Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure
Diese Studie zeigt, dass die Nutzung von AI-Plattform-Logs zur Messung der beruflichen KI-Exposition aufgrund nicht-repräsentativer Nutzerbasen eine erhebliche Selektionsverzerrung einführt, wodurch die Schätzungen von Beschäftigungseffekten je nach Plattform und Kanal drastisch variieren, was durch eine Gewichtung der Daten zur Übereinstimmung mit offiziellen Arbeitskräfte-Demografien erheblich korrigiert werden kann.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Das Problem der „Echokammer"
Stellen Sie sich vor, Sie möchten wissen, wie stark KI die amerikanische Arbeitskräfte verändert. Um dies herauszufinden, betrachten Forscher die Chat-Protokolle von Menschen, die KI-Tools wie ChatGPT, Claude oder Microsoft Copilot nutzen. Sie gehen davon aus: „Wenn Menschen in einem bestimmten Beruf viel mit KI chatten, muss dieser Beruf stark von KI betroffen sein."
Dieses Papier argumentiert, dass diese Methode so ist, als würde man versuchen, die gesamte Bevölkerung einer Stadt zu verstehen, indem man nur Menschen interviewt, die in der teuersten, hochtechnologischen Nachbarschaft wohnen.
Die Forscher Michelle Yin und Burhan Ogut zeigen, dass die Menschen, die diese KI-Plattformen nutzen, keine zufällige Stichprobe aller Arbeitnehmer sind. Es handelt sich um eine spezifische, verzerrte Gruppe. Aus diesem Grund sagt uns die Daten mehr darüber aus, wer die App nutzt, als darüber, welche Berufe tatsächlich durch KI verändert werden.
Die Kernanalogie: Die „Gourmet-Essen"-Umfrage
Stellen Sie sich vor, Sie möchten wissen, wie viel Gourmet-Essen der durchschnittliche Amerikaner isst.
- Die fehlerhafte Methode: Sie gehen in ein hochklassiges Restaurant mit Michelin-Stern und fragen die Gäste: „Wie oft essen Sie Gourmet-Mahlzeiten?"
- Das Ergebnis: Sie erhalten einen Bericht mit der Aussage: „Wow, Amerikaner essen jeden einzelnen Tag Gourmet-Essen!"
- Die Realität: Sie haben die Millionen von Menschen verpasst, die in Fast-Food-Lokalen essen, zu Hause kochen oder sich keine schicken Restaurants leisten können. Ihre Daten sind verzerrt, weil Sie nur die „Gourmet"-Szene betrachtet haben.
In diesem Papier:
- Die „Gourmet-Szene" = Die Nutzer von KI-Plattformen (hauptsächlich Informatiker, Büroangestellte und technikaffine Fachkräfte).
- Die „Fast-Food-Szene" = LKW-Fahrer, Lebensmittelzubereiter, Bauarbeiter und Servicepersonal.
- Der Fehler: Forscher verwenden die „Gourmet"-Daten, um Schlussfolgerungen über die „gesamte Stadt" (die gesamte Arbeitskräfte) zu ziehen.
Was die Forscher herausfanden
Die Autoren führten eine Reihe von Tests durch, um zu sehen, was passiert, wenn man die „Quelle" der Daten ändert. Hier sind ihre wichtigsten Entdeckungen:
1. Die Ergebnisse drehen sich um
Wenn Sie Daten von Claude (Consumer) verwenden, könnten Sie zu dem Schluss kommen, dass KI die Beschäftigung in bestimmten Berufen schädigt. Wenn Sie jedoch zu Daten von Claude (Enterprise/Geschäft) oder Microsoft Copilot wechseln, können sich die Ergebnisse komplett drehen und darauf hindeuten, dass KI hilft oder keine Wirkung hat.
- Analogie: Es ist so, als würde man eine Gruppe von Kaffeeliebhabern fragen, ob Kaffee gesund ist (sie sagen ja), und dann eine Gruppe von Tee-Trinkern fragen, ob Kaffee gesund ist (sie sagen nein). Wenn man die beiden Gruppen mischt oder zwischen ihnen wechselt, ändert sich Ihre Antwort wild, obwohl der „Kaffee" selbst unverändert geblieben ist.
2. Das „Wer" ist wichtiger als das „Was"
Das Papier zeigt, dass der größte Faktor, der die Ergebnisse verändert, nicht die Leistungsfähigkeit der KI ist, sondern welche Berufe sie nutzen.
- Computer- und Mathematik-Berufe machen nur 3,4 % aller US-Berufe aus, generieren aber 32 % aller Gespräche auf Consumer-KI-Plattformen.
- Lebensmittelzubereitungs-Berufe machen 8,8 % aller US-Berufe aus, generieren aber nur 0,7 % der Gespräche.
- Das Fazit: Die Daten schreien über die Berufe, die bereits technologieintensiv sind, während sie über die Berufe, die es nicht sind, nur flüstern.
3. Die „Neugewichtung"-Lösung
Die Autoren entwickelten eine mathematische „Korrektur" (wie einen Filter), um diese Verzerrung zu beheben. Sie nahmen die KI-Chat-Daten und zwangen sie, wie die tatsächliche US-Arbeitskräfte auszusehen (unter Berücksichtigung der tatsächlichen Anzahl von LKW-Fahrern, Krankenschwestern und Lehrern).
- Das Ergebnis: Als sie diese Korrektur anwandten, schrumpften die beängstigenden Vorhersagen darüber, dass KI Arbeitsplätze zerstört, dramatisch (um 42 % bis 93 %).
- Analogie: Es ist so, als würde man ein Foto von einem Raum voller Milliardäre machen und dann digital Tausende von normalen Menschen zum Foto hinzufügen. Plötzlich sinkt das „durchschnittliche Vermögen" des Raums auf eine realistische Zahl.
Warum dies für die Politik wichtig ist
Das Papier warnt davor, dass Regierungen oder Unternehmen, wenn sie diese unkorrigierten KI-Chat-Protokolle nutzen, um zu entscheiden, wer eine Umschulung oder Hilfe benötigt, einen riesigen Fehler machen werden.
- Der aktuelle Plan: Wenn Sie den Rohdaten folgen, würden Sie Milliarden von Dollar senden, um Computerprogrammierer und Finanzanalysten zu unterstützen (weil die Daten besagen, dass sie die KI am meisten nutzen).
- Die Realität: Sie könnten Kassierer, LKW-Fahrer und Lebensmittelzubereiter ignorieren. Diese Gruppen könnten einem hohen Risiko durch KI-Störungen ausgesetzt sein, aber da sie noch nicht mit KI-Tools chatten, besagen die Daten, dass sie „sicher" sind.
Das Fazit
Das Papier sagt nicht, dass KI keine Berufe verändert. Es sagt, dass unser Messstab kaputt ist.
- Plattform-Daten sind großartig, um zu sehen, was KI kann und wie technikaffine Menschen sie nutzen.
- Plattform-Daten sind schrecklich, um vorherzusagen, wie sich KI auf den durchschnittlichen Arbeitnehmer auswirken wird, weil sie die Arbeitnehmer verpasst, die die Tools noch nicht nutzen.
Die Lösung: Forscher und politische Entscheidungsträger müssen aufhören, KI-Chat-Protokolle als perfekten Spiegel der Arbeitskräfte zu behandeln. Sie müssen die Daten „neu gewichten", um die Menschen einzubeziehen, die nicht auf der Plattform sind, sonst werden sie die falschen Probleme für die falschen Menschen lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.