The impacts of artificial intelligence (AI) on jobs: an industry perspective
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper aims to explore the impacts of artificial intelligence (AI) on jobs. Design/methodology/approach The authors followed rapid review guidelines. The authors collected industry and government reports published prior and up to August 2017 in Google and Google Scholar using combination of key words: “job automation” or “work automation” with technology keywords: “artificial intelligence,” “machine learning,” etc. In total, 11 were included in this research. Findings The use of AI technologies will impact jobs in the near future as some job tasks are automated. AI is likely to substitute both, routine and nonroutine tasks. It is expected that humans and robots would work together in ways never imaginable. Changes in employability skills are expected. Because of the magnitude of these impacts on jobs, consulted reports call for concerted solutions that go beyond organizations’ and industry’s boundaries to include other relevant stakeholders. Moreover, organizations will have to rethink their human resource (HR) function to realign its expertise to the reality of AI. Practical implications In this context, the HR function will have to understand the dynamics that generate the impacts of these technologies in a workplace, to anticipate changes and actively contribute to creating an organizational environment that will facilitate the collaboration between human workers and complex digital agents, while ensuring compliance with labor and employment laws and supporting strategic organizational objectives. Originality/value This paper contributes to the debate on ongoing concerns by providing a synthesis of relevant professional literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle