Follow the money: a startup-based measure of AI exposure across occupations, industries and regions

Sintesi Tecnica: Seguire il Denaro: Una Misura dell'Esposizione all'IA Basata sulle Startup attraverso Occupazioni, Settori e Regioni

Problematica
La rapida integrazione dell'Intelligenza Artificiale (IA) nel mondo del lavoro rende necessari parametri robusti per valutare il suo impatto tangibile sul mercato del lavoro. Le misurazioni esistenti dell'esposizione occupazionale all'IA, come l'indice AI Occupational Exposure (AIOE) proposto da Felten et al. (2019, 2021), si basano ampiamente sul potenziale teorico dell'IA di sostituire o integrare il lavoro umano in base alla fattibilità tecnica. Questi approcci utilizzano spesso giudizi di esperti, valutazioni basate sul crowdsourcing o analisi dei brevetti per mappare le capacità dell'IA alle mansioni occupazionali. Tuttavia, tali metriche presentano limitazioni significative: sono spesso soggettive, non riproducibili o in ritardo rispetto agli sviluppi attuali a causa dei tempi di deposito dei brevetti. Crucialmente, esse misurano l'esposizione potenziale piuttosto che l'adozione effettiva, non tenendo conto della vitalità economica, della desiderabilità sociale e delle specifiche scelte di mercato degli sviluppatori di IA. Di conseguenza, vi è una mancanza di intuizioni su quali occupazioni siano realmente l'obiettivo delle attuali innovazioni dell'IA, limitando l'utilità di questi indici per i decisori politici.

Metodologia
Per affrontare queste lacune, gli autori introducono l'indice AI Startup Exposure (AISE), una nuova metrica fondata sull'effettiva attività di investimento piuttosto che sulla capacità teorica. La metodologia procede come segue:

1. Fonti di Dati:

   • Descrizioni Occupazionali: Lo studio utilizza il database O*NET, specificamente le brevi descrizioni riassuntive dei compiti essenziali per 1.016 lavori classificati secondo lo Standard Occupational Classification (SOC). Tali riassunti sono stati scelti rispetto alle liste complete di mansioni per ridurre il rumore e concentrarsi sulle caratteristiche salienti del lavoro.
   • Dati sull'Innovazione IA: Gli autori hanno estratto le descrizioni delle startup finanziate da Y Combinator (YC), una principale società di venture capital e acceleratore con sede negli Stati Uniti. Hanno filtrato le startup con tag specifici relativi all'IA (ad es., "generative AI", "machine learning", "computer vision"), ottenendo un dataset di 958 startup di IA finanziate tra il 2005 e marzo 2024.
   • Dati Geografici e Settoriali: Le quote di occupazione per occupazione sono state tratte dal Quarterly Census of Employment and Wages (QCEW) del US Bureau of Labor Statistics per calcolare le medie ponderate per le Aree Statistiche Metropolitane (MSA) e i settori NAICS.

2. Analisi Basata su LLM:

   • Gli autori utilizzano Llama 3 di Meta (un modello linguistico di grandi dimensioni open-weight, allo stato dell'arte) per valutare la somiglianza tra le descrizioni dei prodotti delle startup e i riassunti dei compiti occupazionali.
   • Strategia di Prompting: Per ogni coppia (Startup, Occupazione), l'LLM viene istruito per determinare se il prodotto o servizio della startup può direttamente sostituire gli esseri umani nell'esecuzione di uno o più dei compiti essenziali descritti nel riassunto O*NET. Il modello è istruito a rispondere solo "sì" o "no" basandosi strettamente sul testo fornito.
   • Scoring: L'AISE Occupazionale per un determinato lavoro è calcolato come il numero normalizzato di startup di IA finanziate da YC identificate dall'LLM come capaci di sostituire compiti essenziali per quel lavoro.

3. Validazione e Confronto:

   • L'indice AISE viene confrontato con l'indice standard AIOE (Felten et al., 2021). Mentre l'AIOE è una misura basata sulle capacità derivata da sondaggi crowdsourced che collegano le applicazioni dell'IA a 52 abilità O*NET, l'AISE è una misura basata sulle mansioni derivata dalle effettive offerte delle startup.
   • Robotic Startup Exposure (RSE): Una metodologia parallela è applicata a 103 startup focalizzate sulla robotica per creare un indice RSE, analizzando l'intersezione tra IA e automazione fisica.

4. Aggregazione Geografica e Settoriale:

   • L'esposizione geografica è calcolata come la media ponderata per l'occupazione dell'AISE occupazionale attraverso le MSA.
   • L'esposizione settoriale è calcolata come la media ponderata per l'occupazione dell'AISE occupazionale attraverso 19 settori a due cifre NAICS.

