Влияние ИИ на рынок труда: новая метрика и первые данные

Ключевые выводы

Мы вводим новую метрику риска вытеснения ИИ — наблюдаемую подверженность (observed exposure), которая объединяет теоретические возможности LLM и данные о реальном использовании, придавая больший вес автоматизированным (а не вспомогательным) и рабочим сценариям применения.
ИИ далёк от реализации своего теоретического потенциала: фактический охват составляет лишь малую долю от возможного.
Профессии с более высокой наблюдаемой подверженностью, по прогнозам BLS, будут расти медленнее до 2034 года.
Работники наиболее подверженных профессий чаще оказываются старше, женского пола, более образованными и высокооплачиваемыми.
Мы не обнаружили систематического роста безработицы среди высокоподверженных работников с конца 2022 года, хотя есть косвенные свидетельства замедления найма молодых сотрудников в подверженных профессиях.

Введение

Быстрое распространение ИИ порождает волну исследований, измеряющих и прогнозирующих его влияние на рынок труда. Однако опыт прошлых подходов даёт повод для скромности.

Например, известная попытка измерить возможность офшоринга рабочих мест определила около четверти рабочих мест в США как уязвимые, но спустя десятилетие большинство из них сохранили здоровый рост занятости. Собственные прогнозы правительства по росту занятости, хотя и верные по направлению, почти не добавляли предсказательной ценности сверх линейной экстраполяции прошлых тенденций. Даже ретроспективно влияние крупных экономических потрясений на рынок труда нередко остаётся неясным. Исследования влияния промышленных роботов на занятость приходят к противоположным выводам, а масштаб потерь рабочих мест, приписываемых торговому шоку с Китаем, по-прежнему остаётся предметом дискуссий.¹

В этой статье мы представляем новую концептуальную основу для понимания влияния ИИ на рынок труда и проверяем её на ранних данных, обнаруживая ограниченные свидетельства того, что ИИ на сегодняшний день повлиял на занятость. Наша цель — выработать подход к измерению того, как ИИ влияет на занятость, и периодически пересматривать эти анализы. Этот подход не охватит все каналы, через которые ИИ может изменить рынок труда, но, заложив основу сейчас, до появления значимых эффектов, мы надеемся, что будущие результаты позволят надёжнее выявлять экономические потрясения, чем ретроспективный анализ.

Возможно, влияние ИИ окажется очевидным. Эта концептуальная основа наиболее полезна, когда эффекты неоднозначны — и может помочь выявить наиболее уязвимые рабочие места до того, как вытеснение станет заметным.

Контрфактические сценарии

Причинно-следственный вывод проще, когда эффекты велики и внезапны. Пандемия COVID-19 и сопутствующие политические меры вызвали столь разительные экономические потрясения, что для многих вопросов не требовалось сложных статистических подходов. Например, безработица резко выросла в первые недели пандемии, оставляя мало места для альтернативных объяснений.

Однако влияние ИИ может быть менее похоже на COVID и больше — на интернет или торговлю с Китаем. Эффекты могут быть не сразу заметны из совокупных данных о безработице; такие факторы, как торговая политика и деловой цикл, могут затруднять интерпретацию трендов.

Один из распространённых подходов — сравнивать результаты между работниками, компаниями или отраслями с разной степенью подверженности ИИ, чтобы изолировать его эффект от смешивающих факторов.² Подверженность обычно определяется на уровне задач: ИИ может проверять домашние задания, но не управлять классом, поэтому учителя считаются менее подверженными, чем работники, чья работа целиком может выполняться удалённо.

Наша работа следует этому подходу на основе задач, включая меры теоретических возможностей ИИ и реального использования, с последующей агрегацией до уровня профессий.³

Измерение подверженности

Наш подход объединяет данные из трёх источников.

