השפעת ה-AI על שוק העבודה: מדד חדש מבית אנתרופיק וראיות ראשוניות

השפעת ה-AI על שוק העבודה: מדד חדש וראיות ראשוניות

הבינה המלאכותית (AI) ממשיכה לחדור במהירות לכל תחומי חיינו, ובעיקר לשוק העבודה. אך מדידה וחיזוי של השפעות אלה מורכבים במיוחד, והניסיון ההיסטורי מלמד שיש לגשת לכך בענווה. לדוגמה, ניסיון בולט בעבר למדוד את הפוטנציאל להעברת משרות למיקור חוץ (offshoring) זיהה כרבע מהמשרות בארה"ב כפגיעות, אך עשור לאחר מכן, רובן שמרו על צמיחה בריאה בתעסוקה. גם תחזיות הממשלה לצמיחה תעסוקתית, למרות שהיו נכונות מבחינת כיוון, הוסיפו מעט ערך חיזוי מעבר להסקת מגמות עבר.

מחקרים על השפעות רובוטים תעשייתיים על התעסוקה הגיעו למסקנות סותרות, וקנה המידה של אובדן משרות המיוחס להלם הסחר מסין עדיין נתון לוויכוח¹. במאמר זה, אנתרופיק (Anthropic) מציגה מסגרת חדשה להבנת השפעות ה-AI על שוק העבודה, ובודקת אותה אל מול נתונים מוקדמים, מוצאת ראיות מוגבלות לכך שה-AI השפיע על התעסוקה עד כה. המטרה היא לבסס גישה למדידת השפעת ה-AI על התעסוקה, ולבחון מחדש ניתוחים אלה מעת לעת, לפני שיתגלו השפעות משמעותיות.

ממצאים עיקריים

• הוצג מדד חדש לסיכון תחלופה על ידי AI, ה"חשיפה בפועל" (observed exposure), המשלב יכולת תיאורטית של מודלי שפה גדולים (LLM) ונתוני שימוש אמיתיים, עם משקל גבוה יותר לשימושים אוטומטיים (ולא כאלה המהווים הרחבה/העצמה) וקשורים לעבודה.
• ה-AI עדיין רחוק מלהגיע ליכולותיו התיאורטיות: הכיסוי בפועל נשאר חלקיק ממה שאפשרי.
• מקצועות בעלי חשיפה גבוהה צפויים, לפי הלשכה לסטטיסטיקה של העבודה (BLS), לצמוח פחות עד שנת 2034.
• עובדים במקצועות החשופים ביותר נוטים להיות מבוגרים יותר, נשים, משכילים יותר ובשכר גבוה יותר.
• לא נמצאה עלייה שיטתית באבטלה בקרב עובדים בעלי חשיפה גבוהה מאז סוף 2022, אך ישנן ראיות ראשוניות להאטה בקליטת עובדים צעירים יותר למקצועות חשופים.

מדד חדש להבנת השפעת ה-AI על שוק העבודה

הסקה סיבתית קלה יותר כאשר ההשפעות גדולות ופתאומיות. השפעות ה-AI, לעומת זאת, עשויות להיות דומות יותר לאינטרנט או לסחר עם סין – ההשפעות אינן בהכרח ברורות מנתוני אבטלה כוללים; גורמים כמו מדיניות סחר ומחזור עסקי עלולים לטשטש את הפרשנות של קווי מגמה.

גישה נפוצה אחת היא להשוות תוצאות בין עובדים, חברות או תעשיות בעלי חשיפה גבוהה או נמוכה יותר ל-AI, על מנת לבודד את השפעת ה-AI מכוחות מבלבלים². חשיפה מוגדרת בדרך כלל ברמת המשימה: AI יכול לבדוק שיעורי בית אך לא לנהל כיתה, למשל, ולכן מורים נחשבים פחות חשופים מעובדים שכל עבודתם יכולה להתבצע מרחוק.

המחקר של אנתרופיק עוקב אחר גישה מבוססת משימות זו, ומשלב מדדים של יכולת AI תיאורטית ושימוש בעולם האמיתי, לפני איחודם למקצועות³.

כיצד נמדדת החשיפה?

