AI 对劳动力市场的影响：一项新指标与早期证据

主要发现

• 我们引入了一个衡量 AI 替代风险的新指标——实际观测暴露度 (observed exposure)，该指标结合了理论上的 LLM 能力与真实世界的使用数据，并赋予了“自动化”（而非辅助增强）以及“与工作相关用途”更高的权重。
• AI 远未达到其理论上的能力上限：实际的自动化覆盖率仅为理论可行范围的一小部分。
• 据美国劳工统计局（BLS）预测，实际观测暴露度较高的职业，到 2034 年的就业增长预期会更低。
• 在暴露度最高的职业中，工作者往往更有可能是年龄较大、女性比例较高、受教育程度较高且薪酬较高的人群。
• 我们发现，自 2022 年底以来，高暴露度工作者的失业率并未出现系统性增加，尽管有初步证据表明，年轻工作者在高暴露度职业中的招聘速度已经放缓。

引言

AI 的快速普及引发了大量关于衡量与预测其对劳动力市场影响的研究浪潮。但是，从过去类似预测方法的准确记录来看，我们必须保持敬畏和谦逊。

例如，一项著名的衡量“工作离岸外包可能性”的研究曾认定大约四分之一的美国工作岗位面临危险，但十年过去了，大多数这类岗位仍然保持着健康的就业增长。政府自身的职业增长预测，虽然大方向正确，但除了对过去趋势进行简单的线性外推之外，几乎没有增加什么预测价值。即使是事后诸葛亮，重大经济破坏对劳动力市场的影响通常也不明朗。关于工业机器人对就业影响的研究得出了截然相反的结论，而归因于中国贸易冲击的失业规模至今仍在争论之中。¹

在本文中，我们提出了一个理解 AI 对劳动力市场影响的新框架，并结合早期数据对其进行了测试，结果发现目前几乎没有证据表明 AI 已经实质影响了就业。我们的目标是确立一种衡量 AI 如何影响就业的方法，并定期复盘这些分析。这种方法无法捕捉到 AI 重塑劳动力市场的每一个渠道，但通过在有意义的影响显现之前奠定这些基础，我们希望未来的发现能比事后分析更可靠地识别出经济重构的信号。

AI 的影响有可能会非常明显。但当影响具有模糊性时，该框架将发挥最大作用——并可能在明显的失业潮出现之前，帮助我们识别出最脆弱的工作岗位。

反事实分析 (Counterfactuals)

当影响巨大且突然时，因果推断要容易得多。COVID-19 大流行及相关的政策措施造成了极其明显的经济破坏，以至于对许多问题来说根本不需要复杂的统计方法。例如，在大流行的头几周内，失业率急剧飙升，几乎没有其他解释的余地。

然而，AI 的影响可能不那么像 COVID，而更像互联网的普及或与中国的贸易摩擦。其影响可能无法从总体失业数据中立即显现；贸易政策和商业周期等因素可能会干扰和掩盖趋势线的解释。

一种常见的方法是比较受 AI 暴露程度较高与较低的工作者、公司或行业的产出结果，以将 AI 的影响与干扰因素分离开来。² 暴露度通常是在“任务”级别上定义的：例如，AI 可以批改作业，但无法管理整个课堂，因此教师被认为比那些可以完全远程完成工作的人面临的暴露度更低。

我们的工作遵循这种基于任务的方法，结合理论上的 AI 能力和现实世界的使用指标，然后再将其汇总到职业层面。³

衡量暴露度

我们的方法结合了三个来源的数据：

1. O*NET 数据库，列举了美国约 800 种独特职业的相关任务。
2. 我们自己的使用数据（根据 Anthropic 经济指数 测量）。
3. 来自 Eloundou 等人 (2023) 的任务级暴露度估计，用于衡量 LLM 理论上是否可能使一项任务的完成速度至少提高一倍。

Eloundou 等人的指标 β 对任务进行了简单的评分：如果仅靠 LLM 就能将任务速度提高一倍，评分为 1；如果需要基于 LLM 构建的额外工具或软件，评分为 0.5；否则为 0。⁴

