Elon Musk ottaa kantaa, kun Andrej Karpathyn tekoälyalan työpaikkakartta on levinnyt laajasti verkossa

Lähes 60 miljoonaa yhdysvaltalaista työpaikkaa merkittiin erittäin alttiiksi Karpathyn tekoälyautomaatiokartalla

OpenAI:n perustaja ja Teslan entinen tekoälyjohtaja Andrej Karpathy julkaisi 15. maaliskuuta interaktiivisen ”AI Job Exposure Map” -kartan, jossa analysoitiin 342 ammattia Yhdysvaltain työvoimatilastokeskuksen (BLS) Occupational Outlook Handbook -käsikirjasta.

Projektissa arvioitiin noin 143 miljoonaa yhdysvaltalaista työpaikkaa syöttämällä työnkuvaukset suureen kielimalliin ja antamalla jokaiselle roolille altistumispisteet nollasta kymmeneen, mitaten kuinka paljon tekoäly voisi teoriassa muuttaa kyseistä työtä.

Tulokset esitettiin värikkäänä puukarttavisualisoinnina osoitteessa karpathy.ai/jobs, jossa suorakulmion koko kuvasti työllisyyslukemia ja väri edusti altistumistasoja, jotka vaihtelivat vihreästä (minimaalinen muutos) syvän punaiseen (roolit, joissa automatisointi voi olla laajaa). Lyhyesti sanottuna: mitä suurempi ja punaisempi ruutu, sitä enemmän huomiota se vaati.

Koko Yhdysvaltain työvoimasta painotettu keskimääräinen altistumistaso oli noin 4,9 asteikolla 10:stä, mikä viittaa siihen, että tekoälyn vaikutus on kokonaisuudessaan kohtalainen. Keskiarvot kätkevät kuitenkin taakseen paljon dramaattisia eroja. Noin 42 % amerikkalaisista työpaikoista – noin 59,9 miljoonaa työntekijää, joiden vuosipalkat ovat arviolta 3,7 biljoonaa dollaria – sai altistumistasolla seitsemän tai enemmän.

Lukuja tarkemmin tarkasteltaessa noin 6,2 miljoonaa työpaikkaa kuului vähäisen altistumisen luokkaan, kun taas 47,2 miljoonaa luokiteltiin matalaksi. Toiset 29,7 miljoonaa sijoittuivat kohtalaiseen luokkaan. Silmiinpistävimmät luvut näkyivät asteikon yläpäässä: noin 34,7 miljoonaa työpaikkaa sijoittui korkealle, ja 25,2 miljoonaa kuului erittäin korkean altistumisen luokkaan.

Karpathyn analyysi tuotti myös palkkojen osalta yllättävän käänteen. Alhaisemman tulotason työpaikat, joiden vuosipalkka oli keskimäärin alle 35 000 dollaria, saivat altistumisskaalalla arvosanan noin 3,4, kun taas yli 100 000 dollaria maksavat ammatit saivat keskimäärin 6,7. Toisin sanoen, mitä korkeampi palkka, sitä todennäköisemmin työ sisälsi tehtäviä, joita tekoälyjärjestelmät voivat nykyään jäljitellä tai joissa ne voivat avustaa.

Koulutustasot osoittivat samanlaista kaavaa. Työntekijöiden, joilla ei ollut korkeakoulututkintoa, altistumispisteet olivat keskimäärin noin 4,1, kun taas kandidaatin tutkinnon suorittaneet olivat listan kärjessä noin 6,7:llä. Jatko-opiskelijat sijoittuivat jonnekin keskelle, noin 5,7:ään.

Yksittäisiä ammatteja tarkasteltaessa kuva on vieläkin selkeämpi. Lääketieteellisten tekstien transkriptiotekijöiden pisteet olivat täydet 10, mikä heijastaa sitä, kuinka puheentunnistus- ja automatisoidut dokumentointijärjestelmät suorittavat jo monia näistä tehtävistä. Lakimiehet, kirjanpitäjät, rahoitusanalyytikot ja liikkeenjohdon konsultit saivat usein noin yhdeksän pistettä, pääasiassa siksi, että heidän työnsä keskittyy jäsenneltyyn tietoon, asiakirjoihin ja tutkimukseen.

