Aagawin Ba ng mga Robot ang mga Blue-Collar na Trabaho? Ang Tunay na Sinasabi ng Pag-aaral ng Anthropic noong 2026 (Anthropic, Tesla, Nvidia, Jobbit)

Sa loob ng isang dekada, iisang numero ang pinagbatayan ng pampublikong usapan tungkol sa automation. Noong 2013, tinantiya nina Carl Benedikt Frey at Michael Osborne ng Oxford na 47% ng trabaho sa United States ay nasa mga okupasyong may mataas na panganib ng computerisation sa loob ng dalawang dekada, at inulit-ulit ang bilang na iyon sa bawat talumpati tungkol sa kinabukasan ng trabaho. Labintatlong taon ang lumipas, ang mga robot na dapat sanang magpapawalang-laman sa mga bodega at construction site ay dumating lamang sa mga demonstrasyon, sa ilang libong pabrika at sa maliit na bilang ng mga taxi, at ang mga taong dapat sanang mapalitan ay nagtatrabaho pa rin, marami sa kanila sa mga okupasyong kulang sa tao na hindi mapunan ng mga employer. May mali sa karaniwang kuwento, at hanggang kamakailan ay walang sumukat kung ano iyon.

Noong 30 Setyembre 2026, inilathala ng economics team ng Anthropic ang "What work can robots do?", nina Russell Legate-Yang at Maxim Massenkoff. Hanggang sa makumpirma ng pagsusuring ito, ito ang unang pagtatangkang suriin ang bawat pisikal na gawain sa ekonomiya ng Amerika laban sa mga robot na umiiral talaga, at itanong ang hindi kailanman itinanong ng 47%: sa anong halaga. Binabago ng sagot ang debate. Kaya na ngayong gawin ng mga robot ang humigit-kumulang tatlong-kapat ng mga pisikal na gawain sa trabaho sa United States, ngunit mas mura lamang sila kaysa tao sa tatlo sa bawat isang libo. Kung ang agwat na iyon ay sasaraduhan sa bilis ng pagbaba ng presyo ng mga robot mula noong dekada 1990, mga apatnapung taon ang kailangan para umabot sa ikasampung bahagi ng trabaho, at kahit ang agresibong senaryo ay naglalagay sa kalahati ng pisikal na trabaho sa lampas 2050. Binabasa ng case study na ito nang masinsinan ang paper, itinatabi ito sa ebidensya kung ano na ang ginagawa ng AI sa trabaho sa mesa, sinusuri ang mga pagtutol, at inilalatag kung ano ang ibig sabihin ng padron para sa isang tradesperson sa Britanya, sa may-ari ng maliit na negosyo at sa isang kumpanyang tulad ng Jobbit na itinayo sa premisang ngayon ay binibilang ng paper: ang paglilipat ng gawain sa pagitan ng makina at tao ang sentral na tanong sa disenyo sa susunod na dalawampung taon.

Buod ng mga natuklasan

Una, ang kakayahan ay hindi na ang pangunahing hadlang sa karamihan ng pisikal na trabaho. Natuklasan ng pag-aaral ng Anthropic na kaya ng mga robot ang 74% ng mga pisikal na gawain sa United States, na katumbas ng 34% ng lahat ng oras ng trabaho, gamit ang mga robot na naibenta, na-deploy o naipakita na, hindi mga inimagine lamang.

Ikalawa, ang gastos ang hadlang. Cost-competitive ang mga robot kumpara sa manggagawa para sa 0.3% ng mga gawain sa trabaho ngayon. Para sa pinaka-exposed na malaking okupasyon, ang mga packer at packager, ang tinatayang taunang matitipid ay humigit-kumulang $2,500 bawat manggagawa laban sa gastos sa paggawa na humigit-kumulang $49,000; para sa mga taxi driver, ang robot ay mas mahal pa rin ng mga $7,000 kaysa sa tao.

Ikatlo, mabagal ang pagsara ng agwat. Bumaba ang presyo ng mga robot nang humigit-kumulang 3% kada taon mula noong dekada 1990. Sa bilis na iyon, 40 taon ang kailangan bago maging cost-competitive ang mga robot para sa 10% ng trabaho sa US. Sa mabilis na senaryo ng paper, kung saan apat na beses na mas mabilis ang pagbaba ng gastos at dalawang beses na mas mabilis ang pagbuti ng kakayahan, magiging mas mura ang mga robot kaysa tao para sa kalahati ng pisikal na trabaho sa mga 2050, kumpara sa 2085 sa makasaysayang trend, at 53 taon pa rin ang kailangan para ma-automate ang 90% nito.

Ikaapat, kabaligtaran ang larawan ng digital na trabaho. Humigit-kumulang 50% ng trabaho sa US ay exposed sa mga large language model lamang at 81% sa mga language model o robot na magkasama, at ipinapakita ng maagang ebidensya sa labor market mula sa payroll data na ang trabaho ng mga edad 22 hanggang 25 sa mga okupasyong pinaka-exposed sa AI ay nasa humigit-kumulang 19% na mas mababa kaysa sa mga kapantay nilang mas kaunti ang exposure, at wala pang katumbas na galaw para sa mga bihasang manggagawa o sa ekonomiya sa kabuuan.

