論文の概要: Generative AI and the Reorganization of Labor Demand

• arxiv url: http://arxiv.org/abs/2605.23159v1
• Date: Fri, 22 May 2026 02:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.161452
• Title: Generative AI and the Reorganization of Labor Demand
• Title（参考訳）: ジェネレーティブAIと労働需要の再編成
• Authors: Fangyan Wang, Zaiyan Wei, Yang Wang,
• Abstract要約: 企業は、採用先や仕事の含み方、あるいはその両方を変えて調整するかどうかを調査する。 米国におけるジョブ投稿の全国的データセットを用いて、生成的AI暴露の尺度を構築した。 次に、全体的な露出の変化を2つのマージンに分解する: ジョブ間の需要配分の実現と、ジョブ内のタスクの再設計である。
• 参考スコア（独自算出の注目度）: 2.7393130297104555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative artificial intelligence (AI) is expected to transform work, but less is known about how firms reorganize labor demand as the technology diffuses. Existing research has largely focused on which occupations are exposed to AI or whether exposed jobs decline. We extend this debate by examining whether firms adjust by changing where they hire, what jobs contain, or both. Using a nationwide dataset of job postings in the United States, covering all sectors of the economy, we construct a dynamic, posting-level measure of generative AI exposure with a two-stage large language model pipeline. The pipeline identifies the tasks described in each posting and classifies the extent to which generative AI can perform or assist them. We then decompose changes in aggregate exposure into two margins: reallocation of demand across jobs and redesign of tasks within jobs. We document three main findings. First, generative AI exposure is dynamic rather than fixed, changing substantially over time. Second, labor demand adjusts through both margins. Hiring reallocation explains the largest share of the aggregate decline in exposure, accounting for 52% on average, while within-job redesign becomes increasingly important, accounting for 39.5%. A complementary Oaxaca-Blinder decomposition shows that shifts in occupational composition account for about 90% of the exposure change attributable to observable job characteristics. Third, adjustment differs across the job ladder. Senior jobs adjust earlier and mainly through reallocation, whereas junior jobs adjust through a broader mix of reallocation, redesign, and their interaction. These findings suggest that labor-market adjustment to generative AI is a process of organizational reconfiguration, in which firms reshape both hiring demand and the task architecture of work.
• Abstract（参考訳）: 生成的人工知能(AI)は仕事を変えることが期待されているが、その技術が拡散するにつれて、企業が労働需要を再編成する方法についてはあまり知られていない。 既存の研究は、どの職業がAIに晒されているか、あるいは露骨な職が減少しているかに主に焦点を当ててきた。 この議論は、企業が採用先や仕事の含め方、あるいはその両方を変えることで調整するかどうかを調べて拡大する。 米国におけるジョブポストの全国的なデータセットを使用して、経済のすべての分野をカバーし、2段階の大規模言語モデルパイプラインを使用して、生成AIの露光を動的にポストレベルに測定する。 パイプラインは、投稿毎に記述されたタスクを特定し、生成AIが実行または支援できる範囲を分類する。 次に、全体的な露出の変化を2つのマージンに分解する: ジョブ間の需要配分の実現と、ジョブ内のタスクの再設計である。 主な発見は3つある。 第一に、生成的AI露光は固定ではなく動的であり、時間とともに大きく変化する。 第2に、労働需要は両方の利幅で調整される。 雇用再配置は、露出の総減少の最大のシェアを説明し、平均で52%を占め、一方、内部ジョブの再設計は、39.5%を占めている。 補完的なOaxaca-Blinder分解は、作業組成の変化が、観測可能なジョブ特性に起因する露出変化の約90%を占めていることを示している。 第三に、調整は仕事のはしごによって異なります。 上級職は早期に、主に転職によって調整されるのに対し、下位職は転職、再設計、そして彼らの相互作用によってより広範囲に調整される。 これらの結果は、生産型AIに対する労働市場調整は、企業が雇用需要と作業のタスクアーキテクチャの両方を再構築する組織的再構成のプロセスであることを示している。

