煤矿中的金丝雀?关于人工智能近期就业影响的六个事实

作者: Erik Brynjolfsson∗ Bharat Chandar† Ruyu Chen‡§¶ 来源:https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/

文章最后更新日期: 2025年8月26日

摘要:

本文利用美国最大薪资软件提供商的高频行政管理数据,研究了受生成式人工智能影响的职业在劳动力市场中发生的变化。我们提出了六个事实来描述这些转变。我们发现,自生成式人工智能被广泛采用以来,在受人工智能影响最严重的职业中,处于职业生涯早期(22-25岁)的员工就业率相对下降了13%,即便在控制了公司层面的冲击后也是如此。相比之下,在受影响较小的领域工作的员工以及在相同职业中经验更丰富的员工,其就业情况保持稳定或持续增长。我们还发现,劳动力市场的调整主要通过就业而非薪酬来实现。此外,就业下降集中在那些人工智能更可能自动化而非增强人类劳动力的职业中。我们的研究结果对于其他解释(例如排除科技相关公司和排除适合远程工作的职业)同样具有稳健性。这六个事实为以下假设提供了早期、大规模的证据:人工智能革命正开始对美国劳动力市场的入门级员工产生显著且不成比例的影响。

∗斯坦福大学与美国国家经济研究局(NBER);erikb@stanford.edu

†斯坦福大学;chandarb@stanford.edu

‡斯坦福大学;ruyuchen@stanford.edu

§感谢Nick Bloom、Joshua Gans、David Autor、Daniel Rock、Fei-Fei Li、Frank Li、Christina Langer、Sarah Bana、Cody Cook、Chris Forman、Andrew Wang、Brad Ross、Omeed Maghzian、Basil Halperin、Jiaxin Pei、Phil Trammell、Eric Bergman以及斯坦福数字经济实验室研讨会参与者提供的有益反馈。我们感谢ADP提供数据访问权限以及斯坦福数字经济实验室的财务支持。文责自负。

¶最新版本:https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/

1 引言

生成式人工智能(AI)的扩散引发了一场关于其对劳动力市场潜在影响的全球性辩论。这场遍及学术界、公共政策、商界和大众媒体的讨论,涵盖了从提升生产力的乌托邦式预测,到对大规模失业的敌托邦式恐惧,再到认为AI对就业或生产力影响甚微的怀疑论观点。从历史上看,技术以不同方式影响着不同的任务、职业和行业,在某些领域取代工作,在另一些领域增强工作,并改变其他领域。这些异质性效应表明,可能存在一些“煤矿中的金丝雀”,它们是AI更广泛影响的预兆。

AI在多个领域的能力得到了迅速提升。例如,根据最新的《AI指数报告》,在2023年,AI系统在广泛使用的软件工程基准测试SWE-Bench上只能解决4.4%的编程问题,但到2024年,这一性能提升至71.7% (Maslej et al., 2025)。AI在其他基准测试(包括语言理解、学科知识和推理)上也有所改进。与此同时,AI系统正被日益广泛地采用。根据Hartley et al. (2025)的数据,到2025年6月/7月,美国18岁以上受访者中,在工作中使用大型语言模型(LLM)的比例达到了46%。

鉴于能力的提升和广泛的采用,一个核心担忧(近期头条新闻也放大了这一点)是,AI是否开始取代人类劳动力,特别是对于软件工程和客户服务等高度暴露于AI的行业中更年轻的入门级员工。

尽管这场辩论异常激烈,但实证研究的步伐却难以跟上技术进步的速度,导致许多基本问题悬而未决。本文通过利用来自美国最大薪资软件提供商ADP的大规模、高频行政管理数据集,来应对这一实证空白。我们的样本包含截至2025年7月的月度、个人层面的薪资记录,涵盖了数万家公司的数百万名员工。这种丰富的面板数据结构使我们能够以高度的粒度追踪就业动态,提供近乎实时的劳动力市场调整视图。通过将这些数据与已有的职业AI暴露度及其他变量的度量指标相结合,我们可以量化自生成式AI广泛采用以来的实际就业变化。

本文系统地提出了从数据中得出的六个关键事实,评估了AI革命如何重塑美国劳动力。

我们的第一个关键发现是,在最受AI影响的职业(如软件开发人员和客户服务代表)中,处于职业生涯早期(22-25岁)的员工就业率出现了大幅下降。相比之下,在相同职业中经验更丰富的员工,以及在受影响较小的职业(如护理助理)中所有年龄段的员工,其就业趋势保持稳定或持续增长。

我们的第二个关键事实是,尽管总体就业持续强劲增长,但年轻员工的就业增长自2022年底以来一直停滞不前。在受AI影响较小的工作中,年轻员工的就业增长与年长员工相当。相比之下,在最受AI影响的职业中,22至25岁员工的就业率从2022年底到2025年7月下降了6%,而年长员工则增长了6-9%。这些结果表明,受AI影响的岗位就业率下降,是导致22至25岁年龄段员工整体就业增长乏力的主要原因,而年长员工的就业则持续增长。

我们的第三个关键事实是,并非所有AI的应用都与就业下降相关。具体而言,入门级岗位的就业率在AI自动化工作的应用中有所下降,但在AI主要起增强作用的应用中则没有。我们通过估算对大型语言模型Claude的观察查询在多大程度上替代或补充了该职业中的任务,来从经验上区分自动化和增强。我们发现,在AI主要自动化工作的职业中,年轻员工的就业率下降,而在AI使用最具增强性的职业中,就业率则出现增长。这些发现与AI的自动化应用替代劳动力,而增强性应用则不然的观点相一致。

第四,我们发现,在控制了公司-时间效应后,年轻、受AI影响的员工的就业下降依然存在。对我们观察到的模式的一种解释是,它们可能是由行业或公司层面的冲击(如利率变化)驱动的,这些冲击与按年龄和测量的AI暴露度进行的员工分类模式相关。我们通过在事件研究回归中控制公司-时间效应来检验这类混淆因素,吸收了影响公司所有员工(无论AI暴露度如何)的总体公司冲击。对于22-25岁的员工,我们发现,与受影响最小的五分位数相比,受AI影响最严重的五分位数的相对就业率下降了12个对数点,这是一个巨大且具有统计显著性的效应。其他年龄组的估计值在幅度上要小得多,且不具有统计显著性。这些发现意味着我们观察到的就业趋势并非由雇佣了不成比例的大量受AI影响的年轻员工的公司所受到的差异性冲击驱动的。

第五,劳动力市场的调整更多地体现在就业上,而非薪酬上。与我们对就业的发现相反,我们发现按年龄或暴露度五分位数划分的年薪趋势差异不大,这表明可能存在工资粘性。如果是这样,AI对就业的影响可能比对工资的影响更大,至少在初期是如此。

第六,上述事实在各种替代样本构建中基本保持一致。我们发现,我们的结果并非仅仅由计算机相关职业或易受远程工作和外包影响的职业驱动。我们还发现,在大型语言模型广泛使用之前,包括在由COVID-19大流行驱动的失业率飙升期间,AI暴露度分类法并未能有意义地预测年轻员工的就业结果。我们观察到的数据模式似乎从2022年底开始最为明显,这恰好是生成式AI工具迅速普及的时期。这些模式在大学毕业生比例高的职业和比例低的职业中都成立,表明COVID-19期间教育成果的恶化并非我们结果的驱动因素。对于非大学学历的员工,我们发现经验可能在缓冲劳动力市场冲击方面的作用较小,因为在大学毕业生比例较低的职业中,直到40岁的员工,其就业结果都因AI暴露度而呈现出分化。

虽然我们提醒,我们记录的事实可能部分受到生成式AI以外因素的影响,但我们的结果与生成式AI已开始影响入门级就业的假设相一致。我们打算继续持续追踪数据,以评估这些趋势未来是否会发生变化。

为什么AI对受影响的入门级员工的负面影响比其他年龄组更大?一种可能性是,由于模型训练过程的性质,AI取代了编码知识,即构成正规教育核心的“书本知识”。AI可能不那么擅长取代隐性知识,即那些随经验积累的特殊技巧和诀窍。由于年轻员工提供的编码知识相对多于隐性知识,他们可能在受影响的职业中面临更多的任务替代,从而导致更大的就业再分配 (Acemoglu and Autor, 2011)。相比之下,拥有累积隐性知识的年长员工可能面临较少的任务替代。对于那些经验回报率低的职业中的非大学学历员工而言,隐性知识带来的这些好处可能较少。此外,经验更丰富的员工可能在其他方面技能更强,使他们不易被AI工具替代 (Ide, 2025)。一个重要的研究方向是进一步建模和检验这些预测。

2 相关文献

本文探讨了学术界、公共政策、商界和媒体中关于人工智能就业影响的一场大型公共辩论。这场讨论的核心在于AI是否正在取代软件工程师等受影响行业的员工。一些研究指出,大学毕业生的失业率已超过非大学毕业生,并以此作为AI导致就业中断的证据 (Thompson, 2025)。其他人则指出,这些趋势在AI普及之前早已存在,并提到公开数据,如当前人口调查(CPS),显示受AI影响的职业就业变化证据不一 (Lim et al., 2025; The Economist, 2025; Smith, 2025; Eckhardt and Goldschlag, 2025; Frick, 2025)。这些辩论仍未有定论,亟需关于受影响群体劳动力市场变化的高质量数据。本文提供了大规模数据,以高度的粒度和精确度来衡量就业变化,发现受AI影响职业的年轻员工确实经历了就业下降。

在学术界,旨在衡量AI就业影响的研究日益增多。这一文献的开端是一系列有影响力的论文,它们建立了估算哪些职业和任务易受自动化影响的方法论 (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,Eloundou et al. (2024); Felten et al. (2023); Gmyrek et al. (2023); Handa et al. (2025) 以及 Tomlinson et al. (2025) 等研究将此方法应用于生成式AI,构成本分析所用暴露度指标的基础。虽然这些研究识别了潜在的颠覆,但我们的研究将这些暴露度指标与实际的就业变化联系起来。我们发现,这些暴露度指标确实能够预测在生成式AI普及后时期年轻员工的重大就业变化。

我们的工作补充并扩展了那些在更具体环境中发现显著影响的研究,例如在线自由职业平台 (Hui et al., 2023; Demirci et al., 2025) 或个别公司内部 (Brynjolfsson et al., 2025; Dillon et al., 2025)。我们衡量了横跨美国经济的各职业的劳动力市场变化。

从这个意义上说,我们的工作补充了一小部分但日益增多的使用全经济范围数据来衡量AI影响的论文。近期的发现各不相同。Humlum and Vestergaard (2025) 使用丹麦的行政管理数据得出结论,认为对收入或工作小时数的影响微乎其微,而 Jiang et al. (2025) 则发现,在美国,AI暴露度与更长的工作小时数相关。Hampole et al. (2025) 使用Revelio Labs从2011年到2023年的招聘信息和LinkedIn个人资料记录,发现总体就业影响有限,公司整体劳动力需求的增长抵消了受影响职业需求的相对下降。Chandar (2025b) 使用CPS数据比较了受AI影响程度不同职业的就业变化,发现总体上差异趋势不大,但指出由于有效样本量有限,难以衡量年轻员工的变化。Dominski and Lee (2025) 同样使用CPS数据和替代的暴露度指标,发现在受AI影响的职业中就业有所下降,尽管CPS的数据局限性限制了统计推断的能力。Johnston and Makridis (2025) 使用季度就业与工资普查(QCEW)数据,发现在更受AI影响的州-行业对中就业有所增加。这些先前的论文所使用的数据,要么缺乏足够的粒度,要么缺乏时效性,无法可靠地研究按AI暴露度和年龄划分的就业变化 (O’Brien, 2025)。相比之下,本文使用大规模、近乎实时的数据,向着解决关于AI对年轻员工就业影响的持续辩论迈出了一步。

3 数据描述

3.1 薪资数据

本研究使用来自美国最大薪资处理公司ADP的数据。该公司为美国超过2500万员工所在的公司提供薪资服务。我们利用这些信息来追踪在被衡量为或多或少受到人工智能影响的职业中,员工的就业变化。

我们对主要分析样本施加了若干限制。我们只包括那些使用ADP薪资产品来维护员工收入记录的公司的员工。我们还排除了被公司归类为兼职的员工,并将样本限定在18至70岁之间的人群。

使用薪资服务的公司集合会随着公司加入或离开ADP平台而随时间变化。我们通过仅保留从2021年1月到2025年7月每个月都有员工收入记录的公司,来维持我们主要样本期内一致的公司集合。

此外,ADP观察到其系统中约70%员工的职位名称。我们排除了没有记录职位名称的员工。有超过7,000个标准化的职位名称,例如“搜索引擎优化专员”、“企业内容管理经理”和“工厂文件控制专员”。该公司的内部研究团队将这些职位名称中的每一个都映射到一个2010年标准职业分类(SOC)代码,并额外使用了职位描述、行业、地点和其他相关数据。我们使用这些估算的SOC代码,将我们的数据与下文3.2节中描述的职业AI暴露度指标进行合并。

在这些限制之后,我们的主要分析样本每月有350万到500万名员工的记录,但我们也考虑了对替代分析的稳健性,例如允许公司进入和离开样本。

虽然ADP数据每月包含数百万员工,但使用ADP服务的公司分布与整个美国经济中的公司分布并不完全匹配。关于公司构成差异的更多细节可以在Cajner et al. (2018) 和 ADP Research (2025) 中找到。

3.2 职业AI暴露度

我们使用两种不同的方法来衡量职业对AI的暴露度。第一种方法使用Eloundou et al. (2024) 的暴露度指标。Eloundou et al. (2024) 使用经过人工标注验证的ChatGPT,按O*NET任务估算了AI暴露度。然后,他们通过将任务数据汇总到2018年SOC代码级别,构建了职业暴露度指标。我们重点关注他们论文中基于GPT-4的β暴露度指标。

我们采用的第二种主要方法使用来自Anthropic经济指数(Handa et al., 2025)的生成式AI使用数据。该指数报告了基于对Anthropic的生成式AI模型Claude的数百万次对话样本,与每个O*NET任务相关的查询所占的估计份额。然后,它根据这些任务份额将数据汇总到职业级别。Anthropic经济指数的一个特点是,对于每个任务,它还报告了与该任务相关的查询中属于“自动化”、“增强”或两者皆非的估计份额。我们使用这些信息来估算一个职业的AI使用主要是与劳动力互补还是可替代。

Eloundou et al. (2024) 的指标和Handa et al. (2025) 的指标都按2018年SOC代码估算AI暴露度。我们使用美国劳工统计局(BLS)提供的2010年SOC代码到2018年SOC代码的对照表,将暴露度指标与薪资数据进行合并。表A1展示了每种AI暴露度指标下的职业示例。

3.3 其他数据

为了比较可远程办公与不可远程办公职业的就业变化,我们使用了Dingel and Neiman (2020) 的数据。我们使用BLS的个人消费支出指数来计算实际收入,以2017年10月为基准。我们使用月度当前人口调查(CPS)数据作为我们主要发现的比较对象。

4 结果

4.1 事实1:在受AI影响的职业中,年轻员工的就业率有所下降

以软件工程师和客户服务代理为例,这两个职业通常被认为高度暴露于生成式AI工具。媒体关注引发了人们对年轻软件工程师尤其可能面临广泛就业冲击的担忧 (Thompson, 2025; Raman, 2025; Allen, 2025; Horowitch, 2025)。

图1:这些职业按年龄组划分的就业变化,以2022年10月为1进行归一化。

图1显示了这些职业按年龄组划分的就业变化,以2022年10月为1进行归一化。两个职业都呈现出相似的模式:最年轻员工的就业率在2022年后显著下降,而其他年龄组的就业率则持续增长。到2025年7月,22-25岁软件开发人员的就业率与其2022年底的峰值相比下降了近20%。图A1显示,计算机职业和服务文员整体上也存在类似的模式。

图2

图2展示了另外四个职业作为案例研究,根据Eloundou et al. (2024) 制定的指标,这些职业的AI暴露度水平各不相同。市场营销和销售经理,处于AI暴露度的第四个五分位数,其年轻员工的就业率下降情况与软件和客户服务类似,尽管幅度较小。一线生产和运营主管,处于第三个五分位数,其年轻员工的就业率有所增加,但就业增长小于35岁以上员工的增长。

相比之下,Eloundou et al. (2024) 评定为受影响较小的职业的趋势与受影响较严重职业的模式不符。库存文员和订单处理员,处于第二个五分位数,按年龄划分没有明显差异。引人注目的是,由护理助理、精神科助理和家庭健康助理组成的健康助理系列,其趋势与软件或客户服务截然不同:年轻员工的就业增长速度快于年长员工。

图3

图3显示,这些模式在各职业中普遍存在。左上图显示,对于22-25岁的员工,受影响程度不同职业的就业结果出现分化,受影响更严重的职业就业率下降。对于年长年龄组,我们发现不同AI暴露度五分位数之间的就业增长差异要小得多。

4.2 事实2:尽管总体就业持续增长,但年轻员工的就业增长尤其停滞

图4显示了所有职业合并后各年龄组的总体就业趋势。总体就业保持强劲,与后疫情时期全国较低的失业率相符。然而,图4表明,与其他年龄组相比,年轻员工的就业增长有所放缓,这与近期关于入门级员工就业市场可能恶化的讨论相一致 (Chen, 2025; Federal Reserve Bank of New York, 2025)。

图4

图5揭示了这些趋势与AI暴露度的关系。对于每个年龄组,从2022年底到2025年7月,AI暴露度最低的三个五分位数的就业增长为6-13%,按年龄划分的就业增长没有明确的顺序。相比之下,对于最高的两个暴露度五分位数,22-25岁员工的就业率在2022年底至2025年7月间下降了6%,而35-49岁员工的就业率则增长了超过9%。这些结果表明,受AI影响的岗位就业率下降是导致22至25岁员工整体就业增长乏力的主要原因。

图5

虽然这些发现表明年轻员工的就业结果因AI暴露度而出现分化,但我们提醒,在这前两个事实中观察到的趋势可能由美国经济中的其他变化驱动。我们接下来的事实将评估这些结果在替代分析下的稳健性。

4.3 事实3:入门级就业在AI自动化工作的应用中有所下降,而在增强性应用中变化不大

AI暴露度既可以补充劳动力,也可以替代劳动力。这可能对劳动力市场产生截然不同的影响 (Brynjolfsson, 2022)。

为了评估就业模式如何因AI与劳动力的互补性或可替代性而异,我们使用了来自Anthropic经济指数(Handa et al., 2025)的生成式AI使用数据。该指数提供了与每个职业相关的查询所占份额的估计值。此外,对于每个任务,它还报告了与该任务相关的查询中属于“自动化”、“增强”或两者皆非的估计份额。我们使用这些信息来估算一个职业的AI使用主要是劳动力的替代品还是补充品。表A1展示了每种度量指标下处于最高和最低暴露度类别的职业示例。

图6显示了按相关Claude查询的总体流行度划分的就业变化。这些模式与使用Eloundou et al. (2024) 指标的发现非常吻合。同样,图7显示,自动化份额估计最高的职业,其最年轻员工的就业率有所下降。

相比之下,图8表明,增强份额估计最高的职业并未出现类似的模式。年轻员工的就业变化并未按增强暴露度排序,因为第五个五分位数的就业增长率是最高的之一。这些发现与AI的自动化应用替代劳动力,而增强性应用则不然的观点相一致。

4.4 事实4:在控制了公司-时间冲击后,年轻、受AI影响的员工的就业下降依然存在

虽然我们目前的结果与生成式AI导致入门级就业下降的假设相符,但存在一些合理的替代解释。一类解释是,我们的模式是由行业或公司层面的冲击所解释的,这些冲击与按年龄和测量的AI暴露度进行的员工分类模式相关。例如,一种可能性是,具有高测量AI暴露度的年轻员工不成比例地倾向于进入那些极易受利率上升影响的公司。

我们通过控制一组丰富的固定效应来检验这类混淆因素。对于每个年龄组,我们估计泊松回归:

\log(E[y_{f,q,t}]) = \sum_{q' \neq 1} \sum_{j \neq -1} \gamma_{q',j} \mathbf{1}{t = j} \mathbf{1}{q' = q} + \alpha_{f,q} + \beta_{f,t} + \varepsilon_{f,q,t} \quad (4.1)

其中,f 表示公司,q 表示Eloundou et al. (2024) 的暴露度五分位数,t 表示月份,其中 t=−1 对应2022年10月。结果变量 yf,q,t​ 是在公司 f、五分位数 q、时间 t 的就业人数。方程4.1是一个泊松事件研究回归,控制了公司-五分位数效应 αf,q​ 和公司-时间效应 βf,t​。公司-时间效应吸收了对每个暴露度五分位数产生同等影响的总体公司冲击。公司-五分位数效应调整了公司内部各五分位数之间招聘的基线差异。我们感兴趣的系数 γq,t​ 衡量了在考虑了公司-时间效应和公司-五分位数效应后,各五分位数之间就业增长的差异性变化。

我们对每个年龄组分别运行此回归。对于每次回归,我们将样本限制在每个时期内在该年龄组中至少雇佣10名员工的公司。此外,对于每个 q,∑t​yf,q,t​ 必须至少等于100,这意味着该公司在样本的各个月份中,平均必须从每个暴露度五分位数中至少雇佣约2名员工。标准误在公司层面进行聚类。

结果如图9所示,该图绘制了每个年龄组的 γq,t​ 系数。对于22-25岁的员工,较高五分位数的估计值很大且具有统计显著性,相对就业率下降了12个对数点,其幅度与图3原始数据中的估计值相当。其他年龄组的估计值在幅度上通常小得多,且不具有统计显著性。这些发现意味着我们观察到的就业趋势并非由雇佣了不成比例的大量受AI影响的年轻员工的公司所受到的差异性冲击驱动的。

一个不会被公司-时间效应控制的替代混淆因素是,即使在给定公司的情况下,具有高AI暴露度的员工在COVID-19大流行后被过度雇佣,导致随后的招聘收缩。为了评估这类替代方案,我们在4.6节中考虑了各种其他稳健性检验,例如移除计算机职业和以职业是否适合在家工作为条件。

4.5 事实5:劳动力市场的调整更多地体现在就业上,而非薪酬上

除了就业,我们还观察到员工的年度基本薪酬。我们利用这些信息来检验薪酬方面的劳动力市场调整。薪资数据使用PCE指数进行平减,调整至2017年美元价值。

结果如图10所示。研究结果表明,与就业相比,受影响程度不同职业之间的薪酬分化不那么明显。图11按年龄和基于Eloundou et al. (2024) 的暴露度五分位数显示了结果。我们发现,按年龄或暴露度五分位数划分的薪酬趋势差异不大。

Autor and Thompson (2025) 的先前研究指出,取代非专家任务的技术可能会减少职业就业,但会增加职业工资;取代专家任务的技术可能会产生相反的效果。工资效应的符号取决于被取代任务的总体份额以及这些任务是专家任务还是非专家任务。我们发现工资变化有限,这表明这些效应可能是相互抵消的,至少在短期内是这样。或者,结果可以用短期内的工资粘性来解释,这与Davis and Krolikowski (2025) 的近期证据相符。

4.6 事实6:在替代样本构建下,研究发现基本一致

我们检验了这些结果对替代样本构建和稳健性检验的稳健性。

排除技术职业 一种可能性是,我们的结果是由2022年至2023年技术招聘普遍放缓所解释的,因为公司正从COVID-19大流行中恢复。图A4显示了排除计算机职业(对应于以15-1开头的2010年SOC代码)后,按年龄和暴露度五分位数划分的就业变化。图A5显示了排除信息行业(NAICS代码51)的公司后的结果。结果非常相似,这与上述案例研究一致,即就业变化在多种职业中都可见。图9中包含公司-时间固定效应的结果进一步表明,我们的发现对于影响一般招聘趋势的公司或行业层面冲击是稳健的。这些结果表明,我们的发现并非特定于技术岗位。

远程工作 图A6和图A7根据Dingel and Neiman (2020) 的研究,分别显示了适合远程工作(telework)和不适合远程工作的职业的结果。我们发现,对于年轻员工,无论是在可远程办公的职业还是不可远程办公的职业中,受影响更严重的职业就业增长都较慢。特别是非远程办公职业的结果表明,我们的发现并非(至少不完全是)由外包或在家工作的中断驱动的。

更长样本期 图A8显示了将公司的平衡样本扩展至2018年的结果。这减少了样本量,并使数据略显嘈杂。尽管如此,在后GPT时代,趋势在很大程度上仍按暴露度排序,而这在2022年之前并非如此。一个担忧是,对于Eloundou et al. (2024) 的指标,受影响最严重的五分位数从2020年左右开始就业增长放缓。对于Anthropic暴露度指标(如图A9、A10和A11所示),情况并非如此。对于这些指标,在生成式AI出现之前的整个时期,受影响最严重的群体的就业增长相当,之后趋势出现分化。

教育变化 另一种可能性是,我们观察到的变化受到COVID-19大流行期间教育成果恶化的影响。COVID-19对教育成果造成了持续的损害 (Kuhfeld and Lewis, 2025)。由于受教育程度较高的员工平均而言具有更高的AI暴露度,近年来教育质量的下降可能会影响我们观察到的趋势。在图A12中,我们展示了根据2017年美国社区调查(ACS),超过70%的员工拥有大学学位的职业的趋势。在图A13中,我们展示了不到30%的员工拥有大学学位的职业的趋势。

大学毕业生比例高的职业总体就业率下降,与我们的主要结果相比,受影响程度不同职业之间的差异不大。相比之下,大学毕业生比例低的职业总体就业率上升,受AI影响最小的职业在增长,而受影响最严重的职业就业率下降。此外,对于大学毕业生比例较低的职业,就业结果的离散度在更高年龄组中也可见,直到40岁的员工,其就业趋势都因AI暴露度而出现分离。这些发现表明,教育成果的恶化不能完全解释我们的主要结果。它们还表明,对于非大学学历的员工,经验可能不像对大学学历员工那样能有效缓冲劳动力市场的冲击。

其他稳健性检验 图A14和A15分别显示了男性和女性的结果。结果相似,表明男性和女性前景的分化并非我们发现的驱动因素。图A16显示,当我们不采用公司的平衡样本时,结果相似。图A17显示,当包括兼职和临时工时,结果相似。

与CPS数据的比较 对我们发现的一个有用的基准是将其与月度当前人口调查(CPS)的估计值进行比较。CPS每月调查全国约60,000个家庭,以收集有关就业和其他劳动力特征的数据。这些数据在参考月份后几周发布,提供了近乎实时的就业统计估计。许多先前的分析都使用CPS来评估AI如何影响入门级工作 (Chandar, 2025b; Dominski and Lee, 2025; Lim et al., 2025; Eckhardt and Goldschlag, 2025)。我们将ADP数据中的一些主要发现与CPS的估计值进行比较。

图A18至A20使用CPS数据,按年龄显示了软件开发人员、客户服务代表和家庭健康助理的就业变化。尽管全美有数百万员工从事这些职业,但估计值波动性很大,月度估计就业人数的常见波动达到20%或更高。图A21使用CPS,按年龄和暴露度五分位数显示了估计的就业变化,也表明估计值存在高度的波动性。

CPS微观数据的这种波动性反映了样本量小以及CPS并非为这些人口-职业子群体的就业统计而进行分层抽样的事实。因此,CPS的样本量和抽样程序可能使得在本文所考虑的时间范围内,以高度的置信度评估按年龄和AI暴露度划分的就业变化具有挑战性 (Chandar, 2025b; O’Brien, 2025)。

其他大规模数据源,如美国社区调查(ACS),可能为ADP数据提供更可靠的比较,尽管ACS的发布与ADP数据相比有显著的滞后。我们鼓励在其他数据源(如ACS)发布后,将我们的发现与它们的结果进行比较。

5 结论

我们记录了关于人工智能近期劳动力市场影响的六个事实。

  • 首先,我们发现在最受AI影响的职业中,如软件开发和客户支持,处于职业生涯早期的员工就业率大幅下降。

  • 其次,我们表明,全经济范围的就业持续增长,但年轻员工的就业增长停滞不前。

  • 第三,入门级就业在AI自动化工作的应用中有所下降,而在增强性应用中影响不大。

  • 第四,在控制了公司-时间效应后,这些就业下降依然存在,年轻员工在受影响最严重的职业中相对就业率下降了13%。

  • 第五,这些劳动力市场的调整更多地体现在就业上,而非薪酬上。

  • 第六,我们发现,这些模式在不受远程工作影响的职业中以及在各种替代样本构建中都成立。

虽然我们的主要估计可能受到生成式AI以外因素的影响,但我们的结果与生成式AI已开始显著影响入门级就业的假设相一致。

新技术的采用通常会对不同员工产生异质性影响,导致一个调整期,因为员工会从被取代的工作形式重新分配到劳动力需求增长的新形式中 (Autor et al., 2024)。这种内生调整可能已经在AI领域发生,有新出现的证据表明,大学专业正从计算机科学等受AI影响的类别转移 (Horowitch, 2025)。过去的技术转型,如IT革命,在物质和人力资本调整后,最终导致了就业和实际工资的强劲增长,其中一些员工比其他人受益更多 (Bresnahan et al., 2002; Brynjolfsson et al., 2021)。持续追踪就业趋势将有助于确定对AI的调整是否遵循类似的模式。因此,我们将继续监测这些结果,以评估本文记录的趋势未来是否会加速。未来的研究将受益于更好的公司层面AI采用数据,这将为估计AI对就业的合理因果效应提供更清晰的变异。

参考文献

Acemoglu, D. and D. Autor (2011): “技能、任务与技术:对就业与收入的影响*” (Skills, Tasks and Technologies: Implications for Employment and Earnings*),载于《劳动经济学手册》(Handbook of Labor Economics),由D. Card和O. Ashenfelter编辑,Elsevier,第4卷,1043–1171页。1

Acemoglu, D., D. Autor, J. Hazell, and P. Restrepo (2022): “人工智能与就业:来自在线招聘的证据” (Artificial Intelligence and Jobs: Evidence from Online Vacancies),《劳动经济学杂志》(Journal of Labor Economics),40,S293–S340,出版商:芝加哥大学出版社。9

ADP Research (2025): “ADP全国就业报告” (ADP National Employment Report)。3.1

Allen, Mike, J. V. (2025): “幕后:顶级AI CEO预见白领大屠杀” (Behind the Curtain: Top AI CEO foresees white-collar bloodbath),Axios。6, 4.1

Autor, D., C. Chin, A. Salomons, and B. Seegmiller (2024): “新前沿:1940–2018年新工作的起源与内容*” (New Frontiers: The Origins and Content of New Work, 1940–2018*),《经济学季刊》(The Quarterly Journal of Economics),139,1399–1465页。5

Autor, D. and N. Thompson (2025): “专业知识” (Expertise),工作论文,NBER。4.5

Bacon, A. (2025): “英伟达的黄仁勋称‘如果世界耗尽创意’,AI可能导致失业 | CNN商业” (Nvidia’s Jensen Huang says AI could lead to job losses ‘if the world runs out of ideas’ | CNN Business),CNN。6

Bick, A., A. Blandin, and D. J. Deming (2024): “生成式AI的迅速采用” (The Rapid Adoption of Generative AI),工作论文,美国国家经济研究局。2, 9

Bonney, K., C. Breaux, C. Buffington, E. Dinlersoz, L. Foster, N. Goldschlag, J. Haltiwanger, Z. Kroff, and K. Savage (2024): “AI对劳动力的影响:任务还是工作?” (The impact of AI on the workforce: Tasks versus jobs?),《经济学快报》(Economics Letters),244,111971。9

Bowen, T. (2025): “毕业即遇减速:2025届毕业生面临冰冻的就业市场” (Graduating into a Slowdown: Class of 2025 Meets a Frozen Job Market)。7

Bresnahan, T. F., E. Brynjolfsson, and L. M. Hitt (2002): “信息技术、工作场所组织与对熟练劳动力的需求:公司层面的证据*” (Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence*),《经济学季刊》(The Quarterly Journal of Economics),117,339–376页。5

Brynjolfsson, E. (2022): “图灵陷阱:类人人工智能的希望与危险” (The Turing Trap: The Promise and Peril of Human-Like Artificial Intelligence),《代达罗斯》(Daedalus),151,272–287页。4.3

Brynjolfsson, E., D. Li, and L. Raymond (2025): “工作中的生成式AI*” (Generative AI at Work*),《经济学季刊》(The Quarterly Journal of Economics),140,889–942页。2

Brynjolfsson, E. and T. Mitchell (2017): “机器学习能做什么?对劳动力的影响” (What Can Machine Learning Do? Workforce Implications),《科学》(Science),358,1530–1534页。2

Brynjolfsson, E., T. Mitchell, and D. Rock (2018): “机器能学到什么,这对职业和经济意味着什么?” (What Can Machines Learn, and What Does It Mean for Occupations and the Economy?),《AEA论文与会议录》(AEA Papers and Proceedings),108,43–47页。2

Brynjolfsson, E., D. Rock, and C. Syverson (2021): “生产力J曲线:无形资产如何补充通用技术” (The Productivity J-Curve: How Intangibles Complement General Purpose Technologies),《美国经济学杂志:宏观经济学》(American Economic Journal: Macroeconomics),13,333–372页。5

Cajner, T., L. Crane, R. Decker, A. Hamins-Puertolas, C. Kurz, and T. Radler (2018): “使用薪资处理商微观数据衡量总体劳动力市场活动” (Using Payroll Processor Microdata to Measure Aggregate Labor Market Activity),技术报告,美国联邦储备委员会。3.1, 13

Chandar, B. (2025a): “大学员工构成的变化:对美国不平等和劳动力需求的影响” (Shifts in the Composition of College Workers: Implications for US Inequality and Labor Demand),技术报告,社会科学研究网络。24

——— (2025b): “追踪受AI影响工作的就业情况” (Tracking Employment in AI-Exposed Jobs),技术报告,社会科学研究网络。7, 2, 4.6

Chen, J. and J. Roth (2024): “带零的对数?一些问题与解决方案*” (Logs with Zeros? Some Problems and Solutions*),《经济学季刊》(The Quarterly Journal of Economics),139,891–936页。17

Chen, J. L. a. T.-P. (2025): “年轻毕业生正面临就业危机” (Young Graduates Are Facing an Employment Crisis),《华尔街日报》(WSJ),经济版。4.2

Chen, W. X., S. Srinivasan, and S. Zakerinia (2025): “替代还是互补?生成式AI的劳动力市场影响” (Displacement or Complementarity? The Labor Market Impact of Generative AI)。9

Davis, S. J. and P. M. Krolikowski (2025): “裁员边际上的工资粘性” (Sticky Wages on the Layoff Margin),《美国经济评论》(American Economic Review),115,491–524页。4.5

Dell’Acqua, F., E. McFowland III, E. R. Mollick, H. Lifshitz-Assaf, K. Kellogg, S. Rajendran, L. Krayer, F. Candelon, and K. R. Lakhani (2023): “驾驭崎岖的技术前沿:AI对知识工作者生产力和质量影响的现场实验证据” (Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。8

Demirci, O., J. Hannane, and X. Zhu (2025): “AI正在取代谁?生成式AI对在线自由职业平台的影响” (Who is AI replacing? The impact of generative AI on online freelancing platforms),《管理科学》(Management Science)。2

Dillon, E., S. Jaffe, S. Peng, and A. Cambon (2025): “M365 Copilot的早期影响” (Early Impacts of M365 Copilot),技术报告 MSR-TR-2025-18,微软。2

Dingel, J. I. and B. Neiman (2020): “有多少工作可以在家完成?” (How many jobs can be done at home?),《公共经济学杂志》(Journal of Public Economics),189,104235。3.3, 4.6, A6, A7

Dominski, J. and Y. S. Lee (2025): “AI能力进步与劳动力结果演变” (Advancing AI Capabilities and Evolving Labor Outcomes),技术报告,arXiv,arXiv:2507.08244 [econ]。2, 4.6

Doshay, H. and A. Bantock (2025): “SignalFire 2025年科技人才状况报告” (The SignalFire State of Tech Talent Report - 2025)。7

Eckhardt, S. and N. Goldschlag (2025): “AI与就业:最终定论(直到下一次)” (AI and Jobs: The Final Word (Until the Next One)),经济创新集团。2, 4.6

Eloundou, T., S. Manning, P. Mishkin, and D. Rock (2024): “GPTs就是GPTs:大型语言模型的劳动力市场潜在影响” (GPTs are GPTs: Labor market impact potential of LLMs),《科学》(Science),384,1306–1308,出版商:美国科学促进会。2, 10, 3.2, 4.1, 2, 3, 4.3, 4.4, 9, 4.5, 11, 4.6, A4, A5, A6, A7, A8, A12, A13, A14, A15, A16, A17, A21, A1

Ettenheim, L. E. a. K. B. |. G. b. R. (2025): “AI正在摧毁本已脆弱的大学毕业生就业市场” (AI Is Wrecking an Already Fragile Job Market for College Graduates),《华尔街日报》(WSJ),科技版。6

Federal Reserve Bank of New York (2025): “近期大学毕业生的劳动力市场” (The Labor Market for Recent College Graduates)。4.2

Felten, E., M. Raj, and R. Seamans (2021): “职业、行业和地理上对人工智能的暴露度:一个新颖的数据集及其潜在用途” (Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses),《战略管理杂志》(Strategic Management Journal),42,2195–2217,_eprint: https://onlinelibrary.wiley.com/doi/pdf/10.1002/smj.3286。2

——— (2023): “像ChatGPT这样的语言模型将如何影响职业和行业?” (How will Language Modelers like ChatGPT Affect Occupations and Industries?),技术报告,arXiv,arXiv:2303.01157 [econ]。2

Felten, E. W., M. Raj, and R. Seamans (2018): “一种将人工智能进展与职业能力联系起来的方法” (A Method to Link Advances in Artificial Intelligence to Occupational Abilities),《AEA论文与会议录》(AEA Papers and Proceedings),108,54–57页。2

