AI 的劳动力市场影响：新指标与早期证据¶

发布日期： 2026-03-05

作者： Maxim Massenkoff、Peter McCrory

论文 PDF： 完整论文 | 附录

核心发现¶

论文提出了一种名为"观测暴露度"的新指标，结合 LLM 的理论能力与真实使用数据——重点加权自动化（而非增强型）和工作相关的使用场景。目前尚未发现 AI 高暴露度职业系统性失业率上升的证据。

研究背景¶

过去衡量劳动力市场影响的方法历史记录参差不齐。 一项突出的外包可能性衡量尝试"识别出大约四分之一的美国工作岗位面临风险"，但十年后这些工作大多保持了健康的就业增长。政府职业增长预测"在简单线性外推历史趋势之外几乎没有增加预测价值。"

作者提出了一个新框架并将其与早期数据对照检验，发现截至目前就业效应的证据有限。他们旨在建立一种衡量 AI 对就业影响的方法，并定期回顾分析——在有意义的效应出现之前打好基础。

反事实问题¶

AI 的影响可能更像互联网或中美贸易——不会立即从汇总数据中显现。

论文将 COVID-19（影响大、突然、因果关系明显）与 AI 影响做对比：后者可能存在贸易政策和商业周期等混杂因素。

常见方法是比较 AI 暴露程度不同的工人、企业或行业之间的结果。暴露度通常在任务层面定义。本研究遵循这种基于任务的方法，融合理论 AI 能力和真实使用数据，然后聚合到职业层面。

衡量暴露度¶

三个数据来源的结合：

Eloundou 等人的指标 (beta) 对任务评分：1 = LLM 单独可将任务速度翻倍，0.5 = 需要额外工具/软件，0 = 不可行。

理论与实践差距的示例： Eloundou 等人将"授权药物续配并向药房提供处方信息"标记为完全暴露 (beta=1)，但作者尚未观察到 Claude 执行此任务。

图1：四份经济指数报告中观察到的 97% 的任务属于理论上可行的类别（beta=0.5 或 beta=1.0）。beta=1 的任务占 Claude 使用量的 68%；beta=0 的任务仅占 3%。

新的职业暴露度指标¶

"观测暴露度"量化的是：在 LLM 理论上能加速的任务中，哪些实际上在专业环境中看到了自动化使用？

一个岗位的暴露度更高，如果：
- 其任务理论上 AI 可行
- 其任务在 Anthropic 经济指数中有显著使用量
- 其任务在工作相关情境中执行
- 其任务具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比更大

理论上 LLM 可完成的任务，如果在 Claude 流量中有足够的工作相关使用，则被计为"已覆盖"。完全自动化实现获得全权重；增强型使用获得半权重。任务级覆盖率按各任务的时间占比加权平均到职业层面。

图2：按大类职业分类的观测暴露度（红色）vs Eloundou 等人的 beta（蓝色）。计算机与数学类理论范围 94%；办公与行政类 90%。Claude 目前仅覆盖计算机与数学类 33% 的任务。

图3：暴露度最高的十个职业：

底端方面，30% 的工人覆盖率为零（任务出现频率过低未达最低阈值）。包括厨师、摩托车维修工、救生员、调酒师、洗碗工和更衣室服务员。

暴露度与就业增长预测及工人特征的关系¶

美国劳工统计局 (BLS) 发布就业预测；最新版（2025年）覆盖 2024 至 2034 年的预测变化。

图4：职业层面的回归（按当前就业加权）发现，覆盖率每增加 10 个百分点，BLS 增长预测下降 0.6 个百分点。单独使用 Eloundou 等人的指标则不存在这种关联。

图5：暴露度最高四分位与零暴露工人的特征对比（2022年8-10月，当前人口调查）：

优先考虑的结果指标¶

作者聚焦于失业率作为优先结果指标，因为它"最直接地捕捉经济伤害的可能性。"

被置换的工人在寻找替代工作时，应在 CPS 中表现为失业率上升——失业受访者会报告此前的工作/行业。

其他研究者的方法：
- Gimbel 等人 (2025)：使用 CPS 追踪职业组合变化（发现迄今变化"不起眼"）
- Brynjolfsson 等人 (2025)：使用 ADP 数据按年龄组观察就业
- Acemoglu 等人 (2022) 和 Hampole 等人 (2025)：使用 Burning Glass/Lightcast 和 Revelio 的招聘数据

初步结果¶

图6：2016 年以来高暴露度最高四分位 vs 零暴露组的原始失业率趋势。COVID 期间，AI 暴露度较低的工人（更可能从事面对面工作）失业率增幅更大。此后趋势大体相似。双重差分框架显示 ChatGPT 发布以来差距的平均变化"小且不显著。"

可检测效应： 1 个百分点量级的差异性失业率增长是可检测的。如果前 10% 的工人全部被裁，将使最高四分位内失业率从 3% 升至 43%，总体失业率从 4% 升至 13%。

"白领大衰退"情景： 2007-2009 年间失业率从 5% 翻倍至 10%。最高四分位中类似翻倍（3% 到 6%）在分析中应可见。

年轻工人¶

Brynjolfsson 等人报告暴露职业中 22-25 岁工人就业下降 6-16%，主要归因于招聘放缓而非离职增加。

作者发现暴露职业中年轻工人的失业率是平稳的。然而，招聘放缓可能不会表现为失业——许多年轻工人是劳动力市场新进入者，在 CPS 中没有列出职业，且可能退出劳动力。

图7：22-25 岁工人的月度求职成功率，按高暴露 vs 低暴露职业分组。序列在 2024 年出现视觉分歧——年轻工人进入暴露职业的可能性相对降低。低暴露职业的求职成功率稳定在 2%/月；进入高暴露职业的比率下降约半个百分点。ChatGPT 发布后的平均估计显示"与 2022 年相比，暴露职业的求职成功率下降 14%，尽管这刚刚达到统计显著性。"25 岁以上工人不存在此类下降。

替代解释：未被雇用的年轻工人可能留在现有岗位、从事其他工作或重返学校。求职转换在调查中可能更容易受到测量误差影响。

讨论¶

报告引入了理解 AI 劳动力市场效应的新指标。计算机程序员、客户服务代表和金融分析师是暴露度最高的职业。

使用美国调查数据，作者发现"暴露度最高的职业工人失业率无影响"，但有初步证据表明 22-25 岁工人的招聘放缓。

未来改进方向：
- 纳入不断演变的使用数据
- 更新 Eloundou 等人的指标（与 2023 年初 LLM 能力挂钩）
- 研究具有暴露领域教育背景的应届毕业生如何在劳动力市场中导航

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},
}

勘误¶

2026年3月8日更新：修正了图7，原图错误地将最高四分位和零暴露组的流入率标签互换。

致谢¶

撰写者：Maxim Massenkoff 和 Peter McCrory。

致谢：Ruth Appel、Tim Belonax、Keir Bradwell、Andy Braden、Dexter Callender III、Miriam Chaum、Madison Clark、Jake Eaton、Deep Ganguli、Kunal Handa、Ryan Heller、Lara Karadogan、Jennifer Martinez、Jared Mueller、Sarah Pollack、David Saunders、Carl De Torres、Kim Withee 和 Jack Clark。

额外感谢 Martha Gimbel、Anders Humlum、Evan Rose 和 Nathan Wilmers 对早期版本的反馈。