هوش مصنوعی، کار و سه آینده ممکن

به‌جای عنوان شغل، وظیفه‌ها را ببینید

عنوان شغلی برای تصمیم درباره خودکارسازی واحد مناسبی نیست. یک حسابدار را در نظر بگیرید. در یک روز ممکن است فاکتور تکراری را پیدا کند، ابهام یک قرارداد را برطرف کند، با تأمین‌کننده تماس بگیرد و مانده‌ای را که مشتری قبول ندارد برایش توضیح دهد. هرکدام از این کارها ورودی، پیامد و معیار پایان خودش را دارد. سامانه‌ای که اطلاعات فاکتور را بی‌نقص استخراج می‌کند، الزاماً مذاکره‌کننده قابل‌اعتمادی نیست.

برای شکستن یک شغل به وظیفه‌هایش، جست‌وجوی وظایف در پایگاه O*NET نقطه شروع خوبی است. اما در سازمان واقعی، این فهرست را باید با کسانی مرور کرد که همان کار را هر روز انجام می‌دهند. برای هر وظیفه بدانید چند بار تکرار می‌شود، چقدر وقت می‌گیرد، چند درصد موارد استثناست و چه کسی خروجی را تأیید می‌کند. بازبینی را هم کار حساب کنید؛ خودکارشدن ورود اطلاعات ممکن است صف تازه‌ای از پرونده‌های دشوار روی میز کارشناسان ارشد بگذارد.

روایت تصویری زیر همین منطق را با مثال پرستار در مقاله آنتروپیک نشان می‌دهد. از وظایف امروز شروع می‌کند و به کارهایی می‌رسد که هوش مصنوعی در آن‌ها کمک می‌کند، کارهایی که خودکار می‌شوند و مسئولیت‌هایی که تازه پیدا می‌شوند. مربع‌ها فقط این دسته‌ها را توضیح می‌دهند و سهم آماری کار پرستاران را نشان نمی‌دهند. یک وظیفه هم همیشه در یک دسته نمی‌ماند؛ با بهترشدن ابزار، عوض‌شدن ورودی یا اختیار بیشتر سامانه ممکن است جابه‌جا شود. پس به‌جای برچسب دائمی برای یک حرفه، همین جابه‌جایی‌ها را ثبت کنید.

پنج فرض، پنج پرسش جداگانه

فاصله سه سناریو از هم زیاد است. در سناریوی محدود، بهره‌وری آرام‌آرام بالا می‌رود؛ تقریباً به همان اندازه‌ای که فناوری‌های دیجیتال گذشته اقتصاد را تغییر دادند. در سناریوی چشمگیر، هوش مصنوعی از نظر فنی از پس حدود نیمی از وظایف دانشی برمی‌آید، اما در عمل فقط بخشی از این توان به کار گرفته می‌شود. سناریوی شدید سه چیز را با هم فرض می‌کند: پذیرش سریع، استقلال عمل بسیار زیاد و تقریباً هیچ وظیفه دانشی تازه‌ای برای انسان. آنتروپیک این مسیر آخر را به هوش مصنوعی‌ای ربط می‌دهد که خودش را بهتر می‌کند و آن را آزمایشی مشروط می‌داند.

کاوشگر آنتروپیک پنج پرسش جدا می‌پرسد: توانایی، پذیرش، خودکارسازی، بهره‌وری و انتقال شغلی. این تفکیک مهم است، چون هر پرسش به تصمیم متفاوتی مربوط است. موفقیت در نمایش آزمایشی به این معنا نیست که سامانه همه‌جا به کار گرفته می‌شود. دستیاری هم که همه از آن استفاده می‌کنند، ممکن است برای هر مرحله حساس هنوز به تأیید انسان نیاز داشته باشد.

