# MacroVision — סקירת ספרות (טיוטה, נובמבר 2026)

## 1. פתיחה

המחקר יושב במפגש של חמש ספרויות שבדרך כלל נכתבות בנפרד: אוטומציה ותעסוקה, מדידת חשיפה ל-AI, ראיות מוקדמות להשפעת AI, חלוקת הכנסות הון, ומימון ציבורי של העברות. התרומה שלו היא לחבר את השלבים במסלול אחד עם אילוצי תקציב מפורשים, ולשאול מה קורה למי שנפלט מעבודה, לא רק לתעסוקה הכוללת.

הסקירה קצרה בכוונה. בכל סעיף: מה הספרות יודעת, ואיך זה נכנס למודל של MacroVision או מוגבל בו. כל מקור נבדק מול עמוד המאמר או המוציא לאור.

## 2. אוטומציה ותעסוקה: הגישה מבוססת המשימות

הספרות המובילה מנתחת טכנולוגיה דרך המשימות שהיא מעבירה מעובדים למכונות, ומראה שאוטומציה יכולה להקטין את הביקוש לעבודה גם כשהיא מעלה פריון.

- **משימות שגרתיות.** [Autor, Levy ו-Murnane (2003)](https://doi.org/10.1162/003355303322552801) הראו שמחשוב מחליף משימות שגרתיות שניתן לתאר בכללים מפורשים, ומשלים משימות של פתרון בעיות ותקשורת מורכבת. כמעט מחצית מההשפעה נבעה משינוי במשימות בתוך אותם מקצועות.
- **הדחקה והשבה.** [Acemoglu ו-Restrepo (2019)](https://doi.org/10.1257/jep.33.2.3) מפרקים את השפעת האוטומציה לאפקט הדחקה, שתמיד מקטין את חלק העבודה בערך המוסף, ולאפקט השבה של משימות חדשות. לפי הפירוק שלהם, האטה בצמיחת התעסוקה בארה"ב בשלושה עשורים נבעה מהאצת ההדחקה ומהחלשת ההשבה.
- **ראיות מרובוטים.** [Acemoglu ו-Restrepo (2020)](https://doi.org/10.1086/705716) מוצאים שרובוט תעשייתי נוסף לכל אלף עובדים מוריד את יחס התעסוקה לאוכלוסייה ב-0.2 נקודות אחוז ואת השכר ב-0.42% בשווקי עבודה מקומיים בארה"ב.

**הקשר למחקר:** המודל מציב את אפקט ההדחקה כהנחה (20% אבטלה) ומניח שאין השבה. זה בדיוק העולם שהספרות מזהירה שאינו מובטח, ולכן התזה מציגה אותו כתרחיש קיצון מכוון, לא כתחזית.

## 3. חשיפה של מקצועות ל-AI: מדדים ומגבלותיהם

כל מדדי החשיפה מודדים פוטנציאל טכני ולא אובדן משרות, והמחברים עצמם מדגישים זאת.

- **מדד מבוסס יכולות.** [Felten, Raj ו-Seamans (2021)](https://doi.org/10.1002/smj.3286) בנו את AIOE: קישור של עשר אפליקציות AI נפוצות ל-52 יכולות תעסוקתיות ב-O*NET, עם צבירה לענפים ולמחוזות.
- **מדד מבוסס משימות למודלי שפה.** [Eloundou ועמיתיה (2024, Science)](https://doi.org/10.1126/science.adj0998) מעריכים שכ-19% מהעובדים בארה"ב עשויים לראות לפחות מחצית ממשימותיהם חשופות. הם מגדירים חשיפה בלי להבחין בין השלמה לעבודה לבין החלפתה.
- **המדד שבו משתמש המחקר.** [Gmyrek ועמיתיו (ILO, 2025)](https://doi.org/10.54394/HETP0387) מעדכנים את מדד ILO מ-2023 על בסיס כ-30,000 משימות, סקר עובדים ואימות מומחים. עובד אחד מכל ארבעה בעולם נמצא במקצוע עם חשיפה כלשהי, 3.3% בדרגת החשיפה הגבוהה ביותר, ומקצועות הפקידות חשופים ביותר. המחברים מסיקים ששינוי משרות סביר יותר מהיעלמותן.

**הקשר למחקר:** שלב 194 משתמש במדד ILO כרמת חשיפה בתוך מבחן אינטראקציה, וכלי החשיפה באתר מציג אותו לציבור. המגבלה המשותפת לכל המדדים היא שהם לא מבחינים בין השלמה להחלפה, וזו בדיוק השאלה שהמבחן האמפירי מנסה לענות עליה.

