Jak se doopravdy počítají skóre „rizika ztráty práce kvůli AI“

Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.

To, jak se skóre rizika ztráty práce kvůli AI počítají, je důležitější než samotné číslo z titulku. Karpathyho projekt, Goldman Sachs, Mezinárodní měnový fond (MMF) i Anthropic používají různé konstrukce „expozice“, takže jejich procenta nejsou zaměnitelná.

Totéž povolání může podle použité metody dostat velmi odlišná skóre a žádná z těchto měr sama o sobě neříká, jestli přijdete o práci.

Stručně

• Veřejná čísla o „riziku ztráty práce kvůli AI“ nejsou jedna metrika. Mnohá vycházejí z teoretické expozice založené na schopnostech nebo úkolech dané profese, zatímco Anthropic měří i pozorované užívání AI; průzkumy mezi zaměstnavateli, například od Světového ekonomického fóra, používají ještě jiný nástroj.
• Teoretické míry a míry založené na pozorovaném užívání se u téhož povolání mohou výrazně rozcházet. Ve srovnání Anthropic z března 2026 dala teoretická míra Eloundou et al. úkolům v informatice a matematice 94 % expozice, zatímco míra pozorované expozice od Anthropic dosáhla 33 %.
• Recenzovaná studie z roku 2025 v PNAS Nexus porovnala dvanáct skóre expozice s rizikem nezaměstnanosti a zjistila, že nejlepší jednotlivé skóre samo vysvětlilo 10,7 % variability; kombinace všech dvanácti to zvedla na 29,8 %.
• Než uvěříte dalšímu číslu o „riziku ztráty práce kvůli AI“, užitečná otázka zní, jakou metodou vzniklo, ne jen co to číslo říká.

Co tento článek nepokrývá

Tento článek vysvětluje mechanismus, nevynáší verdikt nad konkrétním povoláním, takže několik příbuzných otázek zůstává mimo jeho záběr:

• Neřadí povolání podle toho, která jsou nejbezpečnější nebo nejohroženější. To je jiný typ textu.
• Neanalyzuje současné trendy v náboru podle věku nebo seniority; takové výsledky trhu práce potřebují jiný důkazní základ než skóre expozice.
• Nepředpovídá, kam se schopnosti AI posunou. Metodická otázka platí bez ohledu na to, jak dobré budou budoucí modely.

Jak funguje skórování teoretické expozice: O*NET, AIOE, Goldman Sachs a MMF

Index AI Occupational Exposure, známý jako AIOE, kříží deset kategorií aplikací AI s 52 pracovními schopnostmi z O*NET. Matice sestavená crowdsourcingem hodnotí, jak úzce každá aplikace AI souvisí s každou lidskou schopností, a skóre se pak váží podle toho, jak rozšířené a důležité jsou tyto schopnosti v daném povolání. Ekonomové Edward Felten, Manav Raj a Robert Seamans metodu publikovali v časopise Strategic Management Journal v roce 2021. Stala se jedním z vlivných základů pozdějších pokusů měřit expozici povolání vůči AI.

Na AIOE je důležité, že měří expozici, ne adopci. Odhaduje, jak silně se pokrok v aplikacích AI překrývá se schopnostmi, které povolání vyžaduje; neříká, jestli tam zaměstnavatelé AI používají, jestli se adopce ekonomicky vyplatí, ani jestli zaměstnanost klesne.

MMF převzal míru expozice Feltena, Raje a Seamanse v diskusní zprávě pracovníků z ledna 2024 a spojil ji se samostatným indexem komplementarity, který zachycuje, nakolik je povolání chráněno před úplným nahrazením faktory jako lidský úsudek, sociální kontext a fyzická přítomnost. Na základě tohoto rámce MMF odhadl, že téměř 40 % celosvětové zaměstnanosti připadá na vysoce exponovaná povolání, ve vyspělých ekonomikách pak zhruba 60 %.

Analýza Goldman Sachs z dubna 2026 dělá podobný další krok: kombinuje dřívější skóre vytlačování AI s indexem komplementarity ekonomů MMF, aby oddělila pravděpodobné nahrazení od posílení. Goldman odhaduje čistou brzdu zhruba 16 000 pracovních míst měsíčně pro růst zaměstnanosti v USA za uplynulý rok, zatímco povolání s potenciálem posílení díky AI přidávala asi 9 000 míst měsíčně.

Poznámka: Zpráva Světového ekonomického fóra Future of Jobs Report předpovídá do roku 2030 92 milionů vytlačených a 170 milionů vytvořených pracovních míst, ale je postavená úplně jinak. Vychází z průzkumu mezi více než 1 000 zaměstnavateli, kteří uvádějí očekávané změny počtu zaměstnanců: jde o sebehodnocení zaměstnavatelů, ne o skórování rozkladem úkolů. Dva strukturálně odlišné nástroje tak končí v jedné větě o „X milionech pracovních míst“.

Jak Anthropic měří „pozorovanou expozici“ jinak

Economic Index od Anthropic, poprvé zveřejněný v únoru 2025, vychází z úplně jiného druhu dat: zhruba milionu skutečných konverzací v Claude.ai, prohnaných interním nástrojem Clio, který každou konverzaci přiřadí ke konkrétnímu úkolu ve stejné databázi O*NET, z níž čerpají skóre založená na rozkladu úkolů, aniž by výzkumník četl samotný chat. Zatímco AIOE se ptá, jestli by AI mohla úkol věrohodně zvládnout, Index se ptá, o co ji lidé skutečně žádají. První zpráva rozdělila konverzace na 57,4 % posílení, kdy Claude pomáhá a práci stále řídí člověk, a 42,6 % automatizace, kdy Claude úkol fakticky vykoná od začátku do konce.