Ikalima, ang mga pinaka-exposed sa mga robot ang may pinakamaliit na sandigan. Kumpara sa mga hindi exposed na manggagawa, 55 percentage points na mas maliit ang posibilidad nilang may degree, kumikita sila ng humigit-kumulang $30 kada oras na mas mababa at mahigit dalawang beses na mas mataas ang kanilang unemployment rate.

Ikaanim, tiyak at nasusukat ang mga natitirang hadlang. Humigit-kumulang 70% ng mga pisikal na gawain ay napipigilan ng kakayahan, at halos kalahati nito ay ng manipulation at dexterity; 14% ay hinaharangan ng kasalukuyang regulasyon at 25% ng mga kagustuhan ng tao. Ito ang mga gawaing mangangailangan pa ng tao sa loob ng mga dekada, at kung saan wala pang datos para turuan ang mga makina.

Ang kaso: bakit ito ang tamang laboratoryo

Karaniwang bumabagsak ang mga forecast sa automation sa isa sa dalawang paraan. Ang mga pag-aaral na nakabatay sa okupasyon, tulad ng kina Frey at Osborne, ay itinuring na automatable na yunit ang buong trabaho, kaya lumabas ang 47%; nang ulitin nina Melanie Arntz, Terry Gregory at Ulrich Zierahn sa OECD ang pagsusuri noong 2016 sa antas ng mga gawain, na isinaalang-alang ang halo ng trabaho sa loob ng bawat okupasyon sa 21 bansa, bumaba sa 9% ang bahagi ng mga automatable na trabaho. Ang mga pag-aaral na batay sa survey ng mga eksperto naman ay nagtanong sa mga espesyalista kung ano ang kaya ng mga makina, na isang pustahan sa mga teknolohiyang maaaring hindi kailanman maipalabas.

Iniiwasan ng paper ng Anthropic ang dalawang bitag na ito sa disenyo. Nagsisimula ito sa humigit-kumulang 19,000 task statement para sa mga 900 okupasyon sa O*NET, ang occupational database ng US Department of Labor, at sa employment at sahod mula sa Bureau of Labor Statistics. Ginagamit nito ang modelong Claude para i-score ang bawat gawain ayon sa pisikal, cognitive at interpersonal na nilalaman nito, pinananatili lamang ang mga pisikal na gawaing hindi maa-automate ng ordinaryong software, at saka naghahanap sa web ng mga partikular na robot na napatunayang nakagawa ng bawat gawain, na nangangailangan ng commercial deployment, benta o makabuluhang demonstrasyon bilang ebidensya. Inilalagay ang bawat gawain sa apat na antas na sukatan ng environmental control: E0, walang robot na makakagawa; E1, kaya ng robot sa isang environment na itinayo para sa layuning iyon, tulad ng factory line; E2, sa isang istrukturadong pasilidad ng tao tulad ng bodega; E3, sa isang di-istrukturadong kapaligiran tulad ng kalsada sa lungsod. Karamihan ng mga na-deploy na robot ay nasa mga engineered na espasyo, kaya itinuturing ng mga may-akda ang tier bilang mahusay na sukatan ng panganib sa malapit na hinaharap.

Minomodelo ang gastos sa halip na ipagpalagay. Para sa bawat exposed na gawain, tinatantiya ng modelo ang taunang gastos ng binanggit na robot, kasama ang pagbili at pag-install, maintenance, software, enerhiya, pangangasiwa, insurance at decommissioning, na ang mga fixed cost ay ina-annualise sa tinatayang cost of capital, at inihahambing ito sa kabuuang compensation ng manggagawa na iniskala ayon sa bahagi ng kanyang oras na ginugugol sa gawaing iyon. Ituturing lamang na cost-competitive ang isang gawain kapag mas mababa ang taunang gastos ng robot kaysa sa paggawang pinapalitan nito. Pagkatapos ay vina-validate ng mga may-akda ang buong sistema nang paatras: sa pag-rate ng mga gawain laban sa mga robot na umiral noong 1977 at sa mga sumunod na dekada, ipinapakita nilang ang mga okupasyong mas exposed sa mga robot ng kanilang panahon ay mas maraming nawalang sahod at trabaho, na siyang dapat gawin ng isang exposure measure para magkaroon ng halaga.

Amerikano ang pag-aaral. Iyan ang kapintasang dapat tandaan ng mambabasa. Magkaiba ang sahod, presyo ng enerhiya, regulasyon at halo ng mga okupasyon sa Britanya, at wala pang nagpatakbo ng pamamaraan sa datos ng UK. Ngunit mas mataas pa nga ang nakataya rito. Sinasabi ng forecast ng Construction Industry Training Board noong Hunyo 2026 na kailangan ng sektor ng average na 41,200 karagdagang manggagawa kada taon sa pagitan ng 2026 at 2030, mahigit 206,000 sa kabuuan, para makasabay sa demand, kung saan 40% ng kasalukuyang workforce ay lampas 45 taong gulang at mahigit 200,000 manggagawang EU ang nawala mula noong Brexit. Binibilang ng Occupations in Demand release ng Department for Education noong Disyembre 2025 ang 10.9 milyong tao, 32.9% ng workforce, sa 125 okupasyong mataas ang demand, at pinangalanan nito ang mga electrician at electrical fitter (201,000 trabaho) at mga vehicle technician at mekaniko (183,000) sa pinakamalalaking skilled trades sa listahang iyon. Kung malapit nang palitan ng mga robot ang mga skilled trades, pansamantalang problema lamang ang kakulangan. Sinasabi ng ebidensya sa ibaba na hindi iyon ang kaso.

