Estimating time spent on work tasks
Questo articolo introduce un metodo fondato per stimare le quote temporali per quasi 18.000 mansioni lavorative statunitensi combinando i dati di frequenza ONET con confronti a coppie della durata dei compiti derivati da modelli linguistici, rivelando che pesare l'esposizione delle mansioni all'IA in base al tempo piuttosto che al numero di mansioni altera significativamente la classifica delle occupazioni colpite e amplia il divario tra i lavori più e meno esposti.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate l'economia come una cucina gigante e frenetica dove ogni lavoro è una ricetta diversa. Per decenni, gli economisti hanno cercato di capire come nuovi strumenti — come un frullatore sofisticato o un braccio robotico — cambino queste ricette. Si sono resi conto che i lavori non sono solo blocchi singoli e indistruttibili; sono in realtà insieme di compiti più piccoli, come tritare le cipolle, mescolare la salsa o impiattare il piatto. Questa visione "basata sui compiti" è il modo standard con cui gli scienziati studiano come la tecnologia rimodelli il lavoro. Se un robot può tritare le cipolle più velocemente, quel compito specifico cambia, e questo cambiamento si propaga verso l'alto per influenzare l'intero lavoro. Ma ecco la parte complicata: quando sommiamo tutti questi piccoli compiti per vedere come un intero lavoro venga influenzato, come li contiamo? Contiamo ogni compito come un voto uguale, o li pesiamo in base a quanto tempo un lavoratore impiega effettivamente per svolgerli? Si scopre che questa domanda su "quanto tempo" è l'ingrediente mancante che potrebbe cambiare completamente la nostra comprensione di quali lavori siano più probabili che vengano trasformati dall'Intelligenza Artificiale.
Questo articolo, scritto da ricercatori di Stanford e dell'Università di San Paolo, è come un enorme e meticoloso cronometro per la forza lavoro americana. Gli autori hanno notato che studi precedenti, che cercavano di capire quali lavori fossero più esposti all'IA, stavano tirando a indovinare quanto tempo i lavoratori trascorrano su compiti specifici. Alcuni studi contavano semplicemente quanti compiti aveva un lavoro, mentre altri usavano categorie approssimative come compiti "core" o "supplementari", trattando un rapido controllo di 30 secondi allo stesso modo di un'analisi approfondita di 4 ore. I ricercatori sostengono che questo sia come giudicare un film contando il numero di scene piuttosto che quanto tempo il pubblico trascorre a guardare la trama.
Per risolvere il problema, il team ha costruito un nuovo metodo per stimare la quota di tempo effettivo per quasi 18.000 diversi compiti in quasi 1.000 occupazioni statunitensi. Non si sono limitati a chiedere a un computer di indovinare; hanno scomposto il problema in due parti. Per prima cosa, hanno osservato quanto spesso accade un compito (frequenza). In secondo luogo, ed ecco la parte geniale, hanno usato un modello linguistico (un'IA) per classificare i compiti l'uno rispetto all'altro per capire quali richiedessero più tempo per essere eseguiti una singola volta. Hanno poi inserito queste classificazioni in un puzzle matematico (un programma lineare) che doveva incastrarle tutto in una realistica giornata lavorativa di 7 ore. È come risolvere un puzzle in cui i pezzi sono i compiti e l'immagine è una giornata lavorativa completa.
I risultati di questo esperimento di monitoraggio del tempo sono sorprendenti e cambiano il panorama della conversazione. Quando i ricercatori hanno applicato i loro nuovi pesi basati sul tempo per vedere quanto ogni lavoro fosse esposto all'IA, la lista dei lavori "più a rischio" è cambiata drasticamente. Studi precedenti suggerivano che i lavori d'ufficio e amministrativi fossero i più vulnerabili perché avevano il maggior numero di compiti esposti all'IA. Tuttavia, la nuova visione basata sul tempo suggerisce che, sebbene questi lavori abbiano molti piccoli compiti esposti, tali compiti non occupano in realtà gran parte della giornata del lavoratore. Al contrario, i lavori che comportano un'analisi profonda, ricerca e scrittura — che potrebbero avere meno compiti totali — dedicano una fetta enorme del tempo del lavoratore a quei compiti specifici.
Quando gli autori hanno riclassificato le 25 occupazioni più esposte usando i loro dati temporali, 11 di esse hanno cambiato posizione. La lista si è spostata dai ruoli d'ufficio verso quelli analitici. Ad esempio, hanno scoperto che per un Massaggiatore, sebbene il 44% dei compiti elencati possa essere tecnicamente "esposto" all'IA, tali compiti costituiscono solo il 16% del tempo effettivo di lavoro. Viceversa, per un Attuario, i compiti esposti potrebbero essere meno numerosi ma consumano quasi il 90% del loro tempo lavorativo. L'articolo suggerisce che concentrandoci sulla frazione di tempo lavorativo esposta all'IA, piuttosto che solo sulla frazione di compiti, otteniamo un quadro molto più chiaro e spesso più intenso dell'impatto sui ruoli più vulnerabili. Gli autori sottolineano con cura che questo è un nuovo modo di misurare l'esposizione, non una previsione che questi lavori scompariranno sicuramente, ma suggerisce che i lavori "di primo piano" più influenzati dall'IA potrebbero essere diversi da come pensavamo in precedenza.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.