","style":"margin-left: 8px; margin-right: 8px;"},"namespaceURI":"http://www.w3.org/1999/xhtml"},"node",{"tagName":"span","attributes":{"style":null},"namespaceURI":"http://www.w3.org/1999/xhtml"},"node",{"tagName":"font","attributes":{"face":"宋體","style":null},"namespaceURI":"http://www.w3.org/1999/xhtml"}]' bdsfid="307">新測算方法與早期證據(jù)》的報告（Labor market impacts of AI: A new measure and early evidence）。報告由經(jīng)濟(jì)學(xué)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(jìn)行分析。報告的主要內(nèi)容如下：

關(guān)鍵發(fā)現(xiàn)

·本文提出一項新的人工智能替代風(fēng)險測算指標(biāo)—— 實際暴露度（observed exposure），該指標(biāo)結(jié)合大語言模型理論能力與現(xiàn)實使用數(shù)據(jù)，更側(cè)重自動化（而非輔助性）及工作場景下的應(yīng)用。

·人工智能遠(yuǎn)未達(dá)到理論能力上限：實際應(yīng)用覆蓋范圍僅為理論可行范圍的一小部分。

·美國勞工統(tǒng)計局（BLS）預(yù)測，至 2034 年，實際暴露度越高的職業(yè)，就業(yè)增長越慢。

·高暴露度職業(yè)的從業(yè)者更可能是年齡偏大、女性、受教育程度更高、收入更高的群體。

·自 2022 年末以來，高暴露度從業(yè)者的失業(yè)率并未系統(tǒng)性上升；但有初步證據(jù)顯示，高暴露度職業(yè)對年輕勞動者的招聘有所放緩。

引言

人工智能的快速普及催生了大量測算與預(yù)測其對勞動力市場影響的研究。但過往研究的表現(xiàn)提醒我們應(yīng)保持審慎。

例如，一項知名的崗位可離岸外包程度研究曾判定美國約四分之一的崗位面臨風(fēng)險，而十年后，這些崗位中的大多數(shù)仍保持穩(wěn)健增長。政府官方的職業(yè)增長預(yù)測雖方向正確，但除了對歷史趨勢做線性外推外，預(yù)測價值有限。即便事后回顧，重大經(jīng)濟(jì)沖擊對勞動力市場的影響往往也不清晰。工業(yè)機(jī)器人對就業(yè)影響的研究結(jié)論相互矛盾，由對華貿(mào)易沖擊導(dǎo)致的失業(yè)規(guī)模至今仍存爭議。

本文提出一套理解人工智能對勞動力市場影響的新框架，并利用早期數(shù)據(jù)進(jìn)行檢驗，目前僅發(fā)現(xiàn)有限證據(jù)表明人工智能已影響就業(yè)。我們的目標(biāo)是建立一套測算人工智能如何影響就業(yè)的方法，并定期更新分析。該框架無法覆蓋人工智能重塑勞動力市場的所有渠道，但在顯著影響出現(xiàn)前打下基礎(chǔ)，有望使未來研究比事后分析更可靠地識別經(jīng)濟(jì)沖擊。

人工智能的影響未來有可能變得明確無疑。本框架在影響尚不清晰時最具價值—— 并有助于在替代效應(yīng)顯現(xiàn)前識別最脆弱的職業(yè)。

反事實分析（Counterfactuals）

當(dāng)影響巨大且突然時，因果推斷相對容易。新冠疫情及相關(guān)政策帶來的經(jīng)濟(jì)沖擊極為顯著，許多問題無需復(fù)雜統(tǒng)計方法即可判斷。例如疫情初期失業(yè)率急劇飆升，幾乎不存在其他解釋空間。

但人工智能的影響可能更接近互聯(lián)網(wǎng)或?qū)θA貿(mào)易，而非新冠疫情。其影響未必能從總體失業(yè)率數(shù)據(jù)中直接看出；貿(mào)易政策、經(jīng)濟(jì)周期等因素可能干擾趨勢判斷。

一種常用方法是對比不同人工智能暴露程度的勞動者、企業(yè)或行業(yè)，以將人工智能的影響與干擾因素分離。暴露度通?；谌蝿?wù)層面定義：例如人工智能可以批改作業(yè)，但無法管理課堂，因此教師的暴露度低于可完全遠(yuǎn)程完成的崗位。