Timeline ng ebidensya, 2013 hanggang 2026

Finding 1: kaya ng mga robot ang karamihan ng pisikal na trabaho at halos wala sa mga ito ang kumikita

Ang unang numero sa paper ang siyang sisipiin, at nararapat itong sabihin nang eksakto. Sa lahat ng oras ng trabaho sa US, 54% ay cognitive o interpersonal at 46% ay pisikal. Sa loob ng pisikal na bahagi, 12 percentage points ang hindi kayang gawin ng anumang robot na natagpuan ng mga may-akda (E0), 23 ang kayang gawin sa mga environment na itinayo para sa layunin (E1), 10 sa mga istrukturadong pasilidad ng tao tulad ng bodega (E2), at 1 sa mga di-istrukturadong kapaligiran (E3). Pagsama-samahin, kaya ng mga robot ang 74% ng mga pisikal na gawain, na 34% ng lahat ng oras ng trabaho. Kongkreto ang mga halimbawa: mga autonomous na taxi sa kalsada ng lungsod, mga autonomous mobile robot na naglilipat ng stock sa mga bodega, mga AI-guided na welding cell sa mga fabrication shop, mga trench excavator na humuhukay ng tuwid na linya nang walang driver.

Ang ikalawang numero ang mahalaga. Kapag pinresyuhan ng modelo ang binanggit na robot para sa bawat gawain at inihambing ito sa paggawang papalitan nito, lumalabas na mas mura ang mga robot para sa 0.3% lamang ng mga gawain sa trabaho. Humigit-kumulang 300,000 manggagawang Amerikano ang nasa mga okupasyong kung saan kaya ng mga robot ang 95% ng trabaho; ang pinakamalaking grupo, mga 560,000 packer at packager, ang pinakamalinaw na kaso ng cost parity, kung saan tinatayang $2,500 kada taon na mas mura ang robot kaysa sa taong may gastos sa paggawang humigit-kumulang $49,000. Sa kabilang dulo, ang robot taxi, na teknikal na pinaka-exposed na okupasyon sa datos na may exposure index na 2.2 sa 3, ay tinatayang mas mahal ng humigit-kumulang $7,000 kada taon kaysa sa driver na papalitan nito, bago pa isaalang-alang ang regulasyon. Siyam sa sampung pinaka-exposed na okupasyon ay mga vehicle operator.

Ang interpretasyong iniaalok ng mga may-akda, at ang pinakamadepensahan sa pagsusuring ito, ay na ang pisikal na hangganan ay mas malayo nang naitulak kaysa sa ekonomikong hangganan. Sa nakalipas na 50 taon, humigit-kumulang 2% ng pisikal na trabaho ang nagiging kaya ng mga robot bawat taon na dati ay hindi nila kaya: noong 1977 hindi nila magawa ang 62% ng mga pisikal na gawain, ngayon hindi nila magawa ang 24% ng parehong mga gawaing iyon. Nag-compound ang kakayahan. Hindi sumunod ang gastos, dahil ang robot na kayang magbuhat ng kahon ay isa pa ring capital asset na may kasamang maintenance, enerhiya, pangangasiwa at insurance, na nakikipagkumpetensya sa manggagawang binabayaran lamang para sa mga oras na nagtrabaho.

Finding 2: dekada ang timeline, kahit sa optimistikong kaso

Ang pinakamahalagang ambag ng paper ay ang pagsusuri ng senaryo, dahil ginagawa nitong mga petsa ang "mahal ang mga robot". Ang presyo ng mga robot, batay sa mga serye ng Bank of Japan at iba pang mapagkukunan, ay bumaba nang humigit-kumulang 3% kada taon mula noong dekada 1990. Kung mananatili ang bilis na iyon, mga 40 taon ang kailangan bago maging cost-competitive ang mga robot para sa 10% ng trabaho sa US. Ang 20% na pagbaba ng gastos, mga pitong taon sa makasaysayang bilis, ay gagawing competitive ang mga robot para sa mga pisikal na gawain ng mga 2.8 milyong manggagawa; kailangan ng 70% na pagbaba para maabot ang 10% ng lahat ng trabaho.

Sadyang mapagbigay ang mabilis na senaryo. Bumababa nang hanggang apat na beses na mas mabilis kaysa sa kasaysayan ang quality-adjusted na gastos, at dalawang beses na mas mabilis na natututo ang mga robot ng mga bagong gawain. Kahit noon, magiging cost-competitive lamang ang mga robot para sa 50% ng pisikal na trabaho sa mga 2050, kumpara sa 2085 sa makasaysayang trend, at 53 taon ang kailangan para ma-automate ang 90% ng pisikal na trabaho. Sulit sipiin ang pangungusap na ginamit ng mga may-akda dahil hindi karaniwang tahasan para sa isang economics paper: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation."

