摘要

本文使用來(lái)自美國(guó)最大薪資軟件提供商的高頻行政數(shù)據(jù)，研究了受生成式人工智能影響的職業(yè)在勞動(dòng)力市場(chǎng)上發(fā)生的變化。我們提出了六個(gè)事實(shí)來(lái)描述這些轉(zhuǎn)變。

我們發(fā)現(xiàn)，自生成式人工智能被廣泛采用以來(lái)，在人工智能暴露度最高的職業(yè)中，處于職業(yè)生涯早期的工人（22-25歲）的就業(yè)率在控制了公司層面的沖擊后，仍然出現(xiàn)了13%的相對(duì)下降。相比之下，在暴露度較低領(lǐng)域的工人以及在相同職業(yè)中經(jīng)驗(yàn)更豐富的工人的就業(yè)情況保持穩(wěn)定或持續(xù)增長(zhǎng)。我們還發(fā)現(xiàn)，勞動(dòng)力市場(chǎng)的調(diào)整主要通過(guò)就業(yè)而非薪酬來(lái)實(shí)現(xiàn)。

此外，就業(yè)下降集中在人工智能更可能自動(dòng)化而非增強(qiáng)人類(lèi)勞動(dòng)的職業(yè)中。我們的研究結(jié)果對(duì)于其他解釋?zhuān)ɡ缗懦萍枷嚓P(guān)公司和排除適合遠(yuǎn)程工作的職業(yè)）是穩(wěn)健的。這六個(gè)事實(shí)提供了早期、大規(guī)模的證據(jù)，與人工智能革命已開(kāi)始對(duì)美國(guó)勞動(dòng)力市場(chǎng)的入門(mén)級(jí)工人產(chǎn)生重大且不成比例的影響這一假設(shè)相符。

生成式人工智能（AI）的擴(kuò)散引發(fā)了一場(chǎng)關(guān)于其對(duì)勞動(dòng)力市場(chǎng)潛在影響的全球性辯論。這場(chǎng)跨越學(xué)術(shù)界、公共政策、商界和大眾媒體的討論，涵蓋了從生產(chǎn)力提升的烏托邦式預(yù)測(cè)，到大規(guī)模失業(yè)的敵托邦式恐懼，再到認(rèn)為人工智能對(duì)就業(yè)或生產(chǎn)力影響甚微的懷疑論觀點(diǎn)。從歷史上看，技術(shù)以不同方式影響著不同的任務(wù)、職業(yè)和行業(yè)，在某些領(lǐng)域取代工作，在另一些領(lǐng)域增強(qiáng)工作，并改變其余領(lǐng)域。這些異質(zhì)性效應(yīng)表明，可能存在一些“煤礦中的金絲雀”，它們是人工智能產(chǎn)生更廣泛影響的預(yù)兆1。

人工智能在多個(gè)領(lǐng)域的能力已取得迅速提升。例如，根據(jù)最新的《人工智能指數(shù)報(bào)告》，2023年，人工智能系統(tǒng)在廣泛使用的軟件工程基準(zhǔn)測(cè)試 SWE-Bench 上只能解決4.4%的編程問(wèn)題，但到2024年，這一性能提升至71.7% (Maslej et al., 2025)1。人工智能在其他基準(zhǔn)測(cè)試（包括語(yǔ)言理解、學(xué)科知識(shí)和推理）方面也有所改進(jìn)。與此同時(shí)，人工智能系統(tǒng)正被日益廣泛地采用。根據(jù) Hartley et al. (2025) 的數(shù)據(jù)，到2025年6月/7月，在美國(guó)18歲以上的受訪者中，大型語(yǔ)言模型（LLM）在工作中的采用率達(dá)到了46%2 1。

鑒于能力的提升和廣泛的采用，一個(gè)核心擔(dān)憂（近期頭條新聞也放大了這一點(diǎn)）是，人工智能是否已開(kāi)始取代人類(lèi)勞動(dòng)，特別是對(duì)于像軟件工程和客戶服務(wù)這類(lèi)高暴露度職業(yè)中的年輕、入門(mén)級(jí)工人 3 1。

盡管這場(chǎng)辯論異常激烈，但實(shí)證證據(jù)卻難以跟上技術(shù)進(jìn)步的步伐，導(dǎo)致許多基本問(wèn)題懸而未決。本文通過(guò)利用來(lái)自美國(guó)最大薪資軟件提供商 ADP 的大規(guī)模、高頻行政數(shù)據(jù)集，來(lái)應(yīng)對(duì)這一實(shí)證空白。我們的樣本包含截至2025年7月的月度、個(gè)人層面的薪資記錄，涵蓋了數(shù)萬(wàn)家公司的數(shù)百萬(wàn)名工人。這種豐富的面板數(shù)據(jù)結(jié)構(gòu)使我們能夠以高度的粒度追蹤就業(yè)動(dòng)態(tài)，提供近乎實(shí)時(shí)的勞動(dòng)力市場(chǎng)調(diào)整視圖。通過(guò)將這些數(shù)據(jù)與已建立的職業(yè)人工智能暴露度及其他變量指標(biāo)相結(jié)合，我們可以量化自生成式人工智能廣泛采用以來(lái)已實(shí)現(xiàn)的就業(yè)變化1。

本文系統(tǒng)地呈現(xiàn)了從數(shù)據(jù)中得出的六個(gè)關(guān)鍵事實(shí)，評(píng)估了人工智能革命如何重塑美國(guó)勞動(dòng)力。

我們的第一個(gè)關(guān)鍵發(fā)現(xiàn)是，我們揭示了在人工智能暴露度最高的職業(yè)中（如軟件開(kāi)發(fā)人員和客戶服務(wù)代表），處于職業(yè)生涯早期的工人（22-25歲）的就業(yè)出現(xiàn)了大幅下降。相比之下，在相同職業(yè)中經(jīng)驗(yàn)更豐富的工人，以及在暴露度較低的職業(yè)（如護(hù)理助理）中所有年齡段工人的就業(yè)趨勢(shì)則保持穩(wěn)定或持續(xù)增長(zhǎng)。

我們的第二個(gè)關(guān)鍵事實(shí)是，整體就業(yè)繼續(xù)強(qiáng)勁增長(zhǎng)，但特別是年輕工人的就業(yè)增長(zhǎng)自2022年底以來(lái)一直停滯不前。在人工智能暴露度較低的工作中，年輕工人的就業(yè)增長(zhǎng)與年長(zhǎng)工人相當(dāng)。相比之下，在人工智能暴露度最高的職業(yè)中，22至25歲的工人在2022年底至2025年7月期間就業(yè)下降了6%，而年長(zhǎng)工人的就業(yè)則增長(zhǎng)了6-9%。這些結(jié)果表明，人工智能暴露度高的工作崗位就業(yè)下降，是導(dǎo)致22至25歲年輕人整體就業(yè)增長(zhǎng)乏力的主要原因，而年長(zhǎng)工人的就業(yè)則在持續(xù)增長(zhǎng)。

我們的第三個(gè)關(guān)鍵事實(shí)是，并非所有人工智能的應(yīng)用都與就業(yè)下降相關(guān)。具體而言，入門(mén)級(jí)就業(yè)在人工智能實(shí)現(xiàn)工作自動(dòng)化的應(yīng)用中出現(xiàn)下降，但在那些主要起增強(qiáng)作用的應(yīng)用中則沒(méi)有。我們通過(guò)估算觀察到的對(duì)大型語(yǔ)言模型 Claude 的查詢(xún)?cè)诙啻蟪潭壬咸娲蜓a(bǔ)充了該職業(yè)中的任務(wù)，從而在經(jīng)驗(yàn)上區(qū)分了自動(dòng)化和增強(qiáng)。我們發(fā)現(xiàn)，在人工智能主要實(shí)現(xiàn)工作自動(dòng)化的職業(yè)中，年輕工人的就業(yè)出現(xiàn)下降，而在人工智能使用最具增強(qiáng)性的職業(yè)中，我們發(fā)現(xiàn)了就業(yè)增長(zhǎng)。這些發(fā)現(xiàn)與人工智能的自動(dòng)化應(yīng)用替代勞動(dòng)力，而增強(qiáng)性應(yīng)用則不然的觀點(diǎn)相符1。

