人工智能对劳动力市场的影响：新衡量标准与早期证据
本文是Anthropic于2026年3月5日发布的经济研究报告，核心提出了衡量AI替代风险的新指标观测暴露度（observed exposure），并结合该指标分析了AI对美国劳动力市场的早期影响，发现目前AI尚未引发高暴露职业的系统性失业，但年轻劳动者在高暴露职业的就业招聘出现放缓迹象。
一、研究背景
- 此前衡量技术对劳动力市场影响的方法存在局限：如离岸就业风险研究预测与实际不符、政府职业增长预测仅为过往趋势线性外推，且工业机器人、中美贸易冲击对就业的影响研究结论仍存争议。
- AI对劳动力市场的影响并非突发式（如新冠疫情），更类似互联网、中美贸易，其效应易被贸易政策、商业周期等因素掩盖，需建立新的分析框架。
二、核心指标：观测暴露度（observed exposure）
1. 指标构建
融合三大数据来源，量化大语言模型（LLM）理论上可提速的任务中，实际在专业场景被自动化使用的比例，相比仅关注理论能力的传统指标，更贴合真实市场情况：
- 美国O*NET数据库：涵盖约800种职业的任务清单；
- Anthropic经济指数：自身的LLM实际使用数据；
- Eloundou等人（2023）的任务级暴露度估计：衡量LLM能否将任务效率提升至少一倍。
2. 高暴露度职业的判定标准
职业的AI观测暴露度更高，需满足：任务具备AI实现的理论可能性、在Anthropic经济指数中使用量显著、为工作相关场景、自动化使用/API部署占比更高、AI受影响任务在职业整体工作中占比更大。
3. 指标权重规则
自动化实现的任务计全权重，辅助性使用的任务计一半权重，最终按职业中各任务的耗时占比加权平均得到职业层面的暴露度。
4. 关键数据发现
- AI实际应用远未达到理论能力：如计算机与数学类职业理论可覆盖94%，实际仅33%；
- 高暴露职业TOP3：计算机程序员（75%）、客户服务代表、数据录入员（67%）；
- 30%劳动者暴露度为0：多为厨师、摩托车技工、救生员等以线下实操为主的职业。
三、暴露度与职业增长、劳动者特征的关联
- 与职业增长负相关：美国劳工统计局（BLS）预测2024-2034年，观测暴露度每提升10个百分点，职业就业增长预测下降0.6个百分点，而仅用理论能力指标则无此相关性。
- 高暴露职业劳动者特征（2022年ChatGPT发布前数据）：相比低暴露群体，更可能为女性（高16个百分点）、白人与亚裔，平均收入高47%，受教育程度更高（研究生学历占比17.4%，是低暴露群体的4倍）。
四、研究核心：AI对失业率与招聘的影响
1. 核心研究指标
选择失业率作为核心观测指标，因其最直接反映经济损害，而岗位招聘、就业量的变化可能被相关职业的岗位调整抵消，无需政策干预。
2. 主要研究结果
- 无系统性失业：2022年末以来，高暴露职业劳动者的失业率未出现系统性上升，其与低暴露群体的失业率趋势基本一致，差异在统计上不显著；
- 年轻劳动者招聘放缓：22-25岁年轻劳动者在高暴露职业的求职成功率自2024年起下降，相比2022年下降14%（统计上边际显著），该群体失业率虽无明显变化，但放缓的招聘可能表现为劳动者退出劳动力市场而非失业，且25岁以上劳动者无此现象。
五、研究讨论与后续方向
- 研究局限性：年轻劳动者招聘放缓存在其他解释（如留任原职、转岗、返校），且调查数据中职业转换的测量可能存在误差。
- 后续改进方向
- 持续纳入新的LLM使用数据，完善任务与职业的暴露度画像；
- 更新Eloundou等人的理论能力指标，适配最新LLM技术；
- 重点研究高暴露领域的应届毕业生在劳动力市场的就业情况。
- 研究意义：建立了可更新、可扩展的AI劳动力市场影响分析框架，为后续区分AI带来的真实市场信号与噪音提供基础，也可拓展至其他国家的劳动力市场分析。