为什么实际使用情况达不到理论能力？由于模型自身的限制，一些理论上可行的任务可能不会在实际使用中出现。其他任务可能由于法律限制、特定的软件要求、人工验证步骤或其他阻碍而普及缓慢。例如，Eloundou 等人将“授权处方药补充并向药房提供处方信息”标记为完全暴露 (β=1)。我们还没有观察到 Claude 执行这项任务，尽管该理论评估似乎是正确的（LLM 确实具有加速这一过程的理论可能）。

尽管如此，这些关于理论能力和实际使用情况的指标是高度相关的。如图 1 所示，在过去四份经济指数报告中观察到的任务中，有 97% 属于 Eloundou 等人评定为理论上可行的类别（β=0.5 或 β=1.0）。

衡量职业暴露度的新指标

我们的新指标，即实际观测暴露度 (observed exposure)，旨在量化：在 LLM 理论上可以加速的那些任务中，有哪些在专业工作环境中实际观察到了自动化应用？理论能力涵盖了更广泛的任务范围。通过追踪这一差距如何缩小，观察到的暴露度能够为不断演变的经济变化提供深刻洞察。

我们的指标定性地捕捉了几个我们认为可以预测岗位受影响情况的 AI 使用维度。如果符合以下条件，则一项工作的暴露度更高：

• 其任务在理论上可以用 AI 完成
• 其任务在 Anthropic 经济指数中有显著的使用量⁵
• 其任务在与工作相关的环境中执行
• 它具有相对较高比例的自动化使用模式或 API 实施
• 其受 AI 影响的任务占该职位总工作时间的更大比例⁶

我们在附录中给出了数学细节。如果理论上能用 LLM 完成的任务在 Claude 流量中观察到了足够的与工作相关的使用情况，我们即将其计为“已覆盖 (covered)”。然后，我们根据任务的执行方式进行调整：完全自动化的应用获得全额权重，而增强型的辅助应用仅获得一半权重。最后，任务级别的覆盖率指标将根据花在每项任务上的时间比例进行加权，汇总得出职业级别的平均暴露度。

图 2 按广义职业类别展示了观察到的暴露度（红色区域）与 Eloundou 等人的 β 值（蓝色区域）的对比，说明了理论能力与我们平台上的实际使用之间的差异。我们的计算方式是：首先按时间比例指标加权平均到职业层面，然后按总就业人数加权平均到大职业类别。例如，β 指标显示，LLM 有渗透到计算机与数学类别（94%）以及办公室与行政类别（90%）中大部分任务的巨大潜力。

红色区域描绘了来自 Anthropic 经济指数的 LLM 实际使用情况，展示了人们在专业工作环境中使用 Claude 的现状。该覆盖范围表明，AI 远未达到其理论能力。例如，Claude 目前仅覆盖了“计算机与数学”类别中 33% 的任务。

随着模型能力的提升、使用范围的扩大以及部署程度的加深，红色区域将逐步扩大以覆盖蓝色区域。此外，还存在一个巨大的空白未覆盖区域；显然，许多任务仍然超出了 AI 的能力范围——从修剪树木和操作农业机械的重体力劳动，到在法庭上代表客户进行辩护的法律任务。

图 3 显示了在该指标下暴露度最高的十个职业。与其他表明 Claude 被广泛用于代码编写的数据一致，计算机程序员（Computer Programmers）位居榜首，覆盖率为 75%；其次是客户服务代表，我们越来越频繁地在第一方 API 流量中看到他们的主要任务被自动化。最后，数据录入员的覆盖率为 67%，因为他们“阅读源文档并录入数据”的核心任务正经历显著的自动化。

在图表的底端，30% 的工作者覆盖率为零，因为他们的任务在我们的数据中出现频率太低，未达到最低阈值。这一群体包括例如：厨师、摩托车修理工、救生员、调酒师、洗碗工和更衣室服务员等。

暴露度如何与预测的就业增长和工作者特征关联

美国劳工统计局 (BLS) 会定期发布就业预测，其在 2025 年发布的最新数据涵盖了对 2024 年至 2034 年间各个职业就业变化的预测。在图 4 中，我们将我们得出的岗位级覆盖率指标与他们的预测结果进行了比较。

一项以当前就业人数为权重、在职业层面进行的回归分析发现，对于观察暴露度更高的工作而言，BLS的增长预测呈现出轻微的疲软。覆盖率每增加 10 个百分点，BLS 的增长预测就会下降 0.6 个百分点。这提供了一定的交叉验证，说明我们的指标与劳动力市场分析师独立得出的估计方向是一致的，尽管这种相关性较弱。有趣的是，如果仅使用 Eloundou 等人的理论暴露指标，则根本不存在这种相关性。

