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 liczy się wskaźniki ryzyka utraty pracy przez AI, ma większe znaczenie niż sama liczba z nagłówka. Projekt Karpathy'ego, Goldman Sachs, Międzynarodowy Fundusz Walutowy (MFW) i Anthropic używają różnych konstrukcji „ekspozycji”, więc ich procenty nie są wymienne.
Ten sam zawód może uzyskać bardzo różne wyniki w zależności od metody, a żadna z tych miar sama w sobie nie mówi, czy stracisz pracę.
TL;DR
- Publiczne liczby „ryzyka utraty pracy przez AI” nie są jedną metryką. Wiele z nich zaczyna od teoretycznej ekspozycji opartej na umiejętnościach lub zadaniach danego zawodu, podczas gdy Anthropic mierzy także obserwowane użycie AI; ankiety wśród pracodawców, jak ta Światowego Forum Ekonomicznego, używają jeszcze innego narzędzia.
- Miary teoretyczne i miary oparte na obserwowanym użyciu mogą się mocno rozjeżdżać dla tego samego zawodu. W porównaniu Anthropic z marca 2026 roku teoretyczna miara Eloundou et al. dawała zadaniom w informatyce i matematyce 94% ekspozycji, podczas gdy miara obserwowanej ekspozycji Anthropic sięgała 33%.
- Recenzowane badanie z 2025 roku w PNAS Nexus porównało dwanaście wskaźników ekspozycji z ryzykiem bezrobocia i wykazało, że najlepszy pojedynczy wskaźnik sam wyjaśniał 10,7% zmienności; połączenie wszystkich dwunastu podnosiło ten wynik do 29,8%.
- Zanim zaufasz kolejnej liczbie „ryzyka utraty pracy przez AI”, warto zapytać, jaką metodą ją uzyskano, a nie tylko co ta liczba mówi.
Czego ten artykuł nie obejmuje
Ten artykuł objaśnia mechanizm, nie wydaje werdyktu na temat konkretnego zawodu, więc kilka pokrewnych pytań pozostaje poza jego zakresem:
- Nie klasyfikuje, które zawody są najbezpieczniejsze lub najbardziej zagrożone. To inny rodzaj tekstu.
- Nie analizuje bieżących trendów w zatrudnianiu według wieku czy stażu; takie wyniki rynku pracy wymagają osobnej bazy dowodów, innej niż wskaźniki ekspozycji.
- Nie prognozuje, dokąd zmierzają możliwości AI. Pytanie o metodologię pozostaje aktualne niezależnie od tego, jak dobre będą przyszłe modele.
Jak działa teoretyczna ocena ekspozycji: O*NET, AIOE, Goldman Sachs i MFW
Indeks AI Occupational Exposure, znany jako AIOE, zestawia dziesięć kategorii zastosowań AI z 52 zdolnościami zawodowymi z O*NET. Macierz zbudowana metodą crowdsourcingu ocenia, jak bardzo każde zastosowanie AI wiąże się z każdą ludzką zdolnością, a wynik jest następnie ważony tym, jak powszechne i ważne są te zdolności w danym zawodzie. Ekonomiści Edward Felten, Manav Raj i Robert Seamans opublikowali metodę w Strategic Management Journal w 2021 roku. Stała się jedną z wpływowych podstaw późniejszych prób pomiaru zawodowej ekspozycji na AI.
Najważniejsze w AIOE jest to, że mierzy ekspozycję, a nie adopcję. Szacuje, jak mocno postęp w zastosowaniach AI pokrywa się ze zdolnościami wymaganymi w danym zawodzie; nie mówi, czy pracodawcy używają tam AI, czy adopcja się opłaca ani czy zatrudnienie spadnie.
MFW zaadaptował miarę ekspozycji Feltena, Raja i Seamansa w nocie dyskusyjnej personelu ze stycznia 2024 roku i połączył ją z osobnym indeksem komplementarności, który ujmuje, na ile zawód jest chroniony przed całkowitym zastąpieniem przez takie czynniki jak ludzki osąd, kontekst społeczny i fizyczna obecność. W tych ramach MFW oszacował, że niemal 40% globalnego zatrudnienia przypada na zawody o wysokiej ekspozycji, a w gospodarkach rozwiniętych około 60%.