第四，我們發(fā)現(xiàn)，在控制了公司-時(shí)間效應(yīng)后，年輕、人工智能暴露度高的工人的就業(yè)下降依然存在。對(duì)我們觀察到的模式的一種解釋是，它們可能是由行業(yè)或公司層面的沖擊（如利率變化）驅(qū)動(dòng)的，這些沖擊與年齡和測(cè)量的 AI 暴露度的分布模式相關(guān)。我們通過(guò)在事件研究回歸中控制公司-時(shí)間效應(yīng)來(lái)檢驗(yàn)這類(lèi)混淆因素，從而吸收了影響公司所有工人（無(wú)論 AI 暴露度如何）的總體公司沖擊。對(duì)于22-25歲的工人，我們發(fā)現(xiàn) AI 暴露度最高的五分位數(shù)群體的相對(duì)就業(yè)率比較低的五分位數(shù)群體下降了12個(gè)對(duì)數(shù)點(diǎn)，這是一個(gè)巨大且具有統(tǒng)計(jì)顯著性的效應(yīng)。其他年齡組的估計(jì)值在幅度上要小得多，且不具有統(tǒng)計(jì)顯著性。這些發(fā)現(xiàn)意味著我們觀察到的就業(yè)趨勢(shì)并非由那些雇傭了不成比例的高 AI 暴露度年輕工人的公司所受到的差異化沖擊所驅(qū)動(dòng)1。

第五，勞動(dòng)力市場(chǎng)的調(diào)整更多地體現(xiàn)在就業(yè)上，而非薪酬上。與我們對(duì)就業(yè)的發(fā)現(xiàn)相反，我們發(fā)現(xiàn)按年齡或暴露度五分位數(shù)劃分的年薪趨勢(shì)差異很小，這表明可能存在工資粘性。如果是這樣，人工智能對(duì)就業(yè)的影響可能比對(duì)工資的影響更大，至少在初期是如此1。

第六，以上事實(shí)在各種替代樣本構(gòu)建中基本保持一致。我們發(fā)現(xiàn)，我們的結(jié)果并非僅僅由計(jì)算機(jī)職業(yè)或易受遠(yuǎn)程工作和外包影響的職業(yè)所驅(qū)動(dòng)。我們還發(fā)現(xiàn)，在更早的時(shí)間里，即在大型語(yǔ)言模型廣泛使用之前，包括在由 COVID-19大流行引發(fā)的失業(yè)率飆升期間，人工智能暴露度分類(lèi)法并不能有意義地預(yù)測(cè)年輕工人的就業(yè)結(jié)果。我們觀察到的數(shù)據(jù)模式似乎從2022年底開(kāi)始最為明顯，這恰逢生成式人工智能工具迅速普及的時(shí)期 ?。這些模式在大學(xué)畢業(yè)生比例高的職業(yè)和比例低的職業(yè)中都成立，這表明 COVID-19期間教育成果的惡化并非我們結(jié)果的驅(qū)動(dòng)因素。對(duì)于非大學(xué)學(xué)歷的工人，我們發(fā)現(xiàn)經(jīng)驗(yàn)可能在緩沖勞動(dòng)力市場(chǎng)沖擊方面的作用較小，因?yàn)樵诖髮W(xué)畢業(yè)生比例低的職業(yè)中，直到40歲的工人都表現(xiàn)出按人工智能暴露度劃分的就業(yè)結(jié)果分化1。

雖然我們提醒，我們記錄的事實(shí)可能部分受到生成式人工智能以外因素的影響，但我們的結(jié)果與生成式人工智能已開(kāi)始影響入門(mén)級(jí)就業(yè)的假設(shè)是一致的。我們打算繼續(xù)持續(xù)追蹤數(shù)據(jù)，以評(píng)估這些趨勢(shì)未來(lái)是否會(huì)發(fā)生變化1。

為什么人工智能對(duì)受影響的入門(mén)級(jí)工人的負(fù)面影響可能比其他年齡組更大？一種可能性是，由于模型訓(xùn)練過(guò)程的性質(zhì)，人工智能取代了可編碼的知識(shí)，即構(gòu)成正規(guī)教育核心的“書(shū)本知識(shí)”。人工智能可能不那么擅長(zhǎng)取代隱性知識(shí)，即那些隨經(jīng)驗(yàn)積累的獨(dú)特的技巧和竅門(mén) ?。由于年輕工人提供的可編碼知識(shí)相對(duì)多于隱性知識(shí)，他們可能在受影響的職業(yè)中面臨更多的任務(wù)替代，從而導(dǎo)致更大的就業(yè)再分配 (Acemoglu and Autor, 2011)。相比之下，擁有累積隱性知識(shí)的年長(zhǎng)工人可能面臨較少的任務(wù)替代。這些隱性知識(shí)的好處對(duì)于那些在經(jīng)驗(yàn)回報(bào)率低的職業(yè)中的非大學(xué)學(xué)歷工人來(lái)說(shuō)可能較少。此外，經(jīng)驗(yàn)更豐富的工人可能在其他方面技能更高，使他們不易被人工智能工具替代 (Ide, 2025)。一個(gè)重要的研究方向是進(jìn)一步建模和檢驗(yàn)這些預(yù)測(cè)1。

1 SWE-bench 旨在評(píng)估大型語(yǔ)言模型（LLMs）在真實(shí)世界軟件工程任務(wù)上的表現(xiàn)。它使用一系列 GitHub 問(wèn)題來(lái)評(píng)估 LLM 生成解決這些問(wèn)題的代碼的能力1。

2 類(lèi)似地，Bick et al. (2024) 發(fā)現(xiàn)，在2024年底，近40%的18-64歲美國(guó)人口報(bào)告使用過(guò)生成式人工智能，其中23%的在職受訪者表示他們?cè)谶^(guò)去一周至少有一次因工作使用生成式人工智能，9%的人每個(gè)工作日都使用1。

3 某職業(yè)工人的生產(chǎn)力提高可能導(dǎo)致就業(yè)減少或增加，這取決于，除其他因素外，對(duì)這些工人產(chǎn)出的需求彈性有多大1。

? OpenAI 于2022年11月推出了 ChatGPT 1。

? 具有諷刺意味的是，相比于在大學(xué)計(jì)算機(jī)科學(xué)課堂上學(xué)習(xí)，更可能在工作中習(xí)得的實(shí)用技能之一或許是如何使用人工智能軟件進(jìn)行開(kāi)發(fā)1。

本文探討了學(xué)術(shù)界、公共政策、商界和媒體中關(guān)于人工智能就業(yè)影響的一場(chǎng)廣泛的公開(kāi)辯論。這場(chǎng)討論大多集中在人工智能是否正在取代軟件工程師等受影響職業(yè)的工人 ?。一些研究指出，大學(xué)畢業(yè)生的失業(yè)率已超過(guò)非畢業(yè)生，認(rèn)為這是人工智能導(dǎo)致就業(yè)中斷的證據(jù) (Thompson, 2025)。另一些人則指出，這些趨勢(shì)遠(yuǎn)在人工智能普及之前就已存在，并指出公開(kāi)可得的數(shù)據(jù)，如當(dāng)期人口調(diào)查（CPS），顯示在人工智能暴露度高的職業(yè)中，就業(yè)變化的證據(jù)是混合的 (Lim et al., 2025; The Economist, 2025; Smith, 2025; Eckhardt and Goldschlag, 2025; Frick, 2025)。這些辯論仍未解決，亟需關(guān)于受影響群體勞動(dòng)力市場(chǎng)變化的高質(zhì)量數(shù)據(jù)。本文提供了大規(guī)模數(shù)據(jù)，以高粒度和高精度衡量就業(yè)變化，發(fā)現(xiàn)人工智能暴露度高的職業(yè)中的年輕工人確實(shí)經(jīng)歷了就業(yè)下降 ? 1。

