Elon Musk mengt zich in de discussie nadat Andrej Karpathy’s ‘AI Job Exposure Map’ viraal is gegaan

Bijna 60 miljoen Amerikaanse banen aangemerkt als zeer kwetsbaar op Karpathy's AI-automatiseringskaart

Andrej Karpathy, medeoprichter van OpenAI en voormalig directeur kunstmatige intelligentie (AI) bij Tesla, publiceerde op 15 maart een interactieve “AI Job Exposure Map”, waarin 342 beroepen uit het Occupational Outlook Handbook van het Amerikaanse Bureau of Labor Statistics (BLS) werden geanalyseerd.

Het project evalueerde ongeveer 143 miljoen banen in de VS door functieomschrijvingen in een groot taalmodel in te voeren en elke functie een blootstellingsscore van nul tot 10 toe te kennen, waarmee werd gemeten in hoeverre AI dat werk theoretisch zou kunnen hervormen.

De resultaten werden weergegeven in een kleurrijke treemap-visualisatie op karpathy.ai/jobs, waarbij de grootte van de rechthoeken het aantal banen weerspiegelde en de kleur het blootstellingsniveau aangaf, variërend van groen voor minimale verstoring tot dieprood voor functies die op grote schaal geautomatiseerd zouden kunnen worden. Kortom: hoe groter en roder het vakje, hoe meer aandacht het vereiste.

Over de gehele Amerikaanse beroepsbevolking lag het gewogen gemiddelde blootstellingsniveau rond de 4,9 op een schaal van 10, wat duidt op een matig potentieel voor AI-invloed in het algemeen. Maar gemiddelden verbergen veel drama. Ongeveer 42% van de Amerikaanse banen – zo'n 59,9 miljoen werknemers die naar schatting 3,7 biljoen dollar aan jaarlijkse lonen verdienen – scoorde zeven of hoger op de blootstellingsschaal.

Als we de cijfers verder uitsplitsen, vallen ongeveer 6,2 miljoen banen in de categorie minimale blootstelling, terwijl 47,2 miljoen als laag werden geclassificeerd. Nog eens 29,7 miljoen kwamen in het matige bereik terecht. De opvallendere cijfers verschenen bovenaan de schaal: ruwweg 34,7 miljoen banen scoorden hoog, en 25,2 miljoen vielen in de categorie zeer hoge blootstelling.

Karpathy’s analyse leverde ook een tegenintuïtieve wending op wat betreft het salaris. Banen met een lager inkomen, gemiddeld minder dan 35.000 dollar per jaar, scoorden ongeveer 3,4 op blootstelling, terwijl beroepen die meer dan 100.000 dollar betalen gemiddeld 6,7 scoorden. Met andere woorden: hoe hoger het salaris, hoe groter de kans dat de baan taken omvat die kunstmatige-intelligentiesystemen vandaag de dag kunnen repliceren of ondersteunen.

Het opleidingsniveau vertoonde een vergelijkbaar patroon. Werknemers zonder universitair diploma scoorden gemiddeld ongeveer 4,1 op blootstelling, terwijl degenen met een bachelordiploma bovenaan de lijst stonden met ongeveer 6,7. Houders van een masterdiploma kwamen ergens in het midden terecht, rond de 5,7.

Als we naar individuele beroepen kijken, wordt het beeld nog scherper. Medische transcribenten scoorden een perfecte 10, wat aangeeft dat spraakherkenning en geautomatiseerde documentatiesystemen veel van die taken al uitvoeren. Advocaten, accountants, financiële analisten en managementconsultants scoorden vaak rond de negen, grotendeels omdat hun werk draait om gestructureerde informatie, documenten en onderzoek.

Softwareontwikkelaars – ironisch genoeg de mensen die veel AI-tools bouwen – scoorden ook hoog, vaak tussen de acht en negen. Ondertussen vertoonden functies zoals administratief medewerkers, boekhoudkundig medewerkers en klantenservicemedewerkers vergelijkbare hoge blootstellingsniveaus vanwege hun afhankelijkheid van digitale workflows.
Aan de andere kant van het spectrum deden banen die in de fysieke wereld plaatsvinden in plaats van op een computerscherm het veel beter. Loodgieters, elektriciens en bouwvakkers scoorden doorgaans tussen nul en twee, wat de aanhoudende moeilijkheid onderstreept om onvoorspelbare, praktische taken te automatiseren.

De snelle verspreiding van de kaart online leidde tot reacties in de hele technologiewereld, waaronder een korte reactie van Elon Musk, CEO van Tesla en SpaceX. In reactie op een discussie over de visualisatie schreef Musk: “Alle banen zullen optioneel zijn. Er zal een universeel hoog inkomen zijn.”

De opmerking sloot aan bij Musks al lang bestaande stelling dat geavanceerde kunstmatige intelligentie en robotica uiteindelijk voldoende economische welvaart zouden kunnen opleveren om de afhankelijkheid van traditionele werkgelegenheid te verminderen.

Ondanks alle aandacht verwijderde Karpathy de oorspronkelijke website en de bijbehorende Github-repository al snel. In een vervolgbericht legde hij uit dat het project een snel experiment was – wat hij omschreef als een twee uur durende, “op gevoel gebaseerde” verkenning, geïnspireerd door een boek dat hij aan het lezen was. Volgens Karpathy werd het verkennende karakter van het project op grote schaal verkeerd begrepen, ondanks duidelijke disclaimers.

Het offline halen van de site deed weinig afbreuk aan de verspreiding ervan. Gearchiveerde kopieën verschenen vrijwel onmiddellijk op de Wayback Machine, en de coderepository werd talloze keren gekloond door ontwikkelaars die de dataset, de beoordelingsrubriek en de visualisatietools repliceerden.

Deze episode illustreert twee realiteiten van het moderne internet: AI-onderzoek kan van de ene op de andere dag wereldwijde debatten ontketenen, en zodra data op het open web terechtkomt, verdwijnt deze zelden. Voorlopig is het experiment van Karpathy minder een voorspelling van banenverlies dan een momentopname van hoe huidige AI-systemen overlappen met menselijk werk.

De conclusie, als die er al is, is verfrissend eenvoudig. Als je hele baan zich op een scherm afspeelt, kan kunstmatige intelligentie binnenkort je collega worden – of je felste concurrent.

Veelgestelde vragen 🔎

• Wat is Andrej Karpathy's AI Job Exposure Map?
  Het is een visualisatie waarin 342 beroepen in de VS worden geanalyseerd en wordt beoordeeld in hoeverre elke baan vatbaar is voor AI-automatisering.
• Hoeveel banen in de VS zouden door AI-blootstelling kunnen worden beïnvloed?
  De analyse suggereert dat ongeveer 42% van de banen in de VS – ruwweg 59,9 miljoen werknemers – hoge blootstellingsscores hebben.
• Welke banen vertonen de hoogste AI-blootstelling?
  Functies zoals advocaten, accountants, softwareontwikkelaars en medische transcribenten scoorden het hoogst.
• Welke beroepen lijken het minst blootgesteld aan AI-automatisering?
  Praktische beroepen zoals loodgieters, elektriciens en bouwvakkers behoorden tot de categorieën met de laagste blootstellingsscores.