הגישה משלבת נתונים משלושה מקורות:

1. מאגר O*NET, המפרט משימות הקשורות לכ-800 מקצועות ייחודיים בארה"ב.
2. נתוני השימוש של אנתרופיק (כפי שנמדדו ב-Anthropic Economic Index).
3. הערכות חשיפה ברמת המשימה מ-Eloundou et al. (2023), המודדות האם אפשרי תיאורטית עבור LLM להכפיל את מהירות משימה כלשהי.

המדד β של אלונדו (Eloundou et al.) מדרג משימות בסולם פשוט: 1 אם ניתן להכפיל את מהירות המשימה על ידי LLM בלבד, 0.5 אם היא דורשת כלים או תוכנה נוספים הבנויים על ה-LLM, ו-0 אחרת⁴.

מדוע שימוש בפועל עשוי להיות נמוך מהיכולת התיאורטית? משימות מסוימות שהן אפשריות תיאורטית אינן מופיעות בשימוש בשל מגבלות המודל. אחרות עשויות להתפשט לאט עקב מגבלות חוקיות, דרישות תוכנה ספציפיות, שלבי אימות אנושיים או מכשולים אחרים. לדוגמה, אלונדו וחב'. מציינים "אישור מילוי חוזר של תרופות ומתן מידע מרשם לבתי מרקחת" כמשימה חשופה במלואה (β=1). אנתרופיק לא צפו ב-Claude מבצע משימה זו, למרות שההערכה נראית נכונה בכך שניתן תיאורטית להאיץ אותה באמצעות LLM.

עם זאת, מדדים אלה של יכולת תיאורטית ושימוש בפועל קשורים מאוד. כפי שמודגם באיור 1 (שאינו מופיע בכתבה המלאה), 97% מהמשימות שנצפו בדוחות ה-Economic Index הקודמים נופלות לקטגוריות שדורגו כתיאורטית אפשריות על ידי אלונדו וחב'. (β=0.5 או β=1.0).

"חשיפה בפועל" (Observed Exposure): המדד החדש לחשיפה תעסוקתית

המדד החדש של אנתרופיק, "חשיפה בפועל" (observed exposure), נועד לכמת: אילו מבין המשימות ש-LLM יכולים תיאורטית להאיץ, אכן זוכות לשימוש אוטומטי בסביבות מקצועיות? היכולת התיאורטית כוללת מגוון רחב הרבה יותר של משימות. על ידי מעקב אחר הצמצום של פער זה, "חשיפה בפועל" מספקת תובנה לגבי שינויים כלכליים כשהם מתפתחים.

המדד לוכד באופן איכותני מספר היבטים של שימוש ב-AI שאנתרופיק סבורה שהם מנבאים השפעות על משרות. חשיפה של משרה גבוהה יותר אם:

• המשימות שלה אפשריות תיאורטית עם AI.
• המשימות שלה זוכות לשימוש משמעותי ב-Anthropic Economic Index⁵.
• המשימות שלה מבוצעות בהקשרים הקשורים לעבודה.
• יש לה שיעור גבוה יחסית של דפוסי שימוש אוטומטיים או הטמעת API.
• המשימות שלה המושפעות מ-AI מהוות חלק גדול יותר מהתפקיד הכולל⁶.

פרטים מתמטיים מפורטים בנספח. משימות אפשריות תיאורטית עם LLM נחשבות מכוסות אם הן זכו לשימוש מספק הקשור לעבודה בתעבורת Claude. לאחר מכן, ההתאמה נעשית לאופן ביצוע המשימה: הטמעות אוטומטיות לחלוטין מקבלות משקל מלא, בעוד שימוש כהרחבה מקבל חצי משקל. לבסוף, מדדי הכיסוי ברמת המשימה ממוצעים לרמת המקצוע, במשקל של החלק היחסי של הזמן המושקע בכל משימה.

איור 2 (שאינו מופיע בכתבה המלאה) מציג את החשיפה בפועל (באדום) בהשוואה למדד β של אלונדו וחב'. (בכחול), הממחיש את ההבדל בין שימוש תיאורטי ושימוש בפועל בפלטפורמת אנתרופיק, מקובצים לפי קטגוריות תעסוקתיות רחבות. לדוגמה, מדד β מראה פוטנציאל חדירה של LLM לרוב המשימות בתחומי המחשוב והמתמטיקה (94%) ומשרד וניהול (90%).