在學(xué)術(shù)界，旨在衡量人工智能就業(yè)影響的研究日益增多。這一文獻(xiàn)的開(kāi)端是一系列有影響力的論文，它們建立了估算哪些職業(yè)和任務(wù)易受自動(dòng)化影響的方法論 (Frey and Osborne, 2017; Brynjolfsson and Mitchell, 2017; Brynjolfsson et al., 2018; Felten et al., 2018, 2019; Webb, 2019; Felten et al., 2021)。近期，諸如 Eloundou et al. (2024)、Felten et al. (2023)、Gmyrek et al. (2023)、Handa et al. (2025) 和 Tomlinson et al. (2025) 的研究將此方法應(yīng)用于生成式人工智能，構(gòu)成了本分析所用暴露度指標(biāo)的基礎(chǔ)。雖然這些研究識(shí)別了潛在的顛覆，但我們的研究將這些暴露度指標(biāo)與實(shí)際的就業(yè)變化聯(lián)系起來(lái)。我們發(fā)現(xiàn)，這些暴露度指標(biāo)確實(shí)能夠預(yù)測(cè)在生成式人工智能普及后時(shí)期年輕工人的重大就業(yè)變化1。

我們的工作補(bǔ)充并擴(kuò)展了那些在更具體環(huán)境中發(fā)現(xiàn)顯著影響的研究，例如在線自由職業(yè)平臺(tái) (Hui et al., 2023; Demirci et al., 2025) 或個(gè)別公司內(nèi)部 (Brynjolfsson et al., 2025; Dillon et al., 2025)?。我們衡量了橫跨美國(guó)經(jīng)濟(jì)的各職業(yè)的勞動(dòng)力市場(chǎng)變化1。

從這個(gè)意義上說(shuō)，我們的工作補(bǔ)充了一小部分但日益增多的使用全經(jīng)濟(jì)范圍數(shù)據(jù)來(lái)衡量人工智能影響的論文。近期的發(fā)現(xiàn)各不相同。Humlum and Vestergaard (2025) 使用丹麥的行政數(shù)據(jù)得出結(jié)論，對(duì)收入或工作小時(shí)數(shù)的影響微乎其微，而 Jiang et al. (2025) 則發(fā)現(xiàn)，在美國(guó)，人工智能暴露度與更長(zhǎng)的工作小時(shí)數(shù)相關(guān) ?。Hampole et al. (2025) 使用 Revelio Labs 從2011年到2023年的招聘信息和 LinkedIn 個(gè)人資料記錄，發(fā)現(xiàn)總體就業(yè)影響有限，公司整體勞動(dòng)力需求的增長(zhǎng)抵消了對(duì)受影響職業(yè)需求的相對(duì)下降。Chandar (2025b) 使用 CPS 數(shù)據(jù)比較了人工智能暴露度較高和較低職業(yè)的就業(yè)變化，發(fā)現(xiàn)總體上差異趨勢(shì)不大，但指出由于有效樣本量有限，衡量年輕工人的變化存在困難。Dominski and Lee (2025) 同樣使用 CPS 數(shù)據(jù)和替代性暴露度指標(biāo)，發(fā)現(xiàn)在人工智能暴露度高的職業(yè)中就業(yè)有所下降，但 CPS 的數(shù)據(jù)限制了統(tǒng)計(jì)推斷的能力。Johnston and Makridis (2025) 使用季度就業(yè)與工資普查（QCEW）數(shù)據(jù)，發(fā)現(xiàn)在人工智能暴露度更高的州-行業(yè)對(duì)中就業(yè)有所增加 1?。這些先前的論文使用的數(shù)據(jù)要么缺乏足夠的粒度，要么不夠及時(shí)，無(wú)法可靠地按人工智能暴露度和年齡研究就業(yè)變化 (O’Brien, 2025)11。相比之下，本文使用大規(guī)模、近乎實(shí)時(shí)的數(shù)據(jù)，為解決當(dāng)前關(guān)于人工智能對(duì)年輕工人就業(yè)影響的持續(xù)辯論邁出了一步1。

? 近期關(guān)于此話題的一些媒體報(bào)道包括 Horowitch (2025); Ettenheim (2025); Raman (2025); Roose (2025); Peck (2025); Hoover (2025); Milmo and Almeida (2025); Wu (2025); Raval (2025)。一些科技公司高管也警告了人工智能可能帶來(lái)的失業(yè) (Allen, 2025; Sherman, 2025; Bacon, 2025)，或?yàn)榱嗽黾尤斯ぶ悄芡顿Y而裁員 (Jamali, 2025) 1。

? 來(lái)自行業(yè)的報(bào)告也顯示了混合的發(fā)現(xiàn)。招聘平臺(tái) TrueUp 暗示科技行業(yè)的招聘信息近期有所增加 (Lenny Rachitsky, 2025)。另一方面，Revelio Labs 發(fā)現(xiàn)招聘信息有所下降，且對(duì)入門(mén)級(jí)工人的下降更為陡峭 (Simon, 2025)。事實(shí)上，招聘信息數(shù)據(jù)顯示新畢業(yè)生的招聘信息有所下降，但在人工智能暴露度較低的職業(yè)中也發(fā)現(xiàn)了這種下降 (Lim et al., 2025)。Chandar (2025b) 指出，近年來(lái)招聘信息與就業(yè)之間的相關(guān)性一直很弱。SignalFire 發(fā)現(xiàn)科技行業(yè)新畢業(yè)生招聘人數(shù)與疫情前水平相比急劇下降 (Doshay and Bantock, 2025)，這與本文的發(fā)現(xiàn)一致。來(lái)自 Gusto 的數(shù)據(jù)也表明新畢業(yè)生招聘有所下降 (Bowen, 2025) 1。

? 另見(jiàn) Noy and Zhang (2023); Peng et al. (2023); Dell’Acqua et al. (2023) 1。

? 另見(jiàn) Acemoglu et al. (2022); Bonney et al. (2024); Bick et al. (2024); Hartley et al. (2025); Frank et al. (2025); Chen et al. (2025) 1。

1? Johnston and Makridis (2025) 通過(guò)將 Eloundou et al. (2024) 的職業(yè)暴露度按州-行業(yè)就業(yè)加權(quán)平均來(lái)衡量州-行業(yè)暴露度。如果公司進(jìn)行資本投資或以提高整體勞動(dòng)力需求的方式提高生產(chǎn)力，行業(yè)層面的勞動(dòng)力市場(chǎng)變化可能與本文研究的職業(yè)層面變化不同 (Hampole et al., 2025) 1。

11 作為比較，自2021年以來(lái)，CPS 每月調(diào)查總共介于44,000至51,000名所有年齡組的就業(yè)人員。其中10,000至12,000個(gè)觀測(cè)值屬于即將輪換出組的樣本，并包含收入記錄。我們主要分析樣本中的數(shù)據(jù)每月僅在22至25歲年齡段就包括250,000至350,000名就業(yè)人員，且均有收入記錄1。

3.1薪資數(shù)據(jù)

本研究使用來(lái)自美國(guó)最大薪資處理公司 ADP 的數(shù)據(jù)。該公司為雇傭超過(guò)2500萬(wàn)美國(guó)工人的公司提供薪資服務(wù)。我們利用這些信息來(lái)追蹤在被衡量為或多或少暴露于人工智能的職業(yè)中工人的就業(yè)變化1。

我們對(duì)主要分析樣本施加了若干樣本限制。我們只包括那些使用 ADP 薪資產(chǎn)品來(lái)維護(hù)工人工資記錄的公司的雇員。我們還從分析中排除了被公司歸類(lèi)為兼職的員工，并將樣本限定在18至70歲之間的人群 12 1。

使用薪資服務(wù)的公司集合隨時(shí)間變化，因?yàn)楣緯?huì)加入或離開(kāi) ADP 的平臺(tái)。我們通過(guò)只保留從2021年1月到2025年7月每個(gè)月都有員工收入記錄的公司，來(lái)維持我們主要樣本期內(nèi)一致的公司集合1。

