論文の概要: Who Delegates to AI? Evidence from 53,000 Agent Configurations
- arxiv url: http://arxiv.org/abs/2608.20425v1
- Date: Wed, 19 Aug 2026 16:36:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.048123
- Title: Who Delegates to AI? Evidence from 53,000 Agent Configurations
- Title（参考訳）: 誰がAIに委ねる? 5万3000人のエージェント構成からの証拠
- Abstract要約: 文献が増えているが、これらの手段は、労働者がAIを採用するかどうかではなく、AIがどこでタスクを実行できるかを捉えている。
我々は、作業者がワークフローに組み込むことでAIにタスクをコミットしたかどうかを記録する、新しい露光層、委任露光層を提案する。
我々はAAI(Agentic Adoption Index)として運用し、職業のタスクがすでに構築され共有されているエージェントルーチンにどの程度近いかを測定する。
- 参考スコア（独自算出の注目度）: 0.05735035463793007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A growing literature measures how far occupations are exposed to AI, but these measures capture where AI could perform tasks, not whether workers have adopted it. We propose a new layer of exposure, delegated exposure, which records whether a worker has committed a task to AI by building it into a workflow. We operationalize it as the Agentic Adoption Index (AAI), which measures how closely an occupation's tasks match the agentic routines practitioners have already built and shared. We embed roughly 53,000 agent skill specifications from the Manus Skills Marketplace, compute their semantic similarity to about 18,000 O*NET task statements, and aggregate to the occupation level. Three findings follow. First, the occupations where delegation concentrates differ sharply from those pre-AI frameworks identified as most at risk. Second, the AAI tracks what AI could do more closely than what workers currently use it for. Third, the AAI peaks below the top of the wage distribution and at the bachelor's level, declining at both extremes. Technical availability explains most of this variation, but not the shortfall among the most educated occupations, so feasibility alone cannot account for who adopts. That shortfall may reflect work that resists advance specification, or professional discretion over the pace of codification. Distinguishing the two, and tracking how these measures diverge over time, will require repeated measurement.
- Abstract（参考訳）: 文献が増えているが、これらの手段は、労働者がAIを採用するかどうかではなく、AIがどこでタスクを実行できるかを捉えている。
我々は、作業者がワークフローに組み込むことでAIにタスクをコミットしたかどうかを記録する、新しい露光層、委任露光層を提案する。
我々はAAI(Agentic Adoption Index)として運用し、職業のタスクがすでに構築され共有されているエージェントルーチンにどの程度近いかを測定する。
Manus Skills Marketplaceから約53,000のエージェントスキル仕様を組み込み、約18,000のO*NETタスクステートメントとセマンティックな類似性を計算し、占有レベルに集約します。
以下の3つの発見がある。
まず、デリゲートが集中する職業は、リスクが最も高いと認識されたAI以前のフレームワークと大きく異なる。
第2に、AIは労働者が現在使っているものよりも、AIがより緊密にできることを追跡する。
第3に、AAIは賃金分配の最高水準と学士レベルを下回っており、両極端に減少している。
技術的可用性は、このバリエーションのほとんどを説明するが、最も教育された職業の不足ではないため、実現可能性だけでは、誰が採用するかを説明できない。
この不足は、事前の仕様に反する作業や、コーディフィケーションのペースに対する専門的な判断を反映する可能性がある。
2つの対策を廃止し、これらの措置が時間とともにどのように変化するかを追跡するには、繰り返し測定が必要である。
関連論文リスト
- Atria Dawn: The Dawn of Agentic Superintelligence [237.73474618289063]
本稿では,科学研究と工学のための基礎エージェント言語モデルであるAtria Dawn Previewを紹介する。
本稿では,人間-AI協力の事例研究として,このモデルの背後にある真の研究開発プロセスについて考察する。
論文 参考訳（メタデータ） (2026-09-14T16:22:30Z) - When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration [78.16115745870405]
職場における人工知能の価値を特徴付けることを目的としている。
現在の研究は、この価値を、現在の自動化能力とAIの公的な採用の観点から大きく測定している。
これを考慮するためには、今日の微粒化タスクを超えて分析の範囲を広げなければならない。
論文 参考訳（メタデータ） (2026-09-11T06:29:34Z) - Characterizing initial human-AI proof formalization workflows [66.06866890889131]
AIシステムのコード生成能力の進歩と、証明を形式化し、検証する人々の能力を変えるための高度な数学的推論の約束への関与。
我々は、AIが人々のフォーマル化に与える影響について、混合メソッド分析を行う。
質的な調査では、人々の好みは多様であるが、形式化におけるAI支援に対する一般的な欲求が示されている。
論文 参考訳（メタデータ） (2026-06-02T22:58:19Z) - Will AI Agents Free Us From Meaningless Work? A Human-Centered Analysis [9.976808645232296]
171の職場作業における202人の労働者の格付けを用いて、いじめに対する認識がAIデリゲートへの欲求を強く予測していることを示す。
これらの結果から,AIデリゲートの自然な候補として,不正と認識されたタスクが示唆された。
論文 参考訳（メタデータ） (2026-05-15T14:34:44Z) - Jobs' AI Exposure Should Be Measured from Evidence, Not Model Priors [2.4724375110574304]
AIへの仕事の露出は、根拠に基づく根拠に基づく方法で測定されるべきである。
現在の理論的露出測定では、ゼロショットプロンプトを使用してタスクレベルのAI露出を分類している。
我々はO*NET 30.2における18,796の職業-タスク対にAI露出ラベルを割り当てる検索拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-14T23:29:42Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。
私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。
私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
論文 参考訳（メタデータ） (2025-03-09T01:13:56Z) - 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) - 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) - WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
大型言語モデル(LLM)は人間のような知性を模倣することができる。
WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
論文 参考訳（メタデータ） (2024-07-07T07:15:49Z) - The Potential Impact of AI Innovations on U.S. Occupations [3.0829845709781725]
私たちはDeep Learning Natural Language Processingを使って、大規模な作業に影響を及ぼす可能性のあるAI特許を特定します。
我々の方法論は、17,879のタスク記述の包括的なデータセットに依存し、AIの潜在的な影響を定量化する。
我々の結果は、いくつかの職業が潜在的に影響を受け、その影響は特定のスキルに複雑に結びついていることを示している。
論文 参考訳（メタデータ） (2023-12-07T21:44:07Z)
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。