AI உங்கள் Job-ஐ எடுத்துக்கும்னு சொல்றாங்க — Anthropic-ஓட Research Data-ஐ Read பண்றது எப்படி?

Viral Chart பயப்பட வைக்குது — ஆனா Full Story என்னன்னு தெரியுமா?#

Anthropic-ஓட labor market report-ல் இருந்து ஒரு graphic இந்த month widely circulate ஆகியிருக்கு. First glance-ல் terrifying-ஆ look ஆகுது. AI "theoretical capability" 80% or more job tasks perform பண்ண முடியும்னு காட்டுது — legal work, finance, management, arts and media, office administration — எல்லாத்திலயும்.

Face value-ல் எடுத்தா conclusion obvious-ஆ தெரியுது: AI most jobs eliminate பண்ணும். Fast-ஆ.

ஆனா Anthropic அந்த "theoretical capability" numbers-க்கு எப்படி arrive ஆனாங்கன்னு actually dig பண்ணினா, picture significantly change ஆகுது.

Anthropic என்ன Measure பண்ணாங்க — என்ன பண்ணலை?#

Anthropic-ஓட report two things-ல் important distinction பண்றது: "theoretical capability" (AI theoretically என்ன பண்ண முடியும்) versus "observed exposure" (AI actually இப்போ எதுக்கு use ஆகுதுண்டு).

Observed exposure data — actually happening-னது — Anthropic-ஓட own contribution. Real, people actually Claude மற்றும் other LLMs work-க்கு எப்படி use பண்றாங்கன்னு based-ஆனது. Numbers here theoretical-ஐ விட much smaller. Example: Computer & Math category 94% theoretical exposure காட்டுது, ஆனா actual observed coverage 33% மட்டும். Office & Admin 90% theoretical, ஆனா 25% actual.

"Theoretical capability" numbers-தான் interesting part. Anthropic இதை current AI models use பண்ணி themselves measure பண்ணலை. 2023 research paper-ல் இருந்து borrow பண்ணியிருக்காங்க — OpenAI, OpenResearch, University of Pennsylvania co-authored. 2023-ல் GPT-4 performance-ல் based, current models இல்லை, Anthropic-ஓட own Claude இல்லை.

அந்த 2023 Paper எப்படி Numbers-க்கு Arrive ஆச்சு?#

2023 study O*NET use பண்ணியிருக்காங்க — US government database, every job-ஐ extremely granular individual tasks-ஆ break down பண்றது. Researchers those tasks-ல் போய் judge பண்ணியிருக்காங்க: "most powerful OpenAI large language model" at that time, each task-க்கு required time 50% reduce பண்ண முடியுமான்னு equivalent quality-உடன்.

Current AI பண்ண முடியாவிட்டா: "anticipated LLM-powered software" future-ல் similar time saving achieve பண்ணுமான்னுவும் கேட்டிருக்காங்க. இந்த second question-தான் speculative element enter ஆகுது. Many "theoretically capable" tasks only possible with future AI tools that don't exist yet — not with anything you can use today.

Judgments பண்ணிய labelers — AI each task perform பண்ண முடியும்/முடியாதுன்னு decide பண்ணியவங்க — actually அந்த jobs பண்றவங்க இல்லை. Annotation platform-ல் hire பண்ணிய workers. Complex legal research அல்லது nuanced financial analysis AI பண்ண முடியும்னு judge பண்ணவங்களுக்கு அந்த tasks day-to-day என்னன்னு deep familiarity இருந்திருக்காது.

Combine பண்ணினா: 2023 study-ல் borrowed, older GPT-4 based, speculative future tools includes, domain experts இல்லாத annotators judge பண்ணியது — scary blue bars prediction-ஆ இல்லை, educated upper-bound estimate-ஆ look ஆகுது, that too outdated-ஆ.

Observed Data Actually என்ன Show பண்றது?#

Anthropic report-ல் more interesting part: observed exposure data — people actually work-ல் AI எப்படி use பண்றாங்கன்னு.