此外，ADP 觀察到其系統(tǒng)中約70%工人的職位頭銜。我們排除了沒(méi)有記錄職位頭銜的工人。有超過(guò)7,000個(gè)標(biāo)準(zhǔn)化的職位頭銜，例如“搜索引擎優(yōu)化專(zhuān)員”、“企業(yè)內(nèi)容管理經(jīng)理”和“工廠文件控制專(zhuān)員”。該公司的內(nèi)部研究團(tuán)隊(duì)利用職位描述、行業(yè)、地點(diǎn)和其他相關(guān)數(shù)據(jù)等信息，將這些職位頭銜映射到2010年標(biāo)準(zhǔn)職業(yè)分類(lèi)（SOC）代碼1。

在這些限制之后，我們的主要分析樣本每月有350萬(wàn)到500萬(wàn)工人的記錄，盡管我們考慮了對(duì)替代性分析的穩(wěn)健性，例如允許公司進(jìn)入和離開(kāi)樣本。雖然 ADP 數(shù)據(jù)每月包括數(shù)百萬(wàn)工人，但使用 ADP 服務(wù)的公司分布與整個(gè)美國(guó)經(jīng)濟(jì)中的公司分布不完全匹配。關(guān)于公司構(gòu)成差異的更多細(xì)節(jié)可以在 Cajner et al. (2018) 和 ADP Research (2025) 中找到 13 1。

3.2職業(yè)人工智能暴露度

我們使用兩種不同的方法來(lái)衡量職業(yè)對(duì)人工智能的暴露度。第一種方法使用來(lái)自 Eloundou et al. (2024) 的暴露度指標(biāo)。Eloundou et al. (2024) 使用經(jīng)過(guò)人工標(biāo)注驗(yàn)證的 ChatGPT，按 O*NET 任務(wù)估算了人工智能暴露度。然后，他們通過(guò)將任務(wù)數(shù)據(jù)匯總到2018年 SOC 代碼級(jí)別來(lái)構(gòu)建職業(yè)暴露度指標(biāo)。我們重點(diǎn)關(guān)注他們論文中基于 GPT-4的暴露度指標(biāo)1。

我們采用的第二種主要方法使用來(lái)自 Anthropic 經(jīng)濟(jì)指數(shù)（Handa et al., 2025）的生成式人工智能使用數(shù)據(jù)。該指數(shù)報(bào)告了基于對(duì) Anthropic 的生成式人工智能模型 Claude 的數(shù)百萬(wàn)次對(duì)話樣本，與每個(gè) O*NET 任務(wù)相關(guān)的查詢(xún)的估計(jì)份額。然后，它根據(jù)這些任務(wù)份額將數(shù)據(jù)匯總到職業(yè)層面。Anthropic 經(jīng)濟(jì)指數(shù)的一個(gè)特點(diǎn)是，對(duì)于每個(gè)任務(wù)，它還報(bào)告了與該任務(wù)相關(guān)的查詢(xún)中屬于“自動(dòng)化”、“增強(qiáng)型”或以上皆非的估計(jì)份額。我們使用這些信息來(lái)估算一個(gè)職業(yè)的人工智能使用主要是與勞動(dòng)力互補(bǔ)還是替代 1? 1。

Eloundou et al. (2024) 的指標(biāo)和 Handa et al. (2025) 的指標(biāo)都按2018年 SOC 代碼估算人工智能暴露度。我們使用美國(guó)勞工統(tǒng)計(jì)局（BLS）的2010年 SOC 代碼到2018年 SOC 代碼的轉(zhuǎn)換表，將暴露度指標(biāo)與薪資數(shù)據(jù)進(jìn)行合并。表 A1顯示了每種人工智能暴露度指標(biāo)下的職業(yè)示例1。

3.3其他數(shù)據(jù)

為了比較可遠(yuǎn)程工作與不可遠(yuǎn)程工作的職業(yè)的就業(yè)變化，我們使用了來(lái)自 Dingel and Neiman (2020) 的數(shù)據(jù)。我們使用 BLS 的個(gè)人消費(fèi)支出（PCE）指數(shù)來(lái)計(jì)算實(shí)際收入，以2017年10月為基準(zhǔn)。我們使用月度當(dāng)期人口調(diào)查（CPS）數(shù)據(jù)作為我們主要發(fā)現(xiàn)的比較對(duì)象1。

12 雖然我們觀察到每個(gè)工人的出生年份，但出于隱私原因，我們無(wú)法觀察到確切的出生日期。我們使用美國(guó)疾病控制與預(yù)防中心的數(shù)據(jù)，根據(jù)美國(guó)的出生月份分布來(lái)推算出生月份1。

13 Cajner et al. (2018) 使用2016年3月的數(shù)據(jù)發(fā)現(xiàn)，與季度就業(yè)與工資普查（QCEW）相比，制造業(yè)和服務(wù)業(yè)公司的份額略高。他們還發(fā)現(xiàn) ADP 在東北地區(qū)的公司代表性略高。此外，使用 ADP 的公司平均增長(zhǎng)速度快于美國(guó)經(jīng)濟(jì)中的典型公司1。

1? 具體來(lái)說(shuō)，Handa et al. (2025) 首先使用 Claude 將對(duì)話分為六類(lèi)：指令型（Directive），指以最少互動(dòng)完成任務(wù)委托；反饋循環(huán)型（Feedback Loop），指在環(huán)境反饋指導(dǎo)下完成任務(wù)，例如反復(fù)向模型傳遞編碼錯(cuò)誤；任務(wù)迭代型（Task Iteration），指協(xié)作式的完善過(guò)程；學(xué)習(xí)型（Learning），指知識(shí)獲取和理解；驗(yàn)證型（Validation），指工作核實(shí)和改進(jìn)；或“以上皆非”（None），模型被指示“自由地”選擇此選項(xiàng)。被分類(lèi)為指令型或反饋循環(huán)型的對(duì)話被視為自動(dòng)化（Automative），而被分類(lèi)為任務(wù)迭代型、學(xué)習(xí)型或驗(yàn)證型的對(duì)話被視為增強(qiáng)型（Augmentative）。更多細(xì)節(jié)請(qǐng)參見(jiàn) Handa et al. (2025)。表 A2復(fù)制了 Handa et al. (2025) 的表1，并顯示了關(guān)于自動(dòng)化和增強(qiáng)指標(biāo)的更多細(xì)節(jié)1。

4.1事實(shí)1：在人工智能暴露度高的職業(yè)中，年輕工人的就業(yè)有所下降

以軟件工程師和客戶服務(wù)代理為例，這兩個(gè)職業(yè)通常被認(rèn)為高度暴露于生成式人工智能工具。媒體關(guān)注引發(fā)了人們對(duì)年輕軟件工程師尤其可能面臨廣泛就業(yè)沖擊的擔(dān)憂 (Thompson, 2025; Raman, 2025; Allen, 2025; Horowitch, 2025) 1。

圖1顯示了這些職業(yè)按年齡組的就業(yè)變化，以2022年10月為1進(jìn)行歸一化。兩個(gè)職業(yè)呈現(xiàn)出相似的模式：最年輕工人的就業(yè)在2022年后顯著下降，而其他年齡組的就業(yè)則繼續(xù)增長(zhǎng)。到2025年7月，22-25歲軟件開(kāi)發(fā)人員的就業(yè)與其2022年底的峰值相比下降了近20%。圖 A1顯示，類(lèi)似的模式在計(jì)算機(jī)職業(yè)和服務(wù)文員中也普遍存在1。

圖1：軟件開(kāi)發(fā)人員和客戶服務(wù)代理按年齡的就業(yè)變化，以2022年10月為1進(jìn)行歸一化。

圖1（上半部分）軟件開(kāi)發(fā)人員按年齡組的員工人數(shù)變化

圖1（下半部分）客戶服務(wù)按年齡組的員工人數(shù)變化

圖2以另外四個(gè)職業(yè)作為案例研究，這些職業(yè)根據(jù) Eloundou et al. (2024) 的指標(biāo)，涵蓋了不同的人工智能暴露度水平。市場(chǎng)營(yíng)銷(xiāo)和銷(xiāo)售經(jīng)理，處于人工智能暴露度的第四個(gè)五分位數(shù)，其年輕工人的就業(yè)下降情況與軟件和客戶服務(wù)類(lèi)似，盡管幅度較小。一線生產(chǎn)和運(yùn)營(yíng)主管，處于第三個(gè)五分位數(shù)，其年輕工人的就業(yè)有所增加，但就業(yè)增長(zhǎng)幅度小于35歲以上工人的增幅。

