自 2022 年底生成式人工智能快速發展以來，關於其對就業市場影響的討論一直持續不斷。過去幾年間，科技行業從業者、金融分析師以及公衆普遍擔心白領崗位可能首當其衝。但隨着時間推移，此前預期的大規模失業現象似乎尚未出現。
3 月 5 日，人工智能公司 Anthropic 發佈了一份題爲《AI 對勞動力市場的影響：一種新衡量標準與早期證據》（Labor market impacts of AI: A new measure and early evidence）的研究報告。該報告由經濟學家 Maxim Massenkoff 和 Peter McCrory 撰寫，基於 Claude 的實際使用數據對這一問題進行了分析。報告的結論是：目前大多數已有工作經驗的從業者崗位還相對穩定，但剛進入就業市場的年輕求職者面臨更大的挑戰。
（來源：Anthropic）
要理解這一現象，首先需要明確如何衡量“被 AI 取代的風險”。
過去幾年，學術界和產業界在評估技術衝擊時，多采用基於理論推演的方法。2023 年，OpenAI 研究人員 Tyna Eloundou 等人發表論文，提出一種基於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並將執行速度提升一倍，該任務即被標記爲“完全暴露”；若需藉助外部軟件或工具，則爲“部分暴露”。這種“理論暴露度”的評估結果顯示，大多數知識型工作都可能受到 AI 影響。
但 Anthropic 的報告指出，理論可行性與實際採用率之間存在明顯差距，無法作爲唯一的判斷標準。爲此，研究團隊提出了一項新的經濟學指標——“觀察到的暴露度”（Observed Exposure）。
這一新指標不再僅依賴理論推演，而是將美國職業信息網絡（O*NET）中的具體任務拆解，與 Anthropic 的 Claude 實際使用數據（即 Anthropic 經濟指數）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 流量中呈現完全自動化特徵，則賦予全額權重；若作爲人類輔助工具使用，則賦予一半權重。
結果顯示，AI 的實際應用範圍與理論預期的確存在差距。
以計算機與數學類職業爲例，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爲 33%。報告分析認爲，這種差距主要源於現實中的多重約束，包括法律合規要求、企業軟件環境限制，以及關鍵環節仍需人工覈查等。例如，大模型理論上可協助處理處方續注，但在實際系統流量中，這類高風險醫療決策行爲極少發生。
圖 | 不同職業類別的理論能力與實際暴露度對比（來源：Anthropic）
隨着評估方法的調整，受 AI 影響較大的羣體特徵也逐漸明確，這一特徵與以往技術變革中受影響的羣體有所不同。在工業自動化或全球化貿易衝擊中，低學歷、從事常規體力勞動的勞動者通常受影響較大。
但根據 2022 年秋季美國當前人口調查（CPS）數據，Anthropic 的研究發現，處於 AI 暴露度最高 25% 區間的勞動者呈現出不同特徵：平均年齡較大，收入比低暴露羣體高 47%，受教育程度也更高。在低暴露羣體中，擁有研究生學歷的比例爲 4.5%，而在高暴露羣體中這一比例爲 17.4%。
從人口統計學角度看，高暴露羣體中女性比例高出 16 個百分點，白人高出 11 個百分點，亞裔比例約爲低暴露羣體的兩倍。
（來源：Anthropic）
從職業角度來看，計算機程序員的實際覆蓋率爲 74.5%，客戶服務代表爲 70.1%，數據錄入員爲 67.1%，醫療記錄專家、市場研究分析師和金融投資分析師也屬於高暴露職業。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 實際使用數據中佔比很低。
圖 | AI 暴露度最高的十大職業（來源：Anthropic）
那麼，既然高學歷、高收入的白領羣體受 AI 影響較大，他們是否正經歷大規模失業？但報告的發現與部分預期不同：目前並未出現這種情況。
Anthropic 指出，這是由於此前多使用“因果推斷”的直接分析方法，而這僅在解釋“突發性經濟衝擊”時較爲奏效，例如疫情初期失業率上升的原因較爲明確。但 AI 的影響可能更接近互聯網普及或國際貿易變化的過程，其效應容易被商業週期等其他因素所影響。
爲了減少干擾，研究團隊採用雙重差分模型（DID），追蹤了自 ChatGPT 發佈以來高暴露與低暴露羣體的失業率變化。如果 AI 導致類似 2008 年金融危機的就業衝擊，高暴露羣體的失業率應有明顯上升。但實際數據顯示，自 2022 年底以來，兩類羣體的失業率走勢基本平行，平均變化差異在統計上不顯著。
