Predstavte si piatkový termín, ktorý neexistuje, ale mohol by patriť komukoľvek. Dvadsaťštyriročná žena, ktorú nazvime Ivana, má na stole dve obálky. V jednej je ponuka od analytického tímu banky s platom a dátumom nástupu. V druhej prijatie na ročný magisterský program z dátovej vedy, ktorý by ju stál rok výplaty. Celý týždeň sa pýta, za ktorú z dvoch vecí bude manažér pri prijímaní ľudí ešte o päť rokov platiť. Jej otec, dvadsaťpäť rokov bankový úradník, jej hovorí, že skúsenosť vyhráva vždy. Jej profesor tvrdí, že dvere otvára diplom. Obaja hovoria z trhu práce, ktorý už možno neexistuje.

Dňa 26. októbra zverejnili traja ekonómovia z univerzity Universidad Torcuato Di Tella v Buenos Aires, Eduardo Levy Yeyati, Darío Judzik a Juan Ignacio Barbiero, pracovný dokument, ktorý tento spor vyčísľuje. Volá sa „Practice Makes Perfect“ a tvrdí, že generatívna AI už prenastavila cenu ľudského kapitálu v amerických povolaniach, ktoré sú jej najviac vystavené. Mzda za ďalší rok štúdia klesla. Mzda za ďalší rok praxe vzrástla u ľudí na začiatku kariéry a klesla u ľudí na jej konci. Ide o preprint, ktorý neprešiel recenzným konaním.

Dve ceny, jeden šok

Autori vychádzajú zo starého rozlíšenia. Školu považujú za hrubý ukazovateľ kodifikovaných znalostí, teda takých, ktoré sa dajú zapísať, vyučovať a uložiť. Prax je ukazovateľom znalostí získaných praxou: úsudku, ktorý si sociálny pracovník alebo chirurg vybuduje opakovaním a ktorý sa zle zapisuje. Model, ktorý dodáva kodifikované znalosti priamo pri práci, by mal tie prvé zlacniť, a autori predpovedajú, že to znižuje, koľko škola prináša. Ak sa oba druhy znalostí dopĺňajú, hojnosť kodifikovaných znalostí by mala zvyšovať hodnotu úsudku, najmä na začiatku kariéry, kde sa prax učí najrýchlejšie. Časť skúseností je navyše viazaná na nástroje, na ktorých vznikla, a tá môže stratiť hodnotu.

Na overenie používajú súbory údajov o príjmoch z prieskumu Current Population Survey za roky 2018 až jún 2026. Vezmú hornú a dolnú štvrtinu amerických povolaní zoradených podľa indexu vystavenia, ktorý zostavili Edward Felten, Manav Raj a Robert Seamans ešte pred príchodom ChatGPT. Medzi vystavenými sú vývojári softvéru, finanční manažéri a právnici. V porovnávacej skupine sú vodiči kamiónov, stavební pomocní robotníci a čašníci. Autori porovnávajú každú skupinu pred novembrom 2022, keď vyšiel ChatGPT, a po ňom. Odhadujú zmeny mzdových gradientov, teda ceny roka štúdia alebo praxe v rámci povolania, a otázku, či sa pohla priemerná mzda, nechávajú zvlášť.

Čo ukazujú mzdové údaje

Pred šokom platil rok štúdia vo vystavených povolaniach 7,5 logaritmického bodu, čo je viac než štvornásobok návratnosti v porovnávacej skupine. Po ňom, podľa autorov, návratnosť klesla o 0,55 logaritmického bodu, približne o sedem percent z pôvodnej hodnoty. V porovnávacích povolaniach zostala na 1,7 logaritmického bodu. Keďže odhad porovnáva pracovníkov v rámci toho istého povolania, nevyplýva len z toho, že vystavené povolania sú vzdelanejšie.

Prax sa pohla dvoma smermi. Pri troch rokoch potenciálnej praxe vzrástla návratnosť jedného ďalšieho roka o 0,26 logaritmického bodu. Pri pätnástich rokoch sa nedala odlíšiť od nuly a pri dvadsiatich piatich klesla o 0,12 logaritmického bodu. Podľa kvadratického modelu autorov efekt mení znamienko pri 18,1 roka. Pre pracovníka so šestnástimi rokmi štúdia a pätnástimi rokmi praxe vo vystavenom povolaní odhaduje dokument čistú zmenu mzdy o mínus 3,2 logaritmického bodu oproti dráhe, ktorú naznačuje porovnávacia skupina.

Načasovanie podporuje súvislosť s vydaním. Pri štúdiu sú štyri koeficienty spred vydania malé a spoločný test pred novembrom 2022 nič nenašiel; zlom sa objaví v prvom roku po vydaní. Placebo test, ktorý datuje falošný šok na začiatok pandémie, dáva pre štúdium efekt mínus 0,02. Výsledky platia aj pri jednotnom pravidle horného ohraničenia príjmov v celom období, čo je dôležité, lebo americký štatistický úrad v apríli 2023 zmenil spôsob zaznamenávania najvyšších príjmov a vo vystavenej skupine je horne ohraničených 11,5 percenta pozorovaní oproti 0,7 percenta v porovnávacej skupine.