相比之下，Eloundou et al. (2024) 評(píng)為暴露度較低的職業(yè)的趨勢(shì)與暴露度較高的職業(yè)模式不符。庫(kù)存文員和訂單處理員，處于第二個(gè)五分位數(shù)，按年齡劃分沒(méi)有明顯差異。引人注目的是，包括護(hù)理助理、精神病護(hù)理助理和家庭健康助理在內(nèi)的健康助理系列職業(yè)，其趨勢(shì)與軟件或客戶服務(wù)截然不同：年輕工人的就業(yè)增長(zhǎng)速度快于年長(zhǎng)工人。

圖2

圖2：市場(chǎng)營(yíng)銷(xiāo)和銷(xiāo)售經(jīng)理（暴露度五分位數(shù)4）、一線生產(chǎn)主管（暴露度五分位數(shù)3）、庫(kù)存文員和訂單處理員（暴露度五分位數(shù)2）以及健康助理（暴露度五分位數(shù)1）的就業(yè)變化，以2022年10月為1進(jìn)行歸一化。暴露度五分位數(shù)基于 Eloundou et al. (2024) GPT-4 β 指標(biāo)定義。

圖3顯示，這些模式在各職業(yè)中更為普遍。左上圖顯示了22-25歲工人在暴露度較高和較低的職業(yè)中就業(yè)結(jié)果的分化，暴露度較高的職業(yè)就業(yè)下降。對(duì)于年長(zhǎng)年齡組，我們發(fā)現(xiàn)在不同人工智能暴露度五分位數(shù)之間的就業(yè)增長(zhǎng)差異要小得多。

圖3

圖3：按年齡和暴露度五分位數(shù)的就業(yè)變化，使用 Eloundou et al. (2024) 的 GPT-4 β 指標(biāo)。暴露度五分位數(shù)基于 GPT-4 β 指標(biāo)定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢(shì)。

4.2事實(shí)2：盡管整體就業(yè)持續(xù)增長(zhǎng)，但年輕工人的就業(yè)增長(zhǎng)尤其停滯

圖4顯示了所有職業(yè)合并后按年齡組的總體就業(yè)趨勢(shì)。整體就業(yè)保持強(qiáng)勁，與后疫情時(shí)期全國(guó)低失業(yè)率相符。然而，圖4表明，年輕工人的就業(yè)增長(zhǎng)相對(duì)于其他年齡組有所放緩，這與近期關(guān)于入門(mén)級(jí)工人就業(yè)市場(chǎng)可能惡化的討論一致 (Chen, 2025; Federal Reserve Bank of New York, 2025) 。

圖4

圖4：按年齡的就業(yè)變化。包括所有職業(yè)。

圖5揭示了這些趨勢(shì)與人工智能暴露度的關(guān)系。對(duì)于每個(gè)年齡組，從2022年底到2025年7月，最低的三個(gè) AI 暴露度五分位數(shù)的就業(yè)增長(zhǎng)為6-13%，按年齡劃分的就業(yè)增長(zhǎng)沒(méi)有明確的順序。相比之下，對(duì)于最高的兩個(gè)暴露度五分位數(shù)，22-25歲工人的就業(yè)在2022年底至2025年7月期間下降了6%，而35-49歲工人的就業(yè)增長(zhǎng)了超過(guò)9%。這些結(jié)果表明，在 AI 暴露度高的工作中就業(yè)下降，是導(dǎo)致22至25歲工人整體就業(yè)增長(zhǎng)乏力的驅(qū)動(dòng)因素1。

圖5

圖5：2022年10月至2025年7月期間按年齡和基于 GPT-4 β 的 AI 暴露度分組的就業(yè)增長(zhǎng)情況。

雖然這些發(fā)現(xiàn)表明年輕工人的就業(yè)結(jié)果因 AI 暴露度而異，但我們提醒，這前兩個(gè)事實(shí)中觀察到的趨勢(shì)可能由美國(guó)經(jīng)濟(jì)中的其他變化所驅(qū)動(dòng)。我們接下來(lái)的事實(shí)將評(píng)估這些結(jié)果在替代性分析下的穩(wěn)健性。

4.3事實(shí)3：入門(mén)級(jí)就業(yè)在人工智能自動(dòng)化工作的應(yīng)用中下降，而在增強(qiáng)型應(yīng)用中變化不大

人工智能暴露度既可以補(bǔ)充勞動(dòng)力，也可以替代勞動(dòng)力。這可能對(duì)勞動(dòng)力市場(chǎng)產(chǎn)生截然不同的影響 (Brynjolfsson, 2022) 。

為了評(píng)估就業(yè)模式如何根據(jù)人工智能與勞動(dòng)力的互補(bǔ)性或替代性而變化，我們使用了來(lái)自 Anthropic 經(jīng)濟(jì)指數(shù)（Handa et al., 2025）的生成式人工智能使用數(shù)據(jù)。該指數(shù)提供了與每個(gè)職業(yè)相關(guān)的查詢(xún)份額的估計(jì)值。此外，對(duì)于每個(gè)任務(wù)，它報(bào)告了與該任務(wù)相關(guān)的查詢(xún)中屬于“自動(dòng)化”、“增強(qiáng)型”或以上皆非的估計(jì)份額。我們使用這些信息來(lái)估算一個(gè)職業(yè)的人工智能使用主要是勞動(dòng)力的替代品還是補(bǔ)充品 1?。表 A1顯示了每種指標(biāo)下最高和最低暴露度類(lèi)別的職業(yè)示例1。

圖6顯示了按 Claude 相關(guān)查詢(xún)的總體流行度的就業(yè)變化。這些模式與使用 Eloundou et al. (2024) 指標(biāo)的發(fā)現(xiàn)非常吻合1。

圖6

圖6：總體 Claude 使用情況。按年齡和暴露度五分位數(shù)的就業(yè)變化，使用來(lái)自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。暴露度五分位數(shù)根據(jù)與某職業(yè)相關(guān)任務(wù)的 Claude 查詢(xún)份額定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢(shì)。其相關(guān)任務(wù)均低于使用數(shù)據(jù)中最低查詢(xún)次數(shù)的職業(yè)被視為一個(gè)單獨(dú)類(lèi)別，編碼為0。

同樣，圖7顯示，估計(jì)自動(dòng)化份額最高的職業(yè)中，最年輕工人的就業(yè)出現(xiàn)了下降。

圖7

圖7：自動(dòng)化。按年齡和自動(dòng)化水平的就業(yè)變化，使用來(lái)自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。自動(dòng)化水平根據(jù)與某職業(yè)相關(guān)的查詢(xún)中被 Claude 分類(lèi)為自動(dòng)化性質(zhì)的份額定義。深色線條代表自動(dòng)化程度更高。紅線顯示了所有自動(dòng)化水平的總體趨勢(shì)。其相關(guān)任務(wù)均低于使用數(shù)據(jù)中最低查詢(xún)次數(shù)的職業(yè)被視為一個(gè)單獨(dú)類(lèi)別，編碼為0。注意，超過(guò)20%的查詢(xún)次數(shù)高于最低閾值的職業(yè)的估計(jì)自動(dòng)化份額為0。因此，第一和第二五分位數(shù)的所有職業(yè)被歸為第1級(jí)。其余五分位數(shù)編碼為2、3和4。

相比之下，圖8表明，估計(jì)增強(qiáng)份額最高的職業(yè)并未出現(xiàn)類(lèi)似的模式。年輕工人的就業(yè)變化并未按增強(qiáng)暴露度排序，因?yàn)榈谖鍌€(gè)五分位數(shù)的就業(yè)增長(zhǎng)率是最高的之一。這些發(fā)現(xiàn)與人工智能的自動(dòng)化應(yīng)用替代勞動(dòng)力，而增強(qiáng)性應(yīng)用則不然的觀點(diǎn)是一致的 1? 。

