Examinadores de Fraude

Serviços de Proteção

Exposição à IA

  • Fonte dos dados: BLSPublicado: 2026-08

    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: 2026-03

    0.220

    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: 2025

    0.44

    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, 28% 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 written reports of investigation findings.

O*NET Task ID 16046

1.0
Document all investigative activities.

O*NET Task ID 16053

1.0
Maintain knowledge of current events and trends in such areas as money laundering and criminal tools and techniques.

O*NET Task ID 16035

0.5
Train others in fraud detection and prevention techniques.

O*NET Task ID 16036

0.5
Research or evaluate new technologies for use in fraud detection systems.

O*NET Task ID 16037

0.5
Prepare evidence for presentation in court.

O*NET Task ID 16038

0.5
Negotiate with responsible parties to arrange for recovery of losses due to fraud.

O*NET Task ID 16040

0.5
Advise businesses or agencies on ways to improve fraud detection.

O*NET Task ID 16044

0.5
Review reports of suspected fraud to determine need for further investigation.

O*NET Task ID 16045

0.5
Recommend actions in fraud cases.

O*NET Task ID 16047

0.5
Obtain and serve subpoenas.

O*NET Task ID 16039

0.0
Conduct field surveillance to gather case-related information.

O*NET Task ID 16041

0.0
Arrest individuals to be charged with fraud.

O*NET Task ID 16042

0.0
Testify in court regarding investigation findings.

O*NET Task ID 16043

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

Informação ocupacional