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

Technische Samenvatting: Volg het Geld: Een op Startups Gebaseerde Maatstaf voor AI-Blootstelling over Beroepen, Industrieën en Regio's

Probleemstelling
De snelle integratie van Kunstmatige Intelligentie (AI) in de werkplek vereist robuuste metrieken om de tastbare impact ervan op de arbeidsmarkt te evalueren. Bestaande maten van beroepsmatige AI-blootstelling, zoals de AI Occupational Exposure (AIOE) index voorgesteld door Felten et al. (2019, 2021), vertrouwen grotendeels op de theoretische potentie van AI om menselijke arbeid te substitueren of aan te vullen op basis van technische haalbaarheid. Deze benaderingen maken vaak gebruik van deskundige oordelen, crowd-sourced evaluaties of octrooianalyses om AI-capaciteiten te koppelen aan beroepstaken. Echter, deze metrieken lijden onder significante beperkingen: ze zijn vaak subjectief, niet-reproduceerbaar of lopen achter op de huidige ontwikkelingen vanwege vertragingen in octrooiaanvragen. Cruciaal is dat ze potentiële blootstelling meten in plaats van werkelijke adoptie, waardoor ze geen rekening houden met economische levensvatbaarheid, sociale wenselijkheid en de specifieke marktkeuzes van AI-ontwikkelaars. Gevolgelijk is er een gebrek aan inzicht in welke beroepen daadwerkelijk worden getarget door huidige AI-innovaties, wat het nut van deze indices voor beleidsmakers beperkt.

Methodologie
Om deze hiaten aan te pakken, introduceren de auteurs de AI Startup Exposure (AISE) index, een nieuwe metriek die geworteld is in werkelijke investeringsactiviteit in plaats van theoretische capaciteit. De methodologie verloopt als volgt:

1. Databronnen:

   • Beroepsbeschrijvingen: De studie maakt gebruik van de O*NET-database, specifiek de korte samenvattende beschrijvingen van essentiële taken voor 1.016 Standard Occupational Classification (SOC) banen. Deze samenvattingen werden gekozen boven volledige lijsten met taken om ruis te verminderen en te focen op relevante kenmerken van banen.
   • AI-innovatiedata: De auteurs hebben de beschrijvingen gescrapt van startups gefinancierd door Y Combinator (YC), een toona Leading Amerikaanse durfkapitalist en accelerator. Ze filterden op startups met specifieke AI-gerelateerde tags (bijv. "generatieve AI", "machine learning", "computer vision"), wat resulteerde in een dataset van 958 AI-startups gefinancierd tussen 2005 en maart 2024.
   • Geografische en Sectorale Data: Werkgelegenheidsaandelen voor beroepen werden afkomstig uit de Quarterly Census of Employment and Wages (QCEW) van de US Bureau of Labor Statistics om gewogen gemiddelden voor Metropolitan Statistical Areas (MSAs) en NAICS-sectoren te berekenen.

2. LLM-gebaseerde Analyse:

   • De auteurs maken gebruik van Meta's Llama 3 (een open-weight, state-of-the-art Large Language Model) om de gelijkenis tussen productbeschrijvingen van startups en samenvattingen van beroepstaken te beoordelen.
   • Prompting Strategie: Voor elk paar (Startup, Beroep) wordt het LLM geïnstrueerd om te bepalen of het product of de dienst van de startup mensen direct kan vervangen bij het uitvoeren van één of meer van de essentiële taken die in de O*NET-samenvatting worden beschreven. Het model krijgt de instructie om uitsluitend "ja" of "nee" te antwoorden op basis strikt van de verstrekte tekst.
   • Scoring: De Occupational AISE voor een specifiek beroep wordt berekend als het genormaliseerde aantal door het LLM geïdentificeerde door YC-gefinancierde AI-startups dat in staat is essentiële taken voor dat beroep te substitueren.

3. Validatie en Vergelijking:

   • De AISE-index wordt vergeleken met de standaard AIOE index (Felten et al., 2021). Terwijl AIOE een op bekwaamheid gebaseerde maatstaf is afgeleid van crowd-sourced enquêtes die AI-toepassingen koppelen aan 52 O*NET-vaardigheden, is AISE een op taken gebaseerde maatstaf afgeleid van werkelijke startup-aanbiedingen.
   • Robotic Startup Exposure (RSE): Een parallelle methodologie wordt toegepast op 103 op robotica gerichte startups om een RSE-index te creëren, waarbij de intersectie van AI en fysieke automatisering wordt geanalyseerd.

4. Geografische en Sectorale Aggregatie:

   • Geografische blootstelling wordt berekend als het op werkgelegenheid gewogen gemiddelde van de Occupational AISE over MSAs.
   • Sectorale blootstelling wordt berekend als het op werkgelegenheid gewogen gemiddelde over 19 twee-cijferige NAICS-sectoren.

