自 2022 年底生成式人工智能快速發(fā)展以來，關于其對就業(yè)市場影響的討論一直持續(xù)不斷。過去幾年間，科技行業(yè)從業(yè)者、金融分析師以及公眾普遍擔心白領崗位可能首當其沖。但隨著時間推移，此前預期的大規(guī)模失業(yè)現(xiàn)象似乎尚未出現(xiàn)。

3 月 5 日，人工智能公司 Anthropic 發(fā)布了一份題為《AI 對勞動力市場的影響：一種新衡量標準與早期證據(jù)》（Labor market impacts of AI: A new measure and early evidence）的研究報告。該報告由經(jīng)濟學家 Maxim Massenkoff 和 Peter McCrory 撰寫，基于 Claude 的實際使用數(shù)據(jù)對這一問題進行了分析。報告的結論是：目前大多數(shù)已有工作經(jīng)驗的從業(yè)者崗位還相對穩(wěn)定，但剛進入就業(yè)市場的年輕求職者面臨更大的挑戰(zhàn)。

（來源：Anthropic）

要理解這一現(xiàn)象，首先需要明確如何衡量“被 AI 取代的風險”。

過去幾年，學術界和產(chǎn)業(yè)界在評估技術沖擊時，多采用基于理論推演的方法。2023 年，OpenAI 研究人員 Tyna Eloundou 等人發(fā)表論文，提出一種基于理論能力的評估模型。

在該框架下，如果大語言模型（LLM）能夠獨立完成某項任務并將執(zhí)行速度提升一倍，該任務即被標記為“完全暴露”；若需借助外部軟件或工具，則為“部分暴露”。這種“理論暴露度”的評估結果顯示，大多數(shù)知識型工作都可能受到 AI 影響。

但 Anthropic 的報告指出，理論可行性與實際采用率之間存在明顯差距，無法作為唯一的判斷標準。為此，研究團隊提出了一項新的經(jīng)濟學指標——“觀察到的暴露度”（Observed Exposure）。

這一新指標不再僅依賴理論推演，而是將美國職業(yè)信息網(wǎng)絡（O*NET）中的具體任務拆解，與 Anthropic 的 Claude 實際使用數(shù)據(jù)（即 Anthropic 經(jīng)濟指數(shù)）進行交叉分析。

研究人員考察了理論上可被大模型加速的任務，在實際專業(yè)工作場景中被自動化的比例。如果某項任務在 API 流量中呈現(xiàn)完全自動化特征，則賦予全額權重；若作為人類輔助工具使用，則賦予一半權重。

結果顯示，AI 的實際應用范圍與理論預期的確存在差距。

以計算機與數(shù)學類職業(yè)為例，從理論上來看，該領域幾乎 94% 的任務可被大模型覆蓋，但目前顯示的實際任務覆蓋率僅為 33%。報告分析認為，這種差距主要源于現(xiàn)實中的多重約束，包括法律合規(guī)要求、企業(yè)軟件環(huán)境限制，以及關鍵環(huán)節(jié)仍需人工核查等。例如，大模型理論上可協(xié)助處理處方續(xù)注，但在實際系統(tǒng)流量中，這類高風險醫(yī)療決策行為極少發(fā)生。

（來源：Anthropic）

隨著評估方法的調(diào)整，受 AI 影響較大的群體特征也逐漸明確，這一特征與以往技術變革中受影響的群體有所不同。在工業(yè)自動化或全球化貿(mào)易沖擊中，低學歷、從事常規(guī)體力勞動的勞動者通常受影響較大。

但根據(jù) 2022 年秋季美國當前人口調(diào)查（CPS）數(shù)據(jù)，Anthropic 的研究發(fā)現(xiàn)，處于 AI 暴露度最高 25% 區(qū)間的勞動者呈現(xiàn)出不同特征：平均年齡較大，收入比低暴露群體高 47%，受教育程度也更高。在低暴露群體中，擁有研究生學歷的比例為 4.5%，而在高暴露群體中這一比例為 17.4%。