База данных O*NET, которая перечисляет задачи, связанные примерно с 800 уникальными профессиями в США.
Наши собственные данные об использовании (измеренные в Anthropic Economic Index).
Оценки подверженности на уровне задач из Eloundou et al. (2023), измеряющие, теоретически ли возможно для LLM ускорить выполнение задачи как минимум вдвое.

Метрика Eloundou et al., β, оценивает задачи по простой шкале: 1, если задача может быть выполнена вдвое быстрее с помощью LLM самостоятельно; 0,5, если для этого требуются дополнительные инструменты или программное обеспечение, построенное поверх LLM; и 0 в остальных случаях.⁴

Почему фактическое использование может не достигать теоретических возможностей? Некоторые теоретически возможные задачи могут не отражаться в использовании из-за ограничений модели. Другие могут медленно распространяться из-за правовых ограничений, специфических требований к программному обеспечению, необходимости верификации человеком или других препятствий. Например, Eloundou et al. отмечают задачу «Авторизовать повторные выписки рецептов и предоставлять информацию о рецептах аптекам» как полностью подверженную (β=1). Мы не наблюдали, чтобы Claude выполнял эту задачу, хотя оценка кажется верной в том смысле, что теоретически LLM мог бы её ускорить.

Тем не менее эти меры теоретических возможностей и фактического использования высоко коррелированы. Как показывает Рисунок 1, 97% задач, наблюдаемых в предыдущих четырёх отчётах Economic Index, попадают в категории, признанные теоретически осуществимыми по Eloundou et al. (β=0,5 или β=1,0).

Новая метрика профессиональной подверженности

Наша новая метрика, наблюдаемая подверженность, призвана количественно ответить на вопрос: из тех задач, которые LLM теоретически могут ускорить, какие фактически видят автоматизированное использование в профессиональных условиях? Теоретические возможности охватывают значительно более широкий круг задач. Отслеживая, как этот разрыв сокращается, наблюдаемая подверженность даёт представление об экономических изменениях по мере их возникновения.

Наша метрика качественно отражает несколько аспектов использования ИИ, которые, по нашему мнению, предсказывают влияние на рабочие места. Подверженность профессии выше, если:

Её задачи теоретически возможны с ИИ
Её задачи демонстрируют значительное использование в Anthropic Economic Index⁵
Её задачи выполняются в рабочих контекстах
В ней относительно выше доля автоматизированных паттернов использования или реализации через API
Задачи, затронутые ИИ, составляют бо́льшую долю общей роли⁶

Математические подробности приведены в Приложении. Мы считаем задачи, теоретически выполнимые с LLM, охваченными, если они получили достаточное рабочее использование в трафике Claude. Затем мы корректируем с учётом способа выполнения задачи: полностью автоматизированные реализации получают полный вес, тогда как вспомогательное использование — половину. Наконец, меры охвата на уровне задач усредняются до уровня профессии с весами, пропорциональными доле времени, затрачиваемого на каждую задачу.

Рисунок 2 показывает наблюдаемую подверженность (красным) в сравнении с β из Eloundou et al. (синим), иллюстрируя разницу между теоретическим и фактическим использованием на нашей платформе, сгруппированную по широким категориям профессий. Мы рассчитываем это, сначала усредняя до уровня профессии с весами по нашей мере доли времени, затем усредняя до категории профессий с весами по общей занятости. Например, метрика β показывает потенциал проникновения LLM в большинство задач в категориях «Компьютеры и математика» (94%) и «Офис и администрирование» (90%).

Красная область, отображающая использование LLM из Anthropic Economic Index, показывает, как люди используют Claude в профессиональных условиях. Охват демонстрирует, что ИИ далёк от реализации своих теоретических возможностей. Например, Claude в настоящее время охватывает лишь 33% всех задач в категории «Компьютеры и математика».

По мере развития возможностей, распространения внедрения и углубления развёртывания красная область будет расти, покрывая синюю. Существует и большая неохваченная область; многие задачи, разумеется, остаются за пределами возможностей ИИ — от физического сельскохозяйственного труда, такого как обрезка деревьев и управление сельскохозяйственной техникой, до юридических задач, таких как представление клиентов в суде.

