Η πρώτη μεγάλης κλίμακας μελέτη για τον τρόπο που η generative τεχνητή νοημοσύνη διαμορφώνει την αγορά εργασίας βασίστηκε στην ανάλυση 200.000 ανώνυμων συνομιλιών χρηστών με το Bing Copilot στις Ηνωμένες Πολιτείες μέσα στο 2024. Οι ερευνητές της Microsoft, χρησιμοποιώντας τη βάση δεδομένων O*NET, χαρτογράφησαν με ακρίβεια ποιες επαγγελματικές δραστηριότητες και ποια επαγγέλματα δέχονται τη μεγαλύτερη επίδραση, καταλήγοντας σε μια σειρά συμπερασμάτων που αποτυπώνουν με σαφήνεια το πώς η AI εισχωρεί στη σύγχρονη εργασία.
Βασική καινοτομία της μελέτης είναι ο διαχωρισμός ανάμεσα σε αυτό που θέλει να πετύχει ο χρήστης (user goal) και σε αυτό που τελικά αναλαμβάνει να κάνει το μοντέλο (AI action). Σε τέσσερις στις δέκα συνομιλίες, οι δραστηριότητες του ανθρώπου και εκείνες που εκτελεί η AI δεν συμπίπτουν, με το μοντέλο να παίρνει συχνά ρόλο συμβούλου, εκπαιδευτή ή να δίνει πρόσθετες διευκρινίσεις, πέρα από το αρχικό αίτημα. Για να θεωρηθεί μια επαγγελματική δραστηριότητα ως «καλυμμένη» από την τεχνητή νοημοσύνη, απαιτήθηκε να εμφανίζεται τουλάχιστον στο 0,05% του συνόλου των συνομιλιών, ώστε να μην υπολογίζονται αμελητέες ή σπάνιες περιπτώσεις.
Η ανάλυση καλύπτει 873 επαγγέλματα και 332 ενδιάμεσες εργασιακές δραστηριότητες (IWAs), ενώ οι ερευνητές χρησιμοποίησαν τρεις διαφορετικές ποιοτικές μετρήσεις για να εκτιμήσουν το βάθος και την ποιότητα της παρέμβασης της AI: το ποσοστό ολοκλήρωσης (completion) – κατά πόσο η εργασία ολοκληρώθηκε επιτυχώς, το ποσοστό θετικών αξιολογήσεων (thumbs up) από τους ίδιους τους χρήστες και το εύρος επίδρασης (scope), με εξαβάθμια κλίμακα όπου το «μέτριο» ήταν το ελάχιστο αποδεκτό όριο. Το completion και οι θετικές αξιολογήσεις παρουσιάζουν πολύ ισχυρή συσχέτιση (r ≈ 0,83), ενώ το scope είναι πιο χαμηλό αλλά ουσιαστικό (r ≈ 0,45). Ενδιαφέρον παρουσιάζει το εύρημα ότι το scope είναι συστηματικά χαμηλότερο στις ενέργειες της AI συγκριτικά με τα ανθρώπινα αιτήματα.
Στην κορυφή της λίστας επαγγελμάτων με τη μεγαλύτερη έκθεση στην AI βρίσκονται ρόλοι που σχετίζονται με τη γλώσσα και την πληροφορία: μεταφραστές (score 0,49 για 51.560 εργαζόμενους), ιστορικοί (0,48), συγγραφείς (0,45), πωλητές υπηρεσιών και επαγγελματίες εξυπηρέτησης πελατών (0,41-0,46). Αντίθετα, χειρωνακτικά και τεχνικά επαγγέλματα, όπως οι χειριστές βυθοκόρων, γεφυροφύλακες, εργαζόμενοι καθαριότητας και υποστηρικτικό προσωπικό υγείας, εμφανίζουν σχεδόν μηδενικό δείκτη έκθεσης (0,00-0,01), καθώς απαιτούν πρακτικές δεξιότητες και φυσική παρουσία.
Τα αποτελέσματα δείχνουν επίσης ότι η τεχνητή νοημοσύνη λαμβάνει πολύ θετικές αξιολογήσεις (άνω του 80%) σε εργασίες επιμέλειας κειμένου και παροχής πληροφορίας, ενώ σε πιο δημιουργικά ή αναλυτικά tasks, όπως η ανάλυση δεδομένων ή οπτικός σχεδιασμός, η ικανοποίηση υποχωρεί κάτω από 60%. Για παράδειγμα, η δραστηριότητα «Provide information to customers» συγκεντρώνει υψηλό completion και scope, ενώ η «Operate machinery» εμφανίζεται σπάνια και με χαμηλές επιδόσεις.
Σε επίπεδο επαγγελματικών ομάδων, οι πωλήσεις, η πληροφορική και η διοικητική υποστήριξη έχουν τη μεγαλύτερη έκθεση, ενώ γεωργία, κατασκευές και υποστηρικτικά επαγγέλματα υγείας τη μικρότερη. Η συσχέτιση του δείκτη έκθεσης με τους μέσους μισθούς είναι αδύναμη (r = 0,07 με βάση την απασχόληση, r = 0,13 μετά την αφαίρεση του ανώτατου δεκατημορίου), και παρατηρείται ότι οι θέσεις που απαιτούν πτυχίο παρουσιάζουν μέσο σκορ 0,27, έναντι 0,19 για θέσεις χωρίς τριτοβάθμια εκπαίδευση, αν και υπάρχει αλληλοεπικάλυψη.
Η σύγκριση με την έρευνα της OpenAI (Eloundou et al.) δείχνει πολύ υψηλή σύγκλιση στα αποτελέσματα, γεγονός που ενισχύει την αξιοπιστία των συμπερασμάτων. Αποκλίσεις εντοπίζονται σε σπάνιες ειδικότητες, λόγω διαφορετικού κατωφλίου κάλυψης στη μεθοδολογία.
Οι ερευνητές τονίζουν ότι σε καμία επαγγελματική κατηγορία η AI δεν αυτοματοποιεί πλήρως τις εργασίες – ακόμη και στους μεταφραστές, με το υψηλότερο σκορ, υπάρχει πάντα σημαντικό ανθρώπινο υπόλοιπο. Η παρούσα εικόνα παραπέμπει περισσότερο σε ενίσχυση της ανθρώπινης παραγωγικότητας και όχι σε ολική αντικατάσταση, με την τεχνητή νοημοσύνη να αναλαμβάνει κυρίως ρόλο συμπληρωματικού εργαλείου.
Τέλος, στη μελέτη επισημαίνονται οι περιορισμοί της ανάλυσης, όπως η χρήση δεδομένων από ένα μόνο μοντέλο, η αδυναμία διάκρισης ανάμεσα σε επαγγελματική και προσωπική χρήση και η ελλιπής αποτύπωση των λεγόμενων «soft skills» που δεν καταγράφονται συστηματικά στο O\*NET. Η ομάδα καλεί σε διαρκή παρακολούθηση των τεχνολογικών εξελίξεων και της αγοράς εργασίας, προκειμένου να αποτυπωθεί έγκαιρα το πώς θα ανασχεδιαστούν τα καθήκοντα, ποιες νέες θέσεις θα δημιουργηθούν και πώς θα διαμορφωθεί η τελική ισορροπία μεταξύ ανθρώπων και συστημάτων τεχνητής νοημοσύνης στην εργασία.