從人口統(tǒng)計學角度看，高暴露群體中女性比例高出 16 個百分點，白人高出 11 個百分點，亞裔比例約為低暴露群體的兩倍。

（來源：Anthropic）

從職業(yè)角度來看，計算機程序員的實際覆蓋率為 74.5%，客戶服務代表為 70.1%，數(shù)據(jù)錄入員為 67.1%，醫(yī)療記錄專家、市場研究分析師和金融投資分析師也屬于高暴露職業(yè)。相比之下，約 30% 的勞動者：如廚師、摩托車修理工、救生員和洗碗工，因工作高度依賴物理操作，在 AI 實際使用數(shù)據(jù)中占比很低。

圖 | AI 暴露度最高的十大職業(yè)（來源：Anthropic）

那么，既然高學歷、高收入的白領群體受 AI 影響較大，他們是否正經(jīng)歷大規(guī)模失業(yè)？但報告的發(fā)現(xiàn)與部分預期不同：目前并未出現(xiàn)這種情況。

Anthropic 指出，這是由于此前多使用“因果推斷”的直接分析方法，而這僅在解釋“突發(fā)性經(jīng)濟沖擊”時較為奏效，例如疫情初期失業(yè)率上升的原因較為明確。但 AI 的影響可能更接近互聯(lián)網(wǎng)普及或國際貿(mào)易變化的過程，其效應容易被商業(yè)周期等其他因素所影響。

為了減少干擾，研究團隊采用雙重差分模型（DID），追蹤了自 ChatGPT 發(fā)布以來高暴露與低暴露群體的失業(yè)率變化。如果 AI 導致類似 2008 年金融危機的就業(yè)沖擊，高暴露群體的失業(yè)率應有明顯上升。但實際數(shù)據(jù)顯示，自 2022 年底以來，兩類群體的失業(yè)率走勢基本平行，平均變化差異在統(tǒng)計上不顯著。

美國勞工統(tǒng)計局（BLS）對未來十年就業(yè)增長的預測顯示，職業(yè)的 AI 覆蓋率每增加 10 個百分點，預期增長率下降 0.6 個百分點，這更多體現(xiàn)為增速溫和放緩，而非崗位絕對減少。

此外報告還進一步顯示，對于資深從業(yè)者來說，他們的崗位不僅相對穩(wěn)定，還可能因 AI 輔助而提升工作效率。

經(jīng)濟學家 Joshua Gans 和 Avi Goldfarb 在 2025 年提出的 O 型環(huán)自動化模型（O-Ring Automation）指出，只要工作中仍有需要人類判斷、復雜溝通或專業(yè)經(jīng)驗的環(huán)節(jié)，這些任務的價值可能因基礎工作被自動化而提升。這有助于解釋為何在 AI 承擔基礎代碼生成或數(shù)據(jù)清洗后，高級程序員和資深分析師的市場需求并未明顯下降。

然而，未出現(xiàn)大規(guī)模失業(yè)并不意味著勞動力市場完全不受影響，只是變化的表現(xiàn)方式更為間接。當企業(yè)發(fā)現(xiàn)資深員工借助大模型可完成更多原本需初級助理協(xié)助的工作時，其招聘策略可能相應調(diào)整。第一步可能就是減少初級崗位的招聘——這一變化對年輕求職者的職業(yè)入口產(chǎn)生影響。

以 22 至 25 歲青年群體的就業(yè)情況為例，Anthropic 報告指出，由于部分年輕求職者在未找到專業(yè)工作時可能退出勞動力市場或暫不申報職業(yè)，傳統(tǒng)失業(yè)率指標難以全面反映其處境。為此，研究團隊利用 CPS 面板數(shù)據(jù)，追蹤年輕人“開始一份新工作”的入職率。