——— (2019): “人工智能的职业影响:劳动力、技能与两极分化” (The Occupational Impact of Artificial Intelligence: Labor, Skills, and Polarization),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。2

Frank, M. R., Y.-Y. Ahn, and E. Moro (2025): “AI暴露度预测失业风险:一种技术驱动失业的新方法” (AI exposure predicts unemployment risk: A new approach to technology-driven job loss),《PNAS Nexus》,4,pgaf107。9

Frey, C. B. and M. A. Osborne (2017): “就业的未来:工作对计算机化的敏感度如何?” (The future of employment: How susceptible are jobs to computerisation?),《技术预测与社会变迁》(Technological Forecasting and Social Change),114,254–280页。2

Frick, W. (2025): “AI无处不在,除了就业数据” (AI Is Everywhere But the Jobs Data),Bloomberg.com。2

Gmyrek, P., J. Berg, and D. Bescond (2023): “生成式AI与就业:对工作数量和质量潜在影响的全球分析” (Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。2

Hampole, M., D. Papanikolaou, L. D. Schmidt, and B. Seegmiller (2025): “人工智能与劳动力市场” (Artificial Intelligence and the Labor Market),工作论文,美国国家经济研究局。2, 10

Handa, K., A. Tamkin, M. McCain, S. Huang, E. Durmus, S. Heck, J. Mueller, J. Hong, S. Ritchie, T. Belonax, K. K. Troy, D. Amodei, J. Kaplan, J. Clark, and D. Ganguli (2025): “哪些经济任务是用AI执行的?来自数百万次Claude对话的证据” (Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations),技术报告,arXiv,arXiv:2503.04761 [cs]。2, 3.2, 14, 4.3, 6, 7, 8, A2, A3, A9, A10, A11, A1, A2

Hartley, J., F. Jolevski, V. Melo, and B. Moore (2025): “生成式人工智能的劳动力市场效应” (The Labor Market Effects of Generative Artificial Intelligence),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。1, 9

Hoover, A. (2025): “AI编程末日” (The AI coding apocalypse),《商业内幕》(Business Insider)。6

Horowitch, R. (2025): “计算机科学泡沫正在破裂” (The Computer-Science Bubble Is Bursting),《大西洋月刊》(The Atlantic),经济版。6, 4.1, 5

Hui, X., O. Reshef, and L. Zhou (2023): “生成式人工智能对就业的短期影响:来自在线劳动力市场的证据” (The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market),SSRN学术论文,纽约州罗切斯特。2

Humlum, A. and E. Vestergaard (2025): “大型语言模型,微小的劳动力市场效应” (Large Language Models, Small Labor Market Effects),工作论文,美国国家经济研究局。2

Ide, E. (2025): “自动化、AI与知识的代际传递” (Automation, AI, and the Intergenerational Transmission of Knowledge),arXiv预印本 arXiv:2507.16078。1

Jamali, L. (2025): “微软将在投资AI的同时裁员多达9000人” (Microsoft to cut up to 9,000 jobs as it invests in AI),BBC。6

Jiang, W., J. Park, R. Xiao, and S. Zhang (2025): “AI与延长的工作日:生产力、合同效率与租金分配” (AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。2

Johnston, A. and C. Makridis (2025): “生成式AI的劳动力市场效应:对AI暴露度的双重差分分析” (The Labor Market Effects of Generative AI: A Difference-in-Differences Analysis of AI Exposure),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。2, 10

Kochhar, R. (2023): “哪些美国工人在工作中更易受AI影响?” (Which U.S. Workers Are More Exposed to AI on Their Jobs?),皮尤研究中心。26

Kuhfeld, M. and K. Lewis (2025): “COVID-19爆发5年后:测试数据表明数学成绩有所提高,阅读恢复停滞” (5 years after COVID-19 hit: Test data converge on math gains, stalled reading recovery),布鲁金斯学会。4.6

Lenny Rachitsky (2025): “2025年产品工作市场状况” (State of the product job market in 2025),Lenny’s Newsletter,访问日期:2025-05-30。7

Lim, S., D. Strauss, J. Burn-Murdoch, and C. Murray (2025): “AI正在扼杀毕业生工作吗?” (Is AI killing graduate jobs?),《金融时报》(Financial Times)。2, 7, 4.6

Maslej, N., L. Fattorini, R. Perrault, Y. Gil, V. Parli, N. Kariuki, E. Capstick, A. Reuel, E. Brynjolfsson, J. Etchemendy, et al. (2025): “2025年人工智能指数报告” (Artificial intelligence index report 2025),arXiv预印本 arXiv:2504.07139。1

Milmo, D. and L. Almeida (2025): “‘劳动力危机’:毕业生在就业市场与AI抗争的关键启示” (‘Workforce crisis’: key takeaways for graduates battling AI in the jobs market),《卫报》(The Guardian)。6

Noy, S. and W. Zhang (2023): “关于生成式人工智能生产力效应的实验证据” (Experimental evidence on the productivity effects of generative artificial intelligence),《科学》(Science),381,187–192,出版商:美国科学促进会。8

O’Brien, C. (2025): “一张关于近期毕业生失业率的病毒式图表具有误导性” (A viral chart on recent graduate unemployment is misleading),Agglomerations。2, 4.6

Peck, E. (2025): “AI正让近期大学毕业生失业” (AI is keeping recent college grads out of work),Axios。6

Peng, S., E. Kalliamvakou, P. Cihon, and M. Demirer (2023): “AI对开发者生产力的影响:来自GitHub Copilot的证据” (The Impact of AI on Developer Productivity: Evidence from GitHub Copilot),技术报告,arXiv,arXiv:2302.06590 [cs]。8

Raman, A. (2025): “观点 | 我是LinkedIn高管。我看到职业阶梯的底层正在断裂。” (Opinion | I’m a LinkedIn Executive. I See the Bottom Rung of the Career Ladder Breaking.),《纽约时报》(The New York Times)。6, 4.1

Raval, A. (2025): “AI裁员正在加速” (The AI job cuts are accelerating),《金融时报》(Financial Times)。6

Roose, K. (2025): “对一些近期毕业生来说,AI就业末日可能已经来临” (For Some Recent Graduates, the A.I. Job Apocalypse May Already Be Here),《纽约时报》(The New York Times)。6

Sherman, N. (2025): “亚马逊老板称AI将取代科技巨头的工作岗位” (Amazon boss says AI will replace jobs at tech giant),BBC新闻。6

