จะเกิดอะไรขึ้นกับงานเมื่อ AI ขับเคลื่อนระบบอัตโนมัติจริง ๆ

จะเกิดอะไรขึ้นกับงานเมื่อ AI ขับเคลื่อนระบบอัตโนมัติจริง ๆ

โดย อเล็กซ์ อีมาส และ โซมิตรา ชุกลา ผ่าน Ghosts of Electricity,

หนึ่งในข้อค้นพบที่อ้างอิงมากที่สุดในนโยบาย AI มาจากเอกสารปี 2023 โดย Eloundou, Manning, Mishkin และ Rock ที่มีชื่อว่า “GPTs are GPTs” ชื่อนี้มีความหมายสองแง่สองง่าม: เอกสารนี้ศึกษาว่าเทคโนโลยีทั่วไป (GPTs) ที่ขับเคลื่อนด้วยแบบจำลองภาษาขนาดใหญ่ (ซึ่งก็คือ GPTs อีกเช่นกัน) อาจปรับเปลี่ยนตลาดแรงงานได้อย่างไร ข้อค้นพบหลักคือ ประมาณ 80% ของคนทำงานในสหรัฐอเมริกาอาจมีงานอย่างน้อย 10% ของพวกเขาได้รับผลกระทบจาก LLMs และประมาณ 19% อาจเห็นงานครึ่งหนึ่งหรือมากกว่านั้นได้รับผลกระทบ โดยทั่วไปแล้ว มาตรวัดการสัมผัสเหล่านี้พยายามจับว่า “อาชีพ” นั้น “สัมผัส” กับ AI มากน้อยเพียงใด ขึ้นอยู่กับว่า AI สามารถเสริมสร้างงานที่เกี่ยวข้องกับงานนั้นได้หรือไม่: การสัมผัสโดยตรงถูกกำหนดว่า “ไม่ว่าการเข้าถึง LLM หรือระบบที่ขับเคลื่อนด้วย LLM จะช่วยลดเวลาที่มนุษย์ใช้ในการปฏิบัติ DWA หรือทำงานบางอย่างลงได้หรือไม่ อย่างน้อย 50%” ผู้เขียนชี้แจงอย่างชัดเจนในเอกสารนี้ว่า: การสัมผัสสอดคล้องกับความสามารถของ AI ในการเข้ามามีส่วนร่วมในงาน ไม่ใช่ขอบเขตที่งานนั้นสามารถถูกทำให้เป็นระบบอัตโนมัติได้ แต่คำว่า “การสัมผัส” กลับนำมาซึ่งความวิตกกังวลทุกรูปแบบเกี่ยวกับเรื่องนั้น—การเลิกจ้าง และบางทีด้วยเหตุนี้ มาตรวัดการสัมผัส AI เหล่านี้จึงแพร่กระจายบนโซเชียลมีเดียในช่วงสองสามเดือนที่ผ่านมา

ตัวอย่างล่าสุดคือ Andrej Karpathy หนึ่งในผู้ร่วมก่อตั้ง OpenAI และผู้นำในการคิดเกี่ยวกับ AI โดยทั่วไป (เช่น เขาเป็นผู้บัญญัติคำว่า “jagged intelligence” และ “vibe coding”) แดชบอร์ดของเขา ซึ่งเขาอธิบายว่าเป็นโครงการสุดสัปดาห์ที่ “vibe-coded” เป็นการจัดอันดับว่าอาชีพหลักมีความเสี่ยงต่อการขับเคลื่อนด้วยระบบอัตโนมัติของ AI มากน้อยเพียงใด มันแพร่กระจายอย่างรวดเร็วบน X เนื่องจากมันป้อนเรื่องราวที่มีอยู่ทั้งหมดเกี่ยวกับการสูญเสียงานอย่างรวดเร็วเนื่องจาก AI