האזור האדום, המתאר שימוש ב-LLM מתוך Anthropic Economic Index, מראה כיצד אנשים משתמשים ב-Claude בסביבות מקצועיות. הכיסוי מראה שה-AI רחוק מלהגיע ליכולותיו התיאורטיות. לדוגמה, Claude מכסה כיום רק 33% מכלל המשימות בקטגוריית המחשוב והמתמטיקה.

ככל שהיכולות יתקדמו, האימוץ יתרחב והפריסה תעמיק, האזור האדום יגדל ויכסה את הכחול. ישנו גם אזור גדול שאינו מכוסה; משימות רבות, כמובן, נשארות מחוץ להישג ידו של ה-AI – מעבודות חקלאיות פיזיות כמו גיזום עצים והפעלת ציוד חקלאי ועד למשימות משפטיות כמו ייצוג לקוחות בבית משפט.

איור 3 (שאינו מופיע בכתבה המלאה) מציג את עשרת המקצועות החשופים ביותר לפי מדד זה. בדומה לנתונים אחרים המראים כי Claude נמצא בשימוש נרחב לקידוד, מתכנתי מחשבים נמצאים בראש הרשימה, עם 75% כיסוי, ואחריהם נציגי שירות לקוחות, שמשימותיהם העיקריות נראות יותר ויותר בתעבורת API מצד ראשון. לבסוף, מקלידי נתונים, שמשימתם העיקרית של קריאת מסמכי מקור והזנת נתונים זוכה לאוטומציה משמעותית, מכוסים ב-67%.

בקצה התחתון, ל-30% מהעובדים אין כיסוי כלל, שכן משימותיהם הופיעו לעיתים רחוקות מדי בנתונים כדי לעמוד בסף המינימלי. קבוצה זו כוללת, למשל, טבחים, מכונאי אופנועים, מצילים, ברמנים, שוטפי כלים ועוזרי חדרי הלבשה.

מאפייני העובדים והשפעה על צמיחה צפויה

הלשכה לסטטיסטיקה של העבודה בארה"ב (BLS) מפרסמת תחזיות תעסוקה קבועות, כאשר הסט האחרון, שפורסם ב-2025, מכסה שינויים צפויים בתעסוקה לכל מקצוע בין השנים 2024 ל-2034. באיור 4 (שאינו מופיע בכתבה המלאה), אנתרופיק משווה את מדד הכיסוי ברמת המשרה לתחזיות ה-BLS.

ניתוח רגרסיה ברמת המקצוע, במשקל של התעסוקה הנוכחית, מגלה כי תחזיות הצמיחה חלשות במקצת עבור משרות עם חשיפה בפועל גבוהה יותר. על כל עלייה של 10 נקודות אחוז בכיסוי, תחזית הצמיחה של ה-BLS יורדת ב-0.6 נקודות אחוז. זה מספק אימות מסוים בכך שהמדדים של אנתרופיק עוקבים אחר הערכות שנגזרו באופן עצמאי ממנתחי שוק העבודה, אם כי הקשר קל. מעניין לציין שאין מתאם כזה בשימוש במדד אלונדו וחב'. לבדו.

איור 5 (שאינו מופיע בכתבה המלאה) מציג מאפייני עובדים ברבעון העליון של החשיפה ו-30% מהעובדים עם אפס חשיפה בשלושת החודשים לפני שחרור ChatGPT, אוגוסט עד אוקטובר 2022, תוך שימוש בנתונים מסקר האוכלוסייה הנוכחי (Current Population Survey)⁷. הקבוצות שונות מאוד. הקבוצה החשופה יותר נוטה להיות נשים ב-16 נקודות אחוז יותר, לבנות ב-11 נקודות אחוז יותר, וכמעט פי שניים אסיאתיות. הן מרוויחות 47% יותר, בממוצע, ובעלות רמות השכלה גבוהות יותר. לדוגמה, אנשים עם תארים מתקדמים מהווים 4.5% מהקבוצה הלא חשופה, אך 17.4% מהקבוצה החשופה ביותר – הבדל של כמעט פי ארבעה.