関連論文リスト

• Can Online GenAI Discussion Serve as Bellwether for Labor Market Shifts? [62.386835769570006]
  本稿では,大規模言語モデルに関するオンライン議論が,労働市場の変化の早期指標として機能するかどうかを検討する。 我々は、公共の談話が雇用の変化の先駆けとなる領域と時間枠を特定するために、4つの異なる分析的アプローチを採用している。 調査の結果,求職率,純雇用率,在職期間,失業期間など,複数の指標で1～7ヶ月の雇用変化を事前に予測していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-20T04:18:25Z)
• TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [55.03911355902567]
  我々は、デジタルワーカーと同じような方法で世界と対話するAIエージェントを評価するためのベンチマークであるTheAgentCompanyを紹介する。 最も競争力のあるエージェントは、タスクの30%を自律的に完了させることができる。 これは、実際の職場の設定でLMエージェントをシミュレートすることで、タスク自動化に関する微妙な絵を描く。
  論文  参考訳（メタデータ） (2024-12-18T18:55:40Z)
• Towards the Terminator Economy: Assessing Job Exposure to AI through LLMs [10.844598404826355]
  米国の雇用の3分の1はAIに強く依存しており、主に大学院または大学院の教育を必要とする高度な職業で行われている。 高度な職業であっても、AIはタスク置換において高い多様性を示し、AIと人間は同じ職業の中で相互に補完することを示唆している。 すべての結果、モデル、コードはオンラインで公開されており、コミュニティが結果を再現し、結果を比較し、私たちの仕事をベンチマークとして使用して、時間とともにAIの進捗を監視します。
  論文  参考訳（メタデータ） (2024-07-27T08:14:18Z)
• MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
  大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。 この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。 我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
  論文  参考訳（メタデータ） (2024-06-04T08:35:04Z)
• AI and Jobs: Has the Inflection Point Arrived? Evidence from an Online Labor Platform [0.13124513975412255]
  我々は、AIが異なるオンライン労働市場(OLM)のフリーランサーにどのように影響するかを調査する。 そこで我々はCournot型競合モデルを開発した。 合衆国のWebデベロッパは、他のリージョンに比べてChatGPTのリリースの恩恵を受ける傾向にある。
  論文  参考訳（メタデータ） (2023-12-07T10:06:34Z)
• "Generate" the Future of Work through AI: Empirical Evidence from Online Labor Markets [4.955822723273599]
  ChatGPTのようなLLM(Large Language Model)ベースの生成AIシステムは、幅広い下流タスクにわたってゼロショット学習能力を実証している。 これらのシステムは、労働市場のダイナミクスを再構築する可能性がある。 しかし、AIが需要と供給の両方に同時に影響していることを考えると、その正確な影響を予測することは難しい。
  論文  参考訳（メタデータ） (2023-08-09T19:45:00Z)
• ArK: Augmented Reality with Knowledge Interactive Emergent Ability [115.72679420999535]
  基礎モデルから新しいドメインへの知識記憶の伝達を学習する無限エージェントを開発する。 私たちのアプローチの核心は、Augmented Reality with Knowledge Inference Interaction (ArK)と呼ばれる新しいメカニズムである。 我々のArKアプローチは,大規模な基礎モデルと組み合わせることで,生成された2D/3Dシーンの品質を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-05-01T17:57:01Z)
• Longitudinal Complex Dynamics of Labour Markets Reveal Increasing Polarisation [4.22389131271244]
  我々は,7年間の技術的,経済的,政策的な変化において,米国の労働市場の構造を経時的に分析する。 ネットワーク科学、自然言語処理、機械学習を活用して、労働市場の構造的変化を時間とともに明らかにしています。
  論文  参考訳（メタデータ） (2022-04-14T16:07:20Z)
• Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning [51.34011135329063]
  Job Title Benchmarking (JTB) は、様々な企業で同様の専門知識を持つ職種をマッチングすることを目的としている。 従来のJTBのアプローチは主に手作業による市場調査に依存しており、それは高価で労働集約的である。 我々はJTBをジョブ-グラフ上のリンク予測のタスクとして再編成し、ジョブタイトルにマッチするリンクはリンクを持つべきである。
  論文  参考訳（メタデータ） (2020-09-16T02:33:32Z)
• Learning Occupational Task-Shares Dynamics for the Future of Work [5.487438649316376]
  ビッグデータとAIは、2012年と2016年以来、高賃金の職業の中で著しく上昇している。 我々は,将来的な業務要求を予測するためのARIMAモデルを構築している。
  論文  参考訳（メタデータ） (2020-01-28T21:20:33Z)

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。