論文の概要: The Capability Transfer: Cohort Reversal, Codified Expertise, and the Adaptability Tax of AI Transformation
- arxiv url: http://arxiv.org/abs/2610.33102v1
- Date: Thu, 22 Oct 2026 15:08:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.244569
- Title: The Capability Transfer: Cohort Reversal, Codified Expertise, and the Adaptability Tax of AI Transformation
- Title（参考訳）: 能力移転:コホート逆転、コード化された専門知識、AI変換の適応性税
- Abstract要約: この論文は、専門家を生み出すパイプラインに何が起こるのかを問う。
これは、CaosunとAralのモデル(2026年)を1人の労働者から、ジュニアとシニアの2人のコホートを持つ会社に拡張する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Most analyses of AI and employment ask which jobs are exposed. This paper asks what happens to the pipeline that produces experts. It extends the model of Caosun and Aral (2026) from a single worker to a firm with two cohorts, juniors and seniors, and studies how expertise formation changes when codified work is automated. Because junior work is the most codified, demand for juniors falls first; the stock of seniors falls later but further, as the pipeline stops replacing the experts who retire. In the baseline calibration, junior demand bottoms out about a fifth below its 2022 level before recovering most of that ground, while the senior stock falls by a quarter and later halves. Because expertise forms through unassisted practice on work that AI cannot do, the time needed to develop an expert from within rises from about five years to nine. The costs fall on a different party from the one that decides on adoption: a manager with a three-year horizon sets AI use to maximise near-term output, cutting the wage bill by 21 percent while the capacity of the firm on work AI cannot do falls by two-fifths and its output on that work goes unserved once the pipeline runs thin. Two key parameters are not yet measured, so the results are scenarios rather than forecasts. The paper proposes three indicators organisations can track: the unaided practice juniors get on work AI cannot do, senior time spent on such work, and the years it takes to develop an expert.
- Abstract（参考訳）: AIと雇用の分析のほとんどは、どの職が露呈しているかを問うものである。
この論文は、専門家を生み出すパイプラインに何が起こるのかを問う。
これは、CaosunとAralのモデル(2026年)を1人の労働者から、ジュニアとシニアの2人のコホートを持つ会社に拡張し、コーデレートされた作業が自動化されると、専門知識がどう変化するかを研究する。
ジュニアワークは最も体系化されているため、ジュニアの需要は第一に減少し、高齢者の在庫は後に減少するが、パイプラインは引退した専門家を置き換えるのをやめる。
ベースラインのキャリブレーションでは、ジュニアの需要が2022年の水準から約5分の1下がった後、その地面の大半を回復し、シニア株は4分の1下落し、その後半減した。
専門知識は、AIができない仕事の無支援の練習によって形成されるので、専門家を開発するのに必要な時間は、およそ5年間から9年間である。
AIが短期的なアウトプットを最大化し、賃金を21%削減する一方で、AIが行えない能力は2/5減少し、パイプラインが薄くなったらその作業のアウトプットは維持されない。
2つの重要なパラメータはまだ測定されていないので、結果は予測ではなくシナリオである。
この論文は、組織が追跡できる3つの指標を提案している。未成年者ができない仕事に取り組むこと、そのような仕事に費やした上級時間、そして専門家を開発するのに要する時間である。
関連論文リスト
- Game theory of academic effort and hiring in the age of AI [1.6042394978941517]