## 4. ראיות מוקדמות להשפעת AI על תעסוקה

הראיות מעורבות: רוב המחקרים לא מוצאים השפעה מצרפית מובהקת, ומחקר אחד מוצא ירידה בתעסוקת צעירים במקצועות חשופים.

| מחקר | נתונים | ממצא |
|---|---|---|
| [Humlum ו-Vestergaard (2025–2026)](https://ideas.repec.org/p/nbr/nberwo/33777.html) | סקרי אימוץ צ'טבוטים מקושרים לרישומים מנהליים, דנמרק, 11 מקצועות חשופים | אפס מדויק בשכר ובשעות; שוללים השפעות מעל 2% שנתיים אחרי האימוץ, לצד שינוי משימות |
| [Brynjolfsson, Chandar ו-Chen (2025)](https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/) | נתוני שכר מנהליים של ADP, ארה"ב | ירידה יחסית של 16% בתעסוקת בני 22–25 במקצועות חשופים; יציבות אצל ותיקים |
| [Acemoglu, Autor, Hazell ו-Restrepo (2022)](https://doi.org/10.1086/718327) | מודעות דרושים, ארה"ב 2010–2018 | עסקים חשופים מצמצמים גיוס למשרות שאינן AI, אבל ההשפעה המצרפית קטנה מכדי להימדד |
| MacroVision, שלבים 194–195 | 13 מדינות באירופה, 39 קבוצות מקצוע, 848 תצפיות | אומדן שלילי ולא מובהק (p = 0.32), יציב ב-54 בדיקות עמידות |

**הקשר למחקר:** הממצא של שלב 194 תואם לרוב הספרות. מחקר ADP מרמז שהשפעה עשויה להופיע קודם אצל צעירים ובגיוס חדש, וזה סוג ההשפעה שנתוני תעסוקה שנתיים לפי מקצוע לא יזהו.

### 4.1 הראיות מישראל

המחקר הישראלי מתמקד במיפוי חשיפה, אבל העבודה האחרונה של מרכז טאוב כבר מצביעה על שינוי בהרכב המובטלים.

- **בנק ישראל (2025).** [תיבה מדוח בנק ישראל לשנת 2024](https://boi.org.il/media/vtweeyqx/תיבה-מתוך-דוח-בנק-ישראל-ההשפעה-הצפויה-של-בינה-מלאכותית-יוצרת-על-העובדים.docx) מחלקת משלחי יד לתחליפיים, משלימים וניטרליים, ומעריכה שכחמישית מהמועסקים נמצאים במשלחי יד תחליפיים שעלולים לחוות ירידה משמעותית בביקוש.
- **מרכז טאוב (2024).** [Debowy ועמיתיו](https://www.taubcenter.org.il/en/research/ai-labor-market/) מוצאים שכ-30% מהעובדים בישראל חשופים באופן שצפוי לשפר את עבודתם, וכ-23% במשרות שעלולות להיפגע. החשיפה גבוהה יותר בקרב נשים ובקרב בעלי השכלה אקדמית.
- **מרכז טאוב (2026).** [Debowy, Epstein ו-Weiss](https://www.taubcenter.org.il/en/research/ai-and-unemployment/) מראים שחלקם של בעלי משלחי יד חשופים מבין המובטלים עלה מ-14%–16% ב-2019–2022 ל-20%–25% ב-2025. לפי המחברים, AI מסביר רק חלק צנוע מהשינוי, ובמקצועות כמו פיתוח תוכנה לפחות מחצית מההשפעה נובעת מאי-התאמה בין עובדים למשרות.

**הקשר למחקר:** הממצא הישראלי ומחקר ADP מצביעים על אותו דפוס: ההשפעה מופיעה קודם בהרכב המובטלים ובגיוס, לפני שהיא מזיזה את התעסוקה הכוללת לפי מקצוע. שלב 201 של המחקר בדק את הרכב הבלתי מועסקים בישראל לפי משלח היד האחרון (סקר כוח אדם, לוח 5.3) ומצא שפקידים — הקבוצה החשופה ביותר — היו מיוצגים יתר באבטלה עוד לפני כלי AI גנרטיביים: הסיכון היחסי שלהם עלה מ-1.35 ב-2017–2018 ל-1.60 ב-2021–2022 ([שלב 201](ISRAEL_UNEMPLOYED_OCCUPATION_V201.md)). ב-2023–2024 הוא ירד ל-1.34, ובמקביל עלה חלקם של בעלי משלח יד אקדמי בקרב הבלתי מועסקים, בכיוון שמרכז טאוב מתאר ([שלב 204](ISRAEL_UNEMPLOYED_OCCUPATION_V204.md)).

## 5. חלוקה, בעלות על הון ואי-שוויון בעושר

הספרות עברה משאלת השכר לשאלת מי מחזיק בהון: אוטומציה מעלה את התשואה על עושר, ולכן החלוקה תלויה במי שמחזיק בנכסים.

- **תשואה על עושר.** [Moll, Rachel ו-Restrepo (2022)](https://doi.org/10.3982/ECTA19417) מזהים מנגנון שבו אוטומציה מגדילה אי-שוויון דרך העלאת התשואה על עושר. הצד השני של אותו מנגנון הוא שכר קפוא והכנסות קפואות בתחתית ההתפלגות.
- **פיצוי ומדיניות.** [Korinek ו-Stiglitz (2019)](https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda/artificial-intelligence-and-its-implications-income-distribution-and-unemployment) מבחינים בין שני ערוצי אי-שוויון: העודף לממציאים ושינויי מחירי גורמי ייצור. לטענתם, בתנאים סבירים אפשר להטיל מסים שאינם מעוותים כדי לפצות את המפסידים.

**הקשר למחקר:** שלב 72 ואילך מפצלים משקי בית לפי עבודה, חוב ובעלות על הון, בדיוק כפי שהספרות מצביעה. הממצא שבעלי הון מסיימים מעל הביקורת ב-30 מתוך 42 מקרים, ומאבדי העבודה מתחתיה בכולם, עקבי עם המנגנון של Moll ועמיתיו, אבל אינו מאמת אותו: הוא נובע מהנחות המודל.

## 6. מימון: הכנסה בסיסית, מס על אוטומציה, חוב ודפלציה

הספרות מסכימה שהמימון הוא הצוואר הצר, אבל נוטה לנתח אותו במנותק מהשפעת המחירים והחוב.

- **עלות הכנסה בסיסית.** [Hoynes ו-Rothstein (2019)](https://doi.org/10.1146/annurev-economics-080218-030237) מראים שהכנסה בסיסית מספיק גדולה כדי להגדיל העברות למשפחות בעלות הכנסה נמוכה תהיה יקרה מאוד, ושהיא מפנה חלק גדול מהכסף למעמד הביניים.
- **מס על רובוטים.** [Guerreiro, Rebelo ו-Teles (2022)](https://doi.org/10.1093/restud/rdab019) מוצאים שכדאי למסות רובוטים רק כל עוד הדור הנוכחי של עובדים שגרתיים, שכבר לא יכולים לעבור מקצוע, עדיין עובד. כשהם פורשים, המס האופטימלי יורד לאפס.
- **חוב נומינלי בעולם של מחירים יורדים.** [Fisher (1933)](https://www.jstor.org/stable/1907338) הראה שכשהמחירים יורדים, הנטל הריאלי של חוב קבוע בערכו הנומינלי עולה.

**הקשר למחקר:** שלבים 196, 198 ו-200 מראים שתי גרסאות של ההיגיון של Fisher. האחת פרטית: תשלומי דיור נומינליים לא יורדים עם המחירים, בעוד שהקצבה צמודה למחיר הסחורות, ולכן שוכרים ובעלי משכנתא נפגעים ראשונים. השנייה פיסקלית: הריבית על החוב הציבורי לא יורדת, ומה שנשאר לקצבאות מצטמק. שלב 200 מראה ששתי הגרסאות פועלות יחד: הצמדת הקצבה לעלות הדיור מתקנת את הפגיעה כשיש מרווח תקציבי, אבל לא כשהתקציב נגמר בשיא האבטלה. לא מצאנו מחקר קודם שמחבר בין גלגול פריון האוטומציה למחירים לבין מרחב המימון של העברות; זה עשוי להיות החידוש המחקרי המרכזי של התזה.

## 7. הפער שהמחקר ממלא

הספרות בודקת כל חוליה בנפרד; המחקר מחבר אותן במסלול אחד עם אילוצי תקציב מפורשים.

| טענת המחקר | מה הספרות נותנת | מה המחקר מוסיף |
|---|---|---|
| שימור מותנה | אפשר לפצות מפסידים במסים (Korinek ו-Stiglitz); הכנסה בסיסית יקרה (Hoynes ו-Rothstein) | באילו צירופי מס, בעלות וחוב הפיצוי מסתדר בתוך תקציב סגור |
| שימור אינו שוויון | אוטומציה מעלה תשואה על עושר (Moll, Rachel ו-Restrepo) | גודל הפער בין מאבדי עבודה לביקורת גם כשהקצבה מגנה (חציון −21% עד −25%) |
| מחירים ומימון | דפלציה מכבידה חוב נומינלי (Fisher) | תשלומי דיור נומינליים מול קצבה צמודת סחורות (שוכרים 2/18 מול בעלי דירה 8/18); תיקון ההצמדה מוגבל בתקציב (64/64 כשיש מרווח, שוכרים נשארים 2/18) |
| אפס אמפירי מוקדם | רוב המחקרים לא מוצאים השפעה מצרפית; יוצא דופן: צעירים בארה"ב | ראיה אירופית מ-13 מדינות עם אימוץ מדוד; בישראל, ייצוג יתר של פקידים באבטלה שקדם ל-AI |