در تفسیر ژرف، هر کدام از این پنج فرض باید به شاهدی تبدیل شود که بتوان وارسی‌اش کرد:

• توانایی: آزمونی که نمونه واقعی کار شما باشد و معیار قبولی روشنی داشته باشد.
• پذیرش: سهمی از کارهای قابل‌واگذاری که واقعاً با ابزار انجام شده است.
• خودکارسازی: فهرست روشنی از تصمیم‌هایی که هنوز انسان می‌گیرد.
• بهره‌وری: کل زحمت لازم تا رسیدن به نتیجه‌ای که پذیرفته شود، نه فقط سرعت نوشتن پیش‌نویس.
• انتقال شغلی: شواهدی از این‌که افراد پس از حذف وظایف قبلی‌شان به کجا رسیده‌اند.

امتیاز بهتر یک مدل تازه دلیل نمی‌شود هر پنج فرض را هم‌زمان خوش‌بینانه‌تر کنید. پاسخ‌های دستیار اسناد ممکن است بهتر شود، اما اگر به پرونده‌ها دسترسی نداشته باشد، کمتر کسی از آن استفاده می‌کند. تیم پشتیبانی ممکن است ابزار را سریع بپذیرد، اما وقت بازبینی همه زمان صرفه‌جویی‌شده را ببلعد. مقایسه زیر سه سناریوی منتشرشده آنتروپیک را نشان می‌دهد. پس از آن، در ابزار پنج‌پرسشی همین صفحه می‌توانید فرض‌های خودتان را وارد کنید، همه نتیجه‌ها را دوباره محاسبه کنید و پاسخ‌هایتان را کنار نظرسنجی آنتروپیک ببینید.

تولید: اندازه اقتصاد را با نرخ رشد یکی نگیرید

«تولید بیشتر در ۲۰۳۰» و «رشد سالانه سریع‌تر در آستانه ۲۰۳۰» دو پرسش جدا هستند. اولی می‌گوید اقتصاد در آن سال چقدر بزرگ‌تر است؛ دومی می‌گوید در همان زمان با چه سرعتی رشد می‌کند. اداره تحلیل اقتصادی آمریکا تولید ناخالص داخلی را معیار تولید یک اقتصاد می‌داند؛ مقایسه‌ای که اثر تورم را کنار بگذارد، تغییر مقدار تولید را از تغییر قیمت‌ها جدا می‌کند. مبالغ دلاری این نوشته، مثل منبع آنتروپیک، به قیمت‌های سال ۲۰۲۵ است.

اگر این عددها را به هیئت‌مدیره نشان می‌دهید، مبنای مقایسه و تاریخ را کنار هر عدد بنویسید. در سناریوی چشمگیر، اقتصاد ۸٫۳ درصد از مسیر بدون هوش مصنوعی بزرگ‌تر است. این افزایشی انباشته نسبت به یک اقتصاد فرضی است و نباید آن را بازده سالانه سرمایه‌گذاری در هوش مصنوعی خواند. تولید ملی هم پیش‌بینی فروش شرکت شما نیست؛ رقابت، قیمت‌گذاری، ظرفیت و دسترسی به بازار میان این دو فاصله می‌اندازند.

برای توجیه اقتصادی یک پروژه در سازمان، مدل عملیاتی جداگانه‌ای بسازید. از کار پذیرفته‌شده، تقاضای واقعی و منابع لازم برای تحویل شروع کنید. اگر تیم دو برابر پیش‌نویس بنویسد اما مشتری همان تعداد محصول نهایی را بخرد، ظرفیت بیشتر نوشتن درآمد را دو برابر نکرده است. این تفاوت باید هم در داشبورد دیده شود و هم در بودجه.