האם ה-AI כבר גורם לאבטלה? ראיות ראשוניות

עם מדדי חשיפה אלה, השאלה היא מה לחפש. חוקרים נקטו בגישות שונות. לדוגמה, Gimbel et al. (2025) עוקבים אחר שינויים בהרכב המקצועי באמצעות סקר האוכלוסייה הנוכחי. הטיעון שלהם הוא שכל ארגון מחדש חשוב של הכלכלה כתוצאה מ-AI יתבטא בשינויים בחלוקת המשרות. (הם מוצאים שעד כה, השינויים היו בלתי מורגשים.) Brynjolfsson et al. (2025) בוחנים רמות תעסוקה מחולקות לפי קבוצת גיל תוך שימוש בנתונים מחברת עיבוד השכר ADP, בעוד Acemoglu et al. (2022) ו-Hampole et al. (2025) משתמשים בנתוני פרסומי משרות מ-Burning Glass (כיום Lightcast) ו-Revelio, בהתאמה.

אנתרופיק מתמקדת באבטלה כתוצאה ראשונית מכיוון שהיא לוכדת באופן ישיר ביותר את הפוטנציאל לנזק כלכלי – עובד מובטל רוצה עבודה ועדיין לא מצא כזו. במקרה זה, פרסומי משרות ותעסוקה אינם בהכרח מסמנים צורך בתגובות מדיניות; ירידה בפרסומי משרות לתפקיד חשוף מאוד עשויה להתקזז על ידי עלייה בהזדמנויות במשרה קשורה. רוב התפתחויות שוק העבודה המזיקות של AI צריכות, ככל הנראה, לכלול תקופה של אבטלה מוגברת, כאשר עובדים מועברים מחפשים חלופות. סקר האוכלוסייה הנוכחי מתאים היטב למעקב אחר כך, שכן מובטלים מדווחים על עבודתם וענפם הקודמים.

ממצאים ראשוניים

אנתרופיק בחנה מגמות באבטלה, והתאימה את מדדי החשיפה ברמת המקצוע למשיבים בסקר האוכלוסייה הנוכחי.

שאלה מרכזית בפרשנות מדד הכיסוי היא אילו עובדים ייחשבו כ"מטופלים" (treated)? האם יש לצפות לשינויים בתעסוקה מכיסוי משימות של 10% בלבד? Gans and Goldfarb (2025) מראים שאם מודל O-ring מתאר בצורה הטובה ביותר משרות, השפעות תעסוקה עשויות להיראות רק כאשר לכל המשימות יש מידה מסוימת של חדירת AI. Hampole et al. (2025) טוענים שחשיפה ממוצעת מפחיתה את דרישת העבודה, אך ריכוז החשיפה במשימות מסוימות בלבד יכול לנטרל זאת. ו-Autor and Thompson (2025) מדגישים את רמת המומחיות הנדרשת למשימות הנותרות.

המחקר התמקד בקבוצות בעלות החשיפה הממוצעת הגבוהה ביותר (הרבעון העליון של כיסוי משימות משוקלל בזמן) והשווה אותן לאלה שבתחתית. ההנחה היא שההשפעות ישפיעו על העובדים החשופים ביותר תחילה. הפאנל העליון של איור 6 (שאינו מופיע בכתבה המלאה) מראה מגמות גולמיות בשיעור האבטלה מאז 2016 עבור עובדים ברבעון העליון של החשיפה וקבוצת הלא חשופים. במהלך מגפת הקורונה, העובדים הפחות חשופים ל-AI – הנוטים יותר לעבודות פרונטליות – חוו עלייה גדולה הרבה יותר באבטלה. מאז, המגמות היו דומות במידה רבה בין שתי הקבוצות. הפאנל התחתון מודד את גודל הפער בין העובדים החשופים ביותר והפחות חשופים במסגרת של הפרש-הפרשים (difference-in-differences), ומשקף את הממצאים מהנתונים הגולמיים. השינוי הממוצע בפער מאז שחרור ChatGPT קטן ולא מובהק, מה שמצביע על כך ששיעור האבטלה של הקבוצה החשופה יותר עלה במעט, אך ההשפעה אינה ניתנת להבחנה מאפס⁸.

בהתבסס על מרווח הסמך של האומדן המאוחד, ניתן יהיה לזהות עליות דיפרנציאליות באבטלה בסדר גודל של נקודת אחוז אחת. אם כל העובדים ב-10% העליונים היו מפוטרים, זה היה מעלה את האבטלה בקרב קבוצת הרבעון העליון מ-3% ל-43%, וזה היה מעלה את האבטלה הכוללת מ-4% ל-13%.