圖8

圖8：增強(qiáng)。按年齡和增強(qiáng)五分位數(shù)的就業(yè)變化，使用來(lái)自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。增強(qiáng)五分位數(shù)根據(jù)與某職業(yè)相關(guān)的查詢(xún)中被 Claude 分類(lèi)為增強(qiáng)型的份額定義。深色線條代表增強(qiáng)性更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢(shì)。其相關(guān)任務(wù)均低于使用數(shù)據(jù)中最低查詢(xún)次數(shù)的職業(yè)被視為一個(gè)單獨(dú)類(lèi)別，編碼為0。

1? 圖 A2和 A3顯示，在剔除總體 Claude 使用率較低的職業(yè)后，自動(dòng)化和增強(qiáng)的結(jié)果相似1。

1? 注意，增強(qiáng)指標(biāo)的前兩個(gè)五分位數(shù)的職業(yè)總體 Claude 使用率非常低，這些五分位數(shù)中的平均職業(yè)分別占對(duì)話的0.01%和0.09%。這些職業(yè)的對(duì)話中有很高比例被分類(lèi)為既非自動(dòng)化也非增強(qiáng)型。相比之下，第三至第五五分位數(shù)的職業(yè)平均占 Claude 對(duì)話的0.47%、0.39%和0.33%。對(duì)于自動(dòng)化指標(biāo)，總體 Claude 使用率隨自動(dòng)化份額平均增加，最低暴露度組平均占對(duì)話的0.05%，最高組平均占0.73% 1。

4.4事實(shí)4：在控制公司-時(shí)間沖擊后，年輕、人工智能暴露度高的工人的就業(yè)下降依然存在

雖然我們目前的結(jié)果與生成式人工智能導(dǎo)致入門(mén)級(jí)就業(yè)下降的假設(shè)一致，但存在其他合理的解釋。一類(lèi)解釋是，我們觀察到的模式是由行業(yè)或公司層面的沖擊所解釋的，這些沖擊與年齡和測(cè)量的 AI 暴露度的分布模式相關(guān)。例如，一種可能性是，具有高測(cè)量 AI 暴露度的年輕工人不成比例地傾向于進(jìn)入那些極易受利率上升影響的公司。

我們通過(guò)控制一組豐富的固定效應(yīng)來(lái)檢驗(yàn)這類(lèi)混淆因素。對(duì)于每個(gè)年齡組，我們估計(jì)泊松回歸：

log(E[yf,q,t])=q′=1∑j=?1∑γq′,j1{t=j}1{q′=q}+αf,q+βf,t+?f,q,t(4.1)

其中，f 指公司，q 指 Eloundou et al. (2024) 的暴露度五分位數(shù)，t 指月份，其中 t=?1對(duì)應(yīng)2022年10月。結(jié)果變量 yf,q,t 是在公司 f、五分位數(shù) q、時(shí)間 t 的就業(yè)人數(shù)。方程4.1是一個(gè)控制了公司-五分位數(shù)效應(yīng) (αf,q) 和公司-時(shí)間效應(yīng) (βf,t) 的泊松事件研究回歸。公司-時(shí)間效應(yīng)吸收了對(duì)每個(gè)暴露度五分位數(shù)影響相等的總體公司沖擊。公司-五分位數(shù)效應(yīng)調(diào)整了公司內(nèi)部各五分位數(shù)之間招聘的基線差異。我們感興趣的系數(shù) γq,t 衡量了在考慮了公司-時(shí)間效應(yīng)和公司-五分位數(shù)效應(yīng)后，各五分位數(shù)之間就業(yè)增長(zhǎng)的差異變化 1? 1。

這種方法之所以強(qiáng)大，是因?yàn)樗行У貙⒎治龇秶s小到公司內(nèi)部。它不再是簡(jiǎn)單地比較雇傭大量軟件工程師的科技公司與雇傭大量護(hù)士的醫(yī)療保健公司。相反，它是在問(wèn)一個(gè)更精細(xì)的問(wèn)題：“在同一家公司內(nèi)部，在同一時(shí)間點(diǎn)，年輕、高 AI 暴露度員工（如初級(jí)程序員）的就業(yè)情況與該公司內(nèi)其他員工（如年長(zhǎng)的程序員或低 AI 暴露度的員工）相比如何變化？”通過(guò)這樣做，可以排除那些影響整個(gè)公司的外部因素，例如行業(yè)衰退或利率變化。如果年輕、高暴露度員工的就業(yè)下降在這種嚴(yán)格的比較下仍然存在，那么這就強(qiáng)烈表明，這種下降是由特定于他們角色和年齡的因素驅(qū)動(dòng)的，這與 AI 替代的假設(shè)高度一致1。

我們對(duì)每個(gè)年齡組分別運(yùn)行此回歸。對(duì)于每個(gè)回歸，我們限制在樣本的每個(gè)時(shí)期內(nèi)在該年齡組中雇傭至少10名工人的公司。此外，對(duì)于每個(gè) q，∑tyf,q,t 必須至少等于100，這意味著公司在樣本的各個(gè)月份中，平均必須從每個(gè)暴露度五分位數(shù)雇傭約2名工人 1?。標(biāo)準(zhǔn)誤按公司進(jìn)行聚類(lèi)1。

結(jié)果如圖9所示，該圖繪制了每個(gè)年齡組的 γq,t 系數(shù)。對(duì)于22-25歲的工人，較高五分位數(shù)的估計(jì)值大且具有統(tǒng)計(jì)顯著性，相對(duì)就業(yè)下降了12個(gè)對(duì)數(shù)點(diǎn)，其幅度與圖3原始數(shù)據(jù)中的估計(jì)值相當(dāng)。其他年齡組的估計(jì)值通常在幅度上小得多，且不具有統(tǒng)計(jì)顯著性。這些發(fā)現(xiàn)意味著我們觀察到的就業(yè)趨勢(shì)并非由那些雇傭了不成比例的高 AI 暴露度年輕工人的公司所受到的差異化沖擊所驅(qū)動(dòng)。

圖9

圖9：按年齡和 AI 暴露度的就業(yè)變化的泊松回歸事件研究估計(jì)。所有估計(jì)都是相對(duì)于職業(yè)暴露度五分位數(shù)1而言。暴露度五分位數(shù)使用 Eloundou et al. (2024) GPT-4 β 指標(biāo)。估計(jì)控制了公司-時(shí)間和公司-五分位數(shù)固定效應(yīng)，遵循方程4.1。陰影區(qū)域?yàn)?5%置信區(qū)間。標(biāo)準(zhǔn)誤按公司聚類(lèi)。

一個(gè)不會(huì)被公司-時(shí)間效應(yīng)控制的替代性混淆因素是，即使在公司層面，高 AI 暴露度的工人在 COVID-19大流行后被過(guò)度招聘，導(dǎo)致隨后他們的招聘收縮。為了評(píng)估這類(lèi)替代方案，我們?cè)诘?.6節(jié)中考慮了各種其他穩(wěn)健性檢驗(yàn)，例如移除計(jì)算機(jī)職業(yè)和根據(jù)職業(yè)是否適合在家工作進(jìn)行條件控制1。

1? 由于結(jié)果變量中存在零計(jì)數(shù)，我們遵循 Chen and Roth (2024) 的指導(dǎo)，估計(jì)泊松回歸而非對(duì)數(shù)形式的普通最小二乘（OLS）回歸1。

1? 結(jié)果對(duì)這些限制不敏感，盡管在泊松回歸中，每個(gè)公司-月份和每個(gè)公司-五分位數(shù)中必須至少有一個(gè)非零值，以避免觀測(cè)值被丟棄1。

4.5事實(shí)5：勞動(dòng)力市場(chǎng)的調(diào)整更多地體現(xiàn)在就業(yè)而非薪酬上

除了就業(yè)，我們還觀察到工人的年度基本薪酬。我們利用這些信息來(lái)檢驗(yàn)勞動(dòng)力市場(chǎng)在薪酬方面的調(diào)整 1?。薪資數(shù)據(jù)使用 PCE 指數(shù)平減至2017年美元 2? 1。

