Hogyan számolják valójában az MI „állásvesztési kockázat” pontszámokat

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.

Az, hogy hogyan számolják az MI állásvesztési kockázati pontszámait, többet számít, mint maga a címlapos szám. Karpathy projektje, a Goldman Sachs, a Nemzetközi Valutaalap (IMF) és az Anthropic mind másképp építi fel a „kitettséget”, így a százalékaik nem cserélhetők fel egymással.

Ugyanaz a foglalkozás nagyon eltérő pontszámot kaphat a mögötte lévő módszertől függően, és önmagában egyik mérőszám sem mondja meg, hogy elveszíted-e az állásodat.

Röviden

• A nyilvános „MI állásvesztési kockázat” számok nem egyetlen mérőszámot jelentenek. Sok az állás képességein vagy feladatain alapuló elméleti kitettségből indul ki, míg az Anthropic a megfigyelt MI-használatot is méri; a munkáltatói felmérések, például a Világgazdasági Fórumé, megint más eszközt használnak.
• Az elméleti és a megfigyelt használaton alapuló mérések ugyanannál a foglalkozásnál élesen eltérhetnek. Az Anthropic 2026. márciusi összehasonlításában az Eloundou et al. elméleti mérőszáma a számítástechnikai és matematikai feladatokat 94%-os kitettségre tette, míg az Anthropic megfigyelt kitettségi mérőszáma 33%-ot ért el.
• Egy 2025-ös, lektorált PNAS Nexus tanulmány tizenkét kitettségi pontszámot vetett össze a munkanélküliségi kockázattal, és azt találta, hogy a legjobb egyedi pontszám önmagában a variancia 10,7%-át magyarázta; mind a tizenkettő együtt 29,8%-ra emelte ezt.
• Mielőtt hitelt adnál a következő „MI állásvesztési kockázat” számnak, a hasznos kérdés az, hogy melyik módszer állította elő, nem csak az, hogy mit mond a szám.

Amit ez a cikk nem tárgyal

Ez a cikk egy mechanizmust magyaráz el, nem mond ítéletet egyetlen konkrét állásról sem, így néhány rokon kérdés kívül marad a hatókörén:

• Nem rangsorolja, mely foglalkozások a legbiztonságosabbak vagy a leginkább veszélyeztetettek. Az egy másfajta írás.
• Nem elemzi a jelenlegi felvételi trendeket életkor vagy szenioritás szerint; az ilyen munkaerőpiaci kimenetekhez a kitettségi pontszámoktól eltérő bizonyítékalap kell.
• Nem jósolja meg, merre tart az MI képessége. A módszertani kérdés attól függetlenül érvényes, hogy mennyire lesznek jók a jövőbeli modellek.

Hogyan működik az elméleti kitettség pontozása: O*NET, AIOE, Goldman Sachs és az IMF

Az AI Occupational Exposure index, ismertebb nevén AIOE, tíz MI-alkalmazási kategóriát vet össze az O*NET 52 foglalkozási képességével. Egy közösségi forrásból összeállított mátrix értékeli, mennyire kapcsolódik az egyes MI-alkalmazások mindegyike az egyes emberi képességekhez, majd a pontszámot aszerint súlyozzák, mennyire elterjedtek és fontosak ezek a képességek egy adott foglalkozásban. Edward Felten, Manav Raj és Robert Seamans közgazdászok a módszert a Strategic Management Journal folyóiratban tették közzé 2021-ben. Ez lett az egyik meghatározó alapja a foglalkozási MI-kitettség mérésére irányuló későbbi kísérleteknek.

Az AIOE-ban az a lényeg, hogy kitettséget mér, nem bevezetést. Azt becsüli, mennyire fedik át az MI-alkalmazások fejlődései a foglalkozás által megkövetelt képességeket; nem mondja meg, hogy a munkáltatók használnak-e ott MI-t, hogy a bevezetés gazdaságilag megéri-e, sem azt, hogy csökken-e a foglalkoztatás.