اشتغال: در معرض تغییر بودن با بیکار شدن فرق دارد

در سناریوی چشمگیر، از هر صد نفری که در ۲۰۲۶ شاغل‌اند، ۶۲٫۲ نفر در گروه کار دانشی هستند. تا ۲۰۳۰ این عدد به ۵۹٫۷ می‌رسد؛ یعنی ۲٫۵ نفر جابه‌جا می‌شوند. از این ۲٫۵ نفر، ۱٫۸ نفر به مشاغل دیگر منتقل می‌شوند و ۰٫۷ نفر هنوز در انتظار انتقال‌اند. نمودار شاخه‌ای بالاتر همین حساب را نشان می‌دهد. مبنای آن شاغلان ۲۰۲۶ است، پس با نمودارهای نرخ بیکاری فرق دارد. این عددها تغییر کلی را نشان می‌دهند و مسیر تک‌تک افراد را دنبال نمی‌کنند. جابه‌جایی‌های معمول بازار کار هم کنار گذاشته شده تا فقط انتقالی که از این تغییر می‌آید دیده شود.

مهارت و فرصت شغلی در هر دو سر این انتقال مهم‌اند. ممکن است نقشی حذف شود پیش از آن‌که کارفرمای دیگری فرصت مناسبی باز کند. کارمند سابق یک دفتر شاید به آموزش، مدرک حرفه‌ای یا حتی نقل‌مکان نیاز داشته باشد. برای همین، مدل آنتروپیک دو چیز را از هم جدا می‌کند: تقاضا برای کار، و سرعتی که افراد به شغل‌های موجود می‌رسند.

چهار مفهوم را نباید یکی گرفت: وظیفه‌ای که در معرض تغییر است، موقعیت شغلی که حذف می‌شود، کسی که حرفه‌اش را عوض می‌کند و کسی که بیکار است. طبق چارچوب سنجش اداره آمار کار آمریکا، بیکار کسی است که کار ندارد، آماده کار است و فعالانه دنبال کار می‌گردد، البته با چند استثنای تعریف‌شده. کسی که دنبال کار نیست، اصلاً در شمار نیروی کار نمی‌آید. پس وظیفه‌ای که خودکار می‌شود، خودبه‌خود یک بیکار نمی‌سازد.

این تمایز شاخص‌هایی را که کارفرما باید دنبال کند عوض می‌کند. انتقال به نقشی دیگر در همان سازمان را جدا از خروج، کم‌شدن ساعت کار و موقعیت‌های خالی‌مانده بشمارید. پیگیری را با پایان دوره آموزشی تمام نکنید. گذراندن دوره فقط ورودی است؛ نتیجه واقعی، رسیدن فرد به نقشی پایدار با دستمزد و شرایط مناسب است.

پیشنهاد ژرف این است که هر تغییر در فرایند کار یک مسئول انتقال کارکنان و یک تاریخ بازبینی داشته باشد. روشن کنید نقش مقصد چه مهارت‌هایی می‌خواهد، چه فرصتی برای تمرین زیر نظر فردی باتجربه وجود دارد و آن نقش چند نفر را می‌تواند جذب کند. برنامه انتقالی که در مقصد کار واقعی ندارد، هنوز برنامه نیست.

دستمزد: یک میانگین، دو تجربه متضاد

در سناریوی شدید، دستمزد کارکنان دانشی ۱۱٫۵ درصد پایین می‌آید و دستمزد سایر کارکنان ۳۳٫۶ درصد بالا می‌رود. در سناریوی چشمگیر هم دستمزد کارکنان دانشی تقریباً ثابت می‌ماند. چرا دو گروه در دو جهت مخالف حرکت می‌کنند؟ توضیح آنتروپیک به تقاضا و زمان لازم برای تغییر حرفه برمی‌گردد. اگر طراحی و صدور مجوز سریع‌تر شود، پروژه‌های ساختمانی بیشتری راه می‌افتد و تقاضا برای کارگر ساختمانی بالا می‌رود، حتی اگر بعضی کارهای دفتری به نیروی کمتری نیاز داشته باشند. تا وقتی افراد کافی وارد این حرفه‌های رو به رشد نشده‌اند، دستمزدشان بالا می‌رود.