หลังจากเห็นแดชบอร์ดถูกทำให้เป็นเรื่องใหญ่โตและแพร่กระจายเหมือนไฟลามทุ่ง Karpathy ชี้แจงว่า “คะแนน” การสัมผัสของเขาอิงตามการวัดดิจิทัลอย่างรวดเร็วที่สร้างโดย LLM ของงาน และไม่เคยมีวัตถุประสงค์เพื่อเป็นพยากรณ์ที่จริงจังว่าอาชีพใดจะหดตัวหรือหายไป แม้ว่าเว็บไซต์โครงการของเขาเองจะระบุข้อแม้เดียวกัน แต่ก็ถูกละเลยบน X เพื่อใช้สำนวนที่คุ้นเคย: “โครงการ vibe coded สุดสัปดาห์จะเดินทางรอบโลกสองรอบก่อนที่คำเตือนจะมีเวลาใส่กางเกง”
สิ่งที่เกิดขึ้นล่าสุดนี้แสดงให้เห็นว่ามาตรวัดการสัมผัสดังกล่าวได้รับความสนใจจากสาธารณชน แต่ถูกอ่านผิดเป็นประจำ (บางคนถึงกับเสนอให้ระงับการใช้คำว่า “การสัมผัส” โดยสิ้นเชิง) เมื่อผู้คนได้ยินว่างานใด “สัมผัส” กับ AI 80% พวกเขาจะจินตนาการว่า 80% ของงานนั้นจะหายไป เศรษฐศาสตร์ที่แท้จริงของการสัมผัส AI และการสูญเสียงานนั้นแตกต่างจากลักษณะดังกล่าวอย่างมาก

งานคืออะไร?

งานคือชุดของงาน; โดยทั่วไปแล้วบุคคลจะได้รับค่าจ้างตามความสามารถในการทำงานทั้งหมดที่เกี่ยวข้องกับงานนั้น ตัวอย่างเช่น หากคุณเป็นผู้จัดการโครงการ งานของคุณเกี่ยวข้องกับงานมากมาย เช่น การสร้างความคิด การสรุปความคิดเหล่านั้นอย่างกระชับและรับข้อเสนอแนะจากสมาชิกในทีม การจัดทำบทนำ และงานที่ต้องทำซ้ำ (เช่น การอนุมัติใบบันทึกเวลา การจัดการด้านลอจิสติกส์) เมื่อแบบจำลอง AI ดีขึ้น คุณจะตระหนักว่าคุณสามารถทำให้งานจำนวนมากเป็นระบบอัตโนมัติได้: AI สามารถทำงานที่ต้องทำซ้ำได้มากมาย และยังสามารถช่วยคุณจัดทำบทนำได้อีกด้วย ตามมาตรวัดการสัมผัส งานของคุณตอนนี้ “สัมผัส” กับ AI เกิดอะไรขึ้นกับงานของคุณและค่าจ้างของคุณ? เป็นไปได้ว่าการทำให้งานบางอย่างเป็นระบบอัตโนมัติจะช่วยเพิ่มเวลาในการสร้างความคิดที่ดีขึ้น ซึ่งจะช่วยเพิ่มผลผลิตโดยรวมของคุณ—คุณจะกลายเป็นผู้มีค่าต่อบริษัทมากขึ้น คนยังคงได้รับการว่าจ้างและหากมีอะไรก็ตาม ค่าจ้างจะสูงขึ้น

ในทางกลับกัน หาก AI ทำให้งานทั้งหมดเป็นระบบอัตโนมัติ—สมมติว่างานของคุณเกี่ยวข้องกับงานเพียงสองงานและงานทั้งสองนั้นถูกทำให้เป็นระบบอัตโนมัติ—ใช่แล้ว แรงงานมนุษย์จะถูกเลิกจ้าง ยิ่งสำคัญกว่านั้น จำนวนงานที่น้อย (ที่เราเรียกว่ามิติของงาน) ยิ่งมีแรงจูงใจในการทำให้งานนั้นเป็นระบบอัตโนมัติ นี่คือส่วนที่การวิเคราะห์การทำให้เป็นระบบอัตโนมัติส่วนใหญ่มองข้าม: การนำ AI เข้าไปในองค์กรที่มีอยู่มีค่าใช้จ่าย ดังนั้นบริษัทจึงมีแนวโน้มที่จะลงทุนหากสามารถทำให้งานนั้นเป็นระบบอัตโนมัติ ไม่ใช่แค่เพียงงาน “การสัมผัส” และความเสี่ยงในการทำให้เป็นระบบอัตโนมัติไม่ได้เป็นเพียงฟังก์ชันของความสามารถของแบบจำลองเท่านั้น แต่ยังขึ้นอยู่กับแรงจูงใจของบริษัทด้วย และนี่ไม่ใช่เรื่องสมมติ: ตอนนี้เรามีหลักฐานมากมายที่แสดงให้เห็นว่าแรงจูงใจดังกล่าวมีความสำคัญอย่างยิ่งต่อสิ่งที่ถูกทำให้เป็นระบบอัตโนมัติและเมื่อใด (เช่น บริษัทมีแนวโน้มที่จะทำให้งานเป็นระบบอัตโนมัติมากขึ้นเมื่อต้นทุนแรงงานมนุษย์เพิ่มขึ้น)