Az IMF Felten, Raj és Seamans kitettségi mérőszámát adaptálta egy 2024. januári stábvitaanyagban és egy külön komplementaritási indexszel párosította, amely azt ragadja meg, mennyire védi meg egy foglalkozást a teljes helyettesítéstől az emberi ítélőképesség, a társadalmi kontextus és a fizikai jelenlét. E keret alapján az IMF úgy becsülte, hogy a globális foglalkoztatás közel 40%-a magas kitettségű foglalkozásokban van, a fejlett gazdaságokban pedig ez az arány mintegy 60%-ra nő.

A Goldman Sachs 2026. áprilisi elemzése hasonló következő lépést tesz: egy korábbi MI-kiszorítási pontszámot kombinál az IMF közgazdászainak komplementaritási indexével, hogy elválassza a valószínű helyettesítést a kiegészítéstől. A Goldman becslése szerint az elmúlt évben havi nagyjából 16 000 állásnyi nettó fék nehezedett az amerikai foglalkoztatás bővülésére, míg az MI-vel kiegészíthető foglalkozások havonta mintegy 9 000 állást adtak hozzá.

Megjegyzés: A Világgazdasági Fórum Future of Jobs jelentése 92 millió kiszorított és 170 millió újonnan létrejövő állást vetít előre 2030-ig, de egyáltalán nem ugyanúgy épül fel. Egy több mint 1 000 munkáltatót megkérdező felmérésből származik, amelyben a várt létszámváltozásokról nyilatkoznak: munkáltatói önbevallás, nem feladatlebontáson alapuló pontozás. Két szerkezetileg eltérő eszköz kerül így ugyanabba az „X millió állás” mondatba.

Hogyan méri másképp az Anthropic a „megfigyelt kitettséget”

Az Anthropic Economic Indexe, amelyet először 2025 februárjában tettek közzé, teljesen másfajta adatból indul ki: mintegy egymillió valódi Claude.ai-beszélgetésből, amelyeket egy Clio nevű belső eszközön futtatnak át, amely minden beszélgetést egy konkrét feladathoz rendel ugyanabban az O*NET adatbázisban, amelyből a feladatlebontásos pontszámok merítenek, anélkül hogy egy kutató elolvasná az alapul szolgáló csevegést. Míg az AIOE azt kérdezi, elvégezhetné-e az MI hihetően a feladatot, az Index azt kérdezi, mire kérik az emberek valójában. Az első jelentés a beszélgetéseket 57,4% kiegészítésre osztotta, amikor Claude segít, de a munkát továbbra is egy ember irányítja, és 42,6% automatizálásra, amikor Claude gyakorlatilag elejétől a végéig elvégzi a feladatot.

A 2026. márciusi folytatásban az Anthropic ezeket a használati adatokat egy új, „megfigyelt kitettségi” mérőszámmá alakította. Ez az O*NET feladataiból és az Eloundou et al. (2023) elméleti feladatkitettségi becsléseiből indul ki, majd csak akkor tekint egy feladatot lefedettnek, ha az elég gyakran megjelenik a munkához kötődő Claude-használatban. A teljesen automatizált használatok teljes súlyt kapnak, a kiegészítő használatok fél súlyt, a feladatlefedettséget pedig az egyes feladatokra fordított munkaidő aránya szerint súlyozzák. A számítástechnikai és matematikai foglalkozásokban az Eloundou et al. elméleti β mérőszáma a feladatok 94%-át éri el, míg az Anthropic megfigyelt kitettségi mérőszáma 33%-ot. A különbség nem ellentmondás: az egyik a technikai megvalósíthatóságot méri, a másik hozzáteszi a megfigyelt bevezetést és használatot.

Nem mindenki vette készpénznek az összehasonlítást, aki az Anthropic saját jelentéseit olvasta. Egy kapcsolódó, 2026. januári jelentésre reagálva egy Hacker News-kommentelő ezt írta: „Arra számítottam, hogy a mesterséges intelligencia használatából fakadó gazdasági termelékenység mérőszámait látom majd. Ehelyett a mesterséges intelligencia használatának mérőszámait látom.” Ezt a különbségtételt érdemes megjegyezni: a használat mennyisége és a gazdasági termelékenység nem ugyanaz, és egyik sem azonos az állásvesztéssel.

