AI如何以超预期速度重塑工作

我们最新更新的关于人工智能和就业的研究揭示了比我们三年前预期的更广泛——也更迅速——的颠覆。我们预测将在十年内发生的事情已经来到了眼前。 目录 3执行摘要 8人工智能中的三大变革 10最受影响和最少受影响的职业 19这意味着在工作场所 25为45万亿美元的劳动力转移做准备 几年前，我们因一项研究而备受关注，该研究预测不到十年时间内将有惊人的90%的工作岗位受到人工智能的冲击。然而，事实证明，我们低估了这项技术的影响。 理解AI的4.5万亿美元经济影响 我们希望量化人工智能现在可以协助或自动化的全部工作的经济价值。为此，我们使用了美国劳工统计局关于我们研究中每个职业组别中员工数量的数据，然后乘以这些员工的年平均工资。然后，利用我们的暴露分数，我们评估了理论上可能暴露给人工智能的这部分总经济价值。 我们预计可能要到2032年才会展现的事情，现在正发生在我们眼前。今天——比原计划提前六年——93%的工作岗位可能会以某种方式受到人工智能的影响。仅在美国，这可能意味着约4.5万亿美元的劳动力将从人类转向人工智能。简而言之，这项技术正以比我们预想的更快、更广泛的速度影响着更多的工作岗位。 我们通过更新我们关于人工智能和工作的2023年研究得出这些发现，在该研究中，我们评估了1000种职业执行的18000项任务在多大程度上可以被人工智能自动化或协助。这三年发生了许多事情。 结果——4.5万亿美元——是基于这样一种假设，即一项任务的传统完成方式将无缝转移到人工智能上。然而，尽管这是理论上的计算，但它为人工智能可能带来的巨大经济变革提供了一丝洞察。 从那时起，AI模型越来越擅长解释多种类型的输入，包括图像、图表和视频。此外，更复杂的AI模型已经出现，具有先进的推理能力。最后，现在AI代理驱动的系统可以完成复杂的业务流程，且仅需极少的人工监督。 凭借这三大进步——多模态、高级推理和智能代理式AI，是时候重新审视AI如何重塑劳动力了。因此，我们全面重新评估了18,000项任务，这次通过AI增强的协助或自动化潜力视角进行评估。 理解曝光分数 为了计算暴露分数，我们使用了与我们原始研究中相同的方法。我们检查了O*NET数据库中的18,000项任务和近1,000份工作，并使用五点量表评估这些任务的自动化程度（不可自动化、最小程度的人工智能辅助、部分人工智能辅助、大部分人工智能辅助和完全可自动化）。 本报告中的分析基于对人工智能能力的最新评估，反映了该技术过去三年来的快速演变，特别是其多模态、推理和代理能力。 由此产生的暴露分数代表一个理论上的最大值：当前人工智能技术通过最优实现可能完成的事情。这些分数没有考虑到企业采用、员工接受、监管框架、质量控制要求、伦理考量或在大规模部署人工智能所需的重大组织变革。 我们发现：在所有职业中，平均暴露评分（即一个职业可能受人工智能影响的程度）比我们预期能在2032年达到的水平高出惊人的30%。（有关暴露评分的更多说明，请参阅解释框。） 除了有多少项工作的任务可以通过人工智能自动化或辅助之外，我们还考虑了任务的相对重要性。 事实上，尽管我们最初的分析发现所研究的职业的暴露分数平均每年增长2%，但现在我们看到每年分数增长9%。因此，一些在大型语言模型（LLMs）最初变得主流时似乎不受影响的职业，现在已经能够更快速地受到影响（见图1）。 我们使用了一个AI模型来获取任务分类的初步评估，但然后在必要时审查并重新分类了结果。 由于这些原因，暴露分数代表了该技术潜力的原始计算。因此，它反映了能力和机会，而非必然性。在整个报告中，“暴露分数”一词是指理论暴露分数。 根据该分析，我们为每种职业计算了一个暴露分数。该分数反映了该职业可能受到人工智能影响的程度。分数越高，表示该工作中可自动化的任务百分比越高，因此从事该职业的人可能会受到严重影响。 我们10年的预测今天进行 全方位来看，由人工智能驱动的变革都比预想的范围更广，速度更快。 来源：Cognizant图1 更多工作暴露程度更高 低暴露工作的百分比从31%下降到7%，而高暴露工作的百分比则从0%增长到30%。 为了了解哪些职业和职业系列正在经历AI暴露的最快增长，我们还计算了一个速度分数，该分数量化了随着时间的推移，暴露分数变化的原始轨迹与基于我们更新分析的新轨迹之间的差异。 (参见解释框了解更多关于速度分数的内容。) 显示出出乎意料的速度分数的职业示例，尤其是在与其在原始研究中的暴露水平相比时，包括： 决策角色 由于代理式人工智能的出现，管理和监督岗位现在正面临日益严峻的挑战。此前，这些岗位因为涉及复杂的协调和判断，更多地受到保护而不受干扰。而代理式人工智能通过超越分析进而转向执行，改变了这种格局。 曾经被认为是对AI颠覆的安全避难所，许多需要大量体力劳动的工作，与我们的原始研究相比，现在显示出显著更高的暴露分数，以及出乎意料的快速速度。 例如医疗、教育和法律。在这些领域，人工智能已迅速从协助处理低级任务转变为自动化对角色至关重要的更复杂任务。 例如，人工智能通过提高诊断准确性和支持病人护理正在改变医疗保健。在教育方面，它可以促进学生评估和课堂讨论。在法律领域，它可以分析可能的结果并协助合同谈判。 在建筑中，例如，人工智能现在可以帮助解读蓝图。在交通中，它可以帮助检查货物或进行安全评估。汽车修理工或水管工戴上人工智能增强眼镜来协助定位有故障的发动机部件或漏水管道的想法，如今已远非科幻。 管理者曾经花费大量时间分配资源、监控项目状态或处理工作流程，而现在，自主代理可以协调这些任务。例如，项目经理可以依靠代理自主安排会议、根据支出模式重新分配预算，并通过利用其集成的工具跟踪状态更新。 关于速度评分 为了识别经历最快形式颠覆的角色和职业群体，我们开发了一个额外的衡量指标：速度评分。速度评分表示任何特定职业的原有年度暴露分数加速率与更新速率之间的差异。 该指标反映了在人工智能最新进展下，任何特定职业变化的速度有多快。 低分表明人工智能的最新变化对这一角色的影响相对较小。高分表明最新的创新将显著影响这一角色。 1.考虑人工智能如何扩展到工作和运营层面 在本报告中，我们确定了过去三年中最大的AI进展，以及为何这加速了工作影响。 我们还重点指出了可能经历最大和最快变化的职业系列，以及一些变化可能没有那么剧烈，但仍然比最初预期更广泛的职业群体。 2.迈向更灵活的运营模式 我们还提供关于商业领袖如何应对未来变化的指导。通过采用以下心态转变，企业可以更好地规划其员工队伍正在发生的比想象中更快的变化。 3.帮助人们像他们使用的系统一样快速适应 构建能够吸收skilling系统的4.能力冲击 工作中变化的步伐现在与人工智能本身的加速密不可分。2023年，大多数企业使用的大型语言模型都像狭隘的学者一样运作。它们能够流畅地生成文本和代码，但对规划、背景或后果几乎没有把握。 今天，人工智能能力的进步使全新类型的工作得以被自动化或由人工智能辅助。 考虑在我们的分析中，有三分之一的所有职业任务仍然“无法自动化”。然而，我们归类为“完全可自动化”的任务比例已从三年前的1%上升到10%——并且距离原来预测的2032年12%仅差两个百分点。 甚至更令人注目，现在几乎所有任务的近40%可以被归类为“部分”或“大部分”可由AI辅助，而之前只有15%。这也超过了2032年的预测值31%。这个中间类别是变化最剧烈的地方，因为代理系统开始运行（见图3）。 考虑到这一点，以下是我们更新职业暴露分数时考虑的三种关键AI能力： 1. 多模态人工智能：创建能“看见”的系统 多模态模型为人工智能提供了眼睛和耳朵，帮助连接数字系统与物理世界。 如今，真正的多模态模型可以评估设计布局，识别生产线上的缺陷，并从现场照片中评估建筑施工的完整性。结合传感器数据和机器人集成，多模态将自动化扩展到工作的触觉和感知层面。结果，这类工作在曝光尺度上急剧上升。 