Evo sažetka teksta u tekstualnom obliku, složenog tako da su najvažnije informacije na vrhu, a zatim ide lista poslova s postocima izloženosti AI-u.

Sažetak rada “Labor market impacts of AI”

Najvažniji zaključak rada je da je stvarna uporaba AI-ja u poslu još znatno manja od njegove teorijske mogućnosti. Autori uvode mjeru observed exposure, koja ne gleda samo što bi LLM teoretski mogao raditi, nego što se stvarno radi u profesionalnoj uporabi, uz veći naglasak na automatizirane i radne slučajeve uporabe. U ključnim nalazima navode da je AI još daleko od svoje pune teorijske primjene, da su zanimanja s većom stvarnom izloženošću povezana sa slabijim projekcijama rasta zaposlenosti do 2034., da su radnici u najizloženijim zanimanjima češće stariji, obrazovaniji i bolje plaćeni, te da zasad nema sustavnog rasta nezaposlenosti u najizloženijim zanimanjima, iako postoje naznake da je zapošljavanje mlađih radnika usporilo.

Metodologija rada kombinira tri izvora: O*NET bazu zadataka po zanimanjima, Anthropicove podatke o stvarnoj uporabi Claudea i raniji model teorijske izloženosti zadataka iz rada Eloundou i sur. Autori dodatno objašnjavaju da posao ima veću izloženost ako su njegovi zadaci teorijski izvedivi AI-jem, ako se stvarno pojavljuju u poslovnoj uporabi, ako se odvijaju u radnom kontekstu, ako imaju veći udio automatizacije ili API implementacije i ako takvi zadaci čine veći dio ukupne uloge. Također navode da je 97% zadataka opaženih u Claude uporabi već u kategorijama koje su teorijski izvedive za LLM, što pokazuje da postoji jaka veza između teorijske mogućnosti i stvarne uporabe, ali i dalje velik jaz između njih.

Ključni primjer tog jaza vide u širokim skupinama zanimanja. U kategoriji Computer & Math teorijska mogućnost iznosi 94%, dok stvarna pokrivenost kroz Claude trenutno iznosi 33%. U kategoriji Office & Admin teorijska mogućnost iznosi 90%, ali rad naglašava da je stvarna uporaba i tu osjetno niža od teorijskog maksimuma. Drugim riječima, modeli mogu mnogo više nego što se danas stvarno koristi u radu.

Autori pritom ne tvrde da je tržište rada već doživjelo veliki potres. Naprotiv, njihov rezultat pokazuje da je učinak na nezaposlenost zasad statistički nejasan, odnosno da nema jasnog dokaza o sustavnom rastu nezaposlenosti u najizloženijim zanimanjima nakon pojave ChatGPT-ja. Ipak, kod mladih radnika u dobi 22–25 godina nalaze signal da je stopa ulaska u najizloženija zanimanja pala oko 14% u odnosu na 2022., premda i sami upozoravaju da je taj nalaz tek rubno statistički značajan i da može imati više tumačenja.

Važan dodatni nalaz je da je veća observed exposure povezana sa slabijim dugoročnim projekcijama rasta zanimanja. Autori procjenjuju da za svakih 10 postotnih bodova veće pokrivenosti BLS projekcija rasta zaposlenosti pada za oko 0,6 postotnih bodova, iako sami kažu da je ta veza slaba.

Lista poslova s najvećom stvarnom izloženošću AI-u (Figure 3)

Ovo je najvažnija lista iz rada jer pokazuje gdje se AI u praksi najviše koristi danas:

1. Computer programmers — 74,5%
2. Customer service representatives — 70,1%
3. Data entry keyers — 67,1%
4. Medical record specialists — 66,7%
5. Market research analysts and marketing specialists — 64,8%
6. Sales representatives, wholesale and manufacturing, except technical and scientific products — 62,8%
7. Financial and investment analysts — 57,2%
8. Software quality assurance analysts and testers — 51,9%
9. Information security analysts — 48,6%
10. Computer user support specialists — 46,8%

Vrijednosti su preuzete iz tablice Figure 3: Most exposed occupations u službenom PDF-u; sam tekst dodatno izričito ističe prva tri mjesta: programeri oko 75%, korisnička podrška oko 70% i data entry oko 67%.

Što ova lista stvarno govori

Najizloženiji nisu fizički poslovi, nego poslovi koji se sastoje od rada nad informacijama: pisanje i održavanje koda, korisnička komunikacija po predlošku, unos podataka, obrada medicinske dokumentacije, analiza tržišta, financijska analiza, testiranje softvera i informacijska sigurnost. To znači da je trenutni val AI utjecaja najjači ondje gdje je rad već digitalan, tekstualan, strukturiran i lako prenosiv u API ili workflow.

