Jak automatyzacja napędzana przez SI wpłynie na miejsca pracy?

Jak automatyzacja napędzana przez SI wpłynie na miejsca pracy?

Autorzy: Alex Imas i Soumitra Shukla, za pośrednictwem Ghosts of Electricity,

Jedno z najczęściej cytowanych ustaleń dotyczących polityki SI pochodzi z opublikowanego w 2023 roku artykułu Eloundou, Manning, Mishkin i Rocka zatytułowanego „GPTs are GPTs”. Tytuł ma miłe podwójne znaczenie: artykuł bada, w jaki sposób technologie ogólnego przeznaczenia (GPT) zasilane przez duże modele językowe (również GPT) mogą przekształcić rynek pracy. Główny wniosek jest taki, że około 80% pracowników w USA może mieć co najmniej 10% swoich zadań dotkniętych przez LLM, a około 19% może doświadczyć wpływu na połowę lub więcej swoich zadań. Ogólnie rzecz biorąc, te miary ekspozycji próbują uchwycić, jak „narażony” jest dany zawód na SI jako funkcja tego, czy SI może wspomagać zadania związane z pracą: bezpośrednia ekspozycja jest definiowana jako „czy dostęp do LLM lub systemu opartego na LLM zmniejszyłby czas potrzebny człowiekowi na wykonanie określonego DWA lub ukończenie zadania o co najmniej 50%”. Autorzy są w tej kwestii krystalicznie jasni w artykule: ekspozycja odpowiada zdolności SI do zaangażowania się w pracę, a nie stopniu, w jakim praca może zostać zautomatyzowana. Ale słowo „ekspozycja” okazało się wywoływać wszelkiego rodzaju obawy dotyczące właśnie tego – wypierania. I być może z tego powodu te miary ekspozycji na SI regularnie zyskiwały na popularności w mediach społecznościowych w ciągu ostatnich kilku miesięcy.

Niedawnym przykładem jest Andrej Karpathy, jeden ze współzałożycieli OpenAI i lider w ogólnym myśleniu o SI (np. ukuł terminy „jagged intelligence” i „vibe coding”). Jego pulpit nawigacyjny, który opisał jako weekendowy projekt „vibe-coded”, był rankingiem tego, jak bardzo główne zawody są narażone na automatyzację napędzaną przez SI. Szybko stał się wiralem na X, ponieważ podsycał wszystkie istniejące narracje o szybkich utratach pracy z powodu SI.

Po tym, jak pulpit nawigacyjny został sensacjonalizowany i rozprzestrzenił się jak dziki ogień, Karpathy wyjaśnił, że jego karta wyników „ekspozycji” opierała się na szybkim, wygenerowanym przez LLM pomiarze cyfrowości pracy i nigdy nie miała być poważną prognozą, które zawody się zmniejszą lub znikną. Chociaż jego własna strona projektu zawierała tę samą uwagę, została ona w dużej mierze zignorowana na X. Mówiąc brutalnie znanym powiedzeniem: „Weekendowy projekt vibe-coded obiegłby świat dwa razy, zanim uwaga zdążyłaby założyć spodnie”.
Ten niedawny epizod pokazuje jednak, że takie miary ekspozycji przyciągnęły uwagę publiczną, ale są rutynowo błędnie interpretowane (niektórzy proponują całkowite moratorium na termin „ekspozycja”). Kiedy ludzie słyszą, że praca jest „w 80% narażona” na SI, wyobrażają sobie, że 80% tej pracy znika. Rzeczywista ekonomia ekspozycji na SI i utraty pracy jest daleka od tego opisu.

Czym jest „praca”?