Higher current AI usage occupations — US Bureau of Labor Statistics forecasts-ல் 2034 வரை slower job growth projected ஆகுது. Most AI-exposed professions-ல் workers older, more educated, better paid. Young workers 22-25 years age — AI-exposed fields-ல் hiring rates slow ஆகியிருக்கு — job losses இல்லை, ஆனா fewer new people being brought in.

Crucial finding: ChatGPT 2022 late-ல் launch ஆனது முதல், highly AI-exposed jobs workers-க்கு systematic unemployment increase கிடையாது. Jobs mass-ஆ disappear ஆகல. What seems to happen: teams more work handle பண்றாங்க fewer new people hire பண்றாம, entry-level hiring certain roles-ல் slow ஆகுது.

Indian Professionals-க்கு Honest Assessment#

India-ஓட tech industry millions employ பண்றது — software development, data analysis, content writing, customer support, legal services, financial analysis, back-office operations — எல்லாமே high AI exposure categories. Indian IT services companies human labor provide பண்றதுல business model build பண்ணியிருக்காங்க.

"AI உங்கள் job எடுத்துக்கும்னு" honest answer: probably not tomorrow, possibly not even five years-ல் scary charts suggest பண்றமாதிரி. ஆனா entry-level version of your job — new graduates experience build பண்றதுக்கு traditional path — those parts real pressure-ல் இருக்காங்க right now.

Junior developer boilerplate code எழுதுவது? AI இப்போவே பண்றது. Junior analyst standard reports pull பண்ணி data format பண்றது? AI-தான். Concern: experienced professionals replaced ஆகுவது இல்லை. Traditional path — start junior, skills build, move up — junior work disappear ஆகும்போது disrupt ஆகுது.

Indian students job market-ல் enter ஆகுவதற்கு, AI easily replicate பண்ண முடியாத skills more valuable: client communication, complex problem definition, creative judgment, domain expertise + technical skill combination, project management, cultural அல்லது institutional knowledge require பண்ற contexts.

AI Job Research எப்படி Read பண்றது?#

Every few months new report drops — AI will replace X% of jobs by year Y. Most reports same issue-ல் suffer பண்றது: AI could theoretically task-ல் help பண்ணுமான்னு measure பண்றது, அந்த job பண்றவனை actually replace பண்ணுமான்னு இல்லை.

"AI can help a lawyer case research 40% faster" versus "AI will replace lawyers" — big difference. First already true. Second ignores lawyers dozens of things பண்றது — judgment, relationships, accountability, contextual understanding AI reliably provide பண்றதில்லை.

Theoretical AI capability மற்றும் actual observed usage-க்கு இடையே gap — Anthropic-ஓட own report enormous-ஆ show பண்றது — அந்த gap-ல்தான் human professionals இப்போ live and work பண்றாங்க. Gap narrowing — some areas slowly, some faster. ஆனா alarming charts imply பண்றமாதிரி overnight collapse ஆகல.

TamilTech-ஓட கருத்து#

Anthropic-க்கு credit கொடுக்கணும் — own data limitations-ஐ பத்தி transparent-ஆ இருக்காங்க. Most companies scary theoretical numbers-ல் lead பண்ணியிருப்பாங்க. Instead, theoretical மற்றும் actual இடையே gap clearly distinguish பண்ணிருக்காங்க — gap large. More important finding: theoretical capability chart இல்லை — hiring data showing entry-level jobs AI-exposed fields-ல் slow ஆகுது. That's real, present-tense effect, data-ல் point பண்ண முடியும். Indian students மற்றும் early-career professionals-க்கு — three-year-old research மற்றும் speculative future tools-ல் based scary 80% theoretical coverage-ஐ விட, அந்த hiring number seriously எடுத்துக்கணும். Genuinely difficult to automate skills build பண்ணுங்க. Mid-career மற்றும் senior roles fast-ஆ போகல. Entry door narrowing.