結(jié)果如圖10所示。研究結(jié)果表明，與就業(yè)相比，薪酬在暴露度較高和較低的職業(yè)之間的分化不那么明顯。圖11顯示了按年齡和基于 Eloundou et al. (2024) 的暴露度五分位數(shù)的結(jié)果。我們發(fā)現(xiàn)按年齡或暴露度五分位數(shù)劃分的薪酬趨勢(shì)差異很小。

圖10

圖10：按年齡和職業(yè)的年度基本薪酬變化。年度基本薪酬使用 PCE 平減指數(shù)平減至2017年美元。

圖11

圖11：年度基本薪酬。按年齡和暴露度五分位數(shù)的年度基本薪酬變化。暴露度五分位數(shù)根據(jù) Eloundou et al. (2024) 的 GPT-4 β 指標(biāo)定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢(shì)。年度基本薪酬使用 PCE 平減指數(shù)平減至2017年美元。

Autor and Thompson (2025) 先前的研究指出，替代非專(zhuān)家任務(wù)的技術(shù)可能會(huì)減少職業(yè)就業(yè)但增加職業(yè)工資；替代專(zhuān)家任務(wù)的技術(shù)可能會(huì)產(chǎn)生相反的效果。工資效應(yīng)的符號(hào)取決于被取代任務(wù)的總體份額以及這些任務(wù)是專(zhuān)家任務(wù)還是非專(zhuān)家任務(wù)。我們發(fā)現(xiàn)的工資變化有限，表明這些效應(yīng)可能相互抵消，至少在短期內(nèi)是這樣。或者，結(jié)果可以由短期內(nèi)的工資粘性來(lái)解釋?zhuān)@與 Davis and Krolikowski (2025) 的近期證據(jù)一致1。

4.6事實(shí)6：研究發(fā)現(xiàn)在替代性樣本構(gòu)建下基本保持一致

我們檢驗(yàn)了這些結(jié)果對(duì)替代性樣本構(gòu)建和穩(wěn)健性檢驗(yàn)的穩(wěn)健性1。

排除科技職業(yè) 一種可能性是，我們的結(jié)果是由2022年至2023年科技行業(yè)招聘普遍放緩所解釋的，因?yàn)楣緩?COVID-19大流行中恢復(fù) 21。圖 A4顯示了在排除計(jì)算機(jī)職業(yè)（對(duì)應(yīng)于以15-1開(kāi)頭的2010年 SOC 代碼）后，按年齡和暴露度五分位數(shù)的就業(yè)變化。圖 A5顯示了排除信息行業(yè)（NAICS 代碼51）公司的結(jié)果。結(jié)果非常相似，與上述案例研究一致，表明就業(yè)變化在多種職業(yè)中都可見(jiàn)。圖9中包含公司-時(shí)間固定效應(yīng)的結(jié)果進(jìn)一步表明，我們的發(fā)現(xiàn)對(duì)于影響一般招聘趨勢(shì)的公司或行業(yè)層面沖擊是穩(wěn)健的。這些結(jié)果表明，我們的發(fā)現(xiàn)并非特定于技術(shù)崗位。

遠(yuǎn)程工作 圖 A6和 A7顯示了根據(jù) Dingel and Neiman (2020) 的分類(lèi)，適合遠(yuǎn)程工作（telework）和不適合遠(yuǎn)程工作的職業(yè)的結(jié)果 22。我們發(fā)現(xiàn)，對(duì)于年輕工人，無(wú)論是在可遠(yuǎn)程工作的職業(yè)還是在不可遠(yuǎn)程工作的職業(yè)中，暴露度越高的職業(yè)就業(yè)增長(zhǎng)越慢。特別是不可遠(yuǎn)程工作職業(yè)的結(jié)果表明，我們的發(fā)現(xiàn)并非僅僅由外包或在家工作的中斷所驅(qū)動(dòng) 23 。

更長(zhǎng)樣本期 圖 A8顯示了將平衡的公司樣本擴(kuò)展到2018年的結(jié)果。這減少了樣本量，并使數(shù)據(jù)略顯嘈雜。盡管如此，在后 GPT 時(shí)代，趨勢(shì)基本上仍按暴露度排序，而這在2022年之前并非如此。一個(gè)擔(dān)憂是，對(duì)于 Eloundou et al. (2024) 的指標(biāo)，最高暴露度的五分位數(shù)從2020年左右開(kāi)始就業(yè)增長(zhǎng)放緩。但對(duì)于 Anthropic 暴露度指標(biāo)（如圖 A9、A10和 A11所示），情況并非如此。對(duì)于這些指標(biāo)，在生成式人工智能出現(xiàn)之前的整個(gè)時(shí)期，最高暴露度群體的就業(yè)增長(zhǎng)相當(dāng)，之后才出現(xiàn)分化趨勢(shì)1。

教育變化 另一種可能性是，我們觀察到的變化受到了 COVID-19大流行期間教育成果惡化的影響。COVID-19對(duì)教育成果造成了持續(xù)的損害 (Kuhfeld and Lewis, 2025)。由于受教育程度越高的工人平均測(cè)得的 AI 暴露度也越高，近年來(lái)教育質(zhì)量的下降可能會(huì)影響我們觀察到的趨勢(shì) 2?。在圖 A12中，我們顯示了根據(jù)2017年美國(guó)社區(qū)調(diào)查（ACS），超過(guò)70%的工人擁有大學(xué)學(xué)位的職業(yè)的趨勢(shì) 2?。在圖 A13中，我們顯示了不到30%的工人擁有大學(xué)學(xué)位的職業(yè)的趨勢(shì)。大學(xué)畢業(yè)生比例高的職業(yè)總體就業(yè)下降，與我們的主要結(jié)果相比，暴露度較高和較低的職業(yè)之間的差異不大。相比之下，大學(xué)畢業(yè)生比例低的職業(yè)總體就業(yè)上升，其中 AI 暴露度最低的職業(yè)增長(zhǎng)，而暴露度最高的職業(yè)就業(yè)下降。此外，對(duì)于大學(xué)畢業(yè)生比例較低的職業(yè)，就業(yè)結(jié)果的分散在更高年齡組中也可見(jiàn)，直到40歲的工人都顯示出按 AI 暴露度的就業(yè)趨勢(shì)分離。這些發(fā)現(xiàn)表明，教育成果惡化不能完全解釋我們的主要結(jié)果。它們還表明，對(duì)于非大學(xué)學(xué)歷的工人，經(jīng)驗(yàn)可能不像對(duì)大學(xué)學(xué)歷工人那樣能有效緩沖勞動(dòng)力市場(chǎng)沖擊1。

其他穩(wěn)健性檢驗(yàn) 圖 A14和 A15分別顯示了男性和女性的結(jié)果。結(jié)果相似，表明男性和女性前景的分化并非我們發(fā)現(xiàn)的驅(qū)動(dòng)因素。圖 A16顯示，當(dāng)我們不采用平衡的公司樣本時(shí)，結(jié)果相似。圖 A17顯示，當(dāng)包括兼職和臨時(shí)工時(shí)，結(jié)果相似 2? 1。

