经济研究

Economic Research

人工智能的劳动力市场影响：一种新度量与早期证据

Labor market impacts of AI: A new measure and early evidence

2026年3月5日 阅读PDF版本

主要发现

Key findings

• 我们引入了一种衡量AI替代风险的新指标——观测暴露度（observed exposure），该指标结合了理论上的LLM能力与实际使用数据，并更侧重于自动化（而非增强型）及工作相关的使用场景
• AI远未达到其理论能力：实际覆盖范围仅为可行范围的一小部分
• 美国劳工统计局（BLS）预测，观测暴露度较高的职业到2034年的增长幅度较小
• 暴露度最高职业中的从业者更可能是年龄较大、女性、受教育程度更高且收入更高的群体
• 自2022年底以来，我们未发现高暴露度工人的失业率出现系统性上升，但初步证据表明，在暴露度较高的职业中，年轻工人的招聘速度有所放缓

引言

Introduction

人工智能的快速普及引发了一波研究和预测其对劳动力市场影响的浪潮。然而，以往方法的记录让我们有理由保持谦逊。

例如，一项衡量工作可离岸外包性的著名研究曾指出，美国约有四分之一的工作岗位面临风险。但十年后，这些岗位中的大多数仍保持着健康的就业增长。政府自身的职业增长预测，虽然方向正确，但其预测价值仅略高于对过去趋势的线性外推。即便是事后回顾，重大经济冲击对劳动力市场的影响也常常难以厘清。关于工业机器人对就业影响的研究得出了相互矛盾的结论，而中国贸易冲击造成的失业规模也仍在争论之中。¹

在本文中，我们提出了一个理解AI对劳动力市场影响的新框架，并利用早期数据对其进行了检验，发现迄今为止AI对就业产生影响的证据有限。我们的目标是建立一种衡量AI如何影响就业的方法，并定期重新审视这些分析。这种方法无法捕捉AI重塑劳动力市场的所有渠道，但通过在显著影响出现之前奠定这