Tko je zasad najmanje zahvaćen

Rad navodi da 30% radnika ima nultu pokrivenost jer se njihovi zadaci gotovo ne pojavljuju u podacima ili su slabo prikladni za ovakvu vrstu AI uporabe. Kao primjere navode kuhare, mehaničare motocikala, spasioce, barmene, perače posuđa i pomoćnike u garderobi.

Jedna rečenica za članak

Ako želite sažeti cijeli rad u jednoj rečenici, najtočnije bi bilo napisati: AI danas na tržištu rada najviše zahvaća digitalne uredske i analitičke poslove, ali stvarna uporaba još je znatno ispod teorijske mogućnosti modela, pa zasad više vidimo promjene u strukturi zadataka i zapošljavanju mlađih nego jasan val nezaposlenosti.

1. IDENTIFIKACIJA IZVORA

• Naslov dokumenta: Labor market impacts of AI: A new measure and early evidence
• Autori / organizacija: Maxim Massenkoff i Peter McCrory; javno objavljeno na Anthropic Research
• Link izvora: https://www.anthropic.com/research/labor-market-impacts
• Vrsta izvora: PDF rad / research note
• Napomena: Analiza se temelji isključivo na sadržaju ovog izvora.

2. KLJUČNE TVRDNJE IZ DOKUMENTA

1. Nova mjera “Observed Exposure”
   Dokument uvodi novu mjeru AI displacement risk, “observed exposure”, koja kombinira teorijsku LLM capability i real-world usage data, uz veću težinu za automated i work-related uses.
2. Rani nalaz o učinku na zaposlenost
   Autori pišu da rad “test it against early data” i nalazi limited evidence da je AI do sada utjecao na zaposlenost; istodobno izričito navode da pristup “won’t capture every channel” kroz koji AI može preoblikovati tržište rada.
3. Tri izvora podataka za mjerenje exposure
   Dokument navodi da pristup kombinira tri izvora: O*NET, vlastite usage podatke iz Anthropic Economic Indexa i task-level exposure estimates iz Eloundou et al. (2023).
4. Figure 1 — raspodjela Claude usage prema β
   Figure 1 navodi da taskovi s β=1 čine 68% observed Claude usage, a taskovi s β=0 čine 3%. Tekst dodatno kaže da 97% taskova opaženih u prethodna četiri Economic Index izvještaja pada u kategorije β=0.5 ili β=1.0.
5. Što “Observed Exposure” treba mjeriti
   Dokument definira “Observed Exposure” kao pitanje: od taskova koje bi LLM-ovi teoretski mogli ubrzati, koji stvarno vide automated usage u professional settings.
6. Kada je job exposure viši
   Dokument kaže da je exposure veći ako su taskovi teorijski mogući s AI, ako imaju significant usage u Anthropic Economic Indexu, ako su work-related, ako imaju veći udio automated/API patterns i ako AI-impacted taskovi čine veći dio role.
7. Kako se coverage računa
   Dokument navodi da se task računa kao covered ako ima dovoljno work-related usage u Claude trafficu; fully automated implementations dobivaju punu težinu, augmentative use pola težine; zatim se task-level coverage agregira na occupation level, ponderirano udjelom vremena po tasku.
8. Figure 2 — eksplicitno navedene točne vrijednosti
   Tekst uz Figure 2 eksplicitno navodi: Computer & Math = 94% teoretske penetracije, Office & Admin = 90% teoretske penetracije; za observed coverage navodi da Claude trenutno pokriva 33% svih taskova u Computer & Math kategoriji.
9. Figure 3 — što dokument tvrdi da prikazuje
   Dokument kaže da Figure 3 prikazuje “the ten occupations most exposed under this measure” i “top ten most exposed occupations using our task coverage measure.”
10. Dno raspodjele coverage
    Dokument navodi da 30% workers have zero coverage, jer su se njihovi taskovi pojavljivali previše rijetko da bi zadovoljili minimum threshold; kao primjere navodi cooks, motorcycle mechanics, lifeguards, bartenders, dishwashers i dressing room attendants.
11. Observed exposure i BLS growth projections
    Dokument kaže da su BLS growth projections nešto slabije za poslove s višim observed exposure; za svakih 10 percentage point više coverage, BLS growth projection pada za 0.6 percentage points. U istom odlomku piše da je odnos slight i da nema takve korelacije kada se koristi samo Eloundou et al. mjera.
12. Karakteristike high-exposure workers
    Dokument navodi da je more exposed group 16 percentage points češće female, 11 percentage points češće white, gotovo dvostruko češće Asian, da zarađuje 47% more, te ima višu razinu obrazovanja; kao primjer daje graduate degree: 4.5% u unexposed group naspram 17.4% u most exposed group.
13. Figure 6 — rezultat za unemployment
    Dokument navodi da je prosječna promjena u gapu od releasea ChatGPT-a small and insignificant, što sugerira da je unemployment rate više exposed grupe porastao blago, ali je efekt indistinguishable from zero.
14. Figure 7 — rezultat za young workers
    Dokument navodi da u post-ChatGPT razdoblju postoji 14% drop u job finding rate u exposed occupations u odnosu na 2022, ali da je to just barely statistically significant; dokument također kaže da nema takvog pada za workers older than 25.
15. Metodološke ograde i sljedeći koraci
    Dokument navodi da framework neće uhvatiti svaki kanal utjecaja AI-ja; da postoje judgment calls at every step; da future updates trebaju proširiti usage sliku, a Eloundou metric bi se mogao ažurirati; te da bi sljedeći korak mogao biti praćenje recent graduates u exposed areas.