جدول ۳ گزارش فنی آنتروپیک نیروی کار را به دو گروه تقسیم می‌کند: کارکنان دانشی و سایر کارکنان. ما هم در مقایسه‌ها هر دو را جدا نگه داشته‌ایم، چون یک میانگین واحد درست همین تفاوت را پنهان می‌کند. نرخ‌ها، تغییر دستمزدها و سهم‌های درآمدی این نوشته همه از همین جدول آمده‌اند.

درون شرکت هم اثر تغییرات بر حقوق را به تفکیک نقش و سابقه ببینید. اگر موقعیت‌های تازه‌کار حذف شوند و متخصصان پردرآمد بمانند، میانگین حقوق بالا می‌رود، بی‌آن‌که حقوق حتی یک نفر از کسانی که مانده‌اند بیشتر شده باشد. اگر همان متخصصان حالا به استثناهای بیشتری هم رسیدگی کنند، بالارفتن ظاهری حقوق ممکن است با سخت‌ترشدن کار همراه باشد.

ساعت کار و تعداد شاغلان را هم کنار دستمزد گزارش کنید. کسی که مزد ساعتی بیشتری می‌گیرد اما ساعت کمتری کار دارد، ممکن است آخر ماه درآمد کمتری داشته باشد. مزد شاغلان هم درباره درآمد کسی که میان دو شغل مانده چیز زیادی نمی‌گوید. پس میانگین را کنار نگذارید، اما تنها به آن هم تکیه نکنید.

توزیع: منافع اقتصاد بزرگ‌تر به چه کسی می‌رسد؟

مدل آنتروپیک از این نقطه شروع می‌کند: ۶۰ درصد درآمد اقتصاد به نیروی کار می‌رسد و ۴۰ درصد به سرمایه. در ۲۰۳۰، سهم نیروی کار در سه سناریو به‌ترتیب به ۵۹٫۴، ۵۶٫۱ و ۴۵٫۲ درصد می‌رسد. دلیلش این است که خودکارسازی تقاضا برای سرمایه را بالا می‌برد و صاحبان سرمایه می‌توانند سهم بزرگ‌تری از منافع را بردارند.

سناریوی شدید به نتیجه‌ای غافلگیرکننده می‌رسد. اقتصاد ۳۲٫۴ درصد بزرگ‌تر می‌شود، اما این رشد تقریباً فقط افت سهم نیروی کار را جبران می‌کند. یعنی کل درآمد نیروی کار، در اقتصادی بسیار بزرگ‌تر، تقریباً همان‌جایی می‌ماند که بدون هوش مصنوعی می‌بود. به همین دلیل، تولید ناخالص داخلی به‌تنهایی تصویر کاملی از رفاه نمی‌دهد.

سهم نیروی کار یک نسبت است: درآمد کارکنان تقسیم بر کل درآمد. اگر کل درآمد به اندازه کافی بزرگ شود، سهم کوچک‌تر هم می‌تواند پول بیشتری برای کارکنان باشد. اما این حساب نمی‌گوید کدام خانوار سود می‌برد، قدرت چانه‌زنی کارکنان چه می‌شود یا درآمدشان چقدر پایدار است.

در سازمان، پیش از آن‌که بگویید «همه سود می‌برند»، روشن کنید صرفه‌جویی حاصل از هوش مصنوعی کجا می‌رود. ممکن است به مشتری برسد (خدمت ارزان‌تر)، به کارکنان (ساعت کار کوتاه‌تر یا حقوق و پاداش بیشتر)، به خود کسب‌وکار (گسترش خدمت یا سرمایه‌گذاری تازه) یا به صاحبانش (سود بیشتر). معمولاً چند مسیر هم‌زمان وجود دارد، با زمان‌بندی و ذی‌نفعان متفاوت.

یک تمرین ساده که پیشنهاد می‌کنیم: به هر طرح بزرگ خودکارسازی یک «یادداشت توزیع منافع» اضافه کنید. در آن بنویسید کار تکراری چه کسی کمتر می‌شود، قضاوت بیشتری به چه کسی سپرده می‌شود، هزینه انتقال را چه کسی می‌پردازد و سود مالی به چه کسی می‌رسد. پس از اجرا، این یادداشت را با بازخورد کارکنان و داده‌های عملیاتی دوباره بخوانید.