图 5 使用当前人口调查（Current Population Survey）数据，展示了在 ChatGPT 发布前三个月（2022 年 8 月至 10 月）处于暴露度最高前四分之一区间的工作者，以及 30% 零暴露度工作者之间的特征差异。⁷ 这两组人截然不同。较高暴露度群体中，女性比例高出 16 个百分点，白人比例高出 11 个百分点，亚裔比例几乎是低暴露群体的两倍。平均而言，他们的收入高出 47%，并且受教育程度更高。例如，拥有研究生学位的人仅占无暴露群体的 4.5%，却占最高暴露度群体的 17.4%，差距近四倍。

确定优先关注的结果

掌握了这些暴露度指标后，接下来的问题是我们要寻找什么宏观结果。研究人员采取了不同的方法。例如，Gimbel 等人 (2025) 利用当前人口调查追踪职业结构的变动。他们的论点是，AI 对经济造成的任何重要重组都会在就业分布的变化中显现出来。（他们发现，到目前为止变化并不明显。）Brynjolfsson 等人 (2025) 利用薪资处理公司 ADP 的数据观察不同年龄组的就业水平，而 Acemoglu 等人 (2022) 和 Hampole 等人 (2025) 则分别使用了 Burning Glass（现为 Lightcast）和 Revelio 的招聘启事数据。

我们将“失业率”作为优先关注的结果，因为它最直接地反映了潜在的经济伤害——失业者渴望工作却未能找到。在这种逻辑下，招聘启事的减少和就业率的变化并不一定意味着需要政府的政策响应；某个高暴露度职位招聘的下降，可能会被另一个相关衍生职位招聘的增加所抵消。AI 在劳动力市场引发的最具伤害性的发展，应该会伴随着一个失业率明显上升的阵痛期，因为被取代的工人需要时间寻找替代方案。当前人口调查非常适合追踪这一点，因为失业的受访者会报告他们以前从事的工作和行业。

初步结果

接下来我们研究失业趋势，将我们的职业层面暴露度指标与当前人口调查中的受访者进行匹配。

在解释我们的覆盖率指标时，一个关键问题是：哪些工作者应该被视为受到了实际冲击（treated）？仅仅 10% 的任务被 AI 覆盖就会引起就业变化吗？Gans 和 Goldfarb (2025) 表明，如果 O环模型（O-ring model）最能描述一项工作，那么只有当所有关键任务都具有某种程度的 AI 渗透时，才能看到对就业的影响。Hampole 等人 (2025) 认为，平均暴露度会降低劳动力需求，但暴露度高度集中在极少数特定任务上，反而可能会抵消整体需求的下降。而 Autor 和 Thompson (2025) 则强调，剩余未被自动化任务所需的专业知识水平将是关键。

为了简明起见，并考虑到我们最关心的是重大冲击，我们将分析的重心放在这样一个假设上：即平均暴露度最高的群体应首先并最深切地感受到影响。因此，我们将时间加权任务覆盖率排名前四分之一的工人与底层零暴露的工人进行比较。如果 AI 能力发展极其迅速，即使在较低的百分位，任务覆盖率也可能很高，此时采用绝对阈值可能更有用。但目前我们假设影响应该优先波及暴露度最高的工作者，并在分析中测试了不同阈值设定的敏感度。

图 6 上半部分显示了自 2016 年以来，暴露度前 25% 工作者与零暴露群体的失业率原始趋势。在 COVID 期间，AI 暴露度较低的工作者——他们往往需要进行面对面接触的实体工作——经历了大幅上升的失业率。但自那以后，两组之间的趋势基本相似。下半部分使用双重差分框架（difference-in-differences）来测量最高与最低暴露度工作者之间差距的变动，结果与原始数据吻合。自 ChatGPT 发布以来，这一差距的平均变化极小且不显著，这表明高暴露度群体的失业率虽然略微上升，但在统计学上与零无异。⁸

基于这个框架我们能够识别什么样的宏观情景？根据合并估计的置信区间，相较对照组 1 个百分点左右的相对失业率增加是可检测到的（这会随着新数据的出现而缩小，因此这只是一个粗略估计）。如果暴露度排名前 10% 的所有工人都被突然解雇，这将使前 25% 群体的失业率从 3% 激增至 43%，并使总失业率从 4% 增加到 13%。

