自动化常被宣传为能够减轻单调、肮脏和危险的工作。我使用 O*NET 中的 21 项指标，对美国 754 个职业的 AI 暴露程度进行分析。结果显示，AI 暴露水平越高，工作条件评分（基于大语言模型（LLM）度量和 AI 职业暴露（AIOE））越低，且在等权职业权重和就业权重两种加权方式下均呈现相同趋势。进一步控制了体力需求、所需教育、培训与经验以及工资后，整体关联度减弱；调整后的置信区间对 LLM 暴露包含零，而对 AIOE 仍保持负值。将“重复性”与“受限裁量权”分离后，组合的单调评分所传达的含义也随之改变。这些比较表明，指标分组方式和职业特征会显著影响暴露估计的解释。职业画像可作为挑选对比研究场景的起点。要实现期望的自动化或实际的工作负担减轻，需要基于员工偏好和具体干预措施的实证证据。
点评