## מקורות

1. Acemoglu, D., Autor, D., Hazell, J., & Restrepo, P. (2022). Artificial intelligence and jobs: Evidence from online vacancies. *Journal of Labor Economics*, 40(S1), S293–S340. [doi:10.1086/718327](https://doi.org/10.1086/718327)
2. Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. *Journal of Economic Perspectives*, 33(2), 3–30. [doi:10.1257/jep.33.2.3](https://doi.org/10.1257/jep.33.2.3)
3. Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. *Journal of Political Economy*, 128(6), 2188–2244. [doi:10.1086/705716](https://doi.org/10.1086/705716)
4. Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. *Quarterly Journal of Economics*, 118(4), 1279–1333. [doi:10.1162/003355303322552801](https://doi.org/10.1162/003355303322552801)
5. Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab. [link](https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/)
6. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. *Science*. [doi:10.1126/science.adj0998](https://doi.org/10.1126/science.adj0998)
7. Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence. *Strategic Management Journal*, 42(12), 2195–2217. [doi:10.1002/smj.3286](https://doi.org/10.1002/smj.3286)
8. Fisher, I. (1933). The debt-deflation theory of great depressions. *Econometrica*, 1(4), 337–357. [jstor:1907338](https://www.jstor.org/stable/1907338)
9. Gmyrek, P., Berg, J., et al. (2025). Generative AI and jobs: A refined global index of occupational exposure. ILO Working Paper 140. [doi:10.54394/HETP0387](https://doi.org/10.54394/HETP0387)
10. Guerreiro, J., Rebelo, S., & Teles, P. (2022). Should robots be taxed? *Review of Economic Studies*, 89(1), 279–311. [doi:10.1093/restud/rdab019](https://doi.org/10.1093/restud/rdab019)
11. Hoynes, H., & Rothstein, J. (2019). Universal basic income in the United States and advanced countries. *Annual Review of Economics*, 11, 929–958. [doi:10.1146/annurev-economics-080218-030237](https://doi.org/10.1146/annurev-economics-080218-030237)
12. Humlum, A., & Vestergaard, E. (2025). Large language models, small labor market effects. NBER Working Paper 33777 (revised 2026 as "Still waters, rapid currents"). [link](https://ideas.repec.org/p/nbr/nberwo/33777.html)
13. Korinek, A., & Stiglitz, J. E. (2019). Artificial intelligence and its implications for income distribution and unemployment. In *The Economics of Artificial Intelligence: An Agenda*. University of Chicago Press. [link](https://www.nber.org/books-and-chapters/economics-artificial-intelligence-agenda/artificial-intelligence-and-its-implications-income-distribution-and-unemployment)
14. Moll, B., Rachel, L., & Restrepo, P. (2022). Uneven growth: Automation's impact on income and wealth inequality. *Econometrica*, 90(6), 2645–2683. [doi:10.3982/ECTA19417](https://doi.org/10.3982/ECTA19417)
15. Bank of Israel (2025). ההשפעה הצפויה של בינה מלאכותית יוצרת על העובדים: השלכות על המדיניות בשוק העבודה. Box in the Bank of Israel Annual Report 2024. [link](https://boi.org.il/media/vtweeyqx/תיבה-מתוך-דוח-בנק-ישראל-ההשפעה-הצפויה-של-בינה-מלאכותית-יוצרת-על-העובדים.docx)
16. Debowy, M., Epstein, G. S., Bental, B., Weiss, A., & Weinreb, A. (2024). Artificial intelligence and the Israeli labor market. Taub Center Policy Paper 06.2024. [link](https://www.taubcenter.org.il/en/research/ai-labor-market/)
17. Debowy, M., Epstein, G. S., & Weiss, A. (2026). How artificial intelligence changed the composition of the unemployed in Israel. Taub Center. [link](https://www.taubcenter.org.il/en/research/ai-and-unemployment/)

### מקורות נתונים

18. Eurostat (2025). Artificial intelligence by size class of enterprise (isoc_eb_ai). [link](https://ec.europa.eu/eurostat/databrowser/view/isoc_eb_ai/default/table)
19. Eurostat (2026). Employment by sex, age and occupation, ISCO-08 two-digit level (lfsa_egai2d). [link](https://ec.europa.eu/eurostat/databrowser/view/lfsa_egai2d/default/table)
20. ILO (2026). ILOSTAT: Employment by sex and occupation, annual (EMP_TEMP_SEX_OCU_NB_A). [link](https://ilostat.ilo.org/data/)
21. הלשכה המרכזית לסטטיסטיקה (2019–2024). סקר כוח אדם, פרסום שנתי, לוח 5.3: בלתי מועסקים שעבדו ב-12 החודשים האחרונים, לפי משלח יד אחרון (נתוני 2017, 2018, 2021, 2022). cbs.gov.il