Рисунок 3 показывает десять профессий с наибольшей подверженностью по этой метрике. В соответствии с другими данными, свидетельствующими о широком использовании Claude для написания кода, на первом месте находятся программисты с охватом 75%, за ними следуют представители службы поддержки клиентов, чьи основные задачи мы всё чаще видим в трафике API первых сторон. Наконец, операторы ввода данных, чья основная задача — чтение исходных документов и ввод данных — демонстрирует значительную автоматизацию, охвачены на 67%.

В нижней части списка 30% работников имеют нулевой охват, поскольку их задачи появлялись в наших данных слишком редко, чтобы достичь минимального порога. В эту группу входят, например, повара, мотоциклетные механики, спасатели, бармены, посудомойщики и гардеробщики.

Как подверженность соотносится с прогнозируемым ростом занятости и характеристиками работников

Бюро статистики труда США (BLS) регулярно публикует прогнозы занятости; последний набор, опубликованный в 2025 году, охватывает прогнозируемые изменения занятости для каждой профессии с 2024 по 2034 год. На Рисунке 4 мы сравниваем нашу меру охвата на уровне рабочих мест с их прогнозами.

Регрессия на уровне профессий с весами по текущей занятости показывает, что прогнозы роста несколько слабее для рабочих мест с более высокой наблюдаемой подверженностью. На каждые 10 процентных пунктов роста охвата прогноз роста BLS снижается на 0,6 процентного пункта. Это обеспечивает некоторую валидацию, поскольку наши меры согласуются с независимо полученными оценками аналитиков рынка труда, хотя связь невелика. Примечательно, что при использовании только меры Eloundou et al. такой корреляции нет.

Рисунок 5 показывает характеристики работников из верхнего квартиля подверженности и 30% работников с нулевым охватом за три месяца до выхода ChatGPT — с августа по октябрь 2022 года — на основе данных Current Population Survey.⁷ Группы существенно различаются. Более подверженная группа на 16 процентных пунктов чаще является женской, на 11 процентных пунктов чаще — белой, и почти вдвое чаще — азиатской. Они зарабатывают в среднем на 47% больше и имеют более высокий уровень образования. Например, люди с учёными степенями составляют 4,5% неподверженной группы, но 17,4% наиболее подверженной — почти четырёхкратная разница.

Приоритизация результатов

Имея в распоряжении эти меры подверженности, встаёт вопрос: что именно отслеживать. Исследователи применяли разные подходы. Например, Gimbel et al. (2025) отслеживают изменения в профессиональном составе с помощью Current Population Survey. Их аргумент состоит в том, что любая значимая реструктуризация экономики под влиянием ИИ проявилась бы в изменениях распределения рабочих мест.¹ (Они обнаруживают, что пока изменения незначительны.) Brynjolfsson et al. (2025) изучают уровни занятости в разбивке по возрастным группам, используя данные компании по обработке платёжных ведомостей ADP, тогда как Acemoglu et al. (2022) и Hampole et al. (2025) используют данные о вакансиях от Burning Glass (ныне Lightcast) и Revelio соответственно.

Мы сосредотачиваемся на безработице как приоритетном показателе, поскольку она наиболее непосредственно отражает потенциал экономического ущерба — безработный хочет найти работу, но ещё не нашёл её. В этом случае вакансии и занятость не обязательно сигнализируют о необходимости политических мер; снижение числа вакансий для высокоподверженной роли может быть компенсировано увеличением открытий в смежной. Большинство вредных последствий ИИ для рынка труда должны, по всей видимости, включать период повышенной безработицы, пока вытесненные работники ищут альтернативы. Current Population Survey хорошо подходит для отслеживания этого, поскольку безработные респонденты сообщают о своей предыдущей работе и отрасли.