Risultati Chiave

• Modelli di Esposizione Occupazionale:

  • Alta Esposizione: Le occupazioni con i punteggi AISE più elevati sono quelle che comportano compiti routinari di organizzazione e processazione delle informazioni. Esempi principali includono impiegati d'ufficio generici, scienziati dei dati, manager di sistemi informatici e computazionali e analisti di ricerche di mercato. Questi ruoli sono sempre più l'obiettivo di startup che sviluppano LLM, sistemi multi-agente e strumenti di automazione.
  • Bassa Esposizione: Le occupazioni con punteggi AISE bassi includono atleti, giudici magistrati e chirurghi pediatrici. Nonostante abbiano un'alta esposizione teorica secondo l'AIOE (a causa della complessità cognitiva), questi ruoli sono meno targetizzati dalle startup. Gli autori attribuiscono ciò ai vincoli etici, alla necessità di decisioni ad alto rischio e alla necessità di responsabilità umana, che creano barriere all'adozione oltre la mera fattibilità tecnica.
  • Divergenza da AIOE: Un risultato significativo è l'eterogeneità tra AISE e AIOE. Mentre l'AIOE suggerisce che i lavori ad alta specializzazione e alta istruzione siano uniformemente a rischio, l'AISE rivela che molti ruoli ad alta specializzazione (es. giudici, medici) hanno in realtà una bassa esposizione. Questo "bias inverso delle competenze" suggerisce che la necessità di competenze avanzate e l'alto costo degli errori in questi ruoli scoraggino l'attuale investimento nell'IA, anche quando le mansioni sono teoricamente automatizzabili.

• Distribuzione Geografica:

  • L'esposizione all'IA è altamente concentrata in aree metropolitane ad alta intensità di conoscenza con economie digitali in espansione, come San Jose, San Francisco, Seattle, Austin e Boulder.
  • Al contrario, il Midwest presenta l'esposizione più bassa, in correlazione con la sua dipendenza da manifattura e agricoltura, settori che sono stati più lenti a integrare l'IA.

• Distribuzione Settoriale:

  • I settori orientati ai servizi che richiedono alti livelli di processazione delle informazioni e istruzione mostrano la maggiore esposità.
  • Settori come i servizi educativi e l'assistenza sanitaria, pur essendo intensivi dal punto di vista educativo, mostrano un'esposizione relativamente inferiore a causa della natura critica delle loro mansioni principali.
  • Settori tradizionali come l'edilizia e l'agricoltura sono meno frequentemente l'obiettivo delle startup di IA.

• Convergenza tra IA e Robotica:

  • L'analisi preliminare RSE indica che, mentre molti lavori a basso AISE (mansioni manuali) hanno un alto RSE, molti lavori ad alto AISE mostrano anche un alto RSE. Ciò suggerisce che l'azione congiunta di IA e robotica possa portare a una perturbazione più pervasiva sia tra le occupazioni white-collar che tra quelle blue-collar.

Significatività e Rivendicazioni
Il documento sostiene che l'indice AISE offra una valutazione più realistica, orientata al futuro e con basi economiche rispetto alle metriche teoriche esistenti. Concentrandosi sulle innovazioni sostenute dal venture capital, l'indice cattura la "desiderabilità sociale" e le "scelte orientate al mercato" degli attori dell'IA, che sono determinanti critici dell'adozione effettiva.

I contributi chiave includono:

1. Sfida alla "Catastrofe delle Alte Competenze": I risultati suggeriscono che i timori di un imminente e diffuso spostamento dei professionisti altamente qualificati possano essere sopravvalutati. Invece, l'adozione dell'IA appare graduale, dando priorità a compiti routinari ed economicamente sostenibili, lasciando i ruoli guidati dall'esperienza e ad alto rischio relativamente protetti nel breve termine.
2. Utilità Politica: L'AISE fornisce uno strumento dinamico e riproducibile per i decisori politici per monitorare l'evoluzione del panorama dell'adozione dell'IA. Poiché si basa su LLM open-weight e dati pubblici sulle startup, l'indice può essere aggiornato quasi in tempo reale con l'avverarsi di nuovi round di finanziamento.
3. Innovazione Metodologica: Lo studio dimostra come combinare le descrizioni occupazionali con i dati delle startup tramite LLM possa distinguere la capacità teorica dall'effettivo interesse del mercato, offrendo una visione sfumata di come l'IA stia rimodellando il panorama del lavoro.

Gli autori rimangono modesti riguardo agli effetti netti sul mercato del lavoro (sostituzione vs complementarità), sottolineando che l'AISE misura l'esposizione all'innovazione piuttosto che la perdita definitiva di posti di lavoro. Riconoscono i limiti, incluso il potenziale bias nelle preferenze di finanziamento di Y Combinator e l'assunzione di omogeneità occupazionale tra imprese e regioni, suggerendo che il lavoro futuro dovrebbe espandere le fonti di dati e incorporare le dinamiche a livello di singola impresa.