AI 对劳动力市场的影响：新的衡量方法与早期证据

原文：Labor market impacts of AI: A new measure and early evidence 作者：Maxim Massenkoff 和 Peter McCrory 发布日期：2026年3月5日 来源：Anthropic 研究报告

核心发现

• 引入了一种新的 AI 替代风险衡量指标——观察到的暴露度（observed exposure），结合了理论上的大语言模型（LLM）能力和真实世界的使用数据，更侧重于自动化（而非增强）和工作相关的用途
• AI 远未达到其理论能力：实际覆盖率仍只是可行范围的一小部分
• 美国劳工统计局（BLS）预测，观察到的暴露度较高的职业到 2034 年的增长会更慢
• 最易受影响职业的工作者更可能是年龄较大、女性、受教育程度更高、收入更高的人群
• 自 2022 年底以来，高暴露度工作者的失业率没有系统性增加，但有迹象表明，在暴露度高的职业中，年轻工作者的招聘速度有所放缓

研究背景

AI 的快速扩散引发了大量关于其对劳动力市场影响的研究。但过去方法的记录让人保持谦逊。例如，一项关于工作外包可能性的著名研究认为约四分之一的美国工作岗位容易受到影响，但十年后，这些工作中的大多数仍保持了健康的就业增长。

本文提出了一个理解 AI 劳动力市场影响的新框架，并用早期数据进行测试，发现 AI 迄今对就业影响有限的证据。

反事实分析的重要性

因果推断在效应巨大且突然时更容易。COVID-19 大流行造成的经济破坏如此明显，以至于许多问题不需要复杂的统计方法。然而，AI 的影响可能更像互联网或与中国的贸易——效应可能不会立即从总体失业数据中显现。

衡量暴露度的方法

研究结合了三个数据源：

1. O*NET 数据库：列举了美国约 800 个独特职业相关的任务
2. Anthropic 自己的使用数据（通过 Anthropic 经济指数衡量）
3. Eloundou 等人（2023）的任务级暴露度估计：衡量 LLM 是否理论上可以使任务速度提高至少一倍

理论能力 vs 实际使用

图 1：按 Eloundou 等人任务暴露度评级的 Claude 使用份额

Eloundou 等人的指标 β 用简单的量表对任务评分：

• β=1：LLM 单独就能使任务速度翻倍（占 Claude 使用的 68%）
• β=0.5：需要基于 LLM 构建的额外工具或软件
• β=0：不可行（仅占 3%）

研究发现，97% 在过去四份经济指数报告中观察到的任务都属于理论上可行的类别（β=0.5 或 β=1.0）。

为什么实际使用低于理论能力？

一些理论上可行的任务可能因以下原因未出现在使用数据中：

• 模型局限性
• 法律约束
• 特定软件要求
• 需要人工验证步骤
• 其他障碍

例如，Eloundou 等人将"授权药物补充并向药房提供处方信息"标记为完全暴露（β=1），但研究者尚未观察到 Claude 执行此任务，尽管评估在理论上似乎是正确的。

新指标：观察到的暴露度

图 2：按职业类别的理论能力和观察到的暴露度

这个新指标旨在量化：在 LLM 理论上可以加速的任务中，哪些实际上在专业环境中看到了自动化使用？

一个工作的暴露度更高，如果：

• 其任务在理论上可以用 AI 完成
• 其任务在 Anthropic 经济指数中有显著使用
• 其任务在工作相关的环境中执行
• 它有相对更高比例的自动化使用模式或 API 实现
• 受 AI 影响的任务在整体角色中占更大比例

图 2 显示了观察到的暴露度（红色）与理论能力 β（蓝色）的对比。例如：

• 计算机与数学职业：理论能力 94%，实际覆盖仅 33%
• 办公与行政职业：理论能力 90%，实际覆盖更低

红色区域将随着能力提升、采用扩散和部署深化而增长。

主要研究结果

最易受影响的职业

图 3：最易受影响的职业（前十）

1. 计算机程序员（75% 覆盖率）
2. 客户服务代表
3. 数据录入员（67% 覆盖率）
4. 金融分析师
5. 其他高暴露职业

底部 30% 的工作者覆盖率为零，包括厨师、摩托车修理工、救生员、调酒师、洗碗工、更衣室服务员等。

与预测就业增长的关系

图 4：BLS 2024-2034 年预测就业增长 vs 观察到的暴露度

BLS 的就业预测显示，观察到的暴露度较高的工作增长预测较弱。每增加 10 个百分点的覆盖率，BLS 的增长预测就会下降 0.6 个百分点。

这提供了一定的验证，表明研究的衡量指标与劳动力市场分析师独立得出的估计相符，尽管关系较弱。有趣的是，单独使用 Eloundou 等人的指标并没有这种相关性。

高暴露度工作者的特征

图 5：高暴露度与低暴露度工作者的差异（当前人口调查数据）

与零暴露度工作者相比，高暴露度工作者（前 25%）：

• 女性比例高 16 个百分点
• 白人比例高 11 个百分点
• 亚裔比例几乎翻倍
• 平均收入高 47%
• 教育水平更高（拥有研究生学位的比例是 4 倍：17.4% vs 4.5%）

