المنهجية

يدمج تحليلنا مصادر بيانات موثوقة متعددة لتقديم رؤية شاملة لتأثير الذكاء الاصطناعي على المهن. نراقب الأبحاث الجديدة باستمرار لتحديث تقييماتنا.

• Massenkoff & McCrory (2026) - تأثيرات الذكاء الاصطناعي على سوق العمل: مقياس التعرض المرصود من بيانات استخدام Claude الفعليةرئيسي
• Eloundou et al. (2023) - GPTs are GPTs: إطار التعرض النظري للمهام (درجات بيتا 0، 0.5، 1)
• Brynjolfsson et al. (2025) - الكناري في منجم الفحم: تأثيرات التوظيف المرصودة باستخدام بيانات ADP المصغرة
• مكتب إحصاءات العمل الأمريكي (2024) - توقعات التوظيف 2024-2034 مع معدلات نمو مستوى المهنة
• نظام تصنيف O*NET SOC - تصنيف موحد للمهن والمهام يستخدم في جميع التقييمات

نستخدم أربعة مقاييس رئيسية لقياس تأثير الذكاء الاصطناعي على كل مهنة. يلتقط كل مقياس بعدًا مختلفًا لكيفية تفاعل الذكاء الاصطناعي مع مهام العمل.

التعرض الإجمالي

مقياس مركب يجمع بين بيانات التعرض النظري والمرصود لتقديم درجة ملخصة واحدة (0-100) لمدى تداخل مهام المهنة مع قدرات الذكاء الاصطناعي الحالية.

التعرض النظري

يقيس ما يمكن للذكاء الاصطناعي أتمتته نظريًا بناءً على البحث الأكاديمي وتقييمات القدرات. مشتق أساسًا من درجات بيتا لتعرض المهام من Eloundou et al. (2023).

التعرض المرصود

يقيس ما يفعله الذكاء الاصطناعي فعليًا في الممارسة بناءً على بيانات الاستخدام الفعلي. مشتق من تحليل Anthropic لملايين محادثات Claude المربوطة بمهام O*NET المهنية.

مخاطر الأتمتة

احتمالية الإزاحة الكبيرة للوظائف ضمن الإطار الزمني المقيم. يجمع بين مقاييس التعرض وبيانات اتجاهات التوظيف ومستويات الأجور وقابلية استبدال المهام.

نقوم بتفكيك كل مهنة إلى مهام فردية ونقيم درجة الأتمتة الممكنة بواسطة أنظمة الذكاء الاصطناعي الحالية والقريبة. يوفر هذا النهج على مستوى المهام رؤى أكثر دقة من تقديرات المهنة ككل.

التفكيك على مستوى المهام

يتم تفكيك كل مهنة إلى مهامها المكونة باستخدام أنشطة العمل التفصيلية (DWA) من O*NET. نقيم كل مهمة بشكل مستقل بدلاً من إصدار أحكام شاملة على مهن كاملة.

منهجية درجة بيتا

وفقًا لـ Eloundou et al. (2023)، تحصل كل مهمة على درجة بيتا: 0 (لا تعرض)، 0.5 (تعرض جزئي بإشراف بشري)، أو 1 (تعرض كامل لأتمتة الذكاء الاصطناعي). يتم تجميع هذه الدرجات لإنتاج مقاييس على مستوى المهنة.

بناء السلاسل الزمنية (2023-2028)

نبني بيانات السلاسل الزمنية باستخدام القياسات الفعلية لـ 2023-2025 والتوقعات المقدرة لـ 2026-2028. يتم التمييز بوضوح بين البيانات الفعلية والتقديرات في جميع التصورات.

منهجية التوقعات

تستند التقديرات المستقبلية (2026-2028) إلى معدلات الاتجاه المرصودة وتحسينات قدرات الذكاء الاصطناعي المعلنة وتوقعات توظيف BLS. جميع القيم المتوقعة مميزة بوضوح كتقديرات.

الشفافية حول قيودنا ضرورية للتحليل المسؤول. يجب على المستخدمين مراعاة هذه العوامل عند تفسير بياناتنا.

أحجام العينات

تستند بيانات التعرض المرصود إلى ملايين محادثات Claude، مما يوفر تغطية إحصائية قوية للمهن عالية الاستخدام. ومع ذلك، قد يكون للمهن الأقل شيوعًا أحجام عينات أصغر وفترات ثقة أوسع.

التغطية الجغرافية والمهنية

نغطي حاليًا 55 مهنة مع خطط للتوسع إلى 200+. تعكس البيانات بشكل أساسي سوق العمل الأمريكي وتفاعلات الذكاء الاصطناعي باللغة الإنجليزية، وقد لا تمثل الأنماط العالمية بالكامل.

تكرار التحديث

يتم تحديث المقاييس الأساسية عند توفر منشورات بحثية أو إصدارات بيانات جديدة. يتم تحديث توقعات BLS سنويًا. يتم تحديث بيانات التعرض المرصود عند نشر تحليلات جديدة من Anthropic.

الفجوة بين النظري والمرصود

غالبًا ما توجد فجوة كبيرة بين التعرض النظري (ما يمكن للذكاء الاصطناعي فعله) والتعرض المرصود (ما يفعله فعليًا). تعني حواجز التبني والقيود التنظيمية والجمود المؤسسي أن تأثير الذكاء الاصطناعي الفعلي عادة ما يتأخر عن القدرات التقنية.

نحتفظ بسجل شفاف لتحديثات البيانات الرئيسية وتغييرات المنهجية.

جميع نقاط البيانات مرتبطة بمصادرها الأصلية. نوفر معلومات الاستشهاد الكاملة للشفافية. انظر قائمة المراجع الكاملة أدناه.