Praca to zbiór zadań; osoba zazwyczaj otrzymuje wynagrodzenie w zależności od tego, jak dobrze wykonuje wszystkie zadania związane z pracą. Załóżmy więc, że jesteś kierownikiem projektu. Twoja praca obejmuje wiele zadań, takich jak generowanie pomysłów, zwięzłe ich przedstawianie i uzyskiwanie informacji zwrotnych od członków zespołu, przygotowywanie prezentacji oraz wiele rutynowych prac (np. zatwierdzanie arkuszy czasu pracy, obsługa logistyki). W miarę jak modele SI stają się lepsze, zdajesz sobie sprawę, że możesz zautomatyzować wiele z tych rzeczy: SI może wykonać za Ciebie wiele rutynowych prac, a nawet pomóc w przygotowaniu prezentacji. Według miary ekspozycji, Twoja praca jest teraz „narażona” na SI. Co stanie się z Twoją pracą i Twoją płacą? Cóż, jeśli automatyzacja niektórych zadań uwolni czas na generowanie lepszych pomysłów, Twoja ogólna produktywność wzrośnie – staniesz się jeszcze cenniejszy dla firmy. Ludzie nadal będą zatrudnieni, a jeśli już, to płace wzrosną.

Z drugiej strony, jeśli SI zautomatyzuje wszystkie zadania – załóżmy, że Twoja praca obejmuje tylko dwa zadania i oba zostaną zautomatyzowane – wtedy tak, praca ludzka zostanie wyparta. Co ważne, im mniejsza liczba zadań (co nazywamy wymiarowością pracy), tym większa motywacja firmy do jej automatyzacji w pierwszej kolejności. To jest część, którą pomija większość analiz dotyczących automatyzacji: wdrażanie SI w istniejącej organizacji jest kosztowne, więc firma będzie bardziej skłonna do inwestowania, jeśli będzie mogła zautomatyzować pracę, a nie tylko zadanie. „Ekspozycja” i ryzyko automatyzacji nie są tylko funkcją możliwości modelu, zależą również od motywacji firmy. I to nie jest hipotetyczne: mamy teraz wiele dowodów na to, że takie motywacje mają ogromne znaczenie dla tego, co i kiedy jest automatyzowane (np. firmy są znacznie bardziej skłonne do automatyzacji, gdy rośnie koszt pracy ludzkiej).

Wreszcie, nawet jeśli SI sprawi, że ludzie będą bardziej produktywni i przyniesie wyższe płace, w tym sektorze nadal mogą wystąpić masowe zwolnienia, jeśli konsumenci nie „wchłoną” zwiększonej produktywności: jeśli spadki cen spowodowane produktywnością nie zwiększą popytu na produkt, wtedy w tym sektorze będzie potrzebnych mniej pracowników.

Ogólnie rzecz biorąc, zadanie narażone na SI – nawet jeśli ta ekspozycja odpowiada pełnej automatyzacji tego zadania – może potencjalnie prowadzić do wyższych płac i większego zatrudnienia w tym zawodzie. Może też prowadzić do zwolnień, a nawet całkowitego wyparcia. To, czy ekspozycja prowadzi do lepszych czy gorszych wyników na rynku pracy dla pracowników, zależy od dwóch kluczowych zmiennych: elastyczności popytu konsumenckiego w danym sektorze (o ile więcej ludzie kupują produktu, gdy ceny spadają) i wymiarowości pracy (ile zadań jest w nią zaangażowanych). Jak mamy nadzieję przekonać Was do końca tego artykułu, powinniśmy znacznie bardziej martwić się o takie prace jak kierowca ciężarówki i magazynier, niż obecnie jesteśmy.

Standardowe podejście do automatyzacji

Zacznijmy od „standardowego” podejścia do myślenia o automatyzacji. Po pierwsze, rozkładamy pracę na zadania, używając taksonomii takiej jak O*NET, a następnie oceniamy, ile z tych zadań można zautomatyzować lub wspomóc przez SI. Całkowity wpływ na pracę jest ważoną średnią tego, jak bardzo każde zadanie zostało ulepszone, co oznacza, że można zbudować „wskaźnik ekspozycji” – zazwyczaj definiowany jako jaki procent zadań w pracy może wykonać SI? – i ten wskaźnik liniowo przekłada się na to, jak bardzo praca jest dotknięta (zob. np. już klasyczny artykuł Michaela Webba). To podejście było niezwykle użyteczne do mapowania potencjalnego zasięgu SI. Ale zawiera ono założenie, które jest prawie na pewno błędne dla większości rzeczywistych prac: zakłada, że zadania są rozdzielne. Oznacza to, że automatyzacja zadania A nie ma wpływu na produktywność zadania B, a całkowity wpływ jest po prostu sumą części.

Rozważmy znane Wam prace. Jest wiele zawodów, w których wynik polega na tym, aby wiele różnych rzeczy zrobić dobrze, nie tylko niektóre z nich. Nie można mieć kucharza, który wykonuje większość kroków przepisu, perkusisty, który jest głównie na rytmie, programisty, którego kod działa tylko częściowo (lub, co za tym idzie, profesora, który wykonuje tylko połowę pracy badawczej… chociaż niektórzy testowali ten wymóg). Są to prace, w których każde zadanie musi zostać pomyślnie wykonane, aby wynik był akceptowalny.

Innymi słowy, zadania nie są rozdzielne; są komplementarne, tj. wykonanie jednego zadania dobrze lub źle wpływa na to, jak dobrze można wykonać inne zadania w pracy, aby je ukończyć. To, że zadania w ramach pracy są komplementarne, a nie substytuty, wydaje się całkiem prawdopodobne dla większości rzeczywistej produkcji. Ma to szeroki zakres ważnych implikacji dla tego, jak SI faktycznie wpłynie na miejsca pracy.

Model O-ring dla miejsc pracy

Idea, że komplementarne zadania tworzą nieliniową produktywność, sięga klasycznego artykułu Michaela Kremera z 1993 roku „The O-Ring Theory of Economic Development”. Nazwa pochodzi od tragicznej katastrofy Challengera: pojedynczy wadliwy O-ring spowodował katastrofalną awarię całego systemu. Wgląd Kremera polegał na tym, że jeśli produkcja wymaga wielu etapów, a każdy etap musi być wykonany dobrze, aby produkt końcowy miał wartość, to produktywność staje się funkcją mnożnikową, a nie liniową, umiejętności. Pracownik, który popełnia nieco mniej błędów na zadanie, będzie znacznie bardziej produktywny ogólnie, ponieważ te niewielkie zyski jakościowe kumulują się na każdym etapie.

Ten model pracy oparty na zadaniach zyskał nowe znaczenie dzięki niedawnemu artykułowi Joshuy Gansa i Avi Goldfarba „O-Ring Automation”, który stosuje ramy Kremera bezpośrednio do automatyzacji napędzanej przez SI. Chociaż ich model może na pierwszy rzut oka wydawać się prosty, jego implikacje są dalekosiężne i głębokie. Przynajmniej jeden z nas (Alex) jest zafascynowany tym artykułem od miesięcy (patrz tutaj, tutaj i tutaj).

Gans i Goldfarb budują model firmy, w której praca każdego pracownika składa się z n zadań. Wynik pracy jest mnożnikiem jakości każdego zadania – jest to funkcja produkcji O-ring:

Pracownik ma ograniczenie czasowe h i alokuje je na n zadań. Jeśli zadanie s jest wykonywane ręcznie, pracownik spędza na nim h_s godzin i generuje jakość:

gdzie a to produktywność pracy, zakładana jako stała dla wszystkich zadań (uproszczone założenie). Ograniczenie czasowe pracownika wynosi:

Firma może również zdecydować się na zautomatyzowanie dowolnego zadania, wynajmując element kapitału, który zapewnia stałą jakość θ przy koszcie r za zadanie. To jest kluczowa część, na którą należy zwrócić uwagę: czy firmy inwestują w automatyzację zadania, zależy od kompromisów zawartych w tym problemie. Po zautomatyzowaniu zadania pracownik nie musi już poświęcać na nie żadnego czasu.

Jak dotąd konfiguracja jest dość prosta. Ciekawą częścią jest to, co struktura mnożnikowa funkcji produkcji implikuje, gdy pojawia się automatyzacja.

Jak automatyzacja może podnieść płace?

Załóżmy teraz, że firma decyduje się zautomatyzować k z n zadań. Co dzieje się z pracownikiem i jak to wpływa na płacę?

Przed automatyzacją pracownik alokuje czas równomiernie na wszystkie n zadań, co jest optymalne ze względu na symetryczną strukturę. Każde ręczne zadanie otrzymuje zatem h/n godzin i ma jakość a · h/n. Całkowity wynik wynosi:

Po zautomatyzowaniu k zadań z jakością θ, pracownik ma teraz wszystkie h godzin do alokacji na pozostałe n - k zadań ręcznych. Każde zadanie ręczne otrzymuje teraz h/(n-k) godzin, produkując jakość a · h/(n-k). Całkowity wynik wynosi:

Zatem wynik wzrasta po częściowej automatyzacji wtedy i tylko wtedy, gdy:

Jest to ważny warunek, który stanowi, że jeśli jakość zautomatyzowanego zadania θ jest co najmniej tak dobra, jak pierwotna jakość ręczna pracownika przed automatyzacją w tych zadaniach, to wynik na pewno wzrasta. Wynik nie wzrasta automatycznie tylko dlatego, że niektóre zadania są zautomatyzowane; wzrasta, gdy jakość automatyzacji jest wystarczająco wysoka.

Ale oto kluczowy wgląd: ponieważ automatyzacja zwalnia również pracownika, aby mógł on skoncentrować więcej czasu na pozostałych zadaniach, wynik może wzrosnąć nawet wtedy, gdy zautomatyzowane zadania są wykonywane z nieco niższą jakością niż ta, którą pracownik pierwotnie osiągnął przed automatyzacją. Automatyzacja pozwala pracownikowi skoncentrować się na mniejszej liczbie zadań, podnosząc jakość każdego z nich. Jest to „efekt skupienia”. Ze względu na formę funkcjonalną funkcji produkcji, wyższa jakość pozostałych zadań ręcznych nie tylko dodaje do wyniku – mnoży się przez funkcję produkcji. Pracownik staje się bardziej produktywny właśnie dlatego, że wykonuje mniej rzeczy.

Gdy jakość automatyzacji jest wystarczająco wysoka w porównaniu do tego, co pracownik ręcznie produkował w tych zadaniach, jego produkt krańcowy rośnie – a wraz z nim (zazwyczaj) jego płaca. Częściowa automatyzacja, w świecie O-ring, jest często uzupełnieniem pracy ludzkiej, a nie jej substytutem, co zwiększa płacę pracownika.

Ale to niekoniecznie dobra wiadomość dla pracy

Wyższa produktywność pracownika jest dobra dla płac, ale czy prowadzi do większej czy mniejszej liczby miejsc pracy? Zależy to od popytu konsumenckiego. Każdy pracownik produkuje jeden kalkulator dziennie, a firma ma 10 pracowników. Wszystkie kalkulatory są sprzedawane po obowiązującej cenie. Wyobraźmy sobie teraz, że każdy pracownik staje się znacznie bardziej produktywny, tak że każdy pracownik może wyprodukować 10 kalkulatorów. Cena każdego kalkulatora spada (koszty spadają), ale konsumenci nadal domagają się mniej więcej tej samej liczby kalkulatorów. Jest to przypadek nieelastycznego popytu – takiego, który nie reaguje zbytnio na ceny. Wtedy firma zwolni 9 pracowników. Ale co, jeśli konsumenci kupią znacznie więcej kalkulatorów po niższych cenach, tj. popyt jest bardzo elastyczny? Wtedy firma faktycznie zatrudni więcej pracowników, aby sprostać nowemu popytowi, mimo że każdy pracownik jest teraz bardziej produktywny.