Dito dapat ihiwalay ang ebidensya sa interpretasyon. Hindi mga forecast ang mga petsa; ang mga ito ay bunga ng mga palagay na pantay na inilapat sa bawat gawain, na sinasabi mismo ng mga may-akda na maaaring hindi sumasalamin sa tunay na pag-prioritize ng mga kumpanya ng robotics. Ang kumpanyang ibinubuhos ang pagsisikap sa isang gawaing mataas ang halaga, halimbawa ang warehouse picking, ay maaaring ibaba nang mas mabilis kaysa 3% kada taon ang gastos ng gawaing iyon habang nakatigil ang natitirang bahagi ng ekonomiya. Ang pinatutunayan ng mga senaryo ay ang hugis ng problema, hindi ang eksaktong kalendaryo nito: ang pisikal na automation ay mahaba at hindi pantay na proseso na pinamamahalaan ng ekonomiya ng hardware, kabaligtaran ng software, kung saan halos zero ang marginal cost ng isa pang gawain.

Sinusuportahan ng paghahambing sa nakaraang teknolohiya ang pagbasang iyon. Ang pag-aaral nina Acemoglu at Restrepo noong 2020 sa mga industrial robot, ang nakaraang henerasyon ng teknolohiyang ito, ay nakatuklas na ang bawat karagdagang robot kada 1,000 manggagawa sa pagitan ng 1990 at 2007 ay nagbawas ng employment-to-population ratio sa mga apektadong commuting zone sa Amerika nang 0.2 percentage points at ng sahod nang 0.42%. Totoo, nasusukat, at mabagal: naipon ang mga epekto sa loob ng labimpitong taon sa mga sektor kung saan pinakamura na ang mga robot, at wala sa iba.

Finding 3: kabaligtaran ang kuwento ng digital na trabaho

Sinusukat ng parehong research group ang kabilang hangganan, at ang kaibahan ang puso ng case study na ito. Ang naunang gawa ng Anthropic sa exposure at ang sariling paghahambing ng paper ay naglalagay ng humigit-kumulang 50% ng trabaho sa US sa abot ng mga large language model lamang, at 81% sa abot ng mga language model o robot na magkasama. Nakapagtuturo ang padron ayon sa okupasyon. Ang transportation at material moving ay mas mababa sa 15% exposed sa mga language model ngunit mga 90% exposed kapag isinama ang mga robot; ang office at administrative support ay mataas na ang exposure sa mga language model at halos 100% kapag may robot; ang personal care at service work ay nasa humigit-kumulang 40% sa dalawa, dahil interpersonal ito sa paraang hindi natutugunan ng alinmang teknolohiya.

Mas mahaba ang kasaysayan ng mga pagtantiya sa language model. Noong 2023, natuklasan nina Tyna Eloundou, Sam Manning, Pamela Mishkin at Daniel Rock ng OpenAI at University of Pennsylvania na 80% ng mga manggagawang Amerikano ay nasa mga okupasyong may kahit 10% ng mga gawain na exposed sa mga language model at 19% sa mga okupasyong may higit sa kalahati ng mga gawain na exposed, na ang pagsusulat, programming at data analysis ang pinaka-exposed at ang pisikal at outdoor na trabaho ang pinakakaunti. Ipinapakita ng Anthropic Economic Index, na nagma-map ng mga anonymised na usapan sa Claude sa mga gawain sa O*NET, kung ano ang aktwal na ginagawa ng mga tao sa mga tool: sa mga ulat ng 2026, bahagyang nangunguna ang augmentation sa automation, 52% kontra 45%, at dumami ang uri ng paggamit, kung saan ang sampung pinakakaraniwang gawain ay bumaba mula 24% ng mga usapan hanggang 19% sa pagitan ng Nobyembre 2025 at Pebrero 2026. Iniuulat din ng Index na ang 1% na pagtaas ng GDP per capita ay may kaugnayan sa 0.7% na pagtaas ng paggamit kada tao, na paalala na sumusunod ang adoption sa yaman.

Ang tanong kung naging displacement na ang exposure ay sinasagot ng payroll data, nang maingat. Sina Erik Brynjolfsson, Bharat Chandar at Ruyu Chen ng Digital Economy Lab ng Stanford, gamit ang mga ADP record para sa mahigit 25 milyong manggagawa sa US, ay nag-ulat noong 2025 na ang mga bagong simulang manggagawa sa mga okupasyong pinaka-exposed sa AI ay nakaranas ng relatibong pagbaba ng trabaho habang ang mga bihasang manggagawa sa parehong trabaho ay hindi; ang kanilang rebisyon noong Agosto 2026, na may datos hanggang kalagitnaan ng taon, ay naglalagay sa trabaho ng mga edad 22 hanggang 25 sa mga okupasyong iyon sa humigit-kumulang 19% na mas mababa kaysa sana kung sumabay ito sa mga mas kaunting exposed na kapantay, na ang pag-aangkop ay dumadaan sa hiring sa halip na sahod at nakatuon kung saan ina-automate ng AI sa halip na dinadagdagan ang kakayahan. Kasabay nito, ang mga ekonomista mismo ng Anthropic na sina Maxim Massenkoff at Peter McCrory, gaya ng iniulat ng Yahoo Finance noong 1 Oktubre, ay walang natagpuang sistematikong pagtaas ng unemployment para sa mga lubhang exposed na manggagawa mula huling bahagi ng 2022, at ang babala ng chief executive ng Anthropic na si Dario Amodei na maaaring alisin ng AI ang kalahati ng mga entry-level na white-collar na trabaho ay nananatili, ayon sa datos sa ngayon, bilang babala sa halip na obserbasyon.