AIの前には、理論的な結果が強い十分に書かれた研究論文が、著者が自身の分野を深く理解する信頼できる信号として機能していた。
AIが広くアクセスできるようになった今、このような信号はより安価に生産できるようになった。
AIの時代は、学術職市場の両側に疑問を投げかける。
論文 参考訳（メタデータ） (2026-10-26T17:35:30Z) - iCoder-27B: Recursive AI-Led Development of Frontier Industrial Coding Model [89.9836668595474]
再帰的AI(Recursive AI)は、AIの構築と改善において、AIの完全な役割を担っている。
本研究では,エージェントがフロンティアモデルを開発するのにどの程度の人的関与が十分であるかを問う。
我々は,高密度で低周波なインタフェースに人間の入力を集中させ,エージェントはこれらの先行情報をインスタンス化し,実験を選択し,その結果を診断し,トレーニング戦略を改訂する。
産業コーディングの挑戦的な領域では、エージェントはデータを進化させ、SFT、オンライン自己蒸留、検証可能な報酬による強化学習を調整し、最終的に生産する。
論文 参考訳（メタデータ） (2026-08-28T15:51:26Z) - Who Delegates to AI? Evidence from 53,000 Agent Configurations [0.05735035463793007]
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。
論文 参考訳（メタデータ） (2026-08-19T16:36:04Z) - What is Missing from AI Post-Training AI: An Empirical Analysis [74.56398070411755]
この図は実行レベル能力と戦略レベル能力という2つの異なる能力を混在させています。
エージェントのトレーニング戦略は、さまざまなタスクにおいて、最初からロックインされていることが分かりました。
次に,欠席経験,指導の欠如,推論の不十分な3つの自然な説明と介入のエスカレートについて検討した。
論文 参考訳（メタデータ） (2026-08-19T16:17:39Z) - Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。
理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。
人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
論文 参考訳（メタデータ） (2026-06-04T10:25:31Z) - Agents' Last Exam [275.79071391137074]
Agents' Last Exam (ALE)は、AIエージェントを長期的、経済的に価値のある、現実のタスクで検証可能な結果で評価するために設計されたベンチマークである。
ALEは250以上の業界の専門家と共同で開発され、O*NET / SOC 2018を参照して定義された非物理産業をカバーしている。
現在の結果は、最も硬い層が飽和していないことを示している:主流のハーネスとバックボーンの構成で、平均フルパスレートは1%以下である。
論文 参考訳（メタデータ） (2026-06-03T20:20:46Z) - Generative AI and the Reorganization of Labor Demand [2.7393130297104555]
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。
論文 参考訳（メタデータ） (2026-05-22T02:18:40Z) - The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading [0.0]
実験的な証拠は、AIツールが労働者の生産性を高めることを裏付けるが、持続的な使用は、それらの利益が依存する専門知識を損なう可能性がある。
我々は、意思決定者が労働者のAI利用強度を時間とともに選択する動的モデルを開発する。
ツールの生産性効果を2つのチャネルに分解します。
論文 参考訳（メタデータ） (2026-04-03T22:50:32Z) - AI Skills Improve Job Prospects: Causal Evidence from a Hiring Experiment [0.15293427903448023]
本研究は、AIスキルが正の雇用シグナルとして機能するかどうか、また、高齢者や正規教育などの従来の不利を相殺できるかどうかを検討する。
英国と米国からの1,700名の採用者を対象に,実験的な調査を実施している。
3つの職業で、AIスキルはインタビューの招待確率を約8～15ポイント増加させる。
論文 参考訳（メタデータ） (2026-01-19T18:37:28Z) - SciMaster: Towards General-Purpose Scientific AI Agents, Part I. X-Master as Foundation: Can We Lead on Humanity's Last Exam? [51.112225746095746]
本稿では,人間研究者をエミュレートするツール強化推論エージェントであるX-Masterを紹介する。
XマスターズはHumanity's Last Examに32.1%のスコアで最新記録を樹立した。
論文 参考訳（メタデータ） (2025-07-07T17:50:52Z) - How Performance Pressure Influences AI-Assisted Decision Making [52.997197698288936]
我々は、プレッシャーと説明可能なAI(XAI)技術がAIアドバイステイク行動とどのように相互作用するかを示す。
我々の結果は、圧力とXAIの異なる組み合わせで複雑な相互作用効果を示し、AIアドバイスの行動を改善するか、悪化させるかのどちらかを示す。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z)
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。