谁在将任务委托给AI？基于53,000个代理配置的证据

arXiv cs.AI 论文
ai-adoption occupational-ai agent-configurations workflow-automation ai-exposure

摘要

本研究提出代理采用指数（AAI），基于53,000个代理配置来衡量职业中的AI委托，揭示了采用模式与AI前的风险框架不同，并受技术可行性影响，但技术可行性并不能完全解释这一现象。

arXiv:2608.20425v1 公告类型：新 摘要：越来越多的文献衡量职业受人工智能影响的程度，但这些衡量捕捉的是人工智能可能执行任务的地方，而不是工人是否已经采用。我们提出一个新的暴露层，即委托暴露，记录工人是否通过将其构建到工作流中而将任务委托给人工智能。我们将其操作化为代理采用指数（AAI），衡量一个职业的任务与从业者已经构建和共享的代理例行程序的匹配程度。我们嵌入了大约53,000个来自Manus Skills Marketplace的代理技能规范，计算它们与约18,000个O*NET任务陈述的语义相似性，并汇总到职业级别。有三个发现。首先，委托集中的职业与AI前框架识别出的最危险职业截然不同。其次，AAI更紧密地跟踪人工智能能做什么，而不是工人当前如何使用它。第三，AAI在工资分布顶端以下和学士学位水平达到峰值，在两端下降。技术可用性解释了大部分这种差异，但无法解释受教育程度最高的职业中的不足，因此仅可行性无法解释谁采用。这种不足可能反映了抵抗预先规范的工作，或专业人员对编码节奏的自由裁量。区分两者，并跟踪这些措施随时间如何分化，将需要重复测量。
查看原文
查看缓存全文

缓存时间: 2026/08/24 04:09 

# 谁在向AI委派任务？基于53,000个智能体配置的证据
来源：https://arxiv.org/abs/2608.20425  
查看PDF（https://arxiv.org/pdf/2608.20425）

> 摘要：现有研究日益关注各职业被AI影响的程度，但这些指标反映的是AI**可能**执行任务的潜力，而非从业者**实际采纳**的程度。我们提出一个新的影响维度——"委派影响"，用于记录工作者是否已将任务整合至工作流中从而委派给AI。我们将其操作化为"智能体采纳指数（AAI）"，该指数衡量某职业的任务与从业者已构建并共享的智能体工作流程的匹配程度。我们纳入了约53,000项来自Manus技能市场的智能体技能规范，计算其与约18,000条O*NET任务描述的语义相似度，并汇总至职业层面。研究得出三个发现：第一，AI委派集中出现的职业与传统AI风险框架预测的"高危"职业差异显著；第二，AAI更能反映AI的潜在能力而非当前实际应用水平；第三，AAI在工资分布中处于中等偏上水平，在学历维度上于学士水平达到峰值，两端均呈下降趋势。技术可及性解释了大部分差异，但无法解释高学历职业中的采纳不足现象。这可能源于某些工作抗拒流程化规范，或专业人士对编码进程保持自主控制。区分这两种机制并追踪指标随时间的演变，需进行持续测量。

## 提交历史

来自：Lanu Kim \[查看邮件（https://arxiv.org/show-email/1535ac0c/2608.20425）\] **\[版本1\]** 2026年8月19日（周三）16:36:04 UTC（2,504 KB）

相似文章

你能将多少任务委托给智能代理？（7分钟阅读）

TLDR AI

文章提出了一个框架，用于根据两个因素决定给予AI代理多少自主权：检查输出的难易度和撤销错误的难易度。它介绍了四种委托级别，从代理作为助手到完全自动驾驶模式，并用决策树进行了说明。