Первоначальные результаты

Далее мы изучаем тенденции безработицы, сопоставляя наши меры на уровне профессий с респондентами Current Population Survey.

Ключевой вопрос при интерпретации нашей меры охвата: каких работников следует считать «обработанными»? Следует ли ожидать изменений в занятости уже при 10% охвате задач? Gans и Goldfarb (2025) показывают, что если рабочие места лучше всего описываются моделью O-ring, эффекты занятости могут проявиться только тогда, когда все задачи имеют некоторую степень проникновения ИИ. Hampole et al. (2025) утверждают, что средняя подверженность снижает спрос на труд, но концентрация подверженности только в определённых задачах может это нивелировать. А Autor и Thompson (2025) подчёркивают уровень экспертизы, необходимый для оставшихся задач.

Стремясь к простоте и учитывая, что нас больше всего беспокоят крупные воздействия, мы строим наш анализ на идее, что воздействия должны ощущаться сильнее всего в группах с наибольшей средней подверженностью. Мы сравниваем работников из верхнего квартиля взвешенного по времени охвата задач с теми, кто находится в нижнем квартиле. Если возможности ИИ будут быстро развиваться, охват задач может оказаться высоким для более низких перцентилей охвата, что может сделать абсолютный порог более полезным. Но мы исходим из предположения, что воздействия должны затронуть наиболее подверженных работников в первую очередь, и представляем результаты с варьированием порога, используемого для определения «обработанной» группы.

Верхняя панель Рисунка 6 показывает необработанные тенденции уровня безработицы с 2016 года для работников из верхнего квартиля подверженности и неподверженной группы. Во время COVID менее подверженные ИИ работники — которые с большей вероятностью имеют очные рабочие места — испытали значительно больший рост безработицы. С тех пор тенденции в двух группах в целом схожи. Нижняя панель измеряет величину разрыва между наиболее и наименее подверженными работниками в рамках метода разности разностей, отражая результаты из необработанных данных. Среднее изменение разрыва после выхода ChatGPT невелико и незначимо, что свидетельствует о том, что уровень безработицы в более подверженной группе незначительно вырос, но эффект неотличим от нуля.⁸

Какие сценарии может выявить эта концептуальная основа? Исходя из доверительного интервала объединённой оценки, дифференциальный рост безработицы порядка 1 процентного пункта был бы обнаружим (это изменится по мере поступления новых данных, поэтому это лишь приблизительная оценка). Если бы все работники из топ-10% были уволены, это увеличило бы безработицу в группе верхнего квартиля с 3% до 43%, а совокупную безработицу — с 4% до 13%.

Менее масштабным, но всё же тревожным сценарием была бы ситуация, подобная «Великой рецессии для белых воротничков». Во время Великой рецессии 2007–2009 годов уровень безработицы в США удвоился с 5% до 10%. Такое удвоение в верхнем квартиле подверженности увеличило бы уровень безработицы в нём с 3% до 6%. Это также должно быть заметно в нашем анализе. Отметим, что наша базовая оценка основана на дифференциальных изменениях уровня безработицы в подверженной группе по сравнению с менее подверженной. Если безработица выросла бы у всех работников параллельно, мы не стали бы приписывать это развитию ИИ, который по-прежнему оставляет многие задачи незатронутыми.

Одна из групп, вызывающих особую озабоченность, — молодые работники. Brynjolfsson et al. сообщают о снижении занятости на 6–16% в подверженных профессиях среди работников в возрасте от 22 до 25 лет. Они объясняют это снижение прежде всего замедлением найма, а не ростом увольнений.⁹

Мы обнаруживаем, что уровень безработицы среди молодых работников в подверженных профессиях остаётся стабильным (см. Приложение). Но замедление найма не обязательно проявляется как рост безработицы, поскольку многие молодые работники являются новичками на рынке труда без указанной профессии в данных CPS и могут выходить из состава рабочей силы, а не числиться безработными. Чтобы напрямую оценить найм, мы используем панельное измерение CPS, подсчитывая долю молодых (22–25 лет) работников, начинающих новую работу в более или менее подверженных профессиях с течением времени. Рисунок 7 показывает ежемесячный показатель нахождения работы (т.е. когда работник сообщает о работе, которой у него не было в предыдущем месяце) для молодых работников, разделённых по тому, поступают ли они на работу с высокой или низкой подверженностью.