Simon, L. K. (2025): “AI是入门级失业率上升的罪魁祸首吗?” (Is AI responsible for the rise in entry-level unemployment?),Revelio Labs。7

Smith, N. (2025): “别再假装你知道AI对经济有什么影响” (Stop pretending you know what AI does to the economy)。2

The Economist (2025): “为什么AI还没抢走你的工作” (Why AI hasn’t taken your job),《经济学人》(The Economist)。2

Thompson, D. (2025): “就业市场正在发生一些令人担忧的事情” (Something Alarming Is Happening to the Job Market),《大西洋月刊》(The Atlantic),经济版。2, 4.1

Tomlinson, K., S. Jaffe, W. Wang, S. Counts, and S. Suri (2025): “与AI共事:衡量生成式AI的职业影响” (Working with AI: Measuring the Occupational Implications of Generative AI),技术报告,arXiv,arXiv:2507.07935 [cs]。2

Webb, M. (2019): “人工智能对劳动力市场的影响” (The Impact of Artificial Intelligence on the Labor Market),SSRN学术论文,社会科学研究网络,纽约州罗切斯特。2

Wu, T. (2025): “观点 | 一场‘白领大屠杀’不一定是我们的命运” (Opinion | A ‘White-Collar Blood Bath’ Doesn’t Have to Be Our Fate),《纽约时报》(The New York Times)。6

附录

图A1:计算机职业(2010年SOC代码以15-1开头)和服务文员(以43-4开头)的就业变化,以2022年10月为1进行归一化。图A2:按年龄和自动化水平划分的就业变化,使用Handa et al. (2025) 的Claude使用数据。排除了没有Claude使用记录或在有使用记录的职业中总体使用率处于最低五分位数的职业。图A3:按年龄和增强五分位数划分的就业变化,使用Handa et al. (2025) 的Claude使用数据。排除了没有Claude使用记录或在有使用记录的职业中总体使用率处于最低五分位数的职业。图A4:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。排除了计算机职业(2010年SOC代码以15-1开头)。图A5:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。排除了信息行业的公司(NAICS代码51)。图A6:按年龄和暴露度组别划分的就业变化,使用Eloundou et al. (2024) 的指标。仅包括根据Dingel and Neiman (2020) 可远程办公的职业。注意,很少有可远程办公的职业属于最低暴露度五分位数。因此,第一和第二五分位数的所有职业被归为第1级。其余五分位数被编码为2、3和4。图A7:按年龄和暴露度组别划分的就业变化,使用Eloundou et al. (2024) 的指标。仅包括根据Dingel and Neiman (2020) 不可远程办公的职业。注意,很少有不可远程办公的职业属于最高暴露度五分位数。因此,第四和第五五分位数的所有职业被归为第4级。其余五分位数被编码为1、2和3。图A8:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。数据从2018年至2025年。图A9:按年龄和暴露度五分位数划分的就业变化,使用Handa et al. (2025) 的Claude使用数据。其相关任务的查询次数均低于出现在使用数据中最低数量的职业被视为一个单独的类别,编码为0。数据从2018年至2025年。图A10:按年龄和自动化水平划分的就业变化,使用Handa et al. (2025) 的Claude使用数据。数据从2018年至2025年。图A11:按年龄和增强五分位数划分的就业变化,使用Handa et al. (2025) 的Claude使用数据。数据从2018年至2025年。图A12:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。仅考虑2017年ACS中至少70%的员工拥有大学学位的职业。注意,没有此类职业位于基于GPT-4 β的暴露度指标的第一五分位数。图A13:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。仅考虑2017年ACS中至多30%的员工拥有大学学位的职业。图A14:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。仅考虑男性。图A15:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。仅考虑女性。图A16:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。使用公司的完整样本。图A17:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。包括兼职和临时工。图A18:软件开发人员按年龄划分的就业变化,以2022年10月为1进行归一化。数据来自月度CPS。图A19:客户服务代表按年龄划分的就业变化,以2022年10月为1进行归一化。数据来自月度CPS。图A20:家庭健康助理按年龄划分的就业变化,以2022年10月为1进行归一化。数据来自月度CPS。图A21:按年龄和暴露度五分位数划分的就业变化,使用Eloundou et al. (2024) 的指标。数据来自月度CPS。

表A1:按暴露度类别划分的职业示例

指标

受影响最小(示例)

受影响最大(示例)

Eloundou et al. (2024) GPT-4 β

• 维修和修理工,通用 • 护理、精神科和家庭健康助理 • 劳工和货运、库存及物料搬运工,手动 • 女佣和家政清洁工

• 客户服务代表 • 会计师和审计师 • 软件开发人员,应用程序和系统软件 • 秘书和行政助理

Handa et al. (2025) (总体)

• 出租车司机和私人司机 • 生产和操作工的一线主管 • 劳工和货运、库存及物料搬运工,手动 • 女佣和家政清洁工

• 计算机程序员 • 财务经理 • 会计师和审计师 • 销售代表,批发和制造业

Handa et al. (2025) (自动化)

• 维修和修理工,通用 • 经理,所有其他 • 护理、精神科和家庭健康助理 • 司机/销售员和卡车司机

• 总经理和运营经理 • 会计师和审计师 • 软件开发人员,应用程序和系统软件 • 接待员和信息员

Handa et al. (2025) (增强)

• 厨师 • 焊接、钎焊和铜焊工 • 出纳员 • 绘图员

• 首席执行官 • 维修和修理工,通用 • 注册护士 • 计算机和信息系统经理

表A2:Handa et al. (2025) 的表1。Handa et al. (2025) 根据人们如何将AI整合到工作流程中,将大型语言模型Claude的对话分为两大类下的五种不同模式。

自动化行为(AI直接执行任务,人类参与最少)

增强性行为(AI通过协作增强人类能力)

指令式: 任务完全委托,互动最少。示例:“将这份技术文档格式化为Markdown”

任务迭代: 协作完善过程。示例:“我们来为新产品起草一份营销策略……开头不错,但我们能加一些具体的指标吗?”

反馈循环: 在环境反馈的指导下完成任务。示例:“这是我用于数据分析的Python脚本——它报了一个IndexError。你能帮我修复吗?……现在我遇到了一个不同的错误……”

学习: 知识获取和理解。示例:“你能解释一下神经网络是如何工作的吗?”

验证: 工作核查和改进。示例:“我写了这条SQL查询来查找重复的客户记录。你能检查一下我的逻辑是否正确并提出任何改进建议吗?”