Ez a 2026. januári jelentés, az Anthropic saját gazdasági primitívekről szóló frissítése, azt mutatja, hogy a kiegészítés–automatizálás arány ismét elmozdult: a kiegészítés vezet a beszélgetések 52%-ával a 45% automatizálással szemben, egy újabb, ötrészes keretrendszer mellett, amely a feladat összetettségét, a készségeket, a felhasználási esetet, az MI autonómiáját és a feladat sikerét követi. Tekintsd ezt egy fejlődő index új pillanatképének, nem a 2025. februári számok cáfolatának. A használati minták változnak, ahogy az emberek új, delegálásra érdemes dolgokat találnak.

Egy 94%-os elméleti kitettségi és egy 33%-os megfigyelt kitettségi szám ellentmondás nélkül írhatja le ugyanazt a foglalkozási kategóriát, mert különböző dolgokat mérnek.

Miért nem ugyanaz a „kitettség”, mint az „állásvesztés”

„A kitettségi mutatók a technológiai érzékenységet mutatják, nem a munkaerőpiaci kimeneteket.”

Nemzetközi Munkaügyi Szervezet, 2026. április

Az elméleti és a megfigyelt kitettségi pontszám is valami valósat ragad meg egy állás és az MI képességeinek viszonyáról. Egyik sem mondja meg, hogy az az állás jövőre is létezik-e még.

2025-ben Morgan Frank, Yong-Yeol Ahn és Esteban Moro amerikai munkanélküliségi adatokon tesztelte ezt a rést. Tizenkét közzétett kitettségi pontszámot vetettek össze a foglalkozás és állam szerinti havi munkanélküliségi kockázattal, amelyet az állami munkanélküli-biztosítási nyilvántartásokból építettek fel. A legjobb egyedi pontszám a munkanélküliségi kockázat varianciájának 10,7%-át magyarázta foglalkozások, államok és hónapok között; a tizenkét pontszám együttese 29,8%-ot. Egy alapmodell, amely a foglalkozás készségkövetelményeit, a végzettséget, az államot, az évet és a szezonalitást használta, 57,4%-ot magyarázott, és a kitettségi pontszámok együttesének hozzáadása 75,5%-ra emelte ezt.

Egyszerűen fogalmazva: egyetlen kitettségi pontszám önmagában gyenge előrejelzője a munkanélküliségi kockázatnak. A variancia jóval nagyobb része olyan munkaerőpiaci szerkezethez kötődik, amelyet a pontszám nem tartalmaz, köztük a készségkövetelményekhez, a végzettséghez, a földrajzhoz és a szezonalitáshoz.

Az OpenAI 2026 áprilisában közzétett AI Jobs Transition Framework keretrendszere ugyanezt mondja más szemszögből. Ahelyett, hogy a technikai kitettséget kiszorítási előrejelzésként kezelné, három kérdést tesz fel: el tudja-e végezni az MI egy foglalkozás feladatainak érdemi részét, központi marad-e egy ember a munka elvégzésében vagy felügyeletében, és növelhetik-e az alacsonyabb költségek annyira a keresletet, hogy az felszívja a termelékenységnövekedést? 921 foglalkozásra, nagyjából 148 millió amerikai állásra alkalmazva a keretrendszer az állások mintegy 18%-át a magasabb automatizálási kockázatú kategóriába sorolja, 24%-át valószínűleg átszerveződő, 12%-át az MI-vel növekedni képes, 46%-át pedig kevesebb azonnali változásra számító állások közé.

A PNAS Nexus tanulmányban a legerősebb egyedi kitettségi pontszám önmagában a munkanélküliségi kockázat varianciájának 10,7%-át magyarázta.

Amikor tehát a következő „MI állásvesztési kockázat” szám átfut a hírfolyamodon, a hasznos lépés kideríteni, hogy e módszerek közül melyik állította elő, mielőtt eldöntenéd, aggódj-e. Egy elméleti kitettségi pontszám megmondja, hol fedi át az MI képessége egy állás összetevőit. Egy megfigyelt kitettségi pontszám bizonyítékot ad arról, hol használják az emberek a gyakorlatban már most az MI-t. Egyik sem mondja meg önmagában, hogy az adott foglalkozásban nő vagy csökken-e a foglalkoztatás; ahhoz munkaerőpiaci bizonyíték kell a felvételekről, a keresletről, a bérekről és a létszámról.

OLVASD

Miért tévednek folyamatosan az AI-szövegdetektorok

Gyakran ismételt kérdések