Overestimated ba ang AI replacement wave? Barclays: 20% lang ng pangunahing kasanayan sa trabaho ang maaaring lubos na kopyahin, ngunit tahimik nang lumaganap ang amplification effect

Ang epekto ng AI sa labor market ay maaaring mas banayad kaysa sa inilalarawan ng merkado, ngunit mas malalim din ang implikasyon nito. Ayon sa pinakahuling pag-aaral ng Barclays, tanging halos 20% ng mahahalagang kasanayan sa trabaho ang tunay na kayang kopyahin ng AI, kaya't ang pangamba sa malakihang "daluyong ng pagpapalit" ay may labis na pagtatantiya; subalit, ang "amplification effect" ng AI sa productivity ay nagpapakita ng ibang larawan—mas malawak ang nasasakupan kaysa sa automation replacement at halos sumasaklaw sa bawat sulok ng labor market.

Noong Setyembre 22, inilabas ng Barclays ang isang ulat na nagpapakilala sa "AI Automation at Amplification Framework" (Barclays 3A Framework), na gumamit ng kasanayan bilang pangunahing yunit ng pagsusuri, hindi trabaho, at sistematikong tinaya ang epekto ng cognitive AI at physical AI sa mahigit 830 trabaho. Lumalabas na ang automation risk ay masyadong nakatuon sa ilang partikular na hanay ng mga trabaho, ang mga trabahong mataas ang exposure sa cognitive AI ay kalimitang nasa larangan ng computer, engineering at agham, habang ang mga may mataas na exposure sa physical AI ay nauukol sa konstruksiyon, produksiyon, pag-install, maintenance, at pag-aayos. Samantala, nagpapakita na ang hiring data sa Amerika ng estrukturang pagbabago na tugma sa AI—mula 2022, bumaba ang bahagi ng mga job opening na may pinakamataas na exposure sa automation mula sa halos 30% patungong 25%.

Ang mabilis na paglago ng demand sa AI skills ay nagpapakita ng isa pang lohika: Sa Amerika, UK, Pransya, at Alemanya, ang proporsyon ng mga trabaho na nangangailangan ng AI skills ay tumaas mula sa humigit-kumulang 2% noong 2019 patungong 6% hanggang 10% sa Agosto 2026. Kapansin-pansin, lumilipat ang sentro ng demand para sa AI skills—mahigit 70% ng AI-related jobs ay nakatuon sa technology at data positions noong 2019, ngunit sa 2026 bumaba ito sa 50%, habang ang proporsiyon ng managerial positions ay tumaas mula sa 10% hanggang 25%, na nagpapakitang lumalaganap ang AI mula sa technical fields papunta sa mas malawak na propesyonal na ekolohiya.

Tradisyonal na isinasagawa ang pagsusuri sa epekto ng AI sa labor market batay sa "trabaho," subalit naniniwala ang Barclays na ang trabaho ay isang koleksiyon ng mga gawain, at ang mga gawain ay binubuo ng mga kasanayan, kung saan ang kasanayan ang "atomikong yunit" para maunawaan ang tunay na epekto ng AI. Mas malaki ang posibilidad na ang AI ay mag-aautomat o mag-amplify ng tiyak na kasanayan—tulad ng pangangalap ng impormasyon, pagsusulat, o data analysis—imbes na buong trabaho ang mapalitan.

Ang 3A Framework ay batay sa database ng US Department of Labor, na sumasaklaw sa 104 na kasanayang kailangan sa iba’t ibang trabaho, at iniuugnay ang mga ito sa mahigit 800 occupation. Inobatibo ang framework sa tatlong aspeto: una, isinasama ang cognitive AI at physical AI, kaya’t nasasakupan ang digital intelligence at pisikal na intelligence; ikalawa, ginagawang kasanayan, hindi gawain o trabaho, ang pangunahing yunit ng pagsusuri; ikatlo, sabay na tinitimbang ang epekto ng "automation" (antas ng pagpapalit ng AI sa labor) at "amplification" (potensyal ng AI na itaas ang produksyon ng kasanayan ng tao).

Ipinapakita ng resulta ng pag-aaral na halos 20% lang ng kasanayan sa trabaho ang kinategorya bilang highly replicable ng AI, 40% ng kasanayan ay malakas ang resistensya laban sa cognitive AI, at higit 70% naman ang matatag ang resistensya laban sa physical AI, na nagpapakita na ang kasalukuyang epekto ng physical AI ay mas makitid kaysa sa cognitive AI.

Sa distribusyon ng exposure sa automation, pangunahing natuklasan ng Barclays na: Ang sobrang taas na exposure ay nakatuon lang sa iilang trabaho, karamihan ay nakatuon lamang sa cognitive AI o physical AI, at bihirang parehong mataas ang exposure sa dalawa.

Kabilang sa mga trabahong may pinakamataas na exposure sa cognitive AI automation ay data scientist, statistician, at actuary, na may core skills gaya ng information retrieval, pattern recognition, document processing, at programmatic decision-making—lahat ng ito'y malapit sa kakayahan ng AI. Ang mga trabahong may pinakamataas na exposure sa physical AI ay agricultural worker, textile machine operator, at structural iron worker na lubhang umaasa sa mga paulit-ulit na pisikal na gawain.

Sa kabilang banda, may humigit-kumulang 120 trabaho na mababa ang combined exposure sa parehong uri ng automation ng AI, na sumasaklaw sa 20% ng labor force ng Amerika, kabilang ang mga guro, tagapangalaga ng bata, mga coach, at bahagi ng mga manggagawa sa hotel at libangan—mga trabahong masyadong nakaasa sa interactong interpersonal, on-site supervision, o entertainment performance at mahirap i-automate ng AI.

Kabaligtaran ng concentrated distribution ng automation, ang amplification effect ng AI ay lalong pantay-pantay at mas malawak ang sakop. Sa modelo ng Barclays, ang amplification effect ay pinaka-kapansin-pansin sa mga kasanayang may balanse ng replicable, partly replicable, at non-replicable skills—inaako ng AI ang kayang gamiting kasanayan, kasabay ng pagpapalawak sa halaga at output ng natitirang kasanayan ng tao.

Kabilang sa mga trabaho na may pinakamataas na cognitive AI amplification effect ay air traffic controller, health services manager, at training and development manager, kung saan kayang kunin ng AI ang documentation at information processing, habang pinalalakas ang leadership, mentoring, at people management—mga pangunahing kakayahan ng tao. Sa physical AI, pinakamalaki ang amplification effect sa mga mekaniko at technician, tulad ng bus at truck mechanic, industrial mechanic, atbp., kung saan ang ilang paulit-ulit na gawaing pisikal ay maaaring ma-automate, ngunit diagnosis, decision-making, at response ay kailangang manatili sa tao.

Pinunto ng Barclays na ang mahalagang impormasyon ng distribution ng amplification effect ay ito: Ang kakayahan ng AI na mag-automate ay concentrated sa partikular na kaunting trabaho, samantalang ang pagpataas ng productivity ay sumasaklaw sa napakalawak na hanay ng trabaho—maging doktor, guro, at engineer ay makikinabang sa AI tools. Nangangahulugan ito na ang kabuuang productivity gain mula sa AI ay posibleng mas mataas kaysa sa direct replacement effect nito sa pangmatagalan.

Nagsimula nang tumugma ang labor market data sa nabanggit na framework. Ayon sa pagsusuri ng Barclays sa LinkUp recruitment data, mula 2022, ang bahagi ng mga job opening sa mga trabaho na may pinakamataas na exposure sa automation ay bumaba mula halos 30% hanggang 25%, malaki ang pagbaba sa software engineering position; samantalang ang mga trabaho na may pinakamababang exposure ay bahagyang tumaas mula 20% patungong 21% hanggang 23%.

Kasabay nito, mabilis na tumataas ang demand para sa natatanging AI skills. Batay sa mas malawakang keyword search data gaya ng mula sa Indeed Hiring Lab, ang proporsyon ng AI-related jobs sa US, UK, France, at Germany ay mula sa halos 2% noong 2019, tumaas sa 6% hanggang 10% sa 2026, na ang UK ang may pinakamataas na pagtaas.

Ang higit na mahalaga ay ang pagbabago ng structure ng demand. Noong 2019, higit 70% ng mga AI-related job postings ay sa technology at data positions; sa 2026, bumaba ito sa 50%, habang umakyat ang management jobs mula sa 10% patungong 25%. Pareho ang takbo sa Amerika, UK, Pransya, at Alemanya, patunay na kumakalat ang AI bilang isang unibersal na kasanayan, at hindi na lamang nakasentro sa teknikal na aspeto ng trabaho.

Inilahad pa ng ulat ang pagpapausbong ng bagong modelo ng ekonomiya dahil sa physical AI, at hinati ito sa dalawang yugto.

Sa unang yugto, ang tao ang nagsisilbing "robot trainer"—dahil kulang ang physical AI sa datos na kahalintulad sa mga training corpus ng large language model, gumagamit ang industriya ng remote control, first-person video collection, at iba-pa upang ang demonstrasyon ng tao ang bumuo ng training data para sa robot. Sila Figure's Index, Scale AI, at iba pa ay nagsimula nang magtayo ng crowdsourcing na ekosistem.

Sa ikalawang yugto, ang sentro ng halaga ay lilipat sa mismong "operating procedures." Habang nagiging mature ang physical AI, ang pokus ay mula hardware papunta sa mga kasanayan at flows na nakapaloob dito—tulad ng welding, operation, pagluluto, at iba pang propesyonal na kaalaman ng tao, na maaaring i-encode at i-license bilang "robot operating manual," na bumubuo ng ganap na panibagong uri ng intellectual property. Halimbawa, ang UniStore ng Unitree at NeuraGym/NeuraVerse ng NEURA Robotics ay nakita na bilang mga unang halimbawa ng commercialization ng ganitong kasanayan, kahit na kasalukuyang nakadepende pa ito sa mga hardware platform ng humanoid robot manufacturers.

Naniniwala ang Barclays na sa matinding sitwasyon, posibleng maging commodity na lang ang hardware, at ang tunay na strategic advantage ay mapupunta sa mga may kakayahang mangolekta, mag-encode at magkontrol ng high-value skills—hindi sapilitan na ang pinakamalaking gumagawa ng robot ang magiging huling panalo, kundi ang mga kumpanyang nagmamay-ari ng "instruction layer" ang maaaring mangibabaw sa bagong labanan para sa kasanayan.