Ang tapat na sintesis ay ito. Ang unang nasusukat na epekto sa labor market ng kasalukuyang alon ng AI ay hindi ang robot sa bodega; ito ang nawawalang graduate na hire sa opisina. Pinoprotektahan ng ekonomiya ang pisikal na trabaho; hindi ang trabaho sa mesa.

Finding 4: sino ang exposed, at ano ang humaharang pa sa iba

Ang demographic profile ng trabahong exposed sa robot ang natuklasang dapat humubog sa patakaran. Kumpara sa mga manggagawa sa mga hindi exposed na okupasyon, ang mga nasa lubhang exposed ay 20 percentage points na mas maliit ang posibilidad na babae, 16 points na mas malaki ang posibilidad na Hispanic, 55 points na mas maliit ang posibilidad na may bachelor's degree, binabayaran ng humigit-kumulang $30 kada oras na mas mababa, at mahigit dalawang beses na mas malaki ang posibilidad na walang trabaho. Mas malamang din silang magbuhat ng mabibigat, magtrabaho sa matinding init o malapit sa mga mapanganib na sangkap. Ang mga gawaing kaya na ng mga robot ay hindi proporsyonal na mahirap, mapanganib at mababa ang bayad, na parehong pinakamalakas na argumento para i-automate ang mga ito at ang dahilan kung bakit masasaktan kapag hindi napamahalaan ang transisyon.

Kasing-tiyak ang humaharang sa natitira. Humigit-kumulang 70% ng mga pisikal na gawaing hindi pa kaya ng mga robot ay limitado ng kakayahan, at halos kalahati nito ng manipulation at dexterity: pagkulay ng buhok, paghukay ng kamay sa paligid ng mga nakabaong tubo, pagtayo ng scaffolding, pagbubuhol-buhol na kable. Ang kakulangan sa planning at reasoning ay 8%. Hinaharangan ng regulasyon ang 14% ng mga pisikal na gawain at ng kagustuhan ng tao ang 25%, na magkasamang sumasaklaw sa karamihan ng trabahong titiisin ang robot sa pabrika ngunit hindi sa silid-tulugan o silid-aralan. Ipinapakita ng dalawang okupasyon sa paper kung gaano halo-halo ang larawan sa loob ng iisang trabaho: ang mga drywall taper ay may score na 1.6 sa exposure index, na 41% ng kanilang oras ay exposed sa isang autonomous na spraying robot at 26% ay hindi exposed dahil lampas dito ang magulong finishing work; ang mga recycling sorter ay may score na 1.7, na mahigit 75% ng kanilang oras ay exposed sa mga computer-vision gripper sa conveyor belt at 8% lamang ang hindi exposed.

Ang buod ng mga may-akda ang dapat tandaan ng isang tradesperson: ang hindi exposed na trabaho ay "highly interpersonal or requires physical skills that robots today don't have", at "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics".

Mga mekanismo: bakit ganito ang padron

Apat na mekanismo ang nagpapaliwanag sa mga natuklasan at humuhula kung ano ang susunod.

Ang mga environment, hindi ang mga gawain, ang nagpapasya sa deployment. Ang apat na antas na sukatan ang tahimik na pananaw ng paper. Ang robot na perpektong nagwe-weld sa factory line (E1) ay walang silbi sa isang domestic extension kung saan bawat joist ay bahagyang magkaiba ang layo sa nauna. Karamihan ng pisikal na ekonomiya, at halos lahat ng skilled trades, ay nangyayari sa mga kondisyong E3: di-istruktura, improvised, nasa paligid ng mga tao. Nasakop na ng mga robot ang E1 at sumusulong sa E2; hawak ng E3 ang 1% ng mga gawain pagkaraan ng limampung taon.

Hindi pareho ang ekonomiya ng hardware at ng software. Ang language model, kapag na-train na, ay ginagawa ang susunod nitong gawain sa gastos na halos zero, kaya ang exposure sa trabaho sa mesa ay naging displacement sa loob ng ilang taon. Ang robot ay isang depreciating asset na kailangang bilhin, i-install, i-insure, i-maintain, bigyan ng kuryente at pangasiwaan para sa bawat site na pinagtatrabahuhan nito. Ang 3% na taunang pagbaba ng presyo ang lagda ng pagkakaibang iyon, at ipinapakita ng mga senaryo ng paper kung gaano kaliit ang ibinabago ng kahit apat na beses na pagbilis sa dekadang darating ang parity.

Nagko-compound ang kakayahan, ngunit sa pamamagitan ng datos. Nadadagdagan ng mga robot ang 2% ng pisikal na trabaho kada taon, at ang kalahati ng natitirang gawain na nangangailangan ng dexterity ang mismong may pinakakaunting training data. Natututong sumulat ang isang modelo mula sa nakasulat na web; walang katumbas na corpus ng mga kamay ng isang tubero. Ang pag-unlad sa natitirang 24% ay nakasalalay sa pagkuha ng tunay na trabaho, sa tunay na mga lugar, kasama ang mga taong gumagawa nito, na likas na mabagal at nagtataas ng mga tanong sa consent at pagmamay-ari na hindi kailanman hinarap ng alon ng software.

