Newest papers

How exposed is work to robotics? Occupational, industry, and geographic measures

Sebastian Sartor, Robert Seamans, Neil Thompson · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.24267 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các chỉ số tiếp xúc duy nhất chuyển các khả năng kỹ thuật lên các kỹ năng nghề nghiệp đã trở thành một công cụ tiêu chuẩn để dự đoán làm thế nào AI có thể định hình lại công việc, nhưng các biện pháp hiện có hoặc bao gồm phần mềm AI hoặc robot proxy thông qua bằng sáng chế và dữ liệu lắp đặt phản ánh các robot công nghiệp trong những thập kỷ qua. Chúng tôi xây dựng các biện pháp tiếp xúc dựa trên khả năng đầu tiên cho robot và AI vật lý, và là công cụ đầu tiên để trải rộng các ngành nghề, ngành công nghiệp và địa lý. Theo khuôn khổ của Felten et al. (2018, 2021), chúng tôi xây dựng một loại tính toán khả năng tiếp xúc robot của 16 khả năng trong tám lĩnh vực từ 78 ngành học, ngành công nghiệp và các nguồn tiêu chuẩn, sử dụng một mô hình ngôn ngữ lớn để đánh giá mối quan hệ của mỗi khả năng nội dung liên quan đến khả năng làm

Machine translation (Meta M2M100); the English original follows.

Abstract

Exposure indices that map technical capabilities onto occupational abilities have become a standard tool for anticipating how AI may reshape work, but existing measures either cover software AI or proxy robotics through patents and installation data that reflect the industrial robots of past decades. We construct the first abilities-based exposure measures for robotics and physical AI, and the first to span occupations, industries, and geographies. Following the framework of Felten et al. (2018, 2021), we build a robotics capability taxonomy of 16 capabilities in eight domains from 78 academic, industry, and standards sources, use a large language model to score the relatedness of each capability to the 52 ONET work abilities, and aggregate to Robotics Occupational Exposure (ROE) for 774 occupations, Robotics Industry Exposure (RIE) for 250 NAICS industries, and county-level Robotics Geographic Exposure (RGE). We find that robotics exposure concentrates in physically intensive work such as construction, farming, transportation, and production, and in industries such as logging, mining, trucking, and warehousing. Unlike generative-AI exposure, ROE is higher in occupations with lower wages, lower education requirements, and less creative-ability content. Physical collaboration and assistance, terrain-based locomotion, grasping and handling, and task and functional reasoning move the exposure ranking most, yet no single capability carries the index. Because the measures capture technical relatedness rather than readiness, cost, or adoption, they should be read as an upper bound on where physical automation could affect work.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Robotics, Artificial intelligence, Automation, Robot, Computer science, Ranking (information retrieval)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange