Estimating time spent on work tasks
Dieses Paper führt eine fundierte Methode zur Schätzung von Zeitanteilen für nahezu 18.000 US-Arbeitsaufgaben ein, indem es ONET-Häufigkeitsdaten mit durch Sprachmodelle abgeleiteten paarweisen Vergleichen der Aufgabendauer kombiniert, wobei aufgezeigt wird, dass die Gewichtung der Aufgabenexposition gegenüber KI nach Zeit statt nach Aufgabenanzahl das Ranking der betroffenen Berufe signifikant verändert und die Kluft zwischen den am stärksten und am wenigsten exponierten Jobs vergrößert.
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
Stellen Sie sich die Wirtschaft als eine riesige, geschäftige Küche vor, in der jeder Job ein anderes Rezept ist. Seit Jahrzehnten versuchen Ökonomen zu verstehen, wie neue Werkzeuge – wie ein schicker neuer Mixer oder ein Roboterarm – diese Rezepte verändern. Sie erkannten, dass Jobs nicht einfach einzelne, unzerbrechliche Blöcke sind, sondern eigentlich Bündel aus kleineren Aufgaben, wie Zwiebeln schneiden, die Soße rühren oder das Gericht anrichten. Diese „aufgabenbasierte“ Sichtweise ist der Standardweg, mit dem Wissenschaftler untersuchen, wie Technologie die Arbeit umgestaltet. Wenn ein Roboter Zwiebeln schneller schneiden kann, verändert sich diese spezifische Aufgabe, und diese Veränderung pflanzt sich fort, um die gesamte Stelle zu beeinflussen. Aber hier liegt der knifflige Teil: Wenn wir all diese winzigen Aufgaben zusammenzählen, um zu sehen, wie eine ganze Stelle betroffen ist, wie zählen wir sie dann? Zählen wir jede Aufgabe als eine gleichwertige Stimme, oder gewichten wir sie danach, wie viel Zeit ein Arbeitnehmer tatsächlich mit ihnen verbringt? Es stellt sich heraus, dass die Frage nach dem „wie viel Zeit“ die fehlende Zutat ist, die unser gesamtes Verständnis darüber, welche Jobs am ehesten durch Künstliche Intelligenz transformiert werden könnten, komplett verändern könnte.
Dieses Paper, geschrieben von Forschern der Stanford University und der Universität von São Paulo, ist wie ein massiver, akribischer Zeitmesser für die amerikanische Erwerbsbevölkerung. Die Autoren stellten fest, dass frühere Studien, die versuchten herauszufinden, welche Jobs am stärksten der KI ausgesetzt sind, nur geraten hatten, wie viel Zeit Arbeiter für bestimmte Aufgaben aufwenden. Einige Studien zählten einfach, wie viele Aufgaben ein Job hatte, während andere grobe Kategorien wie „Kern-“ oder „Ergänzungsaufgaben“ verwendeten und dabei eine kurze 30-sekündige Kontrolle genauso behandelten wie eine 4-stündige Tiefenanalyse. Die Forscher argumentieren, dass dies so ist, als würde man einen Film danach bewerten, wie viele Szenen er hat, anstatt darauf zu achten, wie lange das Publikum der Handlung folgt.
Um dies zu korrigieren, entwickelte das Team eine neue Methode, um den tatsächlichen Zeitanteil für fast 18.000 verschiedene Aufgaben in fast 1.000 US-Berufsgruppen zu schätzen. Sie ließen nicht einfach einen Computer raten; sie zerlegten das Problem in zwei Teile. Zuerst betrachteten sie, wie oft eine Aufgabe vorkommt (Häufigkeit). Zweitens – und das ist der clevere Teil – nutzten sie ein Sprachmodell (eine KI), um Aufgaben gegeneinander abzuwägen, um herauszufinden, welche Aufgaben einmalig gesehen länger dauern. Dann speisten sie diese Rangfolgen in ein mathematisches Rätsel (ein lineares Programm) ein, das alles in einen realistischen 7-Stunden-Arbeitstag einpassen musste. Es ist wie das Lösen eines Puzzles, bei dem die Teile Aufgaben sind und das fertige Bild ein voller Arbeitstag ist.
Die Ergebnisse dieses Zeitmessungsexperiments sind überraschend und verschieben die gesamte Debatte. Als die Forscher ihre neuen zeitbasierten Gewichtungen anwandten, um zu sehen, wie stark Berufe der KI ausgesetzt sind, änderte sich die Liste der „am stärksten gefährdeten“ Jobs dramatisch. Frühere Studien deuteten darauf hin, dass Büro- und Verwaltungsberufe am verwundbarsten seien, da sie die höchste Anzahl an KI-exponierten Aufgaben aufwiesen. Die neue zeitgewichtete Sichtweise legt jedoch nahe, dass diese Berufe zwar viele kleine, exponierte Aufgaben haben, diese Aufgaben aber tatsächlich nur einen Bruchteil des Arbeitstages der Beschäftigten ausmachen. Im Gegensatz dazu beschäftigen Berufe, die tiefe Analyse, Forschung und Schreiben beinhalten – die vielleicht weniger Gesamtaufgaben haben –, einen riesigen Teil der Arbeitszeit mit genau diesen spezifischen Aufgaben.
Als die Autoren die 25 am stärksten exponierten Berufe unter Verwendung ihrer Zeitdaten neu rangierten, tauschten 11 von ihnen die Plätze. Die Liste bewegte sich weg von Verwaltungsrollen und hin zu analytischen Rollen. Beispielsweise fanden sie, dass für einen Masseurs, obwohl 44 % der aufgeführten Aufgaben technisch gesehen „exponiert“ gegenüber KI sein könnten, diese Aufgaben nur 16 % der tatsächlich geleisteten Arbeitszeit ausmachen. Im Gegensatz dazu könnten die exponierten Aufgaben eines Aktuars zwar weniger in der Anzahl sein, aber fast 90 % seiner Arbeitszeit beanspruchen. Das Paper legt nahe, dass wir durch die Konzentration auf den Bruchteil der Arbeitszeit, der der KI ausgesetzt ist, statt nur auf den Bruchteil der Aufgaben, ein viel klareres und oft auch intensiveres Bild der Auswirkungen auf die am stärksten gefährdeten Rollen erhalten. Die Autoren merken vorsichtig an, dass dies eine neue Art der Messung der Exponiertheit ist und keine Vorhersage, dass diese Jobs definitiv verschwinden werden, aber es deutet darauf hin, dass die „Schlagzeilen-Jobs“, die am stärksten betroffen sind, andere sein könnten, als wir bisher dachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.