Ohjelmistokehittäjät – ironisesti juuri ne ihmiset, jotka rakentavat monia tekoälytyökaluja – sijoittuivat myös korkealle, saaden usein kahdeksan tai yhdeksän pistettä. Samaan aikaan esimerkiksi hallinnollisten avustajien, kirjanpitäjien ja asiakaspalvelijoiden altistumistasot olivat yhtä korkeat, koska heidän työnsä perustuu digitaalisiin työnkulkuihin.
Toisessa ääripäässä fyysisessä maailmassa eikä tietokoneen näytöllä tehtävät työt pärjäsivät huomattavasti paremmin. Putkimiehet, sähköasentajat ja rakennustyöläiset saivat tyypillisesti pisteitä nollasta kahteen, mikä korostaa, kuinka vaikeaa on automatisoida arvaamattomia, käytännönläheisiä tehtäviä.

Kartan nopea leviäminen verkossa herätti kommentteja teknologia-alalla, mukaan lukien lyhyen vastauksen Teslan ja SpaceX:n toimitusjohtajalta Elon Muskilta. Vastauksena visualisointia koskevaan keskusteluketjuun Musk kirjoitti: ”Kaikki työpaikat tulevat olemaan vapaaehtoisia. Tulotaso on yleisesti korkea.”

Kommentti toisti Muskin pitkäaikaista väitettä, jonka mukaan kehittynyt tekoäly ja robotiikka voisivat lopulta tuottaa riittävän taloudellisen vaurauden vähentämään riippuvuutta perinteisestä työllisyydestä.

Huomiosta huolimatta Karpathy poisti nopeasti alkuperäisen verkkosivuston ja sen Github-arkiston ja selitti seurantaviestissä, että projekti oli pikainen kokeilu – hänen mukaansa kahden tunnin ”vibe-koodattu” tutkimus, jonka inspiraationa oli hänen lukemansa kirja. Karpathyn mukaan projektin kokeellinen luonne ymmärrettiin laajalti väärin huolimatta selkeistä vastuuvapauslausekkeista.

Sivuston poistaminen ei juurikaan hidastanut sen leviämistä. Arkistoidut kopiot ilmestyivät lähes välittömästi Wayback Machineen, ja koodirepositorion haarautui lukuisia kertoja kehittäjien toimesta, jotka replikoivat datajoukon, arviointitaulukon ja visualisointityökalut.

Tapaus havainnollistaa kahta modernin internetin todellisuutta: tekoälytutkimus voi sytyttää globaaleja keskusteluja yhdessä yössä, ja kun data pääsee avoimeen verkkoon, se harvoin katoaa. Toistaiseksi Karpathyn kokeilu on pikemminkin tilannekuva nykyisten tekoälyjärjestelmien ja ihmistyön päällekkäisyydestä kuin ennustus työpaikkojen menetyksistä.

Jos tästä voidaan vetää johtopäätös, se on virkistävän suoraviivainen. Jos koko työsi tapahtuu näytön ääressä, tekoälystä voi pian tulla työtoverisi – tai kovin kilpailijasi.

UKK 🔎

• Mikä on Andrej Karpathyn AI Job Exposure Map?
  Se on visualisointi, joka analysoi 342 yhdysvaltalaista ammattia ja arvioi, kuinka alttiita kukin työ on tekoälyn automatisoinnille.
• Kuinka moniin yhdysvaltalaisiin työpaikkoihin tekoälyn vaikutus voi ulottua?
  Analyysin mukaan noin 42 % yhdysvaltalaisista työpaikoista – eli noin 59,9 miljoonaa työntekijää – on alttiina tekoälyn vaikutuksille.
• Mitkä ammatit ovat alttiimpia tekoälylle?
  Esimerkiksi lakimiehet, kirjanpitäjät, ohjelmistokehittäjät ja lääketieteelliset transkriptiotekijät saivat korkeimmat pisteet.
• Mitkä ammatit näyttävät olevan vähiten alttiita tekoälyn automatisoinnille?
  Käytännön ammatit, kuten putkimiehet, sähköasentajat ja rakennustyöntekijät, sijoittuivat alhaisimpien altistumiskategorioiden joukkoon.