Ve své navazující zprávě z března 2026 Anthropic proměnil tato data o užívání v novou míru „pozorované expozice“. Vychází z úkolů O*NET a teoretických odhadů expozice úkolů z Eloundou et al. (2023) a úkol počítá jako pokrytý jen tehdy, když se dostatečně často objevuje v pracovním užívání Claude. Plně automatizovaná užití dostávají plnou váhu, posilující užití poloviční, a pokrytí úkolů se váží podle podílu času, který pracovníci na každém úkolu tráví. V povoláních z informatiky a matematiky dosahuje teoretická míra β z Eloundou et al. 94 % úkolů, zatímco míra pozorované expozice od Anthropic 33 %. Rozdíl není rozpor: jedna měří technickou proveditelnost, druhá přidává pozorovanou adopci a užívání.

Ne každý, kdo čte vlastní zprávy Anthropic, vzal srovnání za bernou minci. V reakci na související zprávu z ledna 2026 jeden komentátor na Hacker News napsal: „Čekal jsem, že uvidím měření ekonomické produktivity vytvořené díky užívání umělé inteligence. Místo toho vidím měření užívání umělé inteligence.“ Tohle rozlišení stojí za to si podržet: objem užívání a ekonomická produktivita nejsou totéž a ani jedno není totéž co ztráta práce.

Ona lednová zpráva z roku 2026, tedy vlastní aktualizace Anthropic o ekonomických primitivech, ukazuje, že poměr posílení a automatizace se znovu posunul: posílení vede s 52 % konverzací proti 45 % automatizace, a k tomu přibyl nový pětidílný rámec sledující složitost úkolu, dovednosti, případ užití, autonomii AI a úspěšnost úkolu. Berte to jako nový snímek vyvíjejícího se indexu, ne jako popření čísel z února 2025. Vzorce užívání se posouvají, jak lidé nacházejí nové věci, které stojí za to delegovat.

Číslo 94 % teoretické expozice a číslo 33 % pozorované expozice mohou popisovat stejnou profesní kategorii, aniž by si odporovala, protože měří různé věci.

Proč „expozice“ není totéž co „ztráta práce“

„Indikátory expozice odhalují technologickou náchylnost, ne výsledky na trhu práce.“

Mezinárodní organizace práce, duben 2026

Teoretické i pozorované skóre expozice zachycují něco skutečného o vztahu povolání ke schopnostem AI. Ani jedno vám neřekne, jestli to povolání bude příští rok ještě existovat.

V roce 2025 Morgan Frank, Yong-Yeol Ahn a Esteban Moro tuto mezeru otestovali na amerických datech o nezaměstnanosti. Porovnali dvanáct publikovaných skóre expozice s měsíčním rizikem nezaměstnanosti podle povolání a státu, sestaveným ze státních záznamů pojištění v nezaměstnanosti. Nejlepší jednotlivé skóre vysvětlilo 10,7 % variability rizika nezaměstnanosti napříč povoláními, státy a měsíci; soubor dvanácti skóre vysvětlil 29,8 %. Základní model s požadavky na dovednosti povolání, vzděláním, státem, rokem a sezónností vysvětlil 57,4 % a přidání souboru skóre expozice to zvedlo na 75,5 %.

Řečeno jednoduše, jedno skóre expozice je samo o sobě slabým prediktorem rizika nezaměstnanosti. Mnohem větší část variability souvisí se strukturou trhu práce, kterou skóre neobsahuje, včetně požadavků na dovednosti, vzdělání, geografie a sezónnosti.

Rámec zveřejněný v dubnu 2026, AI Jobs Transition Framework od OpenAI říká totéž z jiného úhlu. Místo aby technickou expozici bral jako předpověď vytlačování, klade tři otázky: dokáže AI vykonat významnou část úkolů daného povolání, zůstává člověk klíčový pro dodání nebo dohled nad prací a mohly by nižší náklady zvýšit poptávku natolik, aby vstřebala nárůst produktivity? Aplikován na 921 povolání pokrývajících zhruba 148 milionů pracovních míst v USA řadí rámec asi 18 % míst do kategorie s vyšším rizikem automatizace, 24 % do povolání, která se pravděpodobně reorganizují, 12 % do povolání, která mohou s AI růst, a 46 % do povolání, u nichž se čeká méně okamžitých změn.

Ve studii PNAS Nexus nejsilnější jednotlivé skóre expozice samo vysvětlilo 10,7 % variability rizika nezaměstnanosti.

Až se tedy ve vašem feedu objeví další číslo o „riziku ztráty práce kvůli AI“, užitečný krok je nejdřív zjistit, která z těchto metod ho vytvořila, a teprve pak rozhodovat, jestli se znepokojovat. Teoretické skóre expozice říká, kde se schopnosti AI překrývají se složkami povolání. Pozorované skóre expozice přidává důkazy o tom, kde lidé AI v praxi už používají. Ani jedno samo o sobě neříká, jestli zaměstnanost v tom povolání poroste nebo klesne; k tomu jsou potřeba data z trhu práce o náboru, poptávce, mzdách a počtech zaměstnanců.

ČTĚTE

Proč AI detektory textu pořád chybují

Časté dotazy