Помимо значительных колебаний в 2020–2021 годах, эти ряды визуально расходятся в 2024 году: молодые работники с относительно меньшей вероятностью нанимаются в подверженные профессии. Показатели нахождения работы в менее подверженных профессиях остаются стабильными на уровне 2% в месяц, тогда как поступление на наиболее подверженные рабочие места снижается примерно на полпроцентного пункта. Усреднённая оценка в эпоху после ChatGPT составляет снижение показателя нахождения работы на 14% по сравнению с 2022 годом в подверженных профессиях, хотя это лишь едва статистически значимо. (Для работников старше 25 лет такого снижения нет.)

Это может давать некоторый сигнал о ранних эффектах ИИ на занятость и перекликается с результатами Brynjolfsson et al. Однако существует несколько альтернативных интерпретаций. Молодые работники, которых не нанимают, могут оставаться на существующих рабочих местах, брать другую работу или возвращаться к учёбе. Дополнительная оговорка, связанная с данными, состоит в том, что переходы между рабочими местами могут быть более подвержены ошибкам измерения в опросах.¹⁰

Обсуждение

В этом отчёте представлена новая метрика для понимания влияния ИИ на рынок труда и изучены последствия для безработицы и найма. Рабочие места в большей степени подвержены ИИ в той мере, в какой их задачи теоретически осуществимы с LLM и наблюдаются на наших платформах в автоматизированных, рабочих сценариях использования. Мы обнаруживаем, что среди наиболее подверженных профессий — программисты, представители службы поддержки клиентов и финансовые аналитики. Используя данные опросов по США, мы не находим влияния на уровень безработицы работников в наиболее подверженных профессиях, хотя есть предварительные свидетельства того, что найм в эти профессии несколько замедлился для работников в возрасте 22–25 лет.

Наша работа — первый шаг к каталогизации влияния ИИ на рынок труда. Мы надеемся, что аналитические шаги, предпринятые в этом отчёте, особенно в части охвата и контрфактических сценариев, будет легко обновлять по мере появления новых данных о занятости и использовании ИИ. Устоявшийся подход может помочь будущим наблюдателям отделить сигнал от шума.

В настоящей работе есть ряд направлений для улучшения. Наши данные об использовании будут включены в будущие обновления, формируя развивающуюся картину охвата задач и рабочих мест в экономике. Метрика Eloundou et al. также может быть обновлена в той мере, в какой она привязана к возможностям LLM начала 2023 года. И, учитывая предварительные результаты по молодым работникам и новичкам на рынке труда, ключевым следующим шагом может стать изучение того, как недавние выпускники с образовательными квалификациями в подверженных областях ориентируются на рынке труда.

Приложение

Доступно здесь.

Благодарности

Авторы: Maxim Massenkoff и Peter McCrory.

С благодарностью: Ruth Appel, Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Jake Eaton, Deep Ganguli, Kunal Handa, Ryan Heller, Lara Karadogan, Jennifer Martinez, Jared Mueller, Sarah Pollack, David Saunders, Carl De Torres, Kim Withee и Jack Clark.

Авторы также благодарят Martha Gimbel, Anders Humlum, Evan Rose и Nathan Wilmers за отзывы на более ранние версии этого отчёта.