نظرسنجی باورها را می‌سنجد، نه احتمال وقوع را

آنتروپیک از ۱۰٬۹۸۰ بزرگسال آمریکایی پرسیده است آینده را چطور می‌بینند. وقتی پاسخ‌های معمول آن‌ها وارد مدل شود، نتیجه به سناریوی چشمگیر نزدیک است: حدود ۱۰ درصد تولید بیشتر در ۲۰۳۰ و بیکاری نزدیک به ۵ درصد. انتظارات تقریباً یک نفر از هر ده پاسخ‌دهنده هم با سناریوی شدید جور درمی‌آید.

این پاسخ‌ها انتظار مردم را نشان می‌دهند و فقط ورودی مدل‌اند. بازدیدکنندگانی هم که داوطلبانه به ابزار اینترنتی آنتروپیک پاسخ داده‌اند، جمعیتی متفاوت از نمونه نماینده مردم آمریکا هستند. نمودارهای نظرسنجی در ابزار پنج‌پرسشی بالاتر این دو گروه را جدا نشان می‌دهند. اگر یکی از پاسخ‌هایتان را عوض کنید، نشانگر شما روی توزیع‌ها جابه‌جا می‌شود. داده‌های بازدیدکنندگان تصویری ثابت از ۲۴ سپتامبر است و پاسخ شما به آن افزوده نمی‌شود.

در سازمان هم می‌شود از همین تمرین برای آشکارکردن اختلاف‌نظرها استفاده کرد. پیش از جلسه، از تیم‌های عملیات و مهندسی و از خود کارکنان بخواهید جداگانه پاسخ دهند. بعد هر اختلاف را تا فرضی دنبال کنید که بشود وارسی‌اش کرد. شاید یک گروه فرض کرده همه ورودی‌ها دیجیتال و مرتب‌اند و گروه دیگر می‌داند چه تعداد پرونده با یک عکس یا پیامی ناقص شروع می‌شود.

محبوب‌ترین سناریو را تعهد سازمان ندانید. خروجی مفید این تمرین فهرستی است از فرض‌ها، مسئول هر کدام و نشانه‌هایی که اگر دیده شوند، برنامه را تغییر می‌دهند. با نگه‌داشتن این سابقه، تیم از انتظارهای قبلی‌اش یاد می‌گیرد و بعد از هر اتفاق، داستان را از نو نمی‌نویسد.

مدل چه چیزهایی را نمی‌بیند؟

آنتروپیک چند عامل مهم را بیرون از مدل گذاشته است: چرخه‌های تجاری، واکنش سیاست‌گذاران، اختلال مالی و رباتیک پیشرفته. گروه‌بندی مشاغل هم کلی است. این‌ها مرز تحلیل‌اند: مدل به همه پرسش‌ها درباره پیامد اجتماعی هوش مصنوعی پاسخ نمی‌دهد.

به نظر ما، پاسخ درست این نیست که این عوامل را بی‌اهمیت فرض کنیم. آن‌ها را در یک دفتر ریسک جداگانه ثبت کنید: اختلال در عرضه، ضعف تقاضا، اعتماد مشتری و شکست اجرا، هرجا که برای کسب‌وکارتان مهم‌اند. اما عددی ساختگی به سناریوهای آنتروپیک اضافه نکنید و بعد نتیجه را همچنان «مدل آنتروپیک» بنامید.

نام سناریوها هم می‌تواند حس دقتی کاذب بدهد. «شدید» به معنای ناممکن نیست. «محدود» به این معنا نیست که برای تک‌تک کارکنان بی‌خطر است. سناریوی میانی هم خودبه‌خود محتمل‌ترین نیست. تصمیم مسئولانه تصمیمی است که حتی کسی که با آینده انتخابی شما موافق نیست، منطقش را بفهمد. سرمایه‌گذاری‌هایی را ترجیح دهید که در چند آینده معقول به کار بیایند، و از پیش بنویسید چه نشانه‌ای شما را به توقف وامی‌دارد.