Ogólnie rzecz biorąc, jeśli popyt jest elastyczny (elastyczność > 1), to spadek ceny prowadzi do bardziej niż proporcjonalnego wzrostu ilości popytu. Wynik znacznie się rozszerza. Firma potrzebuje więcej pracowników do produkcji tego wyższego wyniku, mimo że każdy pracownik jest teraz bardziej produktywny. Efekt netto: więcej zatrudnienia.

Jeśli popyt jest nieelastyczny (elastyczność < 1), to spadek ceny prowadzi do mniej niż proporcjonalnego wzrostu ilości popytu. Wynik nieznacznie się rozszerza. Firma potrzebuje mniej pracowników do produkcji tego wyższego wyniku, mimo że każdy pracownik jest teraz bardziej produktywny. Efekt netto: mniej zatrudnienia.

Jest to ściśle związane z popularną ideą powszechnie określaną jako paradoks Jevonsa: kiedy zasób staje się bardziej wydajny w użyciu, całkowite zużycie tego zasobu często rośnie, a nie maleje. Kiedy silnik parowy uczynił węgiel bardziej wydajnym, zużycie węgla gwałtownie wzrosło, ponieważ tak wiele nowych zastosowań stało się ekonomicznie opłacalnych. Ta sama logika dotyczy pracy: jeśli SI sprawi, że pracownik będzie znacznie bardziej produktywny, a popyt na ten produkt jest elastyczny, można skończyć z większą liczbą pracowników w tym zawodzie, a nie mniejszą.

Dlaczego wymiarowość pracy ma znaczenie: przypadek motywacji firmy

Związek między zadaniami a elastycznością popytu konsumenckiego jest ważnym wymiarem przewidywania wypierania napędzanego przez SI, ale jedną zmienną, która jest często pomijana, jest liczba zadań w samej pracy, tj. jej wymiarowość. Wymiarowość pracy ma znaczenie z dwóch powodów.

Po pierwsze, przy założeniu, że zadanie jest automatyzowane, praca o niskiej wymiarowości jest bardziej narażona na całkowite wyparcie. Jeśli praca składa się z 20 zadań, a jedno z nich zostanie zautomatyzowane, pracownik ludzki jest nadal potrzebny do wykonania pozostałych 19 zadań. Ale jeśli praca składa się z jednego zadania, a jedno zadanie zostanie zautomatyzowane, ta praca znika. Po drugie – i ten wymiar jest być może najbardziej pomijany – organizacje mają silniejszą motywację do automatyzacji zadań, im mniej pozostało w pracy zadań nie zautomatyzowanych. Wyobraźmy sobie, że automatyzacja zadania wymaga inwestycji w wysokości 10 milionów dolarów (zakup oprogramowania, wdrożenie, połączenie z resztą systemu itp.). W jednym przypadku jest to jedyne pozostałe w pracy zadanie nie zautomatyzowane; w drugim przypadku, jeśli to zadanie zostanie zautomatyzowane, pozostaje 19 innych zadań nie zautomatyzowanych. Firma ma znacznie większą motywację do automatyzacji zadania w pierwszym przypadku niż w drugim, ponieważ może wtedy zastąpić pracownika i czerpać zyski z oszczędności kosztów.1

Z tego powodu firmy mają silniejszą motywację do inwestowania w technologię w celu automatyzacji prac o niskiej wymiarowości. W pracy o niskiej wymiarowości automatyzacja wszystkich lub większości kluczowych zadań może wyeliminować stanowisko i całkowicie rachunek płac. To sprawia, że zwrot z automatyzacji jest znacznie większy. Innymi słowy, nie wszystkie „nie narażone” zadania mają równe znaczenie: w niektórych pracach pozostałe zadania nadal utrzymują obecnego pracownika w firmie; w innych nie.