השפעה קטנה יותר אך עדיין מדאיגה תהיה תרחיש כמו "המיתון הגדול של עובדי הצווארון הלבן". במהלך המיתון הגדול בשנים 2007-2009, שיעורי האבטלה בארה"ב הוכפלו מ-5% ל-10%. הכפלה כזו ברבעון העליון של החשיפה תעלה את שיעור האבטלה שלו מ-3% ל-6%. זה אמור להיות גלוי גם בניתוח. יש לציין שהאומדן המרכזי מבוסס על שינויים דיפרנציאליים בשיעור האבטלה בקבוצה החשופה בהשוואה לקבוצה הפחות חשופה. אם האבטלה תעלה עבור כל העובדים במקביל, המחקר לא ייחס זאת להתקדמות AI שעדיין משאירה משימות רבות ללא שינוי.

השפעה על עובדים צעירים

קבוצה אחת המעוררת דאגה מיוחדת היא עובדים צעירים. Brynjolfsson et al. מדווחים על ירידה של 6-16% בתעסוקה במקצועות חשופים בקרב עובדים בני 22 עד 25. הם מייחסים ירידה זו בעיקר להאטה בקליטת עובדים חדשים ולא לעלייה בפיטורים⁹.

אנתרופיק מצאה ששיעור האבטלה בקרב עובדים צעירים במקצועות החשופים יציב (ראו נספח). אך האטה בקליטת עובדים לא בהכרח תתבטא בעלייה באבטלה, שכן צעירים רבים הם כניסות חדשות לשוק העבודה ללא מקצוע רשום בנתוני ה-CPS ועשויים לעזוב את כוח העבודה במקום להופיע כמובטלים. כדי לטפל בקליטה באופן ישיר, החוקרים השתמשו בממד הפאנל של ה-CPS, וספרו את אחוז העובדים הצעירים (בני 22-25) שמתחילים עבודה חדשה במקצוע חשוף יותר לעומת פחות חשוף לאורך זמן. איור 7 (שאינו מופיע בכתבה המלאה) מציג את שיעור מציאת העבודה החודשי (כלומר, כאשר עובד מדווח על עבודה שלא הייתה לו בחודש הקודם) עבור עובדים צעירים, מחולק לפי אם הם נכנסים למקצועות בעלי חשיפה גבוהה לעומת נמוכה.

מלבד תנודות גדולות ב-2020-2021, סדרות אלה מתפצלות ויזואלית ב-2024, כאשר עובדים צעירים נוטים פחות להיקלט למקצועות חשופים. שיעורי מציאת עבודה במקצועות הפחות חשופים נשארים יציבים ב-2% לחודש, בעוד הכניסה למשרות החשופות ביותר יורדת בכחצי נקודת אחוז. האומדן הממוצע בעידן שלאחר ChatGPT הוא ירידה של 14% בשיעור מציאת העבודה בהשוואה לזה שב-2022 במקצועות החשופים, אם כי זה בקושי מובהק סטטיסטית. (אין ירידה כזו לעובדים מבוגרים מ-25.)

זה עשוי לספק אות כלשהו להשפעות המוקדמות של ה-AI על התעסוקה, ומהדהד את ממצאי בריניולפסון וחב'. אך קיימות מספר פרשנויות חלופיות. העובדים הצעירים שלא נקלטים עשויים להישאר בעבודותיהם הקיימות, לקחת עבודות שונות או לחזור ללימודים. אזהרה נוספת הקשורה לנתונים היא שמעברי עבודה עשויים להיות פגיעים יותר לשגיאות מדידה בסקרים¹⁰.

דיון ומסקנות

דוח זה מציג מדד חדש להבנת השפעות ה-AI על שוק העבודה ובוחן השפעות על אבטלה וקליטת עובדים. משרות חשופות יותר ל-AI ככל שמשימותיהן אפשריות תיאורטית עם LLM ונצפות בפלטפורמות של אנתרופיק בשימושים אוטומטיים וקשורים לעבודה. אנתרופיק מוצאת כי מתכנתי מחשבים, נציגי שירות לקוחות ואנליסטים פיננסיים הם בין החשופים ביותר. תוך שימוש בנתוני סקר מארה"ב, לא נמצאה השפעה על שיעורי האבטלה בקרב עובדים במקצועות החשופים ביותר, אם כי קיימות עדויות ראשוניות לכך שקליטת עובדים למקצועות אלה הואטה מעט עבור עובדים בגילאי 22-25.