與 CPS 數(shù)據(jù)的比較 對(duì)我們的發(fā)現(xiàn)進(jìn)行比較的一個(gè)有用基準(zhǔn)是將其與月度當(dāng)期人口調(diào)查（CPS）的估計(jì)值進(jìn)行比較。CPS 每月在全國(guó)范圍內(nèi)調(diào)查約60,000個(gè)家庭，以收集有關(guān)就業(yè)和其他勞動(dòng)力特征的數(shù)據(jù)。這些數(shù)據(jù)在參考月份后幾周發(fā)布，提供了近乎實(shí)時(shí)的就業(yè)統(tǒng)計(jì)估計(jì)。許多先前的分析都使用 CPS 來(lái)評(píng)估 AI 如何影響入門(mén)級(jí)工作 (Chandar, 2025b; Dominski and Lee, 2025; Lim et al., 2025; Eckhardt and Goldschlag, 2025)。我們將 ADP 數(shù)據(jù)中的一些主要發(fā)現(xiàn)與 CPS 的估計(jì)值進(jìn)行比較。圖 A18至 A20顯示了使用 CPS 數(shù)據(jù)按年齡劃分的軟件開(kāi)發(fā)人員、客戶服務(wù)代表和家庭健康助理的就業(yè)變化。盡管全美有數(shù)百萬(wàn)工人從事這些職業(yè)，但估計(jì)值波動(dòng)性很大，月度估計(jì)就業(yè)人數(shù)的常見(jiàn)波動(dòng)達(dá)到20%或更高。圖 A21顯示了使用 CPS 按年齡和暴露度五分位數(shù)估計(jì)的就業(yè)變化，也表明估計(jì)值具有高度波動(dòng)性。CPS 微觀數(shù)據(jù)的這種波動(dòng)性反映了樣本量小以及 CPS 的抽樣設(shè)計(jì)并非旨在針對(duì)這些人口-職業(yè)子群體的就業(yè)統(tǒng)計(jì)數(shù)據(jù) 2?。因此，CPS 的樣本量和抽樣程序可能使其難以在本研究考慮的時(shí)間范圍內(nèi)以高度可信度評(píng)估按年齡和 AI 暴露度的就業(yè)變化 (Chandar, 2025b; O’Brien, 2025)。其他大規(guī)模數(shù)據(jù)源，如美國(guó)社區(qū)調(diào)查（ACS），可能為 ADP 數(shù)據(jù)提供更可靠的比較，盡管 ACS 的發(fā)布與 ADP 數(shù)據(jù)相比有顯著滯后。我們鼓勵(lì)在其他數(shù)據(jù)源（如 ACS）發(fā)布后，將我們的發(fā)現(xiàn)與它們的結(jié)果進(jìn)行比較 2? 1。

1? 總薪酬可能還包括獎(jiǎng)金、加班費(fèi)、傭金、股權(quán)、小費(fèi)和其他項(xiàng)目。這些可能對(duì)某些職業(yè)和年齡組的總體薪酬產(chǎn)生比其他組更大的影響1。

2? 與就業(yè)序列不同，薪酬的結(jié)果截止于2025年6月，這是 PCE 指數(shù)最近可用的月份1。

21 根據(jù)《減稅與就業(yè)法案》，2022年頒布的《國(guó)內(nèi)稅收法典》第174條修正案也禁止公司立即扣除研發(fā)支出，包括軟件開(kāi)發(fā)成本。這些成本必須資本化，并在五年（國(guó)內(nèi)研究）或十五年（國(guó)外研究）內(nèi)攤銷(xiāo)1。

22 一個(gè)職業(yè)是否適合遠(yuǎn)程工作與 AI 暴露度呈正相關(guān)。根據(jù) GPT-4 β 指標(biāo)，只有兩個(gè)可遠(yuǎn)程工作的職業(yè)屬于最低的 AI 暴露度五分位數(shù)。同樣，很少有不可遠(yuǎn)程工作的職業(yè)屬于最高的 AI 暴露度五分位數(shù)。因此，在圖 A6中，我們將最低的兩個(gè) AI 暴露度五分位數(shù)合并為一組。在圖 A7中，我們將最高的兩個(gè) AI 暴露度五分位數(shù)合并1。

23 具有高 AI 暴露度的不可遠(yuǎn)程工作職業(yè)包括銀行出納員、旅行社代理和稅務(wù)申報(bào)員1。

2? Chandar (2025a) 發(fā)現(xiàn)，大學(xué)畢業(yè)生平均技能水平的下降解釋了近幾十年來(lái)大學(xué)工資溢價(jià)增長(zhǎng)放緩的相當(dāng)一部分1。

2? 在基于 GPT-4 β 的暴露度指標(biāo)的第一個(gè)五分位數(shù)中，沒(méi)有一個(gè)職業(yè)的大學(xué)畢業(yè)生比例超過(guò)35%，因此該五分位數(shù)被排除在圖 A12的結(jié)果之外1。

2? 另一種可能性是，就業(yè)趨勢(shì)是由 COVID-19大流行時(shí)期的刺激支票所驅(qū)動(dòng)，這些支票扭曲了勞動(dòng)力供給。然而，這些刺激支付是有收入要求的，而 AI 暴露度越高的職業(yè)平均收入也越高 (Kochhar, 2023)，這表明觀察到的 AI 暴露度高職業(yè)的下降不太可能由這一渠道驅(qū)動(dòng)1。

2? 在我們的樣本期內(nèi)，CPS 每月包括26至53名年齡在22至25歲之間的年輕軟件開(kāi)發(fā)人員。它包括49至95名年輕的客戶服務(wù)代表，以及2至14名年輕的家庭健康助理1。

2? 2024年 ACS 1年期公共使用微數(shù)據(jù)樣本計(jì)劃于2025年10月16日發(fā)布1。

我們記錄了關(guān)于人工智能近期勞動(dòng)力市場(chǎng)影響的六個(gè)事實(shí)。

首先，我們發(fā)現(xiàn)在人工智能暴露度最高的職業(yè)中，如軟件開(kāi)發(fā)和客戶支持，處于職業(yè)生涯早期的工人的就業(yè)出現(xiàn)了大幅下降。

其次，我們表明，全經(jīng)濟(jì)范圍內(nèi)的就業(yè)持續(xù)增長(zhǎng)，但年輕工人的就業(yè)增長(zhǎng)已停滯不前。

第三，入門(mén)級(jí)就業(yè)在人工智能自動(dòng)化工作的應(yīng)用中下降，而在增強(qiáng)型應(yīng)用中影響不大。

第四，在控制了公司-時(shí)間效應(yīng)后，這些就業(yè)下降依然存在，最高暴露度職業(yè)的年輕工人相對(duì)就業(yè)下降了13%。

第五，這些勞動(dòng)力市場(chǎng)的調(diào)整更多地體現(xiàn)在就業(yè)上，而非薪酬上。

第六，我們發(fā)現(xiàn)這些模式在不受遠(yuǎn)程工作影響的職業(yè)中以及在各種替代性樣本構(gòu)建中都成立。

雖然我們的主要估計(jì)可能受到生成式人工智能以外因素的影響，但我們的結(jié)果與生成式人工智能已開(kāi)始顯著影響入門(mén)級(jí)就業(yè)的假設(shè)是一致的1。

新技術(shù)的采用通常會(huì)導(dǎo)致工人群體間的異質(zhì)性效應(yīng)，從而產(chǎn)生一個(gè)調(diào)整期，因?yàn)楣と藭?huì)從被取代的工作形式重新分配到勞動(dòng)力需求增長(zhǎng)的新形式中 (Autor et al., 2024)。這種內(nèi)生調(diào)整可能已經(jīng)隨著人工智能的出現(xiàn)而發(fā)生，有新證據(jù)表明大學(xué)專(zhuān)業(yè)正從計(jì)算機(jī)科學(xué)等 AI 暴露度高的類(lèi)別轉(zhuǎn)移 (Horowitch, 2025)。過(guò)去的技術(shù)轉(zhuǎn)型，如信息技術(shù)革命，在物質(zhì)和人力資本調(diào)整后，最終導(dǎo)致了就業(yè)和實(shí)際工資的強(qiáng)勁增長(zhǎng)，盡管一些工人比其他人受益更多 (Bresnahan et al., 2002; Brynjolfsson et al., 2021) 1。

持續(xù)追蹤就業(yè)趨勢(shì)將有助于確定對(duì)人工智能的調(diào)整是否遵循類(lèi)似的模式。因此，我們將繼續(xù)監(jiān)測(cè)這些結(jié)果，以評(píng)估本文記錄的趨勢(shì)未來(lái)是否會(huì)加速。未來(lái)的工作將受益于更好的公司層面人工智能采用數(shù)據(jù)，這將為估計(jì)人工智能對(duì)就業(yè)的合理因果效應(yīng)提供更清晰的變異1。

作者: Daniel

鏈接: https://deusyu.app/posts/ai-entry-employment/

著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請(qǐng)聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請(qǐng)注明出處。