Editores

Artes, Design, Entretenimento e Mídia

Exposição à IA

  • Fonte dos dados: BLSPublicado: '26.08

    Muito alto· relativa

    BaixoQuatro faixas relativasMuito alto

    Valor por grupo ocupacional

    Escala, base e fonte

    Quatro faixas relativas (Baixo / Moderado / Alto / Muito alto)

    831 ocupações detalhadas da tabela de projeções de emprego do BLS. O valor é atribuído por código da National Employment Matrix (NEM), pelo que as ocupações que partilham um código NEM recebem a mesma banda

    Conjunto de dados de origem (transferência XLSX)

  • Fonte dos dados: AnthropicPublicado: '26.03

    0.246

    0.000Intervalo dos valores aqui apresentados0.745
    Escala, base e fonte

    Índice de exposição observada, 0–1 tal como publicado

    Mapeado sobre tarefas O*NET

    Conjunto de dados de origem

  • Fonte dos dados: ILOPublicado: '25

    0.54

    0.09Intervalo dos valores aqui apresentados0.70

    Valor por grupo ocupacional

    Escala, base e fonte

    Índice de exposição à IA generativa, 0–1 tal como publicado

    Grupo de base CITP-08 — todas as ocupações com o mesmo código recebem este valor

    Calculado por este site, não publicado pela OIT: das 1.012 ocupações que este site liga ao conjunto de dados da OIT, 13% atingem ou superam este valor.

    Conjunto de dados de origem

Que tipo de valor esta fonte publica

A categoria de BLS é uma posição relativa, não um nível absoluto, e também não é uma medição de primeira mão: agrupa em quatro faixas as posições percentis da ocupação em vários estudos publicados. Não é uma previsão de emprego ou de salários, não é uma probabilidade de adoção e não distingue automação de aumento.

Task-level exposure

Apenas tarefas expostas

Values in this tab are predicted labels, not observations. Eloundou et al. (2023) published two rating regimes — human raters and GPT-4 — and the β shown here is derived from the GPT-4 rater basis alone; the same task can take a different value under the other regime. The unit and the meaning differ from the observed shares (%) in the other tabs, so do not place them on the same axis.

TaskβE1 + 0.5 × E2
Prepare, rewrite and edit copy to improve readability, or supervise others who do this work.

O*NET Task ID 1776

1.0
Read copy or proof to detect and correct errors in spelling, punctuation, and syntax.

O*NET Task ID 1777

1.0
Develop story or content ideas, considering reader or audience appeal.

O*NET Task ID 1782

1.0
Read, evaluate and edit manuscripts or other materials submitted for publication, and confer with authors regarding changes in content, style or organization, or publication.

O*NET Task ID 1786

1.0
Make manuscript acceptance or revision recommendations to the publisher.

O*NET Task ID 1790

1.0
Read material to determine index items and arrange them alphabetically or topically, indicating page or chapter location.

O*NET Task ID 1795

1.0
Write text, such as stories, articles, editorials, or newsletters.

O*NET Task ID 21000

1.0
Allocate print space for story text, photos, and illustrations according to space parameters and copy significance, using knowledge of layout principles.

O*NET Task ID 1778

0.5
Plan the contents of publications according to the publication's style, editorial policy, and publishing requirements.

O*NET Task ID 1779

0.5
Verify facts, dates, and statistics, using standard reference sources.

O*NET Task ID 1780

0.5
Meet frequently with artists, typesetters, layout personnel, marketing directors, and production managers to discuss projects and resolve problems.

O*NET Task ID 1788

0.0

β = E1 + 0.5 × E2 · E1 = tasks where direct LLM access alone cuts time by at least 50%, E2 = tasks where software built on top of an LLM cuts time by at least 50%. Values take only 0 / 0.5 / 1.0.

Data sources & licenses — O*NET®, Eloundou et al. (2023): see full notices on the Credits page

Occupation information

Alterações recentes que afetam esta ocupação

mar. de 2026: Brookings research shows copyediting and proofreading freelancers face significant AI displacement — high-skilled editors hit harder than junior ones, reversing historical technology disruption patterns.

[Fonte: Brookings Institution (Hui & Reshef, 2025)]

mar. de 2026: Corporate expense data shows 97% cost saving when firms switch from human contractors to AI, reducing demand for contract editing work.

[Fonte: Stevens (2026) arXiv]

mar. de 2026: Published evergreen blog post analyzing AI impact on editors: 65% exposure, 52% automation risk.

[Fonte: AI Changing Work Blog]