ملخص تقني: من يستخدم الذكاء الاصطناعي؟ اختيار المنصة وقياس التعرض المهني للذكاء الاصطناعي

1. المشكلة: خطأ القياس غير الكلاسيكي في التعرض المستمد من المنصات

انتقل الأدب التجريبي حول الذكقة الاصطناعي (AI) وأسواق العمل بشكل متزايد من قياس القدرة المحتملة للذكاء الاصطناعي (مثل تقييمات الخبراء، أو مطابقة براءات الاختراع) إلى قياس الاستخدام الملحوظ للذكاء الاصطناعي عبر سجلات المحادثة من منصات مثل Claude التابع لشركة Anthropic، وChatGPT التابع لشركة OpenAI، وCopilot التابع لشركة Microsoft. وبينما ينقل هذا القياس نحو سلوك مكشوف، يرى المؤلفون أن هذه السجلات تشكل عينة غير احتمالية.

تتمثل المشكلة الجوهرية في أن درجات التعرض المستمدة من المنصات ($E_{o,p}$) تخلط بين مكونين متميزين:

1. التعرض المهني الحقيقي ($E_o$): حصة حزمة المهام الخاصة بمهنة ما حيث يمكن للذكاء الاصطناعي أن يكون بديلاً أو مكملاً لمدخلات العامل.
2. اختيار المنصة ($\psi_{o,p}$): درجة تمثيل مهنة معينة بشكل مفرط أو ناقص في قاعدة مستخدمي المنصة مقارنة بالقوى العاملة العامة.

نظرًا لأن قاعدة مستخدمي منصات الذكاء الاصطناعي منحازة بشكل منهجي نحو المهن ذات المهارات والأجور المرتفعة (مثل المهن الحاسوبية والرياضية) وبعيدة عن مهن الخدمات والعمل اليدوي، فإن مقياس التعرض الناتج يرث هذا التحيز في الاختيار. ويصيغ المؤلفون ذلك كـ خطأ قياس غير كلاسيكي، حيث يرتبط حد الخطأ بالمتغير الحقيقي محل الاهتمام. وبناءً على ذلك، فإن معاملات الانحدار التي تستخدم هذه المقاييس لا تحدد المرونة الهيكلية للتوظيف تجاه الذكاء الاصطناعي؛ بل تعكس مزيجاً من التعرض الحقيقي والتركيبة المهنية المحددة لمستخدمي المنصة.

2. المنهجية

الإطار المفاهيمي

يعرف المؤلفون الوكيل المستمد من المنصة كما يلي:
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
حيث أن:

• $\psi_{o,p}$ هو معامل الاختيار بين المهن (نسبة حصة محادثات المنصة إلى حصة التوظيف في القوى العاملة).
• $\eta_{o,p}$ هو متبقي اختيار المهام داخل المهنة (الاختلافات في أداء المهام مشروطة بالتواجد على المنصة).
• $u_{o,p}$ هو الضوضاء الكلاسيكية.

ولأن $\psi_{o,p}$ يمكن ملاحظته (عبر سجلات المنصة وحصص التوظيف من مكتب إحصاءات العمل)، يقترح المؤلفون إجراء إعادة وزن القوى العاملة لإزالة المكون بين المهن:
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
وتحت شرط ترتيب مستمر (أن يؤدي تحيز الاختيار داخل المهنة إلى توجيه المعاملات في نفس اتجاه الاختيار بين المهن)، يحدد التقدير الأساسي والتقدير المعاد وزنه فاصل تحديد جزئي لمرونة التوظيف الهيكلية.

التصميم التجريبي

يستخدم البحث تصميم "الفرق في الفروق" (DiD) على لوحة بيانات المسح الأمريكي للمجتمع (ACS) للفترة 2015-2024، والتي تضم 13.1 مليون سنة-شخص على مستوى التصنيف المهني القياسي ذي الست خانات (SOC).

• المعاملة (Treatment): التفاعل بين مؤشر ما بعد 2022 وعشرة مقاييس مختلفة للتعرض المستمد من المنصات.
• المتغيرات: تشمل المقايسات العشرة:
  • ثلاثة متغيرات من مركب Massenkoff وMcCrory (2026) (الأساسي، والمعاد وزنه وفق القوى العاملة، وأوزان الموجة الخامسة AEI).
  • خمس موجات من بيانات مستهلكي Claude.ai من Anthropic (ديسمبر 2024 – فبراير 2026).
  • موجتان من بيانات واجهة برمجة تطبيقات المؤسسات (Enterprise API) من Anthric.
  • درجات قابلية التطبيق لـ Microsoft Copilot (الخام والمعاد وزنها).
• المتغيرات الضابطة: الديموغرافيا، الولاية، السنة، والثوابت الخاصة بالتصنيف المهني (SOC) ذي الست خانات.

الاختبارات التشخيصية

1. التشتت عبر المنصات: تقدير نفس مواصفات (DiD) مع مدخلات منصات مختلفة لملاحظة عدم استقرار المعاملات.
2. استبدال قناة المورد داخل المنصة: مقارنة قنوات المستهلك مقابل المؤسسات لنفس المورد (Anthropic) لعزل تأثيرات تركيبة قاعدة المستخدمين، مع ثبات النموذج والمعيار.
3. دراسات الحدث (Event Studies): اختبار الاتجاهات المسبقة للتمييز بين تحيز القياس وتغاير تأثير المعالجة الحقيقي.
4. النتائج عبر المجالات: تحليل الارتباطات بين تصنيفات المنصة والنتائج غير العمالية (مثل الصحة والتعليم) لإثبات أن ظهور المنصة يرتبط بالوضع الاجتماعي والاقتصادي.

3. النتائج الرئيسية

عدم استقرار المعاملات

يؤدي تغيير مدخل المنصة فقط مع تثبيت التصميم التجريبي إلى تباين كبير في آثار التوظيف المقدرة:

• الحجم: يتفاوت معامل التوظيف لما بعد 2022 بمقدار 1.9 عبر المتغيرات العشرة.
• انعكاس الإشارة: ضمن نفس المورد (Anthric)، يؤدي الانتقال من قناة المستهلك إلى قناة المؤسسات إلى عكس إشارة معامل التوظيف في كل إصدار مرصود. تحقق قناة المستهلك معاملات سالبة ومعنوية، بينما تحقق قناة المؤسسات معاملات موجبة وغير معنوية.
• عدم الاستقرار الزمني: حتى داخل نفس القناة (مستهلك Claude.ai)، يتغير حجم المعامل بشكل كبير عبر الموجات (على سبيل المثال، من -0.12 إلى -0.22 نقطة مئوية) مع تغير تركيبة قاعدة المستخدمين نتيجة لإطلاق المنتجات (مثل Claude Code).

أثر إعادة الوزن

تؤدي إعادة وزن القوى العاملة إلى تخفيف الآثار المقدرة بشكل كبير، مما يؤكد أن التقديرات الأساسية مدفوعة إلى حد كبير باختيار المنصة:

• مركب Anthropic: تخفف إعادة الوزن معامل التوظيف بنسبة 93%، مما يجعله غير مميز إحصائياً عن الصفر.
• Microsoft Copilot: بما أن قاعدة مستخدمي Copilot أقرب إلى ديموغرافيا القوى العاملة، فإن إعادة الوزن تخفف المعامل بنسبة 42%، رغم أنه يظل معنوياً.
• الانحدار عبر المهن: في مواصفات Massenkoff وMcCrory (2026) التي تربط التعرض بتوقعات توظيف مكتب إحصاءات العمل (BLS)، تقلل إعادة الوزن من الارتباط السلبي المقدر من -0.70 إلى -0.38 نقطة مئوية، مما يعني أن 45% من الحجم المنشور يختفي عند استبدال تركيبة المنصة بتركيبة القوى العاملة.