นอกจากนี้ แม้ว่า AI จะทำให้ผู้คนมีประสิทธิภาพมากขึ้นและได้รับค่าจ้างที่สูงขึ้น ก็อาจมีการเลิกจ้างจำนวนมากในภาคส่วนนั้นหากผู้บริโภคไม่ “ดูดซับ” ผลผลิตที่เพิ่มขึ้น: หากราคาลดลงเนื่องจากผลผลิตที่ขับเคลื่อนด้วยผลผลิต ไม่ได้เพิ่มความต้องการสำหรับผลิตภัณฑ์นั้น จะต้องมีคนงานน้อยลงในภาคส่วนนั้น

โดยทั่วไปแล้ว งานที่สัมผัสกับ AI—แม้ว่าการสัมผัสจะสอดคล้องกับการทำให้งานนั้นเป็นระบบอัตโนมัติอย่างเต็มที่—อาจนำไปสู่ค่าจ้างที่สูงขึ้นและการจ้างงานที่มากขึ้นสำหรับอาชีพนั้น หรืออาจนำไปสู่การเลิกจ้างและการเลิกจ้างอย่างสมบูรณ์ ไม่ว่าการสัมผัสจะนำไปสู่ผลลัพธ์ที่ดีขึ้นหรือแย่ลงสำหรับตลาดแรงงานขึ้นอยู่กับสองตัวแปรหลัก: ความยืดหยุ่นของความต้องการของผู้บริโภคในภาคส่วนนั้น (ผู้คนซื้อผลิตภัณฑ์นั้นมากขึ้นเพียงใดเมื่อราคาลดลง) และมิติของงาน (มีงานที่เกี่ยวข้องกับงานนั้นกี่งาน) ดังที่เราหวังว่าจะโน้มน้าวคุณได้โดยสิ้นสุดของบทความ เราควรเป็นห่วงเกี่ยวกับงานอย่างเช่น การขนส่งสินค้าและการจัดเก็บมากกว่าที่เราทำอยู่ในปัจจุบัน

แนวทางการทำให้เป็นระบบอัตโนมัติแบบมาตรฐาน

มาเริ่มต้นด้วยแนวทาง “มาตรฐาน” ในการคิดเกี่ยวกับการทำให้เป็นระบบอัตโนมัติก่อน เริ่มแรก เราจะแบ่งงานออกเป็นงานโดยใช้การจัดหมวดหมู่เช่น O*NET จากนั้นประเมินว่างานใดบ้างที่สามารถทำให้เป็นระบบอัตโนมัติหรือเสริมสร้างโดย AI ได้ จำนวนผลกระทบทั้งหมดต่องานคือค่าเฉลี่ยถ่วงน้ำหนักของจำนวนที่แต่ละงานได้รับการปรับปรุง ซึ่งหมายความว่าคุณสามารถสร้าง “ดัชนีการสัมผัส”—โดยทั่วไปจะถูกกำหนดให้เป็นสัดส่วนของงานที่ AI สามารถทำได้?—และดัชนีนั้นจะแมปเชิงเส้นกับผลกระทบต่องาน (ดู เช่น เอกสารที่คลาสสิกแล้วของ Michael Webb) แนวทางนี้มีประโยชน์อย่างมากในการทำแผนที่ภูมิทัศน์ของขอบเขตที่อาจเกิดขึ้นของ AI แต่มีข้อสมมติฐานที่ผิดพลาดเกือบทั้งหมดสำหรับงานจริงส่วนใหญ่: มันสมมติว่างานสามารถแยกออกจากกันได้ นั่นคือ การทำให้งาน A เป็นระบบอัตโนมัติไม่มีผลต่อผลผลิตของงาน B และผลกระทบโดยรวมเป็นเพียงผลรวมของส่วนประกอบ