Ang mga kagustuhan at patakaran ay sahig, hindi pagkaantala. Ang 25% ng mga gawaing limitado ng kagustuhan at 14% ng regulasyon ay hindi naghihintay ng mas magandang robot. Ang kahandaan ng isang pasyente na buhatin ng makina, ang mga patakaran ng konseho tungkol sa mga autonomous na sasakyan at ang gusto ng customer na makausap ang taong nag-install ng kusina ay nagbabago sa mga timescale na pampulitika at pangkultura, kaya itinuturing ng mga may-akda na hiwalay ang mga ito sa kakayahan at gastos.

Dapat magtabi ang isang may pag-aalinlangan ng tatlong alternatibong paliwanag kasabay ng mga ito. Ang mga exposure rating ay ginagawa ng isang modelong bumabasa ng maiikling paglalarawan ng gawain na, gaya ng tala ng mga may-akda, "omit details that may be easy for humans but hard for robots", kaya maaaring labis ang kakayahan sa antas ng gawain kahit kulang ang pagtantiya nito para sa okupasyon sa kabuuan. Ang mga pagtantiya ng gastos ay mga aproksimasyon ng isang merkado na kaunti ang pampublikong presyo; natuklasan ng humanoid price survey noong Agosto 2026 na 12 lamang sa 58 komersyal na humanoid ang may beripikadong presyo. At ipinapalagay ng mga senaryo ang parehong pagbaba para sa bawat gawain; ang tagumpay sa general-purpose manipulation, ang uri ng pinagpupustahan ng Nvidia at Tesla, ay maaaring, sa mga salita ng mga may-akda, "leapfrog our scale". Matibay ang hugis ng mga petsa at malambot ang detalye.

Paano tumugon ang industriya

Nahati ang reaksyon sa linyang iginuhit ng paper. Sa kampo ng hardware, hinulaan ng chief executive ng Nvidia na si Jensen Huang ang isang "ChatGPT moment" para sa robotics sa CES noong Enero 2026, at sinabi ni Elon Musk na ibebenta ang humanoid na Optimus ng Tesla sa lalong madaling 2027 na may pangmatagalang target na presyong mas mababa sa $20,000 sa malakihang produksyon, bagaman walang opisyal na presyo; inilalagay ng outlook ng Morgan Stanley noong 2025 ang humanoid market sa mahigit $5 trillion pagsapit ng 2050 na bumibilis ang adoption mula huling bahagi ng dekada 2030. Inilarawan ng Yahoo Finance ang paper ng Anthropic, noong 2 Oktubre, bilang projection na susubukin ng mga pustahang iyon. Mas katamtaman ang realidad ng mga naipapadala: ang G1 ng Unitree ay nakalista sa $13,500 at nagpadala ang kumpanya ng mahigit 5,500 humanoid noong 2025, higit sa lahat ng karibal na pinagsama; ang Digit ng Agility, ang pinakamaraming na-deploy na humanoid sa mga bodega sa US, ay may presyong higit sa $250,000 kada unit o humigit-kumulang $8,500 kada buwan bilang serbisyo; ang Figure, na may halagang $39 billion, ay nagbebenta sa mga enterprise nang walang pampublikong presyo.

Karamihan ng mga ekonomista ay tumanggap sa timeline. Sinabi ni Torsten Sløk, chief economist ng Apollo, na sinipi ng Yahoo Finance, na kahit sa mga agresibong projection ay dekada ang kailangan bago ang malawakang pisikal na displacement, na binanggit ang mga bottleneck sa fine manipulation, regulasyon at mga kagustuhan. Mas matalas ang debate sa digital na panig, kung saan ang ebidensya ng payroll ng Stanford at ang sariling pagsusuri ng unemployment ng Anthropic ay tumuturo sa magkaibang direksyon kung gaano na karaming displacement ang nangyari, at kung saan ang OpenAI, Anthropic, Google, Microsoft, Manus at Meta kasama ang Muse ay nagpapadala ng mga agent na nagba-browse, pumupuno ng mga form at kumukumpleto ng multi-step na gawain sa opisina, ang kategoryang pinakamataas ang exposure at pinakamababa ang gastos.

Ang posisyon ng Jobbit sa tanawing ito ay pagpili sa disenyo sa halip na forecast, at nagkataong inilalarawan ito ng paper. Hinahawakan ng AI agent ng kumpanya ang digital at nare-review na trabahong sinasabi ng ebidensyang mura i-automate: research, dokumento, website, automation, larawan at ang admin na nakapalibot sa isang trabaho. Kapag ang isang gawain ay nangangailangan ng kamay, on-site na paghuhusga o isang may pananagutan, na ayon sa mga numero ng paper ay karamihan ng pisikal na trabaho sa loob ng mga dekada, ang trabaho ay ipinapasa sa isang vetted na propesyonal na tao sa pro.jobbit.uk, na ang bayad ay hawak sa escrow at maaaring panoorin ng customer ang agent at kunin ang kontrol anumang oras. Ang Jobbit Labs, ang research division ng kumpanya, ay gumagawa sa mas mabagal na problemang tinukoy ng paper sa agwat nito sa datos: ang pagkuha ng real-world na datos ng gawain mula sa mga taong gumagawa ng tunay na trabaho, nang may consent, para i-train at i-verify ang mga world model para sa pisikal na AI. Hindi pa naglalathala ang Jobbit ng trial data sa mga resulta ng modelong ito at walang inaangking ganoon dito; mas makitid ang pahayag, na ang arkitekturang agent-plus-human-network ang sinusuportahan ng ebidensya habang dekada pa ang layo ng cost parity. Ang praktikal na panig ng paghahating iyon ay inilatag sa 12 Jobs an AI Agent Can Do for Your Business This Week at Should Your Next Hire Be an AI Agent?, ang ebidensya sa freelance sa Do AI Agents Replace Freelancers?, at ang kumpanya mismo sa What Is Jobbit?.