Цитирование

@online{massenkoffmccrory2026labor,
 author = {Maxim Massenkoff and Peter McCrory},
 title = {Labor market impacts of AI: A new measure and early evidence},
 date = {2026-03-05},
 year = {2026},
 url = {https://www.anthropic.com/research/labor-market-impacts},
}

Список литературы

Acemoglu, Daron and Pascual Restrepo, "Robots and Jobs: Evidence from US Labor Markets," Journal of Political Economy, 2020, 128 (6), 2188–2244.

Acemoglu, Daron, David Autor, Jonathon Hazell, and Pascual Restrepo, "Artificial intelligence and jobs: Evidence from online vacancies," Journal of Labor Economics, 2022, 40 (S1), S293–S340.

Appel, Ruth, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, and Alex Tamkin, "Anthropic Economic Index report: economic primitives," 2026.

Autor, David H, David Dorn, and Gordon H Hanson, "The China syndrome: Local labor market effects of import competition in the United States," American Economic Review, 2013, 103 (6), 2121–2168.

Autor, David H, & Thompson, N. (2025). Expertise. NBER Working Paper, (w33941).

Blinder, Alan S et al., "How many US jobs might be offshorable?," World Economics, 2009, 10 (2), 41.

Borusyak, Kirill, Peter Hull, and Xavier Jaravel, "Quasi-experimental shift-share research designs," The Review of Economic Studies, 2022, 89 (1), 181–213.

Brynjolfsson, Erik, Bharat Chandar, and Ruyu Chen, "Canaries in the coal mine? six facts about the recent employment effects of artificial intelligence," Digital Economy, 2025.

Eckhardt, Sarah and Nathan Goldschlag, "AI and Jobs: The Final Word (Until the Next One)," Economic Innovation Group (EIG), August 2025. Available at: https://eig.org/ai-and-jobs-the-final-word/

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock, "Gpts are gpts: An early look at the labor market impact potential of large language models," arXiv preprint arXiv:2303.10130, 2023, 10.

Fujita, S., Moscarini, G., & Postel-Vinay, F. (2024). Measuring employer-to-employer reallocation. American Economic Journal: Macroeconomics, 16(3), 1-51.

Gans, Joshua S. and Goldfarb, Avi, "O-Ring Automation," NBER Working Paper No. 34639, December 2025. Available at SSRN: https://ssrn.com/abstract=5962594

Gimbel, Martha, Molly Kinder, Joshua Kendall, and Maddie Lee, "Evaluating the Impact of AI on the Labor Market: Current State of Affairs," Research Report, The Budget Lab at Yale, New Haven, CT October 2025. Available at: https://budgetlab.yale.edu.

Graetz, Georg and Guy Michaels, "Robots at Work," Review of Economics and Statistics, 2018, 100 (5), 753–768.

Hampole, Menaka, Dimitris Papanikolaou, Lawrence DW Schmidt, and Bryan Seegmiller, "Artificial intelligence and the labor market," Technical Report, National Bureau of Economic Research 2025.

Handa, Kunal, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, and Deep Ganguli, "Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations," 2025.

Hui, Xiang, Oren Reshef, and Luofeng Zhou, "The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market," Organization Science, 2024, 35 (6), 1977–1989.

Johnston, Andrew and Christos Makridis, "The labor market effects of generative AI: A difference-in-differences analysis of AI exposure," Available at SSRN 5375017, 2025.

Massenkoff, Maxim, "How predictable is job destruction? Evidence from the Occupational Outlook," 2025. Working Paper.

Ozimek, Adam, "Overboard on Offshore Fears," 2019. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3777307

Tamkin, Alex and Peter McCrory, "Estimating AI productivity gains from Claude conversations," 2025.

Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). Working with AI: measuring the applicability of generative AI to occupations. arXiv preprint arXiv:2507.07935.

Сноски

Офшоринг рабочих мест: Blinder et al. (2009) и Ozimek (2019); Государственные прогнозы роста: Massenkoff (2025); Роботы: Graetz and Michaels (2018) и Acemoglu and Restrepo (2020); Китайский шок: Autor et al. (2013) и Borusyak et al. (2022).
Brynjolfsson et al. (2025) сравнивают тенденции занятости для работников в более и менее подверженных ИИ профессиях, используя меры подверженности задач из Eloundou et al. (2023) и данные о платёжных ведомостях от ADP. Johnston and Makridis (2025) проводят аналогичный анализ на основе задач, используя административные данные США, но агрегируют воздействие до уровня отрасли. Hui et al. (2024) изучают, как фриланс-работа на Upwork реагировала на выход ChatGPT и продвинутых инструментов генерации изображений, сравнивая работников в непосредственно затронутых категориях с теми, кто находился в незатронутых категориях, до и после даты выхода каждого инструмента. Hampole et al. (2025) используют в качестве инструментальной переменной для внедрения ИИ на уровне фирм исторические сети найма в университетах: фирмы, которые исторически набирали сотрудников из университетов, чьи выпускники впоследствии занялись ИИ-смежными ролями, имели более низкие издержки внедрения.
Наши меры подверженности на уровне задач и профессий могут легко включать другие данные об использовании и распространяться на разные страны. Мы намерены применять эту методологию в новых условиях со временем.
В их концептуальной основе «непосредственно подверженные» задачи — это те, которые можно выполнить вдвое быстрее с помощью LLM (с лимитом ввода 2000 слов и без доступа к актуальным фактам). Задачи, «подверженные с инструментами», — это те, которые подлежат такому же ускорению с помощью LLM, имеющего доступ к программному обеспечению для, например, поиска информации и обработки изображений. Неподверженные задачи не могут быть сокращены по продолжительности на 50% и более с помощью LLM.
Мы используем два предыдущих набора данных Anthropic Economic Index, охватывающих использование за август и ноябрь 2025 года. Для задач O*NET, которые семантически очень схожи, мы распределяем счётчики между ними.
На каждом шаге есть субъективные решения. Должна ли мера Eloundou et al. (2023) входить как {0; 0,5; 1} или иначе? Что определяет «значительное» использование? Как обрабатывать задачи, которые кажутся очень похожими на задачи с высоким использованием, но слишком редки, чтобы быть специально зафиксированными при выборке для Economic Index? Насколько больше должны учитываться автоматизированные рабочие процессы по сравнению с вспомогательными? Обнадёживающий результат, который мы подробнее рассматриваем в Приложении, состоит в том, что ранговая корреляция Спирмена подверженности рабочих мест при многих вариантах разрешения этих вопросов чрезвычайно высока.
Для сопоставления кодов O*NET-SOC с кодами occ1990 в CPS мы используем таблицу соответствия, предоставленную Eckhart and Goldschlag (2025).
Мы дополнительно исследуем это тремя способами в Приложении. Во-первых, мы проверяем, имеет ли значение перцентильный порог, используемый для определения «обработанной» группы, варьируя его от медианы до 95-го перцентиля. Во всех случаях воздействие плоское или отрицательное (то есть безработица в подверженной группе снижается). Далее мы сосредотачиваемся на молодых работниках, тех, кому от 22 до 25 лет, как у Brynjolfsson et al. (2025). Наконец, мы используем данные о получателях пособий по безработице от Министерства труда для измерения безработицы вместо ответов опроса CPS. Ни в одном расширении мы не находим явных последствий для подверженных рабочих мест.
Этот диапазон широк, поскольку авторы приводят оценки относительно нескольких контрфактических сценариев. Снижение на 6 процентных пунктов сравнивается с контрфактическим сценарием стабильного роста занятости. Оценка в 16 процентных пунктов получена из дизайна, сравнивающего схожих работников в одной фирме с разными профессиями.
См. Fujita et al. (2024).

Исправления

Обновлено 8 марта 2026 года: исправлен Рисунок 7, в котором были неверно переставлены подписи между показателями притока для группы верхнего квартиля и группы с нулевой подверженностью.