这些模型可以解析图像、图表和视频，识别空间关系，并能将视觉数据与文本或数值输入进行交叉引用。而传统人工智能只能描述世界，多模态人工智能则可以解释它。 人工智能现在可以理解图像、图表、视频和空间关系 这种新的数字物理连接具有实际的职业后果。涉及设计审查、产品测试和质量控制的工作以前超出了人工智能的范畴，因为它们依赖于视觉理解。 涉及设计评审、产品测试、维护和质量控制的岗位现在风险更高 2. 扩展式AI推理：创建思考的系统 推理曾一度是人工智能认知能力中的缺失环节。早期的生成模型能生成流畅的语言，但在多步逻辑或长期连贯性上会出错。 新推理模型可以处理复杂的认知活动 突破来自于结构化推理框架和强化式微调。这最终促成了能够展示一致、透明的思维链的模型，使其能够检验假设、分解问题和评估替代策略。 建立模型并用证据证明建议的合理性。审计和合规任务现在可以完全由理解数值逻辑和程序上下文的推理代理来执行。规划、预测和诊断问题解决现在已成为人工智能系统的操作领域。 这种推理能力已经重新分类了整个认知工作集群。分析性任务，如在咨询、金融和法律领域发现的那种，已经从部分可由人工智能辅助转变为大部分可由人工智能辅助。例如，现在市场分析师可以提示人工智能不仅总结市场数据，而且识别异常值，构建情景 为规划、预测和诊断问题解决工作的人员，其暴露水平已急剧上升 3. 智能代理AI：创建行动的系统 2024年后AI的标志性特征是其能动性。如果多模态赋予了AI视觉和听觉，推理扩展了AI的思维地图，那么能动性则赋予了它行动的“手”。这是因为AI系统不再仅仅停留在生成层面；它们能够采取有意义的行动。 受新技术的支持，人工智能系统现在可以采取有意义的行动 考虑到诸如模型上下文协议服务器、智能函数调用系统和安全工具集成等新技术现在使人工智能能够直接与核心业务平台工作。人工智能代理现在可以协同工作以获取实时数据、在第三方软件中执行命令并监控结果以进行反馈循环。 办公室管理者和项目助理曾经因为人工智能无法直接操作企业软件而缺乏接触。如今，随着系统既处理执行也处理指令，“知识型工作”和“流程型工作”之间的界限正在逐渐模糊。 自主能力也改变了管理本身。监督任务，如分配工作、检查进度和升级问题，可以越来越多地由自主系统进行协调。在混合环境中，人和机器代理的团队已经通过共享仪表板进行协作，人工智能处理工作流分派和异常管理。 调度员、办公室管理员、项目助理和监督角色已从有限曝光级别转移到高曝光级别 例如，多个营销代理可以规划一次活动，通过连接的工具查询数据库进行细分，创建广告资源，安排社交媒体帖子并报告表现。 这种代理能力已将许多管理和协调任务进一步拉入了高曝光分数区。调度程序， 三年短；人工智能能力三大变化 每项这些能力本身都很强大，但结合起来，它们的威力会倍增。 推理和感知开始在几乎所有需要情境判断的角色中开始重叠。零售店规划、车辆维修和能源基础设施维护都依赖于视觉理解和程序性思维。叠加效应有助于协调、诊断和验证，这些将思想与行动联系起来。 多模态提供更丰富的反馈，推理提高代理的决策质量和能动性赋予其对环境的控制权。其结果是形成一个通过交互不断自我强化的系统。 这就是为什么职业暴露可能更多地取决于多种能力的结合，而非任何单一能力的强度。一个能够看、思考和行动的系统，所能支持的工作远比仅仅生成内容的系统要丰富得多。这表明人工智能正逐渐渗透到实际、日常的任务中，这些任务涉及规划、排序或检查，而非纯粹的认知。 例如，2023年，管道工被认为极少会涉及到一点人工智能自动化。然而，今天的多模态推理代理能注意到墙上的潮湿区域，推断出连接处漏水，制定维修计划，甚至生成账单或零件清单。管道工仍然会修理管道，但检查、诊断以及与其前后相关的辅助行动可以越来越多地得到人工智能的帮助。 利用我们重新校准的曝光分数和新建的速度分数，我们可以清晰地看到这些新的AI能力将如何影响广泛的职业群体，以及