עבודה זו היא צעד ראשון לקטלוג השפעת ה-AI על שוק העבודה. אנתרופיק מקווה שהשלבים האנליטיים שננקטו בדוח זה, במיוחד סביב כיסוי ונתוני ייחוס, יהיו קלים לעדכון ככל שיצוצו נתונים חדשים על תעסוקה ושימוש ב-AI. גישה מבוססת עשויה לסייע למשקיפים עתידיים להבחין בין אות לרעש.

קיימים מספר שיפורים שיש לבצע בעבודה הנוכחית. נתוני השימוש של אנתרופיק ישולבו בעדכונים עתידיים, ויצרו תמונה מתפתחת של כיסוי משימות ומשרות בכלכלה. מדד אלונדו וחב'. יכול גם הוא להתעדכן, במידה שהוא קשור ליכולות LLM נכון לתחילת 2023. ובהתחשב בתוצאות המרמזות סביב עובדים צעירים וכניסות חדשות לשוק העבודה, צעד הבא מרכזי עשוי להיות לבחון כיצד בוגרים טריים עם כישורים אקדמיים בתחומים חשופים מנווטים בשוק העבודה.

נספח

זמין כאן.

תודות

נכתב על ידי מקסים מאסנקוף (Maxim Massenkoff) ופיטר מקרוני (Peter McCrory).

בתודות ל: רות אפל (Ruth Appel), טים בלונהקס (Tim Belonax), קייר בראדוול (Keir Bradwell), אנדי בריידן (Andy Braden), דקסטר קאלנדר השלישי (Dexter Callender III), מרים חאום (Miriam Chaum), מדיסון קלארק (Madison Clark), ג'ייק איטון (Jake Eaton), דיפ גנגולי (Deep Ganguli), קונאל האנדה (Kunal Handa), ראיין הלר (Ryan Heller), לארה קאראדוגן (Lara Karadogan), ג'ניפר מרטינז (Jennifer Martinez), ג'ארד מולר (Jared Mueller), שרה פולאק (Sarah Pollack), דייוויד סונדרס (David Saunders), קארל דה טורס (Carl De Torres), קים וית'י (Kim Withee), וג'ק קלארק (Jack Clark).

אנו מודים בנוסף למרתה גימבל (Martha Gimbel), אנדרס האמלום (Anders Humlum), אוון רוז (Evan Rose) ונתן וילמרס (Nathan Wilmers) על משוב על גרסאות קודמות של דוח זה.

ציטוט

@online{massenkoffmccrory2026labor,
 author = {Maxim Massenkoff and Peter McCrory},
 title = {Labor market impacts of AI: A new measure and early evidence},
 date = {2026-03-05},
 year = {2026},
 url = {https://www.anthropic.com/research/labor-market-impacts},
}