ลองพิจารณาอาชีพที่คุณรู้จัก มีงานมากมายที่ผลลัพธ์ประกอบด้วยการทำหลายสิ่งหลายอย่างให้ถูกต้อง ไม่ใช่แค่บางอย่าง คุณไม่สามารถมีเชฟที่ทำตามขั้นตอนของสูตรอาหารได้มากที่สุด นักดนตรีที่ตีจังหวะส่วนใหญ่ โปรแกรมเมอร์ที่โค้ดของเขาทำงานได้เพียงบางส่วน (หรือสำหรับเรื่องนั้น ศาสตราจารย์ที่ทำเพียงครึ่งหนึ่งของงานวิจัย…แม้ว่าบางคนจะทดสอบข้อกำหนดนี้แล้ว) งานเหล่านี้เป็นงานที่แต่ละงานต้องเสร็จสิ้นอย่างประสบความสำเร็จเพื่อให้ผลลัพธ์เป็นที่ยอมรับได้

พูดง่ายๆ ก็คือ งานไม่ได้แยกออกจากกัน แต่เป็นสิ่งที่เสริมซึ่งกันและกัน นั่นคือ การทำหน้าที่หนึ่งให้ดีหรือแย่จะส่งผลต่อวิธีที่คุณสามารถทำหน้าที่อื่นๆ ในงานเพื่อให้เสร็จสมบูรณ์ ดูเหมือนว่างานต่างๆ ภายในงานจะเป็นสิ่งที่เสริมมากกว่าสิ่งทดแทน และนี่มีผลกระทบที่สำคัญหลายประการต่อวิธีที่ AI จะส่งผลกระทบต่องานจริง

แบบจำลองวงแหวน O ของงาน

แนวคิดที่งานเสริมสร้างกันจะสร้างผลผลิตที่ไม่เป็นเชิงเส้นย้อนกลับไปสู่กระดาษคลาสสิกปี 1993 ของ Michael Kremer ที่มีชื่อว่า “The O-Ring Theory of Economic Development” ชื่อนั้นมาจากความหายนะของ Challenger: O-ring ที่ผิดพลาดเพียงอันเดียวทำให้ระบบทั้งหมดล้มเหลว ความเข้าใจของ Kremer คือ หากการผลิตต้องใช้หลายขั้นตอน และแต่ละขั้นตอนต้องทำได้ดีเพื่อให้ผลิตภัณฑ์สุดท้ายมีคุณค่า ผลผลิตจึงเป็นฟังก์ชันคูณมากกว่าฟังก์ชันเชิงเส้นของทักษะ นักงานที่ทำข้อผิดพลาดน้อยลงต่องานจะมีความสามารถในการผลิตโดยรวมมากขึ้น เพราะข้อผิดพลาดเหล่านั้นจะสะสมไปทั่วทุกขั้นตอน

แบบจำลองงานที่ใช้พื้นฐานงานนี้ได้รับความเกี่ยวข้องครั้งใหม่ด้วยกระดาษล่าสุดของ Joshua Gans และ Avi Goldfarb ที่มีชื่อว่า “O-Ring Automation” ซึ่งนำกรอบของ Kremer มาใช้โดยตรงกับระบบอัตโนมัติที่ขับเคลื่อนด้วย AI แม้ว่าแบบจำลองของพวกเขาจะดูเรียบง่ายในตอนแรก แต่ก็มีผลกระทบที่กว้างขวางและลึกซึ้ง อย่างน้อยหนึ่งในเรา (Alex) หมกมุ่นอยู่กับกระดาษนี้มาหลายเดือนแล้ว (ดูที่นี่ ที่นี่ และที่นี่)

Gans และ Goldfarb สร้างแบบจำลองของบริษัทที่งานของแต่ละคนประกอบด้วย n งาน ผลลัพธ์เป็นผลคูณของคุณภาพของแต่ละงาน—นี่คือฟังก์ชันการผลิตวงแหวน O:

A worker has a time endowment h and allocates it across the n tasks. If task s is performed manually, the worker spends h_s hours on it and generates quality:

where a is labor productivity, assumed constant across tasks (a simplifying assumption). The worker's time constraint is:

The firm can also choose to automate any task by renting a piece of capital that delivers a fixed quality θ at cost r per task. This is the key part to pay attention to: whether firms invest in automating a task depends on the trade-offs embedded in this problem. Once a task is automated, the worker no longer needs to spend any time on it.

