論文の概要: Bounded by Risk, Not Capability: Quantifying AI Occupational Substitution Rates via a Tech-Risk Dual-Factor Model

• arxiv url: http://arxiv.org/abs/2604.04464v1
• Date: Mon, 06 Apr 2026 06:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.117395
• Title: Bounded by Risk, Not Capability: Quantifying AI Occupational Substitution Rates via a Tech-Risk Dual-Factor Model
• Title（参考訳）: リスクに縛られ、能力に縛られず - Tech-Risk Dual-Factor ModelによるAIの職業交代率の定量化
• Authors: Shuyao Gao, Minghao Huang,
• Abstract要約: 我々は、職業は瞬時に根絶されるのではなく、徐々に原子の作用によって侵食されると主張している。 923件の職業を2,087件のDWA(Detailed Work Activity)に分解し,多エージェントLLMアンサンブルを用いて技術的実現可能性とビジネスリスクの両立を図る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deployment of Large Language Models (LLMs) has ignited concerns about technological unemployment. Existing task-based evaluations predominantly measure theoretical "exposure" to AI capabilities, ignoring critical frictions of real-world commercial adoption: liability, compliance, and physical safety. We argue occupations are not eradicated instantaneously, but gradually encroached upon via atomic actions. We introduce a Tech-Risk Dual-Factor Model to re-evaluate this. By deconstructing 923 occupations into 2,087 Detailed Work Activities (DWAs), we utilize a multi-agent LLM ensemble to score both technical feasibility and business risk. Through variance-based Human-in-the-Loop (HITL) validation with an expert panel, we demonstrate a profound cognitive gap: isolated algorithmic probabilities fail to encapsulate the "institutional premium" imposed by experts bounded by professional liability. Applying a strictly algorithmic baseline via mathematical bottleneck aggregation, we calculate Relative Occupational Automation Indices ($OAI$) for the U.S. labor market. Our findings challenge the traditional Routine-Biased Technological Change (RBTC) hypothesis. Non-routine cognitive roles highly dependent on symbolic manipulation (e.g., Data Scientists) face unprecedented exposure ($OAI \approx 0.70$). Conversely, unstructured physical trades and high-stakes caretaking roles exhibit absolute resilience, quantifying a profound "Cognitive Risk Asymmetry." We hypothesize the emergent necessity of a "Compliance Premium," indicating wage resilience increasingly tied to risk-absorption capacity. We frame these findings as a cross-sectional diagnostic of systemic vulnerability, establishing a foundation for subsequent Computable General Equilibrium (CGE) econometric modeling involving dynamic wage elasticity and structural labor reallocation.
• Abstract（参考訳）: LLM(Large Language Models)の展開は、技術的失業に対する懸念を浮き彫りにした。 既存のタスクベースの評価は、主にAI能力に対する理論的「露出」を測定し、現実の商業的採用における重要な摩擦を無視している。 我々は、職業は瞬時に根絶されるのではなく、徐々に原子の作用によって侵食されると主張している。 これを再評価するために、Tech-Risk Dual-Factor Modelを導入します。 923件の職業を2,087件のDWA(Detailed Work Activity)に分解し,多エージェントLLMアンサンブルを用いて技術的実現可能性とビジネスリスクの両立を図る。 分散に基づくHuman-in-the-Loop(HITL)検証を専門家パネルで実施することで、分離されたアルゴリズム的確率は、専門的責任に縛られた専門家によって課される「制度上のプレミアム」をカプセル化できないという、深い認知的ギャップが示される。 数学的ボトルネックアグリゲーションによる厳密なアルゴリズムベースラインの適用により、米国の労働市場における相対的職業自動化指標(OAI$)を計算する。 本研究は,従来のRoutine-Biased Technological Change(RBTC)仮説に挑戦する。 非ルーチン認知の役割は、象徴的操作(例えば、データサイエンティスト)に強く依存しており、前例のない露出(OAI \approx 0.70$)に直面している。 逆に、非構造的な物理的貿易と高い注意力を持つ役割は絶対的なレジリエンスを示し、深い「認知的リスク非対称性」を定量化している。 われわれは「コンプライアンス・プレミアム」の創発的な必要性を仮定し、リスク吸収能力にますます結びつく賃金のレジリエンスを示す。 我々はこれらの知見を,系統的脆弱性の横断診断として捉え,動的賃金弾性と構造的労働再配置を含む計算可能一般均衡(CGE)計量モデルの基礎を確立した。

関連論文リスト

• When AI Levels the Playing Field: Skill Homogenization, Asset Concentration, and Two Regimes of Inequality [0.7016842616745783]
  生成AIは、経済価値を集中的な補完資産にシフトしながら、タスク内スキルの違いを圧縮する。 我々は、この緊張関係を内在的教育、雇用主検診、異種企業によるタスクベースモデルで定式化する。 このモデルでは、境界がAIの技術構造に依存する2つのレジームが生成される。
  論文  参考訳（メタデータ） (2026-03-05T12:41:08Z)
• Toward Quantitative Modeling of Cybersecurity Risks Due to AI Misuse [50.87630846876635]
  我々は9つの詳細なサイバーリスクモデルを開発する。 各モデルはMITRE ATT&CKフレームワークを使用して攻撃をステップに分解する。 個々の見積もりはモンテカルロシミュレーションによって集約される。
  論文  参考訳（メタデータ） (2025-12-09T17:54:17Z)
• The Role of Risk Modeling in Advanced AI Risk Management [33.357295564462284]
  急速に進歩する人工知能(AI)システムは、新しい、不確実で、潜在的に破滅的なリスクをもたらす。 これらのリスクを管理するには、厳格なリスクモデリングの基盤となる成熟したリスク管理インフラストラクチャが必要です。 先進的なAIガバナンスは、同様の二重アプローチを採用するべきであり、検証可能な、確実に安全なAIアーキテクチャが緊急に必要である、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-12-09T15:37:33Z)
• Cascaded Language Models for Cost-effective Human-AI Decision-Making [52.81324217423194]
  複数の専門分野にまたがってタスクを適応的に委譲するLLM決定フレームワークを提案する。 まず、deferral Policyは、ベースモデルの回答を受け入れるか、あるいは大きなモデルでそれを再生するかを決定する。 第2に、禁忌ポリシーは、カスケードモデル応答が十分に確実であるか、または人間の介入を必要とするかを判定する。
  論文  参考訳（メタデータ） (2025-06-13T15:36:22Z)
• Follow the money: a startup-based measure of AI exposure across occupations, industries and regions [0.0]
  既存のAIの職業曝露対策は、技術的実現可能性に基づいて人間の労働を代用または補うAIの理論的可能性に焦点を当てている。 我々は,O*NETとスタートアップが開発したAIアプリケーションからの職業的記述に基づく,新たな指標であるAISE(AI Startup Exposure)指標を紹介する。 我々の発見は、AIの採用は、AIアプリケーションの技術的実現可能性と同様に、社会的要因によって徐々に形成されていくことを示唆している。
  論文  参考訳（メタデータ） (2024-12-06T10:25:05Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。