Ano ang dapat gawin ng isang negosyo sa ebidensyang ito

Sinusuportahan ng ebidensya ang isang tuntunin sa delegasyon na maaaring ilapat ng maliit na negosyo nang walang strategy consultant.

I-automate muna ang digital na layer sa paligid ng pisikal na trabaho, dahil doon na nagtatagpo ang gastos at kakayahan. Ang mga quote, invoice, website, review request, supplier research at scheduling ng isang tubero ang 50% ng trabahong exposed sa mga language model; sinasabi mismo ng mga numero ng paper na ang pagkakabit, ang diagnosis sa basang cabinet at ang pakikipag-usap sa may-ari ng bahay ay hindi mawawala. Ang margin sa isang trade business sa susunod na dekada ay nagmumula sa paggugol ng natipid na oras sa mesa sa mas maraming oras sa site, hindi sa paghihintay ng robot.

Ituring ang pisikal na automation bilang procurement decision sa isang gawain, hindi workforce decision sa isang trabaho. Ang cost model ng paper ang template: ipresyo ang buong taunang gastos ng robot laban sa paggawa sa iisang gawaing iyon, sa iyong environment tier, at asahan ang parity sa mga kondisyong E1 at E2 lamang, paulit-ulit na pag-iimpake, paglilipat, welding at pag-uuri, sa mga darating na taon. Para sa halos lahat ng ginagawa sa tahanan ng customer, wala ang parity sa kalendaryo.

Mag-hire at magsanay para sa hindi exposed na ubod. Ang 24% ng mga pisikal na gawaing hindi kaya ng mga robot at ang 25% na ayaw ng mga tao na gawin nila ang matibay na bahagi ng isang trade: dexterity, paghuhusga sa mga di-istrukturang espasyo at ang relasyon sa tao. Sinasabi ng 206,000-manggagawang agwat ng CITB pagsapit ng 2030 na babayaran ng merkado ang mga ito.

Bantayan ang paglilipat, hindi ang headline. Ang kapaki-pakinabang na tanong para sa anumang trabaho ay kung saan dapat tumigil ang makina at magsimula ang tao, at gumagalaw ang linyang iyon bawat gawain. Ang negosyong isinusulat ito, kung sino ang nagre-review ng output ng agent, sino ang pumipirma sa trabaho sa site, sino ang may pananagutan sa customer, ay nakakakuha ng mga pakinabang nang walang mga kabiguan.

Panghuli, basahin ang mga maagang senyales sa tamang lugar. Iminumungkahi ng paper na subaybayan ang mga exposed na okupasyon, mga driver at warehouse packer, para sa mga unang senyales ng pisikal na pagkagambala, at sinasabi ng payroll data na kita na ang digital na pagkagambala sa hiring ng mga graduate. Magplano para sa pangalawa ngayon at sa una mamaya.

Mga limitasyon at bukas na tanong

Amerikano, model-rated at static ang pag-aaral. Ang mga exposure at cost rating ay galing sa Claude na bumabasa ng mga paglalarawan ng gawain at ebidensya sa web tungkol sa mga robot, na sinuri laban sa kasaysayan ngunit hindi laban sa mga field trial; maaaring iba ang rating sa dexterity ng isang panel ng mga human expert. Hindi isinasama ng mga pagtantiya ng gastos ang mga hadlang sa adoption tulad ng limitasyon sa pangungutang, at isinasantabi ng mga senaryo ang mga feedback effect, kasama ang posibilidad na ang bumabagsak na sahod sa mga exposed na okupasyon ay lalo pang magpabagal sa adoption. Hindi sinusuri ng paper kung paano mababago ng AI ang pisikal na trabaho nang walang robot, halimbawa sa pamamagitan ng predictive maintenance, at hindi nito minomodelo ang UK, kung saan magkaiba ang gastos sa enerhiya, regulasyon at istruktura ng mga skilled trades.

May sariling limitasyon ang digital na ebidensya. Ipinapakita ng payroll data ang relatibong trabaho ng mga kabataang manggagawa sa mga exposed na okupasyon, hindi ang sanhi, at inilalarawan ng mga may-akda sa Stanford ang kanilang mga natuklasan bilang naaayon sa "no widespread displacement so far"; maaaring tama ang pagsusuri ng unemployment ng Anthropic at ang pagsusuri sa hiring ng Stanford tungkol sa magkaibang margin. Ang datos ng paggamit mula sa isang assistant ay hindi ang ekonomiya. At sapat ang bilis ng humanoid market kaya anumang presyong nabanggit dito ay snapshot ng unang bahagi ng Oktubre 2026.