So far the setup is quite simple. The interesting part is what the multiplicative structure of the production function implies once automation enters the picture.

How can automation raise wages?

Now suppose a firm chooses to automate k out of n tasks. What happens to the worker, and how does that affect the wage?

Before automation, the worker allocates time evenly across all n tasks, which is optimal given the symmetric structure. Each manual task therefore receives h/n hours and has quality a · h/n. Total output is:

After k tasks are automated at quality θ, the worker now has all h hours to allocate across only n - k remaining manual tasks. Each manual task now gets h/(n-k) hours, producing quality a · h/(n-k). Total output becomes:

So output rises after partial automation if and only if:

This is an important condition which states that if the automated task quality θ is at least as good as the worker’s original pre-automation manual quality on those tasks, then the output increases for sure. Output does not automatically rise just because some tasks are automated; it rises when the quality of automation is high enough.

But here is the key insight: because automation also frees the worker to concentrate more time on the remaining tasks, output can increase even if the automated tasks are performed at slightly lower quality than the worker originally achieved before automation. Automation lets the worker concentrate on fewer tasks, raising the quality of each one. This is the “focus effect.” Because of the functional form of the production function, higher quality on the remaining manual tasks doesn’t just add to output—it multiplies through the production function. The worker becomes more productive precisely because they’re doing fewer things.

When the automation quality is sufficiently high relative to what the worker was producing manually on those tasks, the worker’s marginal product rises—and so (typically) does their wage. Partial automation, in the O-ring world, is often a complement to human labor rather than a substitute for it, which increases the worker’s wage.

But this is not necessarily good news for labor

Higher worker productivity is good for wages, but does it lead to more jobs or fewer? This depends on consumer demand. Each worker makes one calculator a day and the firm has 10 workers. All calculators are sold at the prevailing price. Now imagine each worker becomes much more productive so that each worker can make 10 calculators. The price of each calculator falls (costs fall), but consumers still demand roughly the same number of calculators. This is the case of inelastic demand—one that does not respond much to prices. Now the firm will fire 9 of the workers. But what if consumers buy way more calculators at lower prices, i.e., demand is very elastic. Then the firm will actually end up hiring more workers to meet the new demand, despite the fact that they’re more productive.

More generally, if demand is elastic (elasticity > 1), then a price decrease leads to a more-than-proportional increase in quantity demanded. Output expands a lot. The firm needs more workers to produce this higher output, even though each worker is now more productive. Net effect: more hiring.

If demand is inelastic (elasticity < 1), then a price decrease leads to a less-than-proportional increase in quantity demanded. Output does not expand much. The firm will fire workers.

This is closely related to a popular idea commonly referred to as Jevons’ paradox: when a resource becomes more efficient to use, total consumption of that resource often increases rather than decreases. When the steam engine made coal more efficient, coal consumption skyrocketed because so many new applications became economically viable. The same logic applies to labor: if AI makes a worker dramatically more productive, and demand for that product is elastic, one may end up with more workers in that occupation, not fewer.

Why job dimensionality matters: The case of firm incentives

The relationship between tasks and the elasticity of consumer demand is an important dimension for predicting AI-driven displacement, but one variable that is often overlooked is the number of tasks in the job itself, i.e., its dimensionality. A job’s dimensionality matters for two reasons.

First, conditional on a task being automated, a low-dimensional job is more likely to be fully displaced. If a job has 20 tasks and one gets automated, a human worker is still required to do the other 19 tasks. But if a job has one task and one task gets automated, that job is gone. Second—and this dimension is perhaps overlooked the most—organizations have a stronger incentive to automate tasks the fewer non-automated tasks are left in the job. Imagine that automating a task requires a $10 million dollar investment (buying the software, onboarding, connecting it to the rest of the system, etc.). In one case, this task is the only non-automated task left in a job; in the other case, if this task is automated, there are 19 other non-automated tasks left. The firm has a much higher incentive to automate the task in the first case than the second because it can then replace the worker and reap the cost savings involved.1

Because of this, firms have a stronger incentive to invest in technology to automate low dimensional jobs. In a low-dimensional job, automating all or most of the core tasks can eliminate the position and the wage bill altogether. That makes the return to automation much larger. In other words, not all “unexposed” tasks matter equally: in some jobs the remaining tasks still keep the existing worker at the firm; in others they do not.