Kde sú autori opatrní

Dokument otvorene priznáva slabé miesta. Druhý falzifikačný test, ktorý porovnával druhý a najnižší kvartil vystavenia, pričom ani jeden z nich nepatril do skúmanej skupiny, priniesol efekt pre štúdium podobnej veľkosti, no neprešiel testom predchádzajúcich trendov, čo autori chápu ako varovanie, že zloženie podľa vzdelania môže vytvoriť falošný zlom. Pokles na konci kariéry je slabšou polovicou výsledku o praxi: jeho test predchádzajúcich trendov dáva p-hodnotu 0,06 a autori hovoria, že väčšiu váhu kladú na nárast na začiatku kariéry a na celkové otočenie než na každé číslo z konca kariéry. Roky štúdia nezachytávajú odbor ani kvalitu a potenciálna prax počíta roky od ukončenia školy, nie roky strávené na úlohách vystavených AI. Mladí ľudia, ktorí vo vystavených povolaniach zostávajú, môžu byť vybraná skupina. Koeficient pri štúdiu môže odrážať aj signalizáciu a technológia, ktorá mení rýchlosť, akou zamestnávatelia posudzujú pracovníkov, by mohla zúžiť gradient bez zmeny toho, čo škola učí. Autori svoje čísla čítajú ako nové ocenenie meraného štúdia a praxe a hovoria, že nejde o prognózu dlhodobej návratnosti.

Ten istý vzorec z iných smerov

Iné zdroje z tohto mesiaca ukazujú rovnakým smerom z iných východísk. „Canaries in the Coal Mine?“ z Stanford Digital Economy Lab, revidovaný 12. augusta 2026 autormi Erikom Brynjolfssonom, Bharatom Chandarom a Ruyu Chenom, využíva mzdové údaje ADP o miliónoch amerických pracovníkov do júna 2026. Nenašiel dôkaz o plošnom vytláčaní z práce, no zamestnanosť pracovníkov vo veku 22 až 25 rokov v povolaniach vystavených AI je o 19 percent nižšia, než by bola, keby držala krok s menej vystavenými rovesníkmi, kým skúsení pracovníci žiadnu porovnateľnú medzeru nevykazujú. Medzera vzniká hlavne menším prijímaním ľudí a autori svoje zistenia nazývajú skorými, opisnými ukazovateľmi, nie kauzálnymi odhadmi. Beige Book Federálneho rezervného systému zo 14. októbra uviedol, že v piatich obvodoch niektoré firmy znížili stavy pracovníkov prirodzeným úbytkom, odložili prijímanie alebo očakávali menej nových miest po investíciách do AI. A 16. októbra ekonómovia spoločnosti Anthropic uviedli, že podiel juniorov medzi technickými nábormi v ich vlastnej firme klesol z 27 percent na 9 percent.

Žiadna z týchto štúdií nemeria to isté čo argentínsky dokument. Mzdové údaje z ADP počítajú pracovné miesta, Beige Book zbiera anekdoty a správa Anthropic opisuje jednu firmu. Mzdový dokument je o cenách. Spoločný majú príbeh o spodných priečkach profesijných rebríkov a vlastné upozornenie dokumentu, že výsledky na začiatku kariéry zodpovedajú kanálu tvorby znalostí, no netestujú ho, pripomína, ako málo je ustálené. Autori končia otázkou, ktorú nechávajú otvorenú: či budú pracovníci môcť aj naďalej získavať znalosti z praxe, ktoré rastú na hodnote, keď AI automatizuje časti samotného učenia.

Späť do vymyslenej piatkovej scény

Ivana v dokumente odpoveď nenájde, lebo žiadnu nedáva. Uvádza, že rok štúdia po roku 2022 vo vystavených povolaniach platil menej, že skorá prax platila viac a že rok štúdia stále platil viac než v porovnávacej skupine. Berie prácu v banke a zostaví si zoznam úloh, na ktoré sa smie v prvom roku dotknúť a ktoré by sa žiadny model nemohol naučiť z dokumentu, lebo skorá prax je miesto, kde dokument nachádza rastúcu návratnosť. Ponuka na magisterské štúdium je stále otvorená pre odklad a v pondelok sa na to opýta.

Použité zdroje

  • Brynjolfsson, E., Chandar, B., & Chen, R. (2026, revised 12 August). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
  • Federal Reserve System (2026). Beige Book, October 2026: National Summary. federalreserve.gov
  • Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217. doi.org
  • Levy Yeyati, E., Judzik, D., & Barbiero, J. I. (2026). Practice Makes Perfect: Tacit Knowledge, Generative AI, and Returns to Schooling and Experience. arXiv. arxiv.org
  • Wilmers, N., Catipon, R., Massenkoff, M., & McCrory, P. (2026). How employment is changing at Anthropic. The Anthropic Institute. anthropic.com