一个较小但依然令人担忧的影响，可能是出现“白领工作者的严重衰退”情景。在 2007-2009 年大衰退期间，美国的失业率从 5% 翻番达到 10%。对于前 25% 的高暴露度群体而言，类似的翻倍将使其失业率从 3% 增加到 6%。这类规模的变动在我们的分析中应该会清晰可见。请注意，我们的核心估计基于暴露群体相较于低暴露群体的差异性失业率变化。如果所有工人的失业率同时平行上升，我们不会将其归因于当前仍有许多任务未受影响的 AI 技术。

我们特别关注的一个群体是年轻工作者。Brynjolfsson 等人此前报告说，在 22 到 25 岁的工作者中，受影响职业的就业人数下降了 6—16%。他们将这种下降主要归因于企业招聘放缓，而非现职人员离职增加。⁹

我们发现在高暴露度职业中，年轻工作者整体的失业率是平稳的（详见附录）。但是，招聘放缓不一定会表现为失业增加，因为许多年轻工作者是劳动力市场的新进入者，在 CPS 数据中尚未登记固定职业，并且他们可能会因此直接退出劳动力市场（如去考研），而不是被归类为“失业”。为了直接反映招聘情况，我们使用了 CPS 的面板追踪数据，计算了随着时间推移，在较高与较低暴露度职业中获得新工作的 22-25 岁年轻人的百分比。图 7 显示了年轻工作者的月度入职求职率（即工人当月报告了他们在前一个月并没有的工作时），按照他们是进入高暴露还是低暴露职业进行分类。

除了 2020-2021 年间疫情造成的一些剧烈波动外，这些时间序列在 2024 年在视觉上明显出现了分化，年轻工作者被高暴露职业聘用的可能性开始相对降低。低暴露度职业的求职入职率稳定在每月 2% 的水平，而进入高暴露度工作的比率下降了约半个百分点。针对 ChatGPT 发布之后的时代计算得出的平均估计值是：在受暴露职业中，年轻人的入职率比 2022 年下降了 14%（尽管这一数值刚好处于统计显著的边缘）。（对于 25 岁以上的工人来说，并没有发现这种招聘下降。）

这可能提供了关于 AI 对就业产生早期影响的一些信号，并与 Brynjolfsson 等人的发现相呼应。但是，这背后可能存在几种替代解释。那些未被录用的年轻工人可能选择继续留在现有非暴露工作岗位上，或者转向从事了不同的工作，或者直接重返校园。另一个与数据相关的警告是，在问卷调查中“工作转换”这一行为往往更容易产生测量误差。¹⁰

讨论

本报告引入了一个新指标来理解 AI 对劳动力市场的影响，并重点研究了对失业率和招聘端的影响。当一份工作的任务在理论上被证明可以用 LLM 胜任，并且在我们的真实平台日志中观察到了高度自动化、与工作相关的用例时，我们就认为这份工作对 AI 的“暴露度”更高。我们发现计算机程序员、客户服务代表和财务分析师属于暴露度最高的人群。根据美国的调查数据，目前我们发现暴露度最高职业的现有工人的总体失业率并未受到实质影响，尽管有初步证据表明，针对 22-25 岁年轻新人的招聘速度已经出现了轻微放缓。

我们的工作是朝着系统化统计 AI 对劳动力市场影响迈出的第一步。我们希望，本报告中采用的分析步骤（特别是在衡量覆盖率和设置反事实对照方面），在未来新的就业和 AI 使用数据出现时，将易于更新与迭代。一个建立完善且结构化的指标方法能够帮助未来的观察者从海量数据噪音中分离出真正的信号。

当前的研究也存在几处有待改进的空间。我们的真实使用数据将被纳入未来的更新中，从而描绘出一幅关于宏观经济中任务和岗位被 AI 覆盖度不断演变的动态图景。Eloundou 等人的理论指标也可以进行重新审视，以匹配 2023 年初至今 LLM 能力的发展进步。此外，鉴于目前有关年轻工人和劳动力市场新进入者的初步结果，我们的下一个关键步骤可能是：深入研究拥有受高暴露领域教育背景（如计算机科学）的应届毕业生，目前是如何在劳动力市场中寻找出路的。