This gives a clear prediction: even if a job is not currently “exposed” to AI, in the sense that AI is not being used for the tasks involved, if it is low dimensional and the technology is getting close to automating the tasks, it should be considered at risk. Firms will work harder and invest more to automate the task(s) involved than in the case where jobs have many non-automated tasks.

Trucking and warehousing, the overlooked canaries in the coal mine

This is why we think people should be more worried about jobs like trucking and warehousing.

Roughly 3 million Americans drive trucks for a living. Many are in their 50s, have been driving for decades, and live in communities where trucking is an economic backbone. Trucking is one of the best jobs one can get without a college degree. The actual work of a long-haul truck driver is dominated by a few core functions: moving the truck safely from point A to point B. The logistics, loading/unloading, etc. are all done by others. If autonomous driving becomes reliable on long-haul routes, the job of a truck driver is not just being augmented; it is fundamentally threatened and may even be displaced entirely. And that possibility is no longer theoretical. Companies such as Aurora Innovation and Kodiak Robotics are already running large-scale autonomous trucking pilots and commercial deployments on constrained routes. Warehousing tells a similar story. Warehousing employs millions of U.S. workers, and many warehouse jobs—picking, packing, sorting, pallet movement—are relatively narrow and increasingly automatable. Abroad, firms are already operating highly automated “dark warehouses” that run around the clock with minimal human labor. These warehouses look nothing like what we see today: they are designed from the ground up to be run by machines.

Now compare that to a knowledge worker, say, a management consultant. The job combines research, data analysis, client communication, presentation design, strategic reasoning, team coordination, and relationship management. That’s at least seven or eight distinct complementary tasks. Claude or Codex might automate the first pass on the data analysis and slide deck creation, but the consultant is still needed for everything. In O-ring terms, automating some tasks can make the remaining ones more valuable by allowing the worker to allocate more time to them—the consultant can spend more time talking to the client and making them comfortable with the implementation, getting buy-in from the various units, etc. As a consequence, wages may rise, and employment may rise too if better output and lower prices expand client demand.

You can see the same logic in many high-stakes professions such as medicine and academia. There are now over 870 FDA-approved radiology AI tools, and 66% of doctors use at least one AI tool, mainly for note dictation and diagnostic support. But these tools are augmenting radiologists and physicians, not replacing them. AI typically handles the routine pattern recognition aspect of the job, freeing doctors to focus on complex cases, patient communication, and clinical judgment. Likewise, academics have been debating whether advances in AI make research assistants more or less valuable. As AI automates routine analytical tasks, both professors and RAs can concentrate more on ideas and judgement, thereby expanding output and demand for skilled research labor. This is yet again the O-ring focus effect in practice.

Same in our lab. Each additional member can do so much more, the challenge is getting everyone up to speed, having open discussions on best ways to use these tools vs not and building a culture where people feel valued more not less. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) March 18, 2026
What do exposure indices capture?

Let us bring this back to the exposure framework. In the standard approach, a management consultant is highly “exposed” to AI whereas a truck driver is not. But does this mean that the consultant is at higher displacement risk than the truck driver? Not necessarily. The consultant’s high exposure may actually be good news because it means AI will augment many of their complementary tasks, triggering the focus effect and potentially raising wages. On the other hand, the truck driver’s moderate exposure on a single critical task is much more dangerous because trucking companies have a much higher incentive to automate the task of driving, and once that’s done, the job is gone as well. These incentives are already playing out in practice:

NEWS: Jeff Bezos is in talks to raise $100 billion for a new fund that would buy up manufacturing companies and seek to use AI technology to accelerate their path to automation.
It's linked to Jeff's Project Prometheus AI startup, which aims to build AI products for engineering… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) March 19, 2026
The relevant object therefore is not average task exposure, but the structure of bottlenecks and how automation reshapes worker time around them. Two jobs with identical exposure scores can have completely opposite displacement risks depending on whether their tasks are complements, whether demand for their output is elastic or inelastic, and the incentives of the firm to invest in automation. The workers at greatest risk are not necessarily those with the highest average exposure, but those whose jobs are built around a small number of core tasks that AI can automate.

1 In the case where jobs are not fully automated, the cost savings from automating the marginal task will depend on the complementarities between the other tasks in the job. The exact relationship is worked out in the O-ring model of automation paper.

Alex Imas is a professor at UChicago Booth. Doing research on Economics and Applied AI. Substack here.

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