حدود التحديد الجزئي

باستاستخدام التقديرات الأساسية والمعاد وزنها كنقاط نهاية، يبني المؤلفون فاصل تحديد جزئي لمرونة التويد الهيكلية. بالنسبة لمركب Massenkoff وMccrory، يشير الفاصل إلى أن زيادة قدرها انحراف معياري واحد في التعرض ترتبط بانخفاض في نمو التوظيف العشري المتوقع يتراوح بين 0.38 و0.70 نقطة مئوية. ويمثل عرض هذا الفاصل (0.32 نقطة مئوية) مساهمة اختيار المنصة الملحوظ بين المهن.

التأثير التوزيعي

يرتبط ظهور المنصة بقوة بالميزة الاجتماعية والاقتصادية:

• المهن الممثلة بشكل مفرط في المنصات (مثل المهن الحاسوبية والرياضية) لديها أجور ومستويات تعليم أعلى.
• المهن الممثلة بشكل ناقص (مثل تحضير الطعام، والنقل) لديها أجور أقل ومعدلات إعاقة أعلى.
• محاكاة السياسات: صندوق إعادة تدريب افتراضي بقيمة 10 مليارات دولار يتم تخصيصه بناءً على التعرض للمنصة سيوجه 39% من الأموال إلى المهن ذات الأجور والتعليم المرتفعين، والتي لن تحددها التخصيصات المرجحة للقوى العاملة كمهن معرضة.

4. المساهمات والأهمية

يقدم البحث أربع مساهمات رئيسية للأدبيات:

1. تحديد خطأ قياس محدد: إنه يصيغ خطأ القياس غير الكلاسيكي المتأصل في التعرض للذكاء الاصطناعي المستمد من المنصات، ويظهر أن الخطأ مختار بناءً على بنية المهام في مستوى المهنة التي يهدف المقياس لقياسها.
2. التشخيصات التجريبية: يقدم أدلة على أن مصدر المنصة، وقناة المنتج، وموجة الإصدار تغير بشكل أساسي المعاملات اللاحقة، حتى عندما تكون تصاميم الانحدار ثابتة.
3. إجراء التصحيح: يقدم إجراء إعادة وزن القوى العاملة وحدود التحديد الجزئي التي تحول عدم الاستقرار هذا إلى عنصر قابل للتقدير، مما يسمح بتحديد حدود المرونة الهيكلية.
4. التحليل التوزيعي: يوضح أن اختيار المنصة يرتبط بالأجور والتعليم والميزة المهنية، مما يعني أن تصنيفات التعرض بناءً على السجلات قد تقلل بشكل منهجي من شأن الفئات السكانية الضعلة اقتصادياً حيث يكون الخطر أقل وضوحاً في بيانات المنصة.

الادعاءات المتعلقة بالأهمية

لا يدعي المؤلفون أن سجلات المنصات غير مفيدة. بدلاً من ذلك، يجادلون بأن بيانات المنصات مفيدة للغاية فيما يتعلق بـ كثافة المهام بين المستخدمين النشطين ولكنها أقل إخباراً عن غير المستخدمين، والعمال الممثلين بشكل ضعيف في المنصة، والمهام المزاحة من زوج (المهنة-المنصة) المرصود.

يخلص البحث إلى أن مقاييس الاستخدام تستعيد التعزيز بين المستخدمين المرصودين بشكل مباشر أكثر من الإحلال في القوى العاملة. بالنسبة لتطبيقات السياسة (مثل إعادة التدريب، أو الاستشارات المهنية)، فإن الشيء ذو الصلة هو التعرض بين القوى العاملة المعرضة للخطر، وليس التعرض بين مستخدمي المنصة الحاليين. ويدعو المؤلفون إلى أن العمل التطبيقي الذي يستخدم التعرض المستمد من المنصات يجب أن:

• يعرض النظائر المعاد وزنها للقوى العاملة.
• يختبر الحساسية تجاه مصدر المنصة.
• يميز بين قدرة المهام، وتبني العامل، والاستخدام المشروط بالتبني.

بدون هذه التمييزات، قد تعكس التباينات في التعرض المقاس أنماط تبني المنصة عبر المهن بدلاً من التباين في قابلية تطبيق الذكاء الاصطناعي الأساسية.