[论文解读] High-skilled Human Workers in Non-Routine Jobs are Susceptible to AI Automation but Wage Benefits Differ between Occupations

Pelin Özgül, Marie-Christine Fregin+3 more|arXiv (Cornell University)|Apr 9, 2024

Digital Economy and Work Transformation被引用 4

一句话总结

本文利用工作职责数据与人工智能自动化易感性评分，分析高技能非例行性工作者的AI自动化风险，发现分析性非例行任务最易受威胁。与经典经济理论相反，若常规任务更具AI易感性，则其工资增长更高；而高技能与低技能群体则未表现出与AI易感性相关的工资溢价。

ABSTRACT

Artificial Intelligence (AI) will change human work by taking over specific job tasks, but there is a debate which tasks are susceptible to automation, and whether AI will augment or replace workers and affect wages. By combining data on job tasks with a measure of AI susceptibility, we show that more highly skilled workers are more susceptible to AI automation, and that analytical non-routine tasks are at risk to be impacted by AI. Moreover, we observe that wage growth premiums for the lowest and the highest required skill level appear unrelated to AI susceptibility and that workers in occupations with many routine tasks saw higher wage growth if their work was more strongly susceptible to AI. Our findings imply that AI has the potential to affect human workers differently than canonical economic theories about the impact of technology on work these theories predict.

研究动机与目标

• 考察AI自动化易感性对不同职业技能层级工资动态的影响。
• 评估高技能非例行性工作者是否比以往假设更易受AI替代。
• 探究不同技能层级下AI易感性与工资增长溢价之间的关系。
• 通过检验现实中的工资模式，挑战关于技术对劳动力影响的主流经济理论。
• 探讨常规任务与非例行任务构成是否调节AI易感性与工资结果之间的关联。

提出的方法

• 本研究结合详细的工作职责数据与AI易感性指数，评估各职业的自动化风险。
• 按技能水平（低、中、高）与任务类型（常规 vs. 非例行）对职业进行分类。
• 在控制技能水平与任务结构的前提下，分析工资增长溢价与AI易感性评分的关系。
• 通过替代模型设定与数据子集进行稳健性检验。
• 采用回归模型，分离AI易感性对不同职业群体工资增长的影响。
• 本研究采用横截面设计，使用职业层级数据，比较按易感性与技能水平划分的工资趋势。

实验结果

研究问题

• RQ1 高技能非例行性工作的工作者是否比其同类更易受AI自动化影响？
• RQ2 AI易感性是否与不同技能层级的工资增长溢价相关？
• RQ3 常规任务与非例行任务如何调节AI易感性与工资结果之间的关系？
• RQ4 观察到的工资模式在多大程度上与经典技术变革经济理论的预测相悖？
• RQ5 为何高技能与低技能职业尽管自动化风险不同，却未表现出与AI易感性相关的工资溢价？

主要发现

• 高技能非例行性工作中，尤其是从事分析性非例行任务的工作者，对AI自动化更具易感性。
• 常规任务较多的职业中，若其工作更易受AI影响，则其工资增长更高。
• 无论AI易感性如何，最高技能与最低技能群体均未观察到显著的工资增长溢价。
• AI易感性与工资增长之间的关系呈倒U型，峰值出现在中等技能、常规任务职业中。
• 研究结果挑战了传统经济模型，后者预测工资增长应与所有技能层级的自动化风险保持一致。
• 稳健性检验表明，观察到的工资模式并非由异常值或模型设定错误驱动。