arXiv: 2605.25505v1
Auswirkungen generativer KI auf innerstädtische Ungleichheit und Qualifikationsprämie in Peking
Generative AI impacts on intra-urban inequality and skill premium in Beijing
May 25, 2026
Autoren: Xiliu He, Haoxiang Zhao, Mingyi Ma, Edward Wen Chuan Lai, Koei Enomoto, Anni Hu, Jiatong Li, Lingyun Chu, Yuan Lai
cs.CYcs.CYcs.AIecon.GNphysics.soc-phcs.CY
Zusammenfassung
Die generative künstliche Intelligenz (GenKI) ist die erste Automatisierungswelle, die kognitive Aufgaben auf hohem Niveau in großem Umfang erreicht, doch ihre Auswirkungen auf innerstädtische Ungleichheit sind weitgehend unbekannt. Anhand von 5 Millionen Stellenausschreibungen aus Peking (2018–2024) konstruieren wir einen GenKI-Expositionsindex auf Nachbarschaftsebene, indem wir Aufgabenbewertungen von fünf führenden großen Sprachmodellen aggregieren. Wir untersuchen die räumlichen, strukturellen und kausalen Mechanismen dieses Schocks. Wir stellen fest, dass die GenKI-Exposition stark in den zentralen Bezirken der Stadt konzentriert ist, was die innerstädtische KI-Kluft vertieft. Seit 2023 verzeichnen Nachbarschaften mit hoher Exposition eine Stagnation der Löhne, obwohl sie weiterhin hochqualifizierte Arbeitskräfte anziehen – eine „Hochqualifizierten-Falle“. Diese Lohnstrafe wird durch die Dequalifizierung von Aufgaben und eine verstärkte Verdrängung auf dem Arbeitsmarkt verursacht. Ein Differenz-von-Differenzen-Design, das auf die Veröffentlichung von ChatGPT fokussiert, untermauert eine kausale Interpretation. Diese Ergebnisse stellen die vorherrschende Theorie des qualifikationsverzerrten technologischen Wandels in Frage und bieten eine Grundlage für eine inklusive KI-Governance in globalen Technologiezentren.
English
Generative artificial intelligence (GenAI) is the first automation wave to reach high-cognitive tasks at scale, yet its effects on intra-urban inequality remain largely unknown. Using 5 million job postings from Beijing (2018--2024), we construct a neighborhood-level GenAI Exposure Index by aggregating task-level assessments from five leading large language models. We examine the spatial, structural and causal mechanisms of this shock. We find that GenAI exposure is highly concentrated in the city's core districts, deepening the intra-urban AI divide. Since 2023, high-exposure neighborhoods have experienced wage stagnation even as they continue to attract high-skilled workers -- a "high-skill trap." This wage penalty is driven by task de-skilling and intensified labor-market crowding. A difference-in-differences design centered on ChatGPT's release supports a causal interpretation. These findings challenge the prevailing theory of skill-biased technological change and provide a basis for inclusive AI governance in global technology hubs.