Analiza Goldman Sachs z kwietnia 2026 roku robi podobny kolejny krok: łączy wcześniejszy wskaźnik wypierania przez AI z indeksem komplementarności ekonomistów MFW, aby oddzielić prawdopodobne zastąpienie od wzmocnienia. Goldman szacuje hamulec netto rzędu 16 000 miejsc pracy miesięcznie dla wzrostu zatrudnienia w USA w minionym roku, podczas gdy zawody z potencjałem wzmocnienia przez AI dodawały około 9 000 miejsc pracy miesięcznie.
Uwaga: Raport Światowego Forum Ekonomicznego Future of Jobs Report prognozuje 92 miliony wypartych i 170 milionów utworzonych miejsc pracy do 2030 roku, ale jest zbudowany zupełnie inaczej. Pochodzi z ankiety wśród ponad 1 000 pracodawców, którzy deklarują oczekiwane zmiany zatrudnienia: to samoocena pracodawców, a nie punktacja przez rozkład zadań. Dwa strukturalnie różne narzędzia lądują w tym samym zdaniu o „X milionach miejsc pracy”.
Jak Anthropic inaczej mierzy „obserwowaną ekspozycję”
Economic Index Anthropic, opublikowany po raz pierwszy w lutym 2025 roku, wychodzi od zupełnie innego rodzaju danych: około miliona prawdziwych rozmów w Claude.ai, przepuszczonych przez wewnętrzne narzędzie Clio, które przypisuje każdą rozmowę do konkretnego zadania w tej samej bazie O*NET, z której czerpią wskaźniki oparte na rozkładzie zadań, bez czytania czatu przez badacza. Tam, gdzie AIOE pyta, czy AI mogłaby wiarygodnie wykonać zadanie, Index pyta, o co ludzie faktycznie ją proszą. Ten pierwszy raport podzielił rozmowy na 57,4% wzmocnienia, gdy Claude pomaga, a człowiek nadal kieruje pracą, i 42,6% automatyzacji, gdy Claude faktycznie wykonuje zadanie od początku do końca.
W swoim raporcie uzupełniającym z marca 2026 roku Anthropic przekształcił te dane o użyciu w nową miarę „obserwowanej ekspozycji”. Zaczyna ona od zadań O*NET i teoretycznych szacunków ekspozycji zadań z Eloundou et al. (2023), a następnie uznaje zadanie za objęte tylko wtedy, gdy pojawia się wystarczająco często w zawodowym użyciu Claude. Użycia w pełni zautomatyzowane dostają pełną wagę, użycia wzmacniające połowę wagi, a pokrycie zadań jest ważone udziałem czasu, jaki pracownicy poświęcają na każde zadanie. W zawodach informatycznych i matematycznych teoretyczna miara β Eloundou et al. sięga 94% zadań, podczas gdy miara obserwowanej ekspozycji Anthropic sięga 33%. Ta różnica to nie sprzeczność: jedna mierzy techniczną wykonalność, druga dodaje obserwowaną adopcję i użycie.
Nie wszyscy czytelnicy raportów Anthropic przyjęli to porównanie bezkrytycznie. Reagując na powiązany raport ze stycznia 2026 roku, komentator na Hacker News napisał: „Spodziewałem się zobaczyć miary produktywności ekonomicznej wytworzonej w wyniku użycia sztucznej inteligencji. Zamiast tego widzę miary użycia sztucznej inteligencji”. To rozróżnienie warto zapamiętać: wolumen użycia i produktywność ekonomiczna to nie to samo, a żadne z nich nie jest tym samym co utrata pracy.
Ten raport ze stycznia 2026 roku, czyli własna aktualizacja Anthropic o prymitywach ekonomicznych, pokazuje, że proporcja wzmocnienia i automatyzacji znów się przesunęła: wzmocnienie na czele z 52% rozmów wobec 45% automatyzacji, a do tego nowe pięcioczęściowe ramy śledzące złożoność zadania, umiejętności, przypadek użycia, autonomię AI i powodzenie zadania. Traktuj to jako nowy obraz ewoluującego indeksu, a nie zaprzeczenie liczb z lutego 2025 roku. Wzorce użycia zmieniają się, gdy ludzie znajdują nowe rzeczy warte delegowania.