3. STROGI SAŽETAK

Dokument uvodi novu mjeru “Observed Exposure”. Prema samom dokumentu, ta mjera kombinira teorijsku mogućnost LLM-a, stvarno usage ponašanje na Anthropicovoj platformi, work-related kontekst, automated/API weighting i time-weighted agregaciju na razinu zanimanja. Dokument izričito kaže da ta mjera treba pokazati: od taskova koje LLM-ovi teoretski mogu ubrzati, koji stvarno vide automated usage u professional settings.

Dokument također izričito navodi da je stvarni coverage još ispod teorijske capability. To pokazuje na nekoliko mjesta: Figure 1 navodi da taskovi s β=1 čine 68% observed Claude usage, a taskovi s β=0 samo 3%, dok tekst dodaje da 97% opaženih taskova pada u β=0.5 ili β=1.0 kategorije. Uz Figure 2 tekst eksplicitno navodi da je teoretska penetracija 94% za Computer & Math i 90% za Office & Admin, dok Claude trenutno pokriva 33% svih taskova u Computer & Math kategoriji.

Za Figure 3 dokument kaže da prikazuje top ten most exposed occupations using our task coverage measure. Točno prema tablici u dokumentu, na vrhu su Computer programmers (74.5%), Customer service representatives (70.1%) i Data entry keyers (67.1%). Dokument također navodi da je 30% workers na dnu raspodjele s zero coverage. NIJE IZRIČITO NAVEDENO U DOKUMENTU da ti postoci predstavljaju udio svih radnika u tim zanimanjima koji koriste AI. Dokument izričito govori o most exposed occupations i task coverage measure.

Na strani učinaka na tržište rada dokument kaže da je observed exposure povezan sa slabijim BLS growth projections: za svakih 10 percentage point više coverage, projekcija rasta pada za 0.6 percentage points, uz napomenu da je odnos slight. Za unemployment dokument navodi da od releasea ChatGPT-a ne nalazi sistematski rast nezaposlenosti u highly exposed group: prosječna promjena u gapu je small and insignificant i efekt je indistinguishable from zero. Za workers aged 22–25 dokument navodi 14% drop u job finding rate u exposed occupations u odnosu na 2022, ali uz izričitu ogradu da je rezultat just barely statistically significant i da postoje alternativna tumačenja te caveat o mogućem survey mismeasurementu.

Dokument dodatno navodi da su workers u more exposed group stariji, češće female, češće white, gotovo dvostruko češće Asian, više obrazovani i bolje plaćeni; kao primjer daje graduate degree: 4.5% u unexposed group naspram 17.4% u most exposed group. Istodobno dokument sam navodi više ograda: framework neće uhvatiti sve kanale utjecaja AI-ja, postoje judgment calls at every step, a budući radovi trebali bi ažurirati usage podatke i razmotriti kako recent graduates u exposed fields prolaze na tržištu rada.

4. TABLIČNI PRIKAZ IZ DOKUMENTA

B. Figure 2 — eksplicitno napisane točne brojke

C. Ostale eksplicitno navedene brojke iz dokumenta

5. OGRANIČENJA I NEJASNOĆE

1. Za Figure 2 nisu navedeni točni postoci za sve occupational categories. Dokument numerički eksplicitno navodi samo Computer & Math (94%), Office & Admin (90%) i Computer & Math coverage (33%). Ostale kategorije prikazane su na radar chartu bez numerički ispisanih vrijednosti, pa nisu prikazane kao točni podaci.
2. Figure 3 nije protumačen kao tržišni udio uporabe AI-ja po zanimanjima. Dokument izričito kaže da Figure 3 prikazuje “top ten most exposed occupations using our task coverage measure.” NIJE IZRIČITO NAVEDENO U DOKUMENTU da ti postoci predstavljaju udio svih radnika u tim zanimanjima koji koriste AI.
3. Sam dokument navodi da framework ne hvata sve kanale utjecaja AI-ja.
4. Sam dokument navodi da postoje “judgment calls at every step.”
5. Rezultat za young workers sam dokument kvalificira kao slabiji signal. Dokument kaže da je 14% drop u job finding rate just barely statistically significant i navodi alternativna tumačenja te caveat o mogućem survey mismeasurementu.