Daje to jasną prognozę: nawet jeśli praca nie jest obecnie „narażona” na SI, w tym sensie, że SI nie jest wykorzystywana do wykonywanych zadań, jeśli ma niską wymiarowość, a technologia zbliża się do automatyzacji zadań, powinna być uważana za zagrożoną. Firmy będą pracować ciężej i inwestować więcej w automatyzację zaangażowanych zadań niż w przypadku, gdy prace mają wiele niezautomatyzowanych zadań.

Transport ciężarowy i magazynowanie, pomijane kanarki w kopalni węgla

Dlatego uważamy, że ludzie powinni bardziej martwić się o takie prace jak transport ciężarowy i magazynowanie.

Około 3 miliony Amerykanów zarabia na życie jako kierowcy ciężarówek. Wielu jest po pięćdziesiątce, jeżdżą od dziesięcioleci i mieszkają w społecznościach, gdzie transport ciężarowy jest kręgosłupem gospodarki. Transport ciężarowy to jedna z najlepszych prac, jakie można dostać bez wyższego wykształcenia. Rzeczywista praca kierowcy ciężarówki dalekobieżnej jest zdominowana przez kilka kluczowych funkcji: bezpieczne przemieszczanie ciężarówki z punktu A do punktu B. Logistyka, załadunek/rozładunek itp. są wykonywane przez innych. Jeśli jazda autonomiczna stanie się niezawodna na trasach dalekobieżnych, praca kierowcy ciężarówki nie tylko zostanie wspomagana; jest fundamentalnie zagrożona i może nawet zostać całkowicie wyparta. A ta możliwość nie jest już teoretyczna. Firmy takie jak Aurora Innovation i Kodiak Robotics już prowadzą na dużą skalę pilotażowe i komercyjne wdrożenia autonomicznych ciężarówek na ograniczonych trasach. Magazynowanie opowiada podobną historię. Magazynowanie zatrudnia miliony pracowników w USA, a wiele prac magazynowych – kompletowanie, pakowanie, sortowanie, przemieszczanie palet – jest stosunkowo wąskie i coraz bardziej podatne na automatyzację. Za granicą firmy już eksploatują wysoce zautomatyzowane „ciemne magazyny”, które działają przez całą dobę przy minimalnej sile roboczej. Te magazyny niczym nie przypominają tego, co widzimy dzisiaj: są projektowane od podstaw do obsługi przez maszyny.

Porównajmy to z pracownikiem umysłowym, powiedzmy, konsultantem ds. zarządzania. Praca ta łączy badania, analizę danych, komunikację z klientem, projektowanie prezentacji, rozumowanie strategiczne, koordynację zespołu i zarządzanie relacjami. To co najmniej siedem lub osiem odrębnych, komplementarnych zadań. Claude lub Codex mogą zautomatyzować pierwszy etap analizy danych i tworzenia prezentacji, ale konsultant jest nadal potrzebny do wszystkiego. W terminologii O-ring, automatyzacja niektórych zadań może zwiększyć wartość pozostałych, pozwalając pracownikowi poświęcić im więcej czasu – konsultant może spędzić więcej czasu na rozmowach z klientem i zapewnieniu mu komfortu podczas wdrażania, uzyskiwaniu poparcia od różnych jednostek itp. W rezultacie płace mogą wzrosnąć, a zatrudnienie również może wzrosnąć, jeśli lepszy wynik i niższe ceny zwiększą popyt ze strony klientów.