داوران بیرونی چه پرسیدند؟

بازبینی داوران بیرونی به کامل‌ترشدن دو بخش مدل کمک کرد: نقش بازده سرمایه و تفاوت مسیر دستمزد در دو گروه شغلی. از داوران خواسته نشده بود نتایج را تأیید کنند و چند اختلاف هنوز باقی است. شاید مشاغلی که در معرض هوش مصنوعی‌اند به‌جای کوچک‌شدن، بزرگ‌تر شوند. دو گروه کلی نمی‌توانند هزینه انتقال تک‌تک افراد را نشان دهند. و شاید سناریوی شدید بیشتر یک آزمایش فکری باشد تا مبنای اصلی برنامه‌ریزی.

پرسش‌های باز دیگری هم هست: اثر بهره‌وری که امروز واقعاً دیده می‌شود چقدر است، ساخت مراکز داده چه تقاضایی ایجاد می‌کند و آیا نوآوری ممکن است سریع‌تر از فرض مدل شتاب بگیرد. مدلی که بی‌ثباتی مالی، شوک تقاضای کل، واکنش سیاستی و رباتیک پیشرفته را کنار می‌گذارد، با جابه‌جاکردن یک لغزنده به این پرسش‌ها جواب نمی‌دهد. آنتروپیک این چارچوب را نسخه ۱٫۰ نامیده و انتظار دارد با شواهد تازه تغییر کند. هر عددی را که از آن نقل می‌کنید، با شماره نسخه و همین مرزها نقل کنید.

این مدل برای خواننده ایرانی چه معنایی دارد؟

عددهای این مدل با داده‌های اقتصاد آمریکا تنظیم شده‌اند و پیش‌بینی اشتغال، حقوق یا تولید ایران نیستند. تحلیل مفید برای ایران به شواهد محلی نیاز دارد: ترکیب مشاغل، دستمزدها، میزان پذیرش فناوری، دسترسی به ابزارها و نهادهایی که انتقال شغلی را آسان یا دشوار می‌کنند. فارسی‌کردن رابط کاربری، مدل را ایرانی نمی‌کند.

برای یک سازمان ایرانی، نقطه شروع منطقی یک فرایند محدود و ابزارهایی است که واقعاً در دسترس‌اند. آن‌ها را روی اسناد فارسی، متن‌هایی با رقم‌های فارسی و انگلیسی درهم، پرونده‌های ناقص و دسترسی‌های واقعی محیط کار بیازمایید. هزینه را با همان ارز و روش پرداختی حساب کنید که سازمان واقعاً با آن سروکار دارد. فرض‌های دسترسی را صریح بنویسید و برنامه را به این امید نسازید که سرویسی که امروز در دسترس نیست، فردا در دسترس باشد.

دو نوشته دیگر ژرف، سنجش بهره‌وری تا پایان بازبینی و اصلاح و خودکارسازی مبتنی بر شواهد، جنبه عملیاتی همین روش را توضیح می‌دهند. با کمک آن‌ها می‌توان پرسش اقتصادی را به یک آزمون پذیرش در سازمان وصل کرد، بدون این‌که ادعا کنیم یک آزمایش کوچک سناریوی کلان یک کشور را تأیید می‌کند.

امروز از کجا شروع کنیم؟

برای نخستین دوره، سه خروجی پیشنهاد می‌کنیم که هرکدام مسئول مشخصی دارد:

• فهرست وظایف که دامنه تغییر را روشن می‌کند.
• آزمایش اندازه‌گیری‌شده که نشان می‌دهد کار پذیرفته‌شده واقعاً بهتر شده است یا نه.
• برنامه انتقال کارکنان که می‌گوید برای کسانی که کارشان تغییر می‌کند چه پیش می‌آید.

