W marcu 2026 r. Anthropic opublikowało raport „Labor market impacts of AI: A new measure and early evidence”, który wprowadza narzędzie pozwalające odróżnić to, co AI mogłoby robić, od tego, co faktycznie robi w profesjonalnych środowiskach. W zawodach najbardziej narażonych spadła stopa znalezienia pracy wśród młodych
Badanie autorstwa Maxim Massenkoffa i Petera McCrory’ego nie bazuje na spekulacjach ani czysto teoretycznych benchmarkach zdolności modeli. Zamiast tego łączy dane z bazy O*NET (ok. 800 zawodów i ich zadań) z rzeczywistym ruchem na platformie Claude (Anthropic Economic Index).
Kluczowym elementem jest nowy wskaźnik „observed exposure” (obserwowana ekspozycja). Oblicza się go następująco: najpierw bierze się teoretyczną zdolność LLM do przyspieszenia zadania co najmniej dwukrotnie (miara β z pracy Eloundou et al. z 2023 r.). Następnie sprawdza się, czy zadanie pojawia się w rzeczywistych rozmowach z Claude w kontekście zawodowym. Pełną wagę dostają wdrożenia w pełni zautomatyzowane (np. przez API), połowę – augmentacyjne (wspomagające człowieka). Wynik agreguje się na poziomie zawodu, ważąc zadania według czasu, jaki pracownik na nie poświęca. Dzięki temu mierzymy nie potencjał, lecz rzeczywistą penetrację AI w codzienne obowiązki.
Wyniki pokazują wyraźną lukę. W kategorii „zawody komputerowe i matematyczne” teoretyczna ekspozycja sięga 94 proc. zadań, ale obserwowana – tylko 33 proc. Na czele rankingu znajdują się programiści komputerowi (75 proc. zadań pokrytych), specjaliści od wprowadzania danych (67 proc.) oraz przedstawiciele obsługi klienta (wysoka automatyzacja przez API). Z kolei aż 30 proc. pracowników wykonuje zadania, które w danych Claude nie pojawiają się w ogóle (m.in. kucharze, mechanicy motocykli, ratownicy). Pracownicy najbardziej eksponowanych zawodów to częściej osoby starsze, kobiety, z wyższym wykształceniem i wyższymi zarobkami.
Badanie nie rejestruje systematycznego wzrostu bezrobocia w grupach wysokoeksponowanych od końca 2022 r. (po premierze ChatGPT). Trendy bezrobocia w kwartylu najwyższej ekspozycji i grupie nieeksponowanej są zbliżone, a różnica po pandemii jest statystycznie nieistotna. Pojawiają się jednak wczesne sygnały dotyczące zatrudniania: w zawodach najbardziej narażonych spadła stopa znalezienia pracy wśród młodych (22–25 lat) o ok. 14 proc. w porównaniu z 2022 r. (choć efekt jest na granicy istotności statystycznej). Młodzi mogą po prostu pozostawać w dotychczasowych rolach, wracać na studia lub przechodzić do innych sektorów – co nie zawsze widać w danych o bezrobociu.
CZYTAJ TEŻ: Chińskie modele open-source dominują
CZYTAJ TEŻ: Polska wchodzi do gry o chipy. Ruszyły konsultacje strategii półprzewodnikowej
Dodatkowo raport łączy wyższą obserwowaną ekspozycję z nieco słabszymi prognozami wzrostu zatrudnienia BLS do 2034 r. (spadek o 0,6 pkt proc. na każde 10 pkt proc. ekspozycji). Sam wskaźnik teoretyczny (Eloundou) takiej korelacji nie wykazuje – co potwierdza wartość dodaną podejścia opartego na rzeczywistym użyciu.
Równolegle raporty z serii Anthropic Economic Index pokazują dywersyfikację zastosowań. Od listopada 2025 do lutego 2026 udział 10 najpopularniejszych zadań na Claude.ai spadł z 24 do 19 proc. Kodowanie migruje z interfejsu webowego (augmentacja) do API (automatyzacja). Wzrasta udział zapytań osobistych (sport, porównania produktów, naprawy domowe), co obniża średnią wartość ekonomiczną zadań (z 49,3 do 47,9 dol. wg średnich płac w USA). Użytkownicy długoterminowi częściej wybierają zadania wymagające wyższych kompetencji i osiągają wyższe wskaźniki sukcesu – co może pogłębiać nierówności umiejętności.
Autorzy podkreślają ograniczenia. Dane pochodzą wyłącznie z Claude (nie całego ekosystemu AI), teoretyczna miara β jest z 2023 r., a efekty zatrudnienia mogą być opóźnione lub przejawiać się nie w zwolnieniach, lecz w restrukturyzacji ról, spowolnieniu rekrutacji juniorów czy redesignie procesów. Mimo to framework daje HR i decydentom gospodarczym coś cennego: obiektywne, aktualizowane w czasie narzędzie do monitorowania realnych zmian zamiast prognoz „co mogłoby się stać”.
Dla działów HR oznacza to szansę na wcześniejsze reagowanie – nie masowe zwolnienia, lecz przekwalifikowanie, redefiniowanie ról i inwestycje w kompetencje „AI-fluent”. Dla polityki gospodarczej daje podstawę do celowanych programów wsparcia (np. dla młodych w zawodach technicznych) i śledzenia, czy luka między potencjałem a adopcją rzeczywiście się zmniejsza. Badanie nie rozstrzyga debaty „czy AI zabierze pracę”, ale daje mapę, na której można już rysować pierwsze linie frontu. W miarę jak modele ewoluują i dane się kumulują, obraz będzie coraz precyzyjniejszy.