Liczba 94% teoretycznej ekspozycji i liczba 33% obserwowanej ekspozycji mogą opisywać tę samą kategorię zawodową bez sprzeczności, bo mierzą różne rzeczy.
Dlaczego „ekspozycja” to nie to samo co „utrata pracy”
„Wskaźniki ekspozycji ujawniają podatność technologiczną, a nie wyniki rynku pracy”.
Międzynarodowa Organizacja Pracy, kwiecień 2026
Zarówno teoretyczny, jak i obserwowany wskaźnik ekspozycji uchwytuje coś realnego w relacji zawodu do możliwości AI. Żaden z nich nie mówi, czy ten zawód będzie jeszcze istniał za rok.
W 2025 roku Morgan Frank, Yong-Yeol Ahn i Esteban Moro sprawdzili tę lukę na amerykańskich danych o bezrobociu. Porównali dwanaście opublikowanych wskaźników ekspozycji z miesięcznym ryzykiem bezrobocia według zawodu i stanu, zbudowanym z rejestrów stanowych ubezpieczeń od bezrobocia. Najlepszy pojedynczy wskaźnik wyjaśniał 10,7% zmienności ryzyka bezrobocia między zawodami, stanami i miesiącami; zespół dwunastu wskaźników wyjaśniał 29,8%. Model bazowy z wymaganiami kompetencyjnymi zawodu, wykształceniem, stanem, rokiem i sezonowością wyjaśniał 57,4%, a dodanie zespołu wskaźników ekspozycji podnosiło ten wynik do 75,5%.
Mówiąc wprost, pojedynczy wskaźnik ekspozycji jest słabym samodzielnym predyktorem ryzyka bezrobocia. Znacznie większa część zmienności wiąże się ze strukturą rynku pracy, której wskaźnik nie zawiera, w tym z wymaganiami kompetencyjnymi, wykształceniem, geografią i sezonowością.
| Wymiar | Ekspozycja teoretyczna / oparta na zadaniach | Ekspozycja obserwowana (Anthropic) |
|---|---|---|
| Co mierzy | Na jak dużą część zawodu AI mogłaby potencjalnie wpłynąć lub ją przyspieszyć | Które teoretycznie wykonalne zadania pojawiają się w zawodowym użyciu Claude |
| Kto z niego korzysta | Używana w kilku akademickich i instytucjonalnych ramach ekspozycji | Anthropic, na potrzeby użycia własnego Claude.ai |
| Źródło danych | Składniki zawodów z O*NET plus specyficzne dla metody oceny możliwości AI | Użycie Claude plus zadania O*NET i teoretyczna wykonalność |
| Co dobrze uchwytuje | Gdzie możliwości AI mogłyby potencjalnie wpłynąć na pracę | Obserwowaną adopcję i to, jak praca jest delegowana do Claude |
| Czego nie widzi | Popytu, kosztów, regulacji i tego, czy komuś w ogóle się chce | Użycia poza Claude; odzwierciedla użytkowników jednego produktu |
| Przykładowa wartość | Informatyka i matematyka: 94% teoretycznie (Eloundou et al.) | Informatyka i matematyka: 33% obserwowane |
Opublikowane w kwietniu 2026 roku ramy AI Jobs Transition Framework od OpenAI stawiają tę samą tezę z innej strony. Zamiast traktować techniczną ekspozycję jako prognozę wypierania, zadają trzy pytania: czy AI może wykonać znaczącą część zadań danego zawodu, czy człowiek pozostaje kluczowy w dostarczaniu lub nadzorowaniu pracy oraz czy niższe koszty mogłyby zwiększyć popyt na tyle, by wchłonąć zysk z produktywności? Zastosowane do 921 zawodów obejmujących około 148 milionów miejsc pracy w USA, ramy te umieszczają około 18% miejsc pracy w kategorii wyższego ryzyka automatyzacji, 24% w zawodach, które prawdopodobnie się zreorganizują, 12% w zawodach, które mogą rosnąć dzięki AI, i 46% w zawodach, w których spodziewane są mniejsze natychmiastowe zmiany.