Tę samą logikę można zaobserwować w wielu zawodach o wysokiej stawce, takich jak medycyna i akademickość. Istnieje obecnie ponad 870 narzędzi AI do radiologii zatwierdzonych przez FDA, a 66% lekarzy korzysta z co najmniej jednego narzędzia AI, głównie do dyktowania notatek i wsparcia diagnostycznego. Ale te narzędzia wspomagają radiologów i lekarzy, a nie ich zastępują. SI zazwyczaj zajmuje się rutynowym aspektem rozpoznawania wzorców w pracy, pozwalając lekarzom skupić się na złożonych przypadkach, komunikacji z pacjentem i osądzie klinicznym. Podobnie, akademicy debatują, czy postępy w SI sprawiają, że asystenci badawczy są bardziej czy mniej wartościowi. Ponieważ SI automatyzuje rutynowe zadania analityczne, zarówno profesorowie, jak i asystenci badawczy mogą skupić się bardziej na pomysłach i osądzie, tym samym zwiększając wyniki i popyt na wykwalifikowaną siłę roboczą badawczą. Jest to ponownie efekt skupienia O-ring w praktyce.

Tak samo w naszym laboratorium. Każdy dodatkowy członek może zrobić tak wiele więcej, wyzwaniem jest wprowadzenie wszystkich na bieżąco, prowadzenie otwartych dyskusji na temat najlepszych sposobów wykorzystania tych narzędzi lub nie, oraz budowanie kultury, w której ludzie czują się bardziej, a nie mniej doceniani. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 marca 2026
Co wychwytują wskaźniki ekspozycji?

Wróćmy do ram ekspozycji. W standardowym podejściu konsultant ds. zarządzania jest silnie „narażony” na SI, podczas gdy kierowca ciężarówki nie. Ale czy to oznacza, że konsultant jest bardziej zagrożony wyparciem niż kierowca ciężarówki? Niekoniecznie. Wysoka ekspozycja konsultanta może być w rzeczywistości dobrą wiadomością, ponieważ oznacza, że SI będzie wspomagać wiele jego komplementarnych zadań, wywołując efekt skupienia i potencjalnie podnosząc płace. Z drugiej strony, umiarkowana ekspozycja kierowcy ciężarówki na jedno kluczowe zadanie jest znacznie bardziej niebezpieczna, ponieważ firmy transportowe mają znacznie większą motywację do automatyzacji zadania prowadzenia pojazdu, a gdy to zostanie zrobione, praca również znika. Te motywacje już się realizują w praktyce:

WIADOMOŚCI: Jeff Bezos prowadzi rozmowy w sprawie pozyskania 100 miliardów dolarów na nowy fundusz, który kupowałby firmy produkcyjne i dążyłby do wykorzystania technologii SI w celu przyspieszenia ich drogi do automatyzacji.
Jest to powiązane z jego startupem Project Prometheus AI, który ma na celu budowanie produktów SI dla inżynierii… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 marca 2026
Istotnym obiektem nie jest zatem średnia ekspozycja na zadania, ale struktura wąskich gardeł i sposób, w jaki automatyzacja przekształca czas pracownika wokół nich. Dwie prace o identycznych wskaźnikach ekspozycji mogą mieć całkowicie przeciwstawne ryzyka wyparcia, w zależności od tego, czy ich zadania są komplementarne, czy popyt na ich wyniki jest elastyczny czy nieelastyczny, oraz od motywacji firmy do inwestowania w automatyzację. Pracownicy najbardziej zagrożeni to niekoniecznie ci z najwyższą średnią ekspozycją, ale ci, których praca opiera się na niewielkiej liczbie kluczowych zadań, które SI może zautomatyzować.

1 W przypadku, gdy prace nie są w pełni zautomatyzowane, oszczędności kosztów z automatyzacji zadania krańcowego będą zależeć od komplementarności między innymi zadaniami w pracy. Dokładny związek jest opracowany w artykule O-ring model of automation.

Alex Imas jest profesorem w UChicago Booth. Prowadzi badania nad ekonomią i zastosowaniami SI. Substack tutaj.

Tyler Durden
Sob, 04/04/2026 - 09:20