數(shù)據(jù)顯示，2020 至 2021 年波動之后，2024 年起年輕人在高暴露與低暴露職業(yè)的入職率出現(xiàn)分化。低暴露行業(yè)的入職率保持在每月約 2% 的水平，而高暴露職業(yè)的入職率有所下降。2022 年之后，高暴露職業(yè)中年輕人的求職成功率下降約 14%。這一趨勢在 25 歲以上群體中不明顯。

這一發(fā)現(xiàn)與學術界其他研究結果一致。2025 年，斯坦福大學數(shù)字經(jīng)濟實驗室主任 Erik Brynjolfsson 及其團隊發(fā)表論文《煤礦里的金絲雀？關于人工智能近期就業(yè)影響的六個事實》（Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence），基于美國自動數(shù)據(jù)處理公司（ADP）的高頻薪酬數(shù)據(jù)，分析了數(shù)百萬工人的就業(yè)情況。

（來源：Standford）

研究發(fā)現(xiàn)，在受 AI 影響較大的職業(yè)中，22 至 25 歲的早期職業(yè)勞動者相對就業(yè)率下降 6% 至 16%，而 30 歲以上員工就業(yè)保持穩(wěn)定或增長 6% 至 13%。

“煤礦里的金絲雀’這個比喻源于 19 世紀末至 20 世紀早期的采礦業(yè)：礦工下井時會帶一只金絲雀，因為它對有毒氣體（如一氧化碳、甲烷）極為敏感，一旦毒氣濃度升高，金絲雀會最先出現(xiàn)中毒癥狀，給人類提供寶貴的早期預警。

在 AI 時代，年輕求職者就像這些金絲雀——他們最先、最明顯地反映出勞動力市場的結構性變化：由于議價能力有限、尚未積累難以被替代的專業(yè)經(jīng)驗，它們通常從基礎性任務起步，而這些任務恰好最容易被 AI 處理。資深員工能借助 AI 大幅提升效率，甚至一人完成過去幾人的工作量；但年輕群體卻面臨入門機會銳減、競爭壓力驟增的困境。

對于未能進入目標崗位的年輕人，其具體流向在現(xiàn)有研究中尚無統(tǒng)一結論。Anthropic 的報告指出，調(diào)查數(shù)據(jù)可能存在統(tǒng)計誤差，未進入目標崗位的年輕人可能留在原有職位、轉向自動化風險較低的服務業(yè)，或選擇繼續(xù)深造。無論具體流向如何，傳統(tǒng)的職場培養(yǎng)模式正面臨調(diào)整。

回顧過去幾十年，職場人才培養(yǎng)通常遵循一種漸進模式：新人通過處理測試代碼、撰寫報告初稿、維護基礎系統(tǒng)等任務積累經(jīng)驗，逐步成長為能獨當一面的專業(yè)人才。但如今，隨著大模型能夠以更低成本完成這些基礎性工作，初級崗位的培養(yǎng)似乎變得不再必要。

從短期看，這確實有助于企業(yè)提升人效，但從長期看，若行業(yè)普遍弱化對新人實踐能力的培養(yǎng)，未來中高級專業(yè)人才的供給可能出現(xiàn)斷層，反而制約企業(yè)的可持續(xù)發(fā)展。

與此同時，年輕求職者面臨的就業(yè)困境也不容忽視。當基礎任務被自動化接管，而企業(yè)又缺乏系統(tǒng)性的新人培養(yǎng)機制，這一群體不僅更難獲得進入專業(yè)領域的機會，其早期職業(yè)發(fā)展和收入穩(wěn)定性也可能受到持續(xù)影響。

這既關系到個體生計，也涉及勞動力結構的長期健康。如何平衡技術效率與人才成長，為年輕人創(chuàng)造可行的能力進階路徑，值得企業(yè)、教育機構和政策制定者共同關注。

1. https://www.anthropic.com/research/labor-market-impacts

2.https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.pdf

運營/排版：何晨龍