Estimating time spent on work tasks
Este artigo introduz um método fundamentado para estimar as fatias de tempo para quase 18.000 tarefas de trabalho nos EUA ao combinar dados de frequência do ONET com comparações pareadas de duração de tarefas derivadas de modelos de linguagem, revelando que ponderar a exposição das tarefas à IA pelo tempo, em vez da contagem de tarefas, altera significativamente o ranking das ocupações afetadas e amplia a lacuna entre os empregos mais e menos expostos.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine a economia como uma cozinha gigante e movimentada, onde cada trabalho é uma receita diferente. Durante décadas, economistas tentaram entender como novas ferramentas — como um liquidificador sofisticado ou um braço robótico — mudam essas receitas. Eles perceberam que os empregos não são apenas blocos únicos e inquebráveis; eles são, na verdade, conjuntos de tarefas menores, como picar cebolas, mexer o molho ou montar o prato. Essa visão "baseada em tarefas" é a forma padrão pela qual os cientistas estudam como a tecnologia remodela o trabalho. Se um robô consegue picar cebolas mais rápido, essa tarefa específica muda, e essa mudança reverbera para afetar todo o trabalho. Mas aqui está a parte complicada: quando somamos todas essas tarefas minúsculas para ver como um trabalho inteiro é afetado, como as contamos? Contamos cada tarefa como um voto igual ou as pesamos pelo tempo que um trabalhador realmente gasta nelas? Acontece que essa questão de "quanto tempo" é o ingrediente que falta e que pode mudar completamente nossa compreensão de quais empregos têm maior probabilidade de serem transformados pela Inteligência Artificial.
Este artigo, escrito por pesquisadores de Stanford e da Universidade de São Paulo, é como um rastreador de tempo massivo e meticuloso para a força de trabalho americana. Os autores notaram que estudos anteriores que tentavam descobrir quais empregos estavam mais expostos à IA estavam apenas adivinhando quanto tempo os trabalhadores passavam em tarefas específicas. Alguns estudos apenas contavam quantas tarefas um trabalho possuía, enquanto outros usavam categorias aproximadas como tarefas "principais" ou "suplementares", tratando uma verificação rápida de 30 segundos da mesma forma que uma análise profunda de 4 horas. Os pesquisadores argumentam que isso é como julgar um filme contando o número de cenas, em vez de quanto tempo o público passa assistindo ao desenrolar do enredo.
Para corrigir isso, a equipe construiu um novo método para estimar a participação de tempo real para quase 18.000 tarefas diferentes em quase 1.000 ocupações dos EUA. Eles não apenas pediram a um computador para adivinhar; eles dividiram o problema em duas partes. Primeiro, observaram a frequência com que uma tarefa acontece. Segundo, e esta é a parte inteligente, usaram um modelo de linguagem (uma IA) para classificar as tarefas umas contra as outras para descobrir quais levam mais tempo para serem realizadas uma única vez. Eles então inseriram essas classificações em um quebra-cabeça matemático (um programa linear) que precisava encaixar tudo em uma jornada de trabalho realista de 7 horas. É como resolver um quebra-cabeça onde as peças são tarefas e a imagem é um dia inteiro de trabalho.
Os resultados deste experimento de rastreamento de tempo são surpreendentes e mudam o cenário da conversa. Quando os pesquisadores aplicaram seus novos pesos baseados em tempo para ver o quão expostas as ocupações estão à IA, a lista dos empregos "mais em risco" mudou dramaticamente. Estudos anteriores sugeriam que empregos clericais e administrativos eram os mais vulneráveis porque tinham o maior número de tarefas expostas à IA. No entanto, a nova visão baseada no tempo sugere que, embora esses empregos tenham muitas tarefas pequenas e expostas, essas tarefas não ocupam muito do dia do trabalhador. Em contraste, empregos que envolvem análise profunda, pesquisa e escrita — que podem ter menos tarefas no total — dedicam uma enorme parte do tempo do trabalhador a essas tarefas específicas.
Quando os autores reclassificaram as 25 principais ocupações mais expostas usando seus dados de tempo, 11 delas trocaram de lugar. A lista afastou-se dos cargos clericais e moveu-se em direção aos analíticos. Por exemplo, descobriram que, para um Massagista, embora 44% das tarefas listadas possam ser tecnicamente "expostas" à IA, essas tarefas representam apenas 16% do tempo real gasto trabalhando. Por outro lado, para um Atuário, as tarefas expostas podem ser menos numerosas, mas consomem quase 90% de seu tempo de trabalho. O artigo sugere que, ao focar na fração do tempo de trabalho exposta à IA, em vez de apenas na fração de tarefas, obtemos uma imagem muito mais clara e, muitas vezes, mais intensa do impacto nos papéis mais vulneráveis. Os autores ressaltam cuidadosamente que esta é uma nova forma de medir a exposição, não uma previsão de que esses empregos desaparecerão definitivamente, mas isso sugere que os empregos de "manchete" mais afetados pela IA podem ser diferentes do que pensávamos anteriormente.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.