Belangrijkste Resultaten

• Patronen in Beroepsmatige Blootstelling:

  • Hoge Blootstelling: De beroepen met de hoogste AISE-scores zijn die met routinematige organisatorische en informatieverwerkende taken. Topvoorbeelden zijn Algemene kantoorbedienden, Data scientists, Managers van computer- en informatiesystemen en Marktonderzoekers. Deze rollen worden steeds vaker getarget door startups die LLM's, multi-agent systemen en automatiseringstools ontwikkelen.
  • Lage Blootstelling: Beroepen met lage AISE-scores zijn onder andere Atleten, Rechterlijke magistraten en Pediatrische chirurgen. Ondanks dat zij volgens de AIOE een hoge theoretische blootstelling hebben (door cognitieve complexiteit), worden deze rollen minder vaak getarget door startups. De auteurs schrijven dit toe aan ethische beperkingen, besluitvorming met hoge inzet en de noodzaak van menselijke verantwoording, wat barrières voor adoptie creëert die verder gaan dan louter technische haalbaarheid.
  • Divergentie van AIOE: Een belangrijke bevinding is de heterogeniteit tussen AISE en AIOE. Terwijl AIOE suggereert dat hooggeschoolde, hoogopgeleide banen uniformal gevaar lopen, laat AISE zien dat veel hooggeschoolde rollen (bijv. rechters, artsen) een lage werkelijke blootstelling hebben. Deze "omgekeerde vaardigheidsbias" suggereert dat de behoefte aan geavanceerde vaardigheden en de hoge kosten van fouten in deze rollen de huidige AI-investeringen afschrikken, zelfs wanneer de taken theoretisch automatiseerbaar zijn.

• Geografische Verdeling:

  • AI-blootstelling is sterk geconcentreerd in kennisintensieve metropolen met een expanderende digitale economie, zoals San Jose, San Francisco, Seattle, Austin en Boulder.
  • Daartegenover staat het Midwest, dat de laagste blootstelling vertoont, wat correleert met de afhankelijkheid van de regio van productie en landbouw, sectoren die trager zijn met de integratie van AI.

• Sectorale Verdeling:

  • Dienstverlenende sectoren die een hoog niveau van informatieverwerking en educatie vereisen, tonen de grootste blootstelling.
  • Sectoren zoals Onderwijsdiensten en Gezondheidszorg, hoewel educatie-intensief, tonen relatief lagere blootstelling vanwege het cruciale karakter van hun kerntaken.
  • Traditionele sectoren zoals Bouw en Landbouw worden minder frequent getarget door AI-startups.

• Convergentie van AI en Robotica:

  • De voorlopige RSE-analyse geeft aan dat hoewel veel lage-AISE-banen (handmatige taken) een hoge RSE hebben, veel hoge-AISE-banen ook een hoge RSE vertonen. Dit suggereert dat de gezamenlijke actie van AI en robotica kan leiden tot een meer alomvattende disruptie over zowel white-collar als blue-collar beroepen.

Betekenis en Claims
Het artikel beweert dat de AISE-index een realistischere, toekomstgerichte en economisch beter onderbouwde beoordeling biedt van de impact van AI op de arbeidsmarkt vergeleken met bestaande theoretische metrieken. Door te focussen op door durfkapitaal gefinancierde innovaties, vangt de index de "maatschappelijke wenselijkheid" en de "marktgerichte keuzes" van AI-spelers op, die cruciale determinanten zijn voor werkelijke adoptie.

Belangrijke bijdragen zijn onder meer:

1. Het Uitdagen van de "High-Skills Catastrophe": De bevindingen suggereren dat de angsten voor grootschalige, onmiddellijke verdringing van hooggeschoolde professionals overdreven kunnen zijn. In plaats daarvan lijkt AI-adoptie geleidelijk te gaan, waarbij de focus ligt op routinematige, economisch levensvatbare taken, terwijl expertgestuurde rollen met een hoge inzet op korte termijn relatief beschermd blijven.
2. Beleid nut: De AISE biedt een dynamische, reproduceerbare tool voor beleidsmakers om het evoluerende landschap van AI-adoptie te monitoren. Omdat het vertrouwt op open-weight LLM's en publiekelijk beschikbare startup-data, kan de index in bijna real-time worden bijgewerkt naarmate er nieuwe financieringsrondes plaatsvinden.
3. Methodologische Innovatie: De studie demonstreert hoe het combineren van beroepsbeschrijvingen met startup-data via LLM's de theoretische potentie kan onderscheiden van de werkelijke marktinteresse, wat een genuanceerder beeld geeft van hoe AI de arbeidsmarkt vormgeeft.

De auteurs blijven bescheiden over de netto effecten op de arbeidsmarkt (substitutie versus complementariteit), waarbij zij opmerken dat AISE blootstelling aan innovatie meet in plaats van definitief banenverlies. Zij erkennen beperkingen, waaronder het potentiële bias van de financieringsvoorkeuren van Y Combinator en de aanname van beroepsmatige homogeniteit over bedrijven en regio's, en suggereren dat toekomstig werk de databronnen moet uitbreiden en bedrijfsspecifieke dynamiek moet opnemen.