چند نتیجه را همیشه کنار هم گزارش کنید: کار تکمیل‌شده، خطاهای کیفی، کل زمان انسانی، اثر بر مشتری و تغییر در نقش‌ها یا ساعت کار. فاصله بازبینی را پیش از شروع آزمایش تعیین کنید. موارد ناموفق و شرط‌های توقف را هم نگه دارید؛ وگرنه جلسه بعد فقط نمایش موفقیت‌ها خواهد بود و کسی نمی‌داند این چند موفقیت از میان چند تلاش به دست آمده است.

سیاست عمومی بحث جداگانه‌ای است. آنتروپیک در چارچوب سیاستی ژوئن ۲۰۲۶ پایش مداوم و پاسخ‌هایی متناسب با شدت اختلال را بررسی می‌کند؛ از جمله حمایت از انتقال شغلی و درآمد. این‌ها هنوز پیشنهادند و کارآمدی‌شان در همه کشورها ثابت نشده است. این نوشته هم تفسیر یک پژوهش است و توصیه شخصی برای سرمایه‌گذاری نیست.

یادداشت منابع — بازبینی ۲۴ سپتامبر ۲۰۲۶

این مقایسه بر نسخه ۱٫۰ پژوهش آنتروپیک (سپتامبر ۲۰۲۶) تکیه دارد. نرخ‌های دقیق از جدول ۳ گزارش فنی، صفحه چاپی ۳۱، آمده‌اند و وضعیت ابتدای ۲۰۳۰ را نشان می‌دهند؛ رشد سالانه مربوط به دوازده ماه پیش از آن است. مبالغ دلاری از مقاله تعاملی آنتروپیک است. مسیرهای متحرک از خروجی ماهانه مدل منتشرشده آنتروپیک ساخته شده‌اند و با دقت گزارش‌شده در جدول ۳ تطبیق داده شده‌اند. محاسبه‌گر این صفحه معادلات و کالیبراسیون منتشرشده را مستقلاً پیاده می‌کند و خروجی آن، هم برای سناریوهای مبنا و هم برای ورودی‌های دلخواه، با موتور آنتروپیک سنجیده شده است. هر پنج پرسش، نتیجه‌های سفارشی، مسیر جابه‌جایی کارکنان و مقایسه نظرسنجی در همین صفحه اجرا می‌شوند. این تطبیق، اعتبارسنجی مستقل مدل نیست. مثال حسابدار و توصیه‌های سازمانی، تحلیل مستقل ژرف است.

• مقاله سناریوهای اقتصادی و کاوشگر اصلی آنتروپیک: معرفی سناریوها، تولید دلاری، مرور نظرسنجی، تصویر جلد و نشان‌های رنگی وظایف. طراحی تصویری اصلی از کلسی نانان، نیکی ماکاگیانسار و مونیکا توخوفسکا است. جلد مقاله بدون تغییر بازنشر شده و نشان‌های وظایف همان شکل و رنگ منبع را دارند.
• کورینک، جونز، ساخر، کاتر و مک‌کروری: سناریوهای اقتصادی برای هوش مصنوعی دگرگون‌ساز، سپتامبر ۲۰۲۶: مدل، فرض‌ها، جدول ۳ و محدودیت‌ها. بازخورد داوران بیرونی به معنای تأیید نتایج نیست.
• آنتروپیک: چارچوب سیاستی اثر هوش مصنوعی بر کار، ژوئن ۲۰۲۶: پیشنهادهای سیاستی، جدا از مدل اقتصادی.
• جست‌وجوی وظایف در پایگاه O*NET: واژگان وظایف و تطبیق آن‌ها با مشاغل.
• اداره تحلیل اقتصادی آمریکا: تولید ناخالص داخلی: تولید و سنجش آن با حذف اثر تورم.
• اداره آمار کار آمریکا: دولت چگونه بیکاری را اندازه می‌گیرد؟: تعریف وضعیت اشتغال و بیکاری.