arXiv: 2605.25505v1
Impacts de l'IA générative sur les inégalités intra-urbaines et la prime de compétence à Pékin
Generative AI impacts on intra-urban inequality and skill premium in Beijing
May 25, 2026
Auteurs: 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
Résumé
L'intelligence artificielle générative (IAG) constitue la première vague d'automatisation à atteindre à grande échelle les tâches cognitives élevées, mais ses effets sur les inégalités intra-urbaines restent largement méconnus. En exploitant 5 millions d'offres d'emploi à Pékin (2018-2024), nous élaborons un indice d'exposition à l'IAG à l'échelle des quartiers en agrégeant les évaluations au niveau des tâches issues de cinq grands modèles de langage. Nous examinons les mécanismes spatiaux, structurels et causaux de ce choc. Nous constatons que l'exposition à l'IAG est fortement concentrée dans les quartiers centraux de la ville, creusant ainsi la fracture numérique intra-urbaine liée à l'IA. Depuis 2023, les quartiers fortement exposés connaissent une stagnation des salaires, même s'ils continuent d'attirer des travailleurs hautement qualifiés — un « piège de la haute qualification ». Cette pénalité salariale est due à la déqualification des tâches et à un encombrement accru du marché du travail. Une méthode de différence-de-différences centrée sur la date de lancement de ChatGPT conforte une interprétation causale. Ces résultats remettent en cause la théorie dominante du changement technologique biaisé en faveur des compétences et fournissent une base pour une gouvernance inclusive de l'IA dans les pôles technologiques mondiaux.
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.