Naukowcy opisują mechanizm, w którym generatywne modele AI erozyjnie niszczą rynek pracy opartej na głębokim, długofalowym uczeniu się człowieka. Zjawisko nazwanego Human Temporal Learning (HTL) — to kumulacyjna wiedza zdobywana przez lata zaangażowania w problem. Problem pojawia się, gdy outputy AI zaczynają powierzchniowo przypominać prace wymagające HTL, ale są wytwarzane niemal za darmo.
Rynkowa logika jest bezlitosna: jeśli weryfikacja autentyczności pewnego output'u kosztuje więcej, niż potencjalny zysk z tej weryfikacji, weryfikacja się zaniecha. W momencie, gdy oceniający przestają sprawdzać źródło i jakość, nagradzają wyniki bez względu na to, czy wytworzyła je człowiek czy maszyna. Producenci, którzy spędzili lata na nauce, muszą konkurować ceną z AI, co prowadzi do zjawiska value collapse — upadku wartości pracy intensywnie wymagającej ludzkiego uczenia się.
Naukowcy przeanalizowali dowody z czterech obszarów: publikacji naukowych, praktyki prawnej, platform treści i bezpieczeństwa oprogramowania. Wszędzie obserwują cztery etapy erozji weryfikacji. Kluczowe odkrycie: nawet jeśli modele będą lepiej dostosowane do wartości człowieka (better aligned), problem się pogłębi — będą bardziej podobne do prac człowieka, co utrudni weryfikację i zwiększy konkurencyjną presję na HTL-intensive work.