occupation into four nested activities: generalized -> 中间 -> 详细的 -> task. My original goal was to look at the task level of each occupation but there were tens of thous和s of results to parse through 和 I decided instead to focus on generalized work activities.
一个人在工作中执行的所有任务都属于41种广义工作活动之一. By ranking each work activity with the likelihood of there being 效率 gains through the use of generative AI, I identified three activities in particular that I believe will be the biggest predictors of job disruption when it comes to generative AI. 这些活动是:
创造性地思考
进行一般体育活动
搬运和移动物体
发现
我的研究结果分为两部分:谁将受到影响以及他们将如何受到影响.
谁会受到影响?
I am breaking down my findings based on the St和ard Occupational Classification taxonomy of major groups, 小群体, 广泛的群体, 详细的职业.
评估生成式人工智能:工作区域内的破坏
主要群体
这张表显示了美国的总贸易额.S. 按主要群体和工作区域分组的劳动力数量. 它并不排除具有负预测分数的职业.
这张表显示了美国的总贸易额.S. 按主要群体和工作区域分组的劳动力数量. 它排除了具有负预测分数的职业. What I find interesting about the second table is that there are no occupations in job zone 1 that have a positive predictor score. 只有1%的劳动力属于工作区域2和3的总和. 总的来说，我认为没有证据表明一个主要群体会受到整个生成AI的影响. One other table to take a look at is the major groups in descending order by overall predictor score.
我期待看到艺术, 设计, 娱乐, 体育, 媒体在这个列表中名列前茅但却惊讶地看到了计算机和数学. 以下是针对主要群体的要点:
小群体
在93个小群体中，有16个群体受到干扰的得分为正. 16个中有15个至少有4个工作区, 异常值是通信设备操作员，就业人数较少，为53人,000.
有两组确实引起了我的注意:
其他销售及相关人员 拥有841700名员工
秘书及行政助理 拥有3,413,700名员工
These two groups had a job zone of 3 和 their end result for the predictor score could change drastically if we brought in additional work activities to consider.
广泛的职业
想法:
没有广泛的职业的工作区域为1，预测得分为正.
Dispatchers have the highest employment count for job zone 2 but the predictor score was only a 3 (73% percentile)
详细的职业
最后，mg官方游戏中心有详细的职业，这是从SOC聚合的第四个层次.
The occupation that is most susceptible to disruption was “Poets, Lyricists 和 Creative Writers”. This is a O *网 specific occupation 和 is a subset occupation of the 劳工统计局’ “Writers 和 Authors” occupation. 2021年有14.28万名作家和作者.
在工作区1下，没有一个职业的预测分数是正的.
他们会受到怎样的影响?
Knowing who will be affected is easier to predict than how they will be affected in my opinion. To underst和 how people are affected, I am placing disruption probability into fifteen total groups. 对于分组的第一层, mg官方游戏中心有五个工作区, 这再一次, 是做好工作的准备程度. 该理论认为，一个人做一份工作需要准备得越充分, 像人工智能这样的新兴技术就越不可能取代它们. 在每个工作级别中, 职业有三个层次:入门级, 中层, 和高层. 我的理论是，那些经验丰富的人会更抗拒改变, 这些变化(不是详尽的列表)包括:
对当前日常流程的更改
招聘的变化
横向调动(换工作但留在现在的公司)
自愿辞职*
非自愿辞职*
* with generative AI being the main contributor to the cause of the resignation 和 not because of another factor.
那些最有可能经历变化的人是那些权力、影响力和经验较小的人. 其中大多数都属于入门级. Those with mid to senior level roles may be more involved with overseeing those doing the work 和 less focused on executing.
此外，mg官方游戏中心仍处于生成式人工智能的初级阶段. It’s best not to overestimate the short-term effects of this tech while also not underestimating the long-term, 正因为如此, 我将给出2023年的横向转移预测, 自愿辞职, 非自愿辞职，得分很低. 到2023年底，mg官方游戏中心应该重新评估主要产品供应的成熟程度.
我认为入门级的角色最容易发生变化. 以下是我对每种变化的预测. Please note that there’s no data backing up the theories in this section 和 this should not be taken seriously.
Summary
之后用三个工作活动来衡量人工智能的颠覆性, 2800万人可能受到影响. 虽然这个数字看起来很高, I see generative AI being used as a tool to help workers speed up their day-to-day activities 和 not as a replacement for the worker. There’s still a lot of work that can be made towards this in terms of predictions 和 I hope some of this information has been helpful for you!
评估生成人工智能:人们将如何受到影响
相关播客
最近的博客
mg官方游戏中心的专家