这两个群体非常不同，表明 AI 对高收入、高教育群体的影响更大。

对失业率的影响

整体失业率趋势

图 6：高暴露度与零暴露度工作者的失业率趋势

核心发现：自 ChatGPT 发布以来，高暴露度工作者的失业率没有系统性增加。

• 上图显示了自 2016 年以来的原始失业率趋势
• COVID 期间，低暴露度工作者（更可能从事面对面工作）的失业率增幅更大
• 此后，两组之间的趋势基本相似
• 下图的差异分析显示，ChatGPT 发布后的平均差距变化很小且不显著

可检测的影响规模

基于置信区间，该框架可以检测到约 1 个百分点的失业率差异增长。如果所有前 10% 覆盖率的工作者都被解雇，将使前四分之一组的失业率从 3% 增加到 43%，并使总体失业率从 4% 增加到 13%。

一个较小但仍令人担忧的影响是"白领工作者的大衰退"。在 2007-2009 年大衰退期间，美国失业率从 5% 翻倍至 10%。如果前四分之一暴露度组的失业率翻倍（从 3% 到 6%），这在分析中应该是可见的。

年轻工作者的招聘放缓

图 7：22-25 岁工作者在高暴露度与零暴露度职业中的新工作开始率

虽然整体失业率未受影响，但有初步证据表明年轻工作者受到影响：

• Brynjolfsson 等人报告，22-25 岁工作者在暴露职业中的就业率下降了 6-16%
• 研究使用 CPS 的面板维度，计算开始新工作的年轻工作者百分比
• 除了 2020-2021 年的大幅波动外，这些序列在 2024 年出现视觉分歧
• 低暴露职业的就业率保持稳定（每月 2%），而最高暴露职业的就业率下降了约 0.5 个百分点
• ChatGPT 发布后时期的平均估计显示，与 2022 年相比，暴露职业的就业率下降了 14%，尽管这仅勉强具有统计显著性
• 25 岁以上工作者没有这种下降

可能的解释：

• 未被雇用的年轻工作者可能留在现有工作、从事不同工作或返回学校
• 调查中的工作转换可能更容易出现测量误差

讨论与未来方向

本报告引入了一种理解 AI 劳动力市场影响的新衡量方法，并研究了对失业和招聘的影响。工作对 AI 的暴露度更高，如果其任务在理论上可以用 LLM 实现，并且在平台上以自动化、工作相关的用例被观察到。

主要发现总结

1. 最易受影响的职业：计算机程序员、客户服务代表和金融分析师
2. 失业率影响：高暴露职业工作者的失业率没有影响
3. 年轻工作者：有初步证据表明，22-25 岁工作者进入这些职业的招聘速度略有放缓

未来改进

• 纳入更多使用数据，形成任务和工作覆盖率的演变图景
• 更新 Eloundou 等人的指标（目前基于 2023 年初的 LLM 能力）
• 研究具有高暴露领域教育资质的应届毕业生如何应对劳动力市场

研究意义

这项工作是记录 AI 对劳动力市场影响的第一步。研究者希望这种分析方法（特别是关于覆盖率和反事实的部分）能够随着新的就业和 AI 使用数据的出现而易于更新。建立的方法可能帮助未来的观察者将信号与噪音分离。

参考文献

完整的参考文献列表包括：

• Acemoglu & Restrepo (2020) - 机器人与就业
• Brynjolfsson et al. (2025) - AI 对就业的早期影响
• Eloundou et al. (2023) - GPT 对劳动力市场的潜在影响
• Gimbel et al. (2025) - AI 对劳动力市场影响的评估
• 以及其他相关研究

数据可用性

任务和工作级别的观察覆盖率数据可在以下网址获取：
https://huggingface.co/datasets/Anthropic/EconomicIndex

引用格式

@online{massenkoffmccrory2026labor,
  author = {Maxim Massenkoff and Peter McCrory},
  title = {Labor market impacts of AI: A new measure and early evidence},
  date = {2026-03-05},
  year = {2026},
  url = {https://www.anthropic.com/research/labor-market-impacts},
}

---

个人思考

📌 待阅读 - 这篇报告提供了一个系统性的框架来理解 AI 对就业的影响，值得深入研究其方法论和数据。

关键洞察

1. AI 的实际影响远小于理论潜力：虽然理论上很多任务可以被 AI 加速，但实际使用率仍然很低（例如计算机职业：理论 94% vs 实际 33%）

2. 高收入、高教育群体更易受影响：与以往技术革命不同，AI 对白领、高技能工作者的影响更大

3. 年轻工作者可能首当其冲：虽然整体失业率未受影响，但年轻人进入高暴露职业的机会在减少（14% 下降）

4. 影响尚未显现：目前没有明显的大规模失业，但需要持续监测

5. 方法论创新：结合理论能力和实际使用数据的方法比单纯的理论评估更准确

#AI #劳动力市场 #就业 #Anthropic #研究报告 #数据分析