Badanie: adopcja generatywnej AI jest powszechna, ale poważne zakłócenia na rynku pracy jeszcze nie są widoczne
Najważniejsze informacje
- •Nowy roboczy artykuł SSRN autorstwa Jolevskiego, Melo i Moore'a wykazuje, że adopcja generatywnej AI jest powszechna, podczas gdy zakłócenia na rynku pracy w ujęciu zagregowanym pozostają niewykryte w danych o zatrudnieniu.
- •Obawy pracowników przed zastąpieniem są najsilniejsze wśród tych, którzy sami korzystali z AI i widzieli, jak wykonuje ona zadania kluczowe dla ich własnej pracy.
- •Rozdźwięk między postrzeganiem a skutkami ma znaczenie dla decydentów, ponieważ lęk przed zastąpieniem może kształtować decyzje dotyczące szkoleń, zmiany pracy i płac zanim zmienią się statystyki zagregowane.
- •Artykuł bazuje na wcześniejszych badaniach, w tym na badaniu obsługi klienta Brynjolfssona, Li i Raymonda, które wykazało wzrost produktywności skoncentrowany wśród mniej doświadczonych pracowników.
- •Ekonomiści nadal debatują, czy skutki AI dla rynku pracy jeszcze nie ujawniły się na dużą skalę, czy też obecne dane zagregowane nie mają wystarczającej szczegółowości, by je uchwycić.

Ekonomista Jon Hartley niedawno zwrócił uwagę w wątku na X na nowy roboczy artykuł o generatywnej AI i rynku pracy: wątek Jona Hartleya. Artykuł, dostępny na SSRN, został napisany wspólnie przez Jolevskiego, Melo i Moore'a.
Podsumowując wyniki, Hartley pisze: „Adopcja generatywnej AI jest powszechna, ale znacznych zakłóceń na rynku pracy w ujęciu zagregowanym jeszcze nie widać. Pracownicy mimo to postrzegają istotne ryzyko zastąpienia, zwłaszcza gdy bezpośrednie korzystanie z AI ujawnia, że może ona wykonywać kluczowe zadania w ich pracy”.
Badanie wpisuje się w rosnący korpus prac analizujących, jak narzędzia generatywnej AI są przyjmowane przez pracowników i czy ta adopcja przekłada się na mierzalne zmiany w zatrudnieniu. Do tej literatury należą wcześniejsze badania eksperymentalne Erika Brynjolfssona, Danielle Li i Lindsey Raymond dotyczące agentów obsługi klienta — które wykazały wzrost produktywności skoncentrowany wśród mniej doświadczonych pracowników — a także ankiety takie jak Business Trends and Outlook Survey Biura Spisu Ludności, śledzące szybkie rozpowszechnianie korzystania z AI w firmach. Choć duże modele językowe i podobne narzędzia rozprzestrzeniły się wśród pracowników bardzo szybko od momentu wprowadzenia, zagregowane dane o zatrudnieniu jak dotąd wykazują ograniczone dowody na szeroko zakrojone zastępowanie pracowników, zgodnie z ustaleniami artykułu przytoczonymi w wątku Hartleya.
Badanie wskazuje też na wyraźny rozdźwięk między postrzeganiem a obserwowanymi skutkami: nawet tam, gdzie zakłócenia zagregowane nie są jeszcze mierzalne, pojedynczy pracownicy zgłaszają istotne obawy przed zastąpieniem, a obawy te wydają się najsilniejsze wśród tych, którzy sami korzystali z AI i widzieli, jak wykonuje ona zadania kluczowe dla ich własnej pracy. Ten rozdźwięk między postrzeganiem a skutkami ma znaczenie dla decydentów, ponieważ lęk pracowników przed zastąpieniem może wpływać na decyzje dotyczące szkoleń, zmiany pracy i negocjacji płacowych jeszcze zanim statystyki zagregowane zarejestrują jakąkolwiek zmianę — a także dlatego, że wcześniejsze epizody zmian technologicznych, takie jak komputeryzacja, historycznie były następowane przez opóźnione korekty na rynku pracy, trudne do wykrycia w czasie rzeczywistym przy użyciu zgrubnych danych zagregowanych.
Dla szerszego kontekstu Alex Tabarrok z Marginal Revolution opublikował dzień wcześniej powiązany wpis o AI i zatrudnieniu, oparty na tym, co same firmy raportują na temat wpływu AI na rekrutację i zatrudnienie. Artykuł wraz z towarzyszącym komentarzem odzwierciedla trwającą debatę wśród ekonomistów, czy skutki generatywnej AI dla rynku pracy po prostu jeszcze nie ujawniły się na dużą skalę, czy też istniejące dane nie są jeszcze na tyle szczegółowe, by je uchwycić. Naturalnym pytaniem dla dalszych badań jest, czy zestawy danych na poziomie zadań i konkretnych zawodów zaczną wykazywać efekty, które dotąd były ukryte w zagregowanych statystykach krajowych.
Źródło: Marginal Revolution