Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen:
https://hdl.handle.net/10419/331883 Autor:innen:
Erscheinungsjahr:
2025
Schriftenreihe/Nr.:
Ruhr Economic Papers No. 1183
Verlag:
RWI - Leibniz-Institut für Wirtschaftsforschung, Essen
Zusammenfassung:
This paper develops a task-adjusted, country-specific measure of workers' exposure to Artificial Intelligence (AI) across 108 countries. Building on Felten et al. (2021), we adapt the Artificial Intelligence Occupational Exposure (AIOE) index to worker-level PIAAC data and extend it globally using comparable surveys and regression-based predictions, covering about 89% of global employment. Accounting for country-specific task structures reveals substantial cross-country heterogeneity: workers in low-income countries exhibit AI exposure levels roughly 0.8 U.S. standard deviations below those in high-income countries, largely due to differences in within-occupation task content. Regression decompositions attribute most cross-country variation to ICT intensity and human capital. High-income countries employ the majority of workers in highly AI-exposed occupations, while lowincome countries concentrate in less exposed ones. Using two PIAAC cycles, we document rising AI exposure in high-income countries, driven by shifts in within-occupation tasks rather than employment structure.
Zusammenfassung (übersetzt):
In diesem Beitrag wird ein länderspezifischer, aufgabenangepasster Maßstab für die Exposition von Arbeitnehmern gegenüber künstlicher Intelligenz (KI) in 108 Ländern entwickelt. Aufbauend auf Felten et al. (2021) passen wir den Index für die berufliche Exposition gegenüber KI (AIOE) an die PIAAC-Daten auf Arbeitnehmerebene an. Unter Verwendung vergleichbarer Umfragen und regressionsbasierter Prognosen, die etwa 89 % der weltweiten Beschäftigung abdecken, erweitern wir ihn weltweit. Die Berücksichtigung länderspezifischer Aufgabenstrukturen zeigt erhebliche Unterschiede zwischen den Ländern. So weisen Arbeitnehmer in Ländern mit niedrigem Einkommen ein AI-Expositionsniveau auf, das etwa 0,8 Standardabweichungen unter dem von Ländern mit hohem Einkommen liegt. Dies ist hauptsächlich auf Unterschiede in den Aufgabeninhalten innerhalb eines Berufs zurückzuführen. Regressionszerlegungen führen die meisten Unterschiede zwischen den Ländern auf die IKT-Intensität und das Humankapital zurück. Hochlohnländer beschäftigen die Mehrheit der Arbeitnehmer in Berufen mit hoher KI-Exposition, während sich Niedriglohnländer auf Berufe mit geringerer Exposition konzentrieren. Anhand von zwei PIAAC-Zyklen dokumentieren wir eine steigende KI-Exposition in Hochlohnländern. Diese ist eher auf Veränderungen innerhalb der Aufgabenbereiche als auf Veränderungen in der Beschäftigungsstruktur zurückzuführen.
Schlagwörter:
job tasks
occupations
AI
technology
skills
occupations
AI
technology
skills
JEL:
J21
J23
J24
J23
J24
Persistent Identifier der Erstveröffentlichung:
ISBN:
978-3-96973-368-4
Dokumentart:
Working Paper
Datei(en):
Datei
Beschreibung
Größe
Format
Publikationen in EconStor sind urheberrechtlich geschützt.