arXiv: 2605.25505v1
Impactos de la IA generativa en la desigualdad intraurbana y la prima de habilidades en Pekín
Generative AI impacts on intra-urban inequality and skill premium in Beijing
May 25, 2026
Autores: 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
Resumen
La inteligencia artificial generativa (IAGen) constituye la primera ola de automatización que alcanza tareas de alta complejidad cognitiva a gran escala, pero sus efectos sobre la desigualdad intraurbana siguen siendo en gran medida desconocidos. Utilizando 5 millones de ofertas de empleo de Pekín (2018-2024), construimos un Índice de Exposición a la IAGen a nivel de barrio mediante la agregación de evaluaciones a nivel de tarea de cinco grandes modelos de lenguaje de última generación. Examinamos los mecanismos espaciales, estructurales y causales de este shock. Encontramos que la exposición a la IAGen está altamente concentrada en los distritos centrales de la ciudad, profundizando la brecha intraurbana de IA. Desde 2023, los barrios con alta exposición han experimentado un estancamiento salarial incluso mientras continúan atrayendo trabajadores altamente cualificados — una "trampa de alta cualificación". Esta penalización salarial está impulsada por la descalificación de tareas y la intensificación del hacinamiento en el mercado laboral. Un diseño de diferencias en diferencias centrado en el lanzamiento de ChatGPT respalda una interpretación causal. Estos hallazgos desafían la teoría predominante del cambio tecnológico sesgado por cualificación y proporcionan una base para una gobernanza inclusiva de la IA en los centros tecnológicos globales.
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.