W badaniu PNAS Nexus najsilniejszy pojedynczy wskaźnik ekspozycji sam wyjaśniał 10,7% zmienności ryzyka bezrobocia.
Gdy więc kolejna liczba „ryzyka utraty pracy przez AI” przewinie się przez twój feed, warto najpierw ustalić, która z tych metod ją wytworzyła, zanim zdecydujesz, czy się martwić. Teoretyczny wskaźnik ekspozycji mówi, gdzie możliwości AI pokrywają się ze składnikami zawodu. Obserwowany wskaźnik ekspozycji dodaje dowody na to, gdzie ludzie już używają AI w praktyce. Żaden z nich sam nie mówi, czy zatrudnienie w tym zawodzie wzrośnie, czy spadnie; do tego potrzeba danych z rynku pracy o zatrudnianiu, popycie, płacach i liczbie etatów.
Często zadawane pytania
Czy ekspozycja zawodu na AI to to samo co utrata pracy?
Nie. Ekspozycja teoretyczna opisuje, gdzie możliwości AI pokrywają się z pracą w danym zawodzie, a ekspozycja obserwowana dodaje dowody na to, gdzie AI jest używana w praktyce. Żadna nie jest bezpośrednią miarą utraty pracy. Recenzowane badanie z 2025 roku sprawdziło to wprost, zestawiając dwanaście wskaźników ekspozycji z rzeczywistymi danymi o wnioskach o zasiłek dla bezrobotnych w USA: najlepszy pojedynczy wskaźnik sam wyjaśniał 10,7% zmienności ryzyka bezrobocia.
Jak naprawdę liczy się ryzyko utraty pracy przez AI?
Za liczbami opisanymi jako „ryzyko utraty pracy przez AI” stoi kilka metod. Metody ekspozycji teoretycznej rozkładają zawody na zdolności lub zadania z O*NET i oceniają, jak mocno pokrywają się z nimi możliwości AI; dokładna metoda punktacji różni się w zależności od badania. Podejście Anthropic oparte na obserwowanej ekspozycji łączy teoretyczną wykonalność zadań z rzeczywistym użyciem Claude, kontekstem pracy i stopniem automatyzacji. Wynikowe liczby się różnią, bo mierzą różne etapy między techniczną możliwością a rzeczywistą adopcją.
Dlaczego różne rankingi ryzyka utraty pracy przez AI nie zgadzają się co do tego samego zawodu?
Po części dlatego, że opierają się na strukturalnie różnych metodach (rozkład zadań, ankieta wśród pracodawców i obserwowane użycie odpowiadają na różne pytania), a po części dlatego, że nawet jedna metoda zmienia się w czasie. Własny Economic Index Anthropic wskazywał wzmocnienie w 57,4% rozmów Claude w lutym 2025 roku i w 52% w raporcie ze stycznia 2026 roku, a automatyzacja przesuwała się odpowiednio. Obraz z jednej daty nie jest stałym prawem.
Czy wysoki wskaźnik ekspozycji na AI oznacza, że mój zawód znika?
Sam w sobie nie. Andrej Karpathy, który w marcu 2026 roku zdjął własny wiralowy projekt o ekspozycji na AI, napisał wprost w jego własnym README następujące słowa: wyniki to „zgrubne szacunki LLM… a nie rygorystyczne prognozy”, a zawody o wysokiej ekspozycji częściej będą „przekształcone, a nie zastąpione”. Porównanie Anthropic uwidacznia tę różnicę: w informatyce i matematyce teoretyczna miara Eloundou et al. sięga 94%, podczas gdy miara obserwowanej ekspozycji Anthropic sięga 33%. Wysoka liczba na skali możliwości to nie to samo co zawód przejęty przez maszynę.
Dyskusja
Komentarze
Zaloguj się, aby dołączyć do dyskusji.