本文沿用這一基于任務(wù)的方法，結(jié)合理論能力與實際使用數(shù)據(jù)，再匯總至職業(yè)層面。

暴露度測算

本方法整合三類數(shù)據(jù)：

1.O*NET數(shù)據(jù)庫：列明美國約 800 種職業(yè)的具體工作任務(wù)。

2.本團(tuán)隊實際使用數(shù)據(jù)（來自Anthropic Economic Index）。

3.Eloundou 等人（2023）的任務(wù)層面暴露度評估：衡量大語言模型理論上能否將某項任務(wù)效率提升至少一倍。

Eloundou 等人的指標(biāo) β 采用簡單評分：

僅靠大語言模型即可提速一倍：1 分

需基于大語言模型開發(fā)額外工具：0.5 分

無法提速：0 分

為何實際使用低于理論能力？部分理論可行的任務(wù)因模型限制、法律約束、軟件要求、人工審核等障礙尚未落地。例如“授權(quán)續(xù)藥并向藥房提供處方信息” 被評為完全暴露（β=1），但我們尚未觀察到 Claude 執(zhí)行該任務(wù)，盡管理論上確實可由大語言模型提速。

不過，理論能力與實際使用高度相關(guān)。如圖 1 所示，前四次經(jīng)濟(jì)指數(shù)報告中 97% 的觀測任務(wù)都屬于理論可行類別（β=0.5 或 1.0）。

新的職業(yè)暴露度指標(biāo)：實際暴露度

本指標(biāo)用于衡量：在大語言模型理論上可提速的任務(wù)中，哪些真正在工作場景中被自動化使用。理論能力覆蓋范圍更廣，而實際暴露度可追蹤二者差距的收窄過程，從而及時反映經(jīng)濟(jì)變化。

一項職業(yè)暴露度更高，意味著：

·任務(wù)理論上可由人工智能完成

·任務(wù)在 Anthropic 經(jīng)濟(jì)指數(shù)中使用量顯著

·任務(wù)用于工作相關(guān)場景

·自動化使用或 API 調(diào)用占比更高

·受人工智能影響的任務(wù)在整體工作中占比更大

具體公式見附錄。我們將滿足理論可行且在 Claude 中存在足夠工作相關(guān)使用量的任務(wù)計為 “覆蓋”，再根據(jù)使用方式加權(quán)：完全自動化計全權(quán)重，輔助性使用計半權(quán)重，最后按任務(wù)耗時占比加權(quán)平均至職業(yè)層面。

圖2 展示了觀測到的暴露情況（紅色，實際值）與Eloundou 等研究中的β值（藍(lán)色，理論值）的對比，該圖說明了我們在平臺上理論使用情況與實際使用情況之間的差異，這些數(shù)據(jù)是按廣泛的職業(yè)類別進(jìn)行分組的。我們通過以下步驟來計算這個數(shù)據(jù)：首先按照我們的時間比例衡量方式按職業(yè)級別進(jìn)行平均，然后按照總就業(yè)人數(shù)按職業(yè)類別進(jìn)行平均。例如，β指標(biāo)顯示，在計算機(jī)與數(shù)學(xué)（94%）以及辦公室與行政（90%）等大多數(shù)職業(yè)中，LLM 的應(yīng)用范圍是可行的。

紅色區(qū)域展示了根據(jù)Anthropic經(jīng)濟(jì)指數(shù)得出的LLM（大型語言模型）使用情況，它反映了人們在工作環(huán)境中如何使用Claude。該數(shù)據(jù)涵蓋了人工智能在實際應(yīng)用中的表現(xiàn)，表明其遠(yuǎn)未達(dá)到理論上的能力水平。例如，目前Claude僅能覆蓋計算機(jī)與數(shù)學(xué)類別中33%的任務(wù)。

隨著技術(shù)能力的提升、應(yīng)用范圍的擴(kuò)大以及部署的深入，紅色區(qū)域?qū)饾u覆蓋藍(lán)色區(qū)域。但仍有大片未被覆蓋的領(lǐng)域；當(dāng)然，還有很多任務(wù)超出了人工智能的處理能力——從諸如修剪樹木和操作農(nóng)業(yè)機(jī)械這樣的實際農(nóng)業(yè)工作，到在法庭上代表客戶這樣的法律服務(wù)。

圖3 展示了在該措施下受影響最嚴(yán)重的十種職業(yè)。與其他顯示Claude主要用于編碼的數(shù)據(jù)一致，計算機(jī)程序員位居榜首，覆蓋率達(dá)75%；其次是客服代表（70.1%），其主要工作在第一方 API 流量中出現(xiàn)的頻率越來越高；數(shù)據(jù)錄入員的覆蓋率為 67%，他們的主要任務(wù)是閱讀原始文件并輸入數(shù)據(jù)，這一任務(wù)的自動化程度很高（此外，醫(yī)療記錄專家、市場研究分析師、金融投資分析師也較高）。

在最底層，有30%的員工完全沒有覆蓋（暴露度最低），因為他們的工作內(nèi)容在我們的數(shù)據(jù)中出現(xiàn)頻率太低，未能達(dá)到最低標(biāo)準(zhǔn)。這一群體包括廚師、摩托車修理工、救生員、調(diào)酒師、洗碗工和更衣室服務(wù)員等。