Ang mga bukas na tanong ang magpapasya sa susunod na dekada: kung bumubuti ba nang mas mabilis kaysa 2% kada taon ang general-purpose manipulation kapag natuto na ang mga robot mula sa tunay na trabaho sa halip na mga engineered na demonstrasyon; kung gagalaw ba ang mga sahig ng regulasyon at kagustuhan; at, ayon sa mga may-akda, kung paano nagbabago ang trabaho mismo, "perhaps becoming more social and interpersonal as robots and AI advance".

Konklusyon

Aagawin ba ng mga robot ang mga blue-collar na trabaho? Hindi sa paraang iminungkahi ng 47% at hindi sa anumang iskedyul na kailangang pagplanuhan ng isang nagtatrabahong tradesperson. Ipinapakita ng pag-aaral ng Anthropic na kaya na ng mga robot ang karamihan ng mga pisikal na gawain at halos wala sa mga ito ang kaya nilang pagbayaran; na ang ekonomiya ay sumasara sa ilang porsyento kada taon; at na kahit ang mundong may record-breaking na pag-unlad ng robot ay nag-iiwan ng kalahati ng pisikal na trabaho sa kamay ng tao lampas 2050. Ang pagkagambalang nasusukat ngayon ay nasa digital na trabaho, kung saan pinakamataas ang exposure, pinakamababa ang gastos at nawawala na ang mga unang graduate sa mga payroll. Para sa isang trade o maliit na negosyo sa Britanya, iisang estratehiya ang itinuturo ng ebidensya: i-automate ang mesa, protektahan ang mga kamay, at maging sinadya kung saan ipinapasa ang isa sa isa. Doon gumagana ang Jobbit, at ang paper ang pinakamalinaw na pahayag hanggang ngayon kung bakit mananatili nang matagal ang agwat na pinagtayuan nito.

Frequently asked questions

Papalitan ba ng mga robot ang mga blue-collar na manggagawa?

Hindi sa loob ng mga dekada, ayon sa pag-aaral ng Anthropic noong Setyembre 2026. Kaya na ng mga robot ang humigit-kumulang 74% ng mga pisikal na gawain sa United States ngunit mas mura lamang sila kaysa manggagawa sa 0.3% ng mga ito, at sa makasaysayang 3% kada taong pagbaba ng presyo ng robot, mga 40 taon ang kailangan para maabot ang cost parity sa 10% ng trabaho. Kahit ang agresibong senaryo ay naglalagay sa kalahati ng pisikal na trabaho sa lampas 2050.

Aling mga trabaho ang pinaka-exposed sa mga robot?

Mga vehicle operator at warehouse packer. Nangunguna ang mga taxi driver sa exposure index sa 2.2 sa 3, siyam sa sampung pinaka-exposed na okupasyon ay mga driver, at ang mga packer at packager ang pinakamalinaw na kaso kung saan bahagyang mas mura na ang robot kaysa sa tao. Nasa kabilang dulo ang mga nurse, mekaniko at karamihan ng skilled trades dahil ang kanilang trabaho ay nangangailangan ng dexterity, paghuhusga sa mga di-istrukturang espasyo o ugnayang pantao.

Mas mabilis bang kinukuha ng AI ang mga white-collar na trabaho kaysa sa pagkuha ng mga robot sa mga pisikal?

Oo ang sabi ng maagang ebidensya, sa entry level. Ang pagsusuri ng Stanford sa mga payroll record ng mahigit 25 milyong manggagawa ay nakatuklas na ang trabaho ng mga edad 22 hanggang 25 sa mga okupasyong pinaka-exposed sa AI ay humigit-kumulang 19% na mas mababa kaysa sa mga mas kaunting exposed na kapantay, na walang katumbas na pagbabago para sa mga bihasang manggagawa, habang walang nakitang sistematikong pagtaas ng unemployment ang mga ekonomista ng Anthropic para sa mga exposed na manggagawa sa kabuuan. Halos walang gastos ang pag-automate ng mga digital na gawain kapag may modelo na; ang mga pisikal na gawain ay nangangailangan ng hardware na mahal pa rin.

Ano ang dapat gawin ng isang tradesperson tungkol sa automation?

I-automate ang panig ng opisina ng negosyo, kung saan mura at may kakayahan na ang AI, at mamuhunan sa mga kasanayang hindi kayang tapatan ng mga robot: dexterity, diagnosis sa mga di-istrukturang espasyo at ang relasyon sa customer. Ang sektor ng konstruksyon sa UK pa lamang ay nangangailangan ng mahigit 206,000 karagdagang manggagawa pagsapit ng 2030 ayon sa CITB, kaya ang bahaging tao ng trade ay kulang, hindi sobra.

Ano ang agwat na pinagtayuan ng Jobbit?

Ang paglilipat sa pagitan ng automated na digital na trabaho at ng pisikal na trabahong gawa ng tao. Ginagawa ng AI agent ng Jobbit ang research, dokumento, website at admin na sinasabi ng ebidensyang mura i-automate, at ipinapasa ang trabahong nangangailangan ng kamay, pagbisita sa site o pananagutan sa isang vetted na propesyonal sa pro.jobbit.uk, na ang bayad ay hawak sa escrow. Ang Jobbit Labs ay gumagawa sa real-world na datos ng gawain na tinutukoy ng pag-aaral bilang nawawalang sangkap para sa pisikal na AI.