הערות שוליים

1. העברת משרות למיקור חוץ: Blinder et al. (2009) ו-Ozimek (2019); תחזיות צמיחה ממשלתיות: Massenkoff (2025); רובוטים: Graetz and Michaels (2018) ו-Acemoglu and Restrepo (2020); הלם סין: Autor et al. (2013) ו-Borusyak et al. (2022).
2. Brynjolfsson et al. (2025) משווים מגמות תעסוקה עבור עובדים במקצועות חשופים יותר לעומת פחות חשופים ל-AI, תוך שימוש במדדי חשיפה למשימות מ-Eloundou et al. (2023) ונתוני שכר מ-ADP. Johnston and Makridis (2025) מבצעים ניתוח דומה מבוסס משימות תוך שימוש בנתונים אדמיניסטרטיביים בארה"ב, אך הם מאחדים את הטיפול לרמת התעשייה. Hui et al. (2024) בוחנים כיצד משרות פרילנסר ב-Upwork הגיבו לשחרור ChatGPT וכלי יצירת תמונות מתקדמים, ומשווים עובדים בקטגוריות המושפעות ישירות לאלה בקטגוריות שלא הושפעו לפני ואחרי תאריך השחרור של כל כלי. Hampole et al. (2025) מכמתים את אימוץ ה-AI ברמת החברה באמצעות רשתות גיוס אוניברסיטאיות היסטוריות: חברות שגייסו בעבר מאוניברסיטאות שבוגריהן נכנסו מאוחר יותר לתפקידים הקשורים ל-AI התמודדו עם עלויות אימוץ נמוכות יותר.
3. מדדי החשיפה ברמת המשימה והמקצוע יכולים לשלב בקלות נתוני שימוש אחרים, ולהתרחב למדינות שונות. בכוונת אנתרופיק ליישם מתודולוגיה זו בהקשרים חדשים לאורך זמן.
4. במסגרת שלהם, משימות "חשופות ישירות" היו כאלה שניתן היה להשלים בחצי מהזמן עם LLM (עם מגבלת קלט של 2,000 מילים וללא גישה לעובדות עדכניות). משימות שהיו "חשופות עם כלים" היו כאלה שחוו את אותה האצה עם LLM שהיה לו גישה לתוכנה, למשל, לאחזור מידע ועיבוד תמונה. משימות שלא היו חשופות לא יכלו להפחית את משך הזמן שלהן ב-50% או יותר באמצעות LLM.
5. אנתרופיק משתמשת בשני מערכי הנתונים הקודמים של Anthropic Economic Index, המכסים שימוש מאוגוסט ונובמבר 2025. עבור משימות O*NET הדומות מאוד מבחינה סמנטית, הנתונים מפוצלים ביניהן.
6. ישנן החלטות שיפוטיות הכרוכות בכל שלב. האם מדד Eloundou et al. (2023) צריך להיכנס כ-{0, 0.5, 1} או משהו אחר? מה קובע שימוש "משמעותי"? כיצד לטפל במשימות שנראות דומות מאוד לאלה עם שימוש גבוה, אך נדירות מכדי להיקלט באופן ספציפי בדגימה עבור ה-Economic Index? כמה יותר צריכות להיות חשובות זרימות עבודה של אוטומציה בהשוואה להרחבה? ממצא מרגיע שמרחיבים עליו בנספח הוא שמתאם ספירמן (דרגות) של חשיפה למשרות ברזולוציות רבות לשאלות אלו גבוה במיוחד.
7. כדי להתאים קודי O*NET-SOC לקודי occ1990 ב-CPS, נעשה שימוש בטבלת ההמרה שסופקה על ידי Eckhart and Goldschlag (2025).
8. אנתרופיק חוקרת זאת בהרחבה בשלוש דרכים בנספח. ראשית, נבחן אם סף האחוזים המשמש להגדרת הטיפול משנה, ומשתנה מהחציון עד האחוזון ה-95. בכל המקרים, ההשפעה שטוחה או שלילית (כלומר, האבטלה יורדת עבור הקבוצה החשופה). לאחר מכן, מתמקדים בעובדים צעירים בפרט, בני 22 עד 25 כמו ב-Brynjolfsson et al. (2025). לבסוף, נעשה שימוש בנתונים על תובעי דמי אבטלה ממשרד העבודה כדי למדוד את האבטלה, ולא תגובות מסקר ה-CPS. בשום הרחבה לא נמצאו השפעות ברורות על משרות חשופות.
9. טווח זה רחב מכיוון שהמחברים מספקים אומדנים מול מספר תרחישי ייחוס. הירידה של 6 נקודות אחוז משווה לתרחיש ייחוס של צמיחה תעסוקתית שטוחה. אומדן 16 נקודות האחוז מגיע מתכנון המשווה עובדים דומים באותה חברה עם מקצועות שונים.
10. ראו Fujita, et al. (2024).

תיקונים

עודכן ב-8 במרץ 2026: תוקן איור 7, שהפך בטעות את התוויות בין שיעורי כניסה של קבוצת הרבעון העליון וקבוצת אפס החשיפה.

תוכן קשור

כיצד אוסטרליה משתמשת ב-Claude: ממצאים מ-Anthropic Economic Index

דוח Anthropic Economic Index: עקומות למידה

הדוח החמישי של Anthropic Economic Index בוחן את השימוש ב-Claude בפברואר 2026, ומתבסס על מסגרת ה"יסודות הכלכליים" שהוצגה בדוח הקודם.

השקת בלוג המדע של אנתרופיק

אנתרופיק משיקה בלוג חדש העוסק ב-AI ובמדע. בבלוג ישותפו מחקרים הנעשים באנתרופיק ובמקומות אחרים, שיתופי פעולה עם חוקרים ומעבדות חיצוניות, ודיונים על תהליכי עבודה פרקטיים למדענים המשתמשים ב-AI בעבודתם שלהם.