Cohere Research: Što zapravo mjere AI ocjene izloženosti i zašto to nije dovoljno za kreatore politika

Četiri istraživača iz Cohere Research-a — Campbell Lund, Thomas Euyang, Zanele Munyikwa i Marzieh Fadaee — objavila su 10. lipnja 2026. sveobuhvatnu kritičku analizu jednog od najutjecajnijih alata za procjenu utjecaja AI-ja na tržište rada: tzv. ocjena izloženosti (engl. AI exposure scores, AES). Rad je popraćen pratećim preprintom na arXiv repozitoriju.

Što su ocjene izloženosti AI-ju?

Ocjene izloženosti temeljni su alat u debati o utjecaju AI-ja na tržište rada. Polazna točka je okvir „GPTs are GPTs” (Eloundou i suautori, 2023.) koji definira izloženost zanimanja kao postotak zadataka unutar tog zanimanja koje veliki jezični model (engl. large language model, LLM) može obaviti ili asistirati. Što je postotak viši, smatra se da je zanimanje „više izloženo” — bilo automatizaciji, bilo potpomognutom radu putem AI-ja.

Takve ocjene brzo su postale referentna točka za kreatore politika (engl. policy makers), ekonomiste i medije koji pokušavaju predvidjeti koje će sektore AI promijeniti i u kojoj mjeri.

Ograničenja statičkih ocjena za oblikovanje politika

Autori identificiraju dvije temeljne praznine između istraživačke metodologije i stvarnih potreba kreatora politika.

Strukturni jaz (engl. structural gap): Statičke ocjene mjere performanse određenog AI sustava, primijenjene na konkretnu taksonomiju zanimanja, u točno određenom trenutku. To znači da su inherentno ograničene u trima dimenzijama: vremenski (što vrijedi danas, sutra može biti zastarjelo), geografski (taksonomije zanimanja razlikuju se između država) i ontološki (sama definicija „zadataka” unutar zanimanja upitna je i nestabilna). Kreatori politika, međutim, trebaju mjere koje su fleksibilne duž sve tri dimenzije.

Koordinacijski jaz (engl. coordination gap): Istraživačka zajednica razvila je naprednije metodologije koje adresiraju upravo ta ograničenja — ali te metodologije ostaju zarobljene unutar akademskih krugova. Kreatori politika u međuvremenu i dalje citiraju zastarjele statičke ocjene jer nisu upoznati s novijim pristupima. Rezultat je sustavni raskorak između onoga što je metodološki dostupno i onoga što se primjenjuje u praksi.

Pet novih metodoloških obitelji

Autori katalogiziraju pet novih metodoloških pravaca koje akademska zajednica razvija, a koji još nisu ušli u standardnu upotrebu pri oblikovanju politika:

1. Dinamičke i benchmark-bazirane mjere — umjesto jedne statičke procjene, praćenje promjene izloženosti kroz vrijeme kako AI sustavi napreduju.
2. Ensemble metode — kombiniranje više različitih modela i pristupa procjeni kako bi se smanjila pristranost pojedinog sustava.
3. Proširenja taksonomija zadataka (engl. task-framework extensions) — bolje mapiranje onoga što radnici zapravo rade, umjesto oslanjanja na standardizirane klasifikacije zanimanja.
4. Mjere usmjerene na radnike (engl. worker-centered metrics) — mjerenje utjecaja AI-ja iz perspektive samog radnika, a ne samo apstraktnog „zadatka”.
5. Podaci o stvarnoj upotrebi i usvajanju (engl. adoption data) — korištenje empirijskih podataka o tome kako i koliko se AI zapravo koristi na radnom mjestu, umjesto teorijskih procjena.

Zajednička odgovornost: istraživači i kreatori politika

Studija naglašava da je odgovornost za premošćivanje oba jaza zajednička.

Za kreatore politika autori preporučuju: proširiti bazu dokaza oslanjanjem na više vrsta mjera, uključiti radnike kao epistemičke partnere (engl. epistemic partners) — ljude koji posjeduju direktno relevantno iskustvo i znanje o vlastitim radnim uvjetima — te se preusmjeriti s predviđanja na pripravnost (engl. preparedness). Umjesto pitanja „koja će zanimanja nestati?”, relevantnije je pitanje: kako sada pripremiti radnu snagu za neizvjesne promjene?

Za istraživače su preporuke komplementarne: graditi podatkovnu infrastrukturu koja je od početka dizajnirana da odgovori na potrebe politike, te koristiti interdisciplinarne metode koje premošćuju jaz između ekonomije, sociologije, računalne znanosti i istraživanja javnih politika.

Širi kontekst

Rad Cohere Research-a dolazi u trenutku kada se diljem EU i šire vode rasprave o regulaciji AI-ja i njezinom utjecaju na tržište rada. Statičke ocjene poput onih iz Eloundou et al. (2023.) postale su gotovo standardni analitički ulaz u takvim raspravama — i upravo zato ovakva metodološka kritika dolazi u pravom trenutku.

Bez bolje metodološke podloge, politike temelje se na mjerama koje previše simplificiraju stvarnost: ne uzimaju u obzir tempo promjena, razlike između tržišta rada u različitim državama, niti perspektivu samih radnika čiji su životi u igri. Ovaj rad postavlja konkretnu agendu za to kako popraviti tu situaciju.