暴露度與就業(yè)增長預(yù)測及勞動者特征的關(guān)系

將美國勞工統(tǒng)計局（BLS）2025年發(fā)布的最新一期就業(yè)預(yù)測報告（涵蓋2024 -2034年每個職業(yè)的就業(yè)預(yù)期變化情況）與我們的崗位級別暴露度指標(biāo)進(jìn)行比較，職位層面的回歸分析表明，那些實際受關(guān)注度較高的職位的增長預(yù)測要稍弱一些。暴露度每升高10個百分點，BLS就業(yè)增長預(yù)測就會下降0.6個百分點。這在一定程度上證明了我們的衡量標(biāo)準(zhǔn)與獨(dú)立得出的勞動力市場分析師的估計相符，盡管這種關(guān)系較為微弱。但僅使用Eloundou理論指標(biāo)時，則并不存在這樣的相關(guān)性。

圖5 展示了在ChatGPT發(fā)布前的2022年8至10月期間，處于最高暴露組的工人以及零暴露工人（占比30%）的特征，所使用的數(shù)據(jù)來自“當(dāng)期人口調(diào)查”（Current Population Survey，以下簡稱CPS）報告。這兩組人群差異顯著。暴露程度較高的群體中女性的比例高出16個百分點，白人的比例高出11個百分點，前者的亞裔占比幾乎是后者的兩倍。前者的收入平均高出47%，受教育程度也更高。例如，擁有研究生學(xué)歷的人在未暴露組中所占比例為 4.5%，而在暴露度最高的群體中則占17.4%。

核心觀測指標(biāo)

有了這些監(jiān)測措施，接下來的問題就是需要關(guān)注哪些方面。研究人員采取了不同的方法。例如，Gimbel 等人（2025年）使用當(dāng)前人口調(diào)查數(shù)據(jù)來追蹤職業(yè)構(gòu)成的變化。他們的觀點是，任何由人工智能引發(fā)的經(jīng)濟(jì)重大結(jié)構(gòu)調(diào)整都會體現(xiàn)在工作崗位的分布變化上（他們發(fā)現(xiàn)，到目前為止，這些變化并不引人注目）；Brynjolfsson等人（2025年）則根據(jù)年齡組對就業(yè)水平進(jìn)行分析，使用的是來自薪資處理公司 ADP 的數(shù)據(jù)；而阿西莫格魯?shù)热耍?022 年）以及Hampole等人（2025年）則分別使用了來自Burning Glass（現(xiàn)為Lightcast）和 Revelio 的招聘帖子數(shù)據(jù)。

我們將失業(yè)問題作為首要關(guān)注事項，是因為它最直接地反映了經(jīng)濟(jì)可能受到的損害——失業(yè)的工人渴望找到工作，但尚未找到。在這種情況下，招聘帖子和就業(yè)情況不一定意味著需要采取政策應(yīng)對措施；例如，某個高暴露度職位的招聘發(fā)布量下降，可能會被與之相關(guān)的職位增加所抵消。人工智能對勞動力市場造成的不利影響，多數(shù)情況似乎都應(yīng)包括一段時期的失業(yè)率上升，因為失業(yè)的工人會尋找其他選擇?！爱?dāng)期人口調(diào)查”非常適合用于追蹤這一情況，因為失業(yè)的受訪者會報告他們之前的職位和行業(yè)。

初步結(jié)果

本文將職業(yè)暴露度與當(dāng)期人口調(diào)查（CPS）匹配，分析失業(yè)率趨勢。

在解讀我們的覆蓋度指標(biāo)時，一個關(guān)鍵問題是：哪些勞動者應(yīng)被視為受 AI 影響的群體？僅僅10%的任務(wù)被AI覆蓋，就應(yīng)該預(yù)期就業(yè)會發(fā)生變化嗎？

Gans and Goldfarb（2025）的研究表明，如果用O環(huán)模型（Oring model）來描述工作崗位最為貼切，那么只有當(dāng)所有任務(wù)都在一定程度上被 AI 滲透后，才可能觀察到對就業(yè)的影響。

Hampole 等人（2025）則認(rèn)為，平均暴露度的上升會降低勞動力需求，但如果 AI 影響僅集中在部分任務(wù)上，則可能抵消這一效應(yīng)。此外，Autor and Thompson（2025）強(qiáng)調(diào)了崗位中未被 AI 替代的任務(wù)所需的專業(yè)技能水平的重要性。

為了保持簡潔，并考慮到我們最關(guān)注的是大規(guī)模影響，我們的分析圍繞一個核心思路展開：受沖擊最明顯的，應(yīng)該是平均暴露度最高的群體。我們將按時間加權(quán)的任務(wù)覆蓋度排名前 1/4 的勞動者與排名墊底的勞動者進(jìn)行對比。

如果人工智能能力快速提升，那么即使是排名百分位較低的群體，其任務(wù)覆蓋度也可能處于較高水平，這時使用絕對閾值會更有幫助。但我們依然采用如下假設(shè)：沖擊會最先影響暴露度最高的勞動者，并在結(jié)果中展示了不同“受影響組” 劃分閾值下的穩(wěn)健性檢驗。

圖 6 的上圖顯示了 2016 年以來暴露度前 1/4 勞動者與零暴露組的失業(yè)率原始趨勢。在新冠疫情期間，AI 暴露度更低的勞動者（更可能從事線下工作）失業(yè)率上升幅度要大得多。自那以后，兩組的趨勢大體保持一致。

圖 6 的下圖在雙重差分（DID）框架下衡量了高暴露組與低暴露組之間的差距大小，結(jié)果與原始數(shù)據(jù)一致。自ChatGPT發(fā)布以來，兩組失業(yè)率差距的平均變化微小且不顯著，這表明：高暴露組的失業(yè)率雖略有上升，但效應(yīng)幾乎可以忽略不計。

這套分析框架能夠識別出什么樣的情景？根據(jù)合并估計值的置信區(qū)間，約1個百分點的失業(yè)率差異增幅是可以被檢測出來的（隨著新數(shù)據(jù)的加入，這一數(shù)值會發(fā)生變化，因此僅為大致估算）。如果暴露度最高的10%勞動者全部被裁員，將導(dǎo)致前" bdsfid="1396">1/4 高暴露群體的失業(yè)率從3%上升至43%，并使整體失業(yè)率從4%上升至13%。

另一種規(guī)模較小但仍值得擔(dān)憂的影響，是出現(xiàn)類似“白領(lǐng)大衰退”（Great Recession for white-collar workers）的情景。在2007–2009年金融危機(jī)期間，美國失業(yè)率從5%翻倍至10%。如果高暴露前" bdsfid="1468">1/4 群體的失業(yè)率也出現(xiàn)類似翻倍，將從3%上升至6%——這在我們的分析中同樣應(yīng)該能被清晰觀測到。

需要注意的是，我們的核心估計是基于高暴露組與低暴露組之間失業(yè)率的相對差異變化。如果所有勞動者的失業(yè)率同步上升，我們不會將其歸因于人工智能技術(shù)的進(jìn)步，因為仍有大量工作任務(wù)并未受到AI 影響。

有一類群體尤其值得關(guān)注，那就是年輕勞動者。Brynjolfsson等人的研究顯示，在22至25 歲的勞動者中，高AI暴露度職業(yè)的就業(yè)率下降6%-16%。他們認(rèn)為，這一下降主要源于招聘放緩，而非裁員增加。

我們發(fā)現(xiàn)，高暴露度職業(yè)中年輕勞動者的失業(yè)率并未上升（見附錄）。但招聘放緩不一定會表現(xiàn)為失業(yè)率上升，因為許多年輕勞動者是首次進(jìn)入勞動力市場，在CPS數(shù)據(jù)中沒有登記過職業(yè)，他們更可能退出勞動力市場，而非被統(tǒng)計為失業(yè)人口。

為了直接衡量招聘情況，我們利用CPS的追蹤數(shù)據(jù)，統(tǒng)計不同時期在高暴露度與低暴露度職業(yè)中開始新工作的年輕勞動者（22-25歲）占比。

圖 7 展示了年輕勞動者的月度入職率（即受訪者報告找到一份上月沒有的工作），并按其入職的是高暴露度職業(yè)還是低暴露度職業(yè)進(jìn)行劃分。

除了2020-2021年期間出現(xiàn)的一些大幅波動外，這些數(shù)據(jù)序列在2024 年出現(xiàn)明顯分化：年輕人被高AI暴露度職業(yè)錄用的概率相對降低。

低暴露度職業(yè)的月度入職率穩(wěn)定在2%，而高暴露度職業(yè)的入職率則下降了約0.5 個百分點。ChatGPT推出之后，高暴露度職業(yè)的入職率相較 2022 年平均下降了14%，盡管這一結(jié)果僅勉強(qiáng)具備統(tǒng)計顯著性（25 歲以上勞動者未出現(xiàn)此類下降）。

這或許能為AI對就業(yè)的早期影響提供一些信號，也與Brynjolfsson等人的研究結(jié)論相吻合。不過，這一現(xiàn)象還存在其他幾種解釋：未被錄用的年輕人可能繼續(xù)留在原有崗位、轉(zhuǎn)向其他工作，或是重返校園，并且，工作轉(zhuǎn)換在調(diào)查中更容易出現(xiàn)統(tǒng)計誤差。*

— THE END —

紫京講談

財經(jīng)領(lǐng)域創(chuàng)作者

3481篇原創(chuàng)