美國勞工統計局（BLS）對未來十年就業增長的預測顯示，職業的 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，這更多體現爲增速溫和放緩，而非崗位絕對減少。
此外報告還進一步顯示，對於資深從業者來說，他們的崗位不僅相對穩定，還可能因 AI 輔助而提升工作效率。
經濟學家 Joshua Gans 和 Avi Goldfarb 在 2025 年提出的 O 型環自動化模型（O-Ring Automation）指出，只要工作中仍有需要人類判斷、複雜溝通或專業經驗的環節，這些任務的價值可能因基礎工作被自動化而提升。這有助於解釋爲何在 AI 承擔基礎代碼生成或數據清洗後，高級程序員和資深分析師的市場需求並未明顯下降。
然而，未出現大規模失業並不意味着勞動力市場完全不受影響，只是變化的表現方式更爲間接。當企業發現資深員工藉助大模型可完成更多原本需初級助理協助的工作時，其招聘策略可能相應調整。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入口產生影響。
以 22 至 25 歲青年羣體的就業情況爲例，Anthropic 報告指出，由於部分年輕求職者在未找到專業工作時可能退出勞動力市場或暫不申報職業，傳統失業率指標難以全面反映其處境。爲此，研究團隊利用 CPS 面板數據，追蹤年輕人“開始一份新工作”的入職率。
數據顯示，2020 至 2021 年波動之後，2024 年起年輕人在高暴露與低暴露職業的入職率出現分化。低暴露行業的入職率保持在每月約 2% 的水平，而高暴露職業的入職率有所下降。2022 年之後，高暴露職業中年輕人的求職成功率下降約 14%。這一趨勢在 25 歲以上羣體中不明顯。
這一發現與學術界其他研究結果一致。2025 年，斯坦福大學數字經濟實驗室主任 Erik Brynjolfsson 及其團隊發表論文《煤礦裏的金絲雀？關於人工智能近期就業影響的六個事實》（Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence），基於美國自動數據處理公司（ADP）的高頻薪酬數據，分析了數百萬工人的就業情況。
（來源：Standford）
研究發現，在受 AI 影響較大的職業中，22 至 25 歲的早期職業勞動者相對就業率下降 6% 至 16%，而 30 歲以上員工就業保持穩定或增長 6% 至 13%。
“煤礦裏的金絲雀’這個比喻源於 19 世紀末至 20 世紀早期的採礦業：礦工下井時會帶一隻金絲雀，因爲它對有毒氣體（如一氧化碳、甲烷）極爲敏感，一旦毒氣濃度升高，金絲雀會最先出現中毒症狀，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：由於議價能力有限、尚未積累難以被替代的專業經驗，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；但年輕羣體卻面臨入門機會銳減、競爭壓力驟增的困境。
對於未能進入目標崗位的年輕人，其具體流向在現有研究中尚無統一結論。Anthropic 的報告指出，調查數據可能存在統計誤差，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，或選擇繼續深造。無論具體流向如何，傳統的職場培養模式正面臨調整。
回顧過去幾十年，職場人才培養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、維護基礎系統等任務積累經驗，逐步成長爲能獨當一面的專業人才。但如今，隨着大模型能夠以更低成本完成這些基礎性工作，初級崗位的培養似乎變得不再必要。
從短期看，這確實有助於企業提升人效，但從長期看，若行業普遍弱化對新人實踐能力的培養，未來中高級專業人才的供給可能出現斷層，反而制約企業的可持續發展。
與此同時，年輕求職者面臨的就業困境也不容忽視。當基礎任務被自動化接管，而企業又缺乏系統性的新人培養機制，這一羣體不僅更難獲得進入專業領域的機會，其早期職業發展和收入穩定性也可能受到持續影響。
這既關係到個體生計，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，爲年輕人創造可行的能力進階路徑，值得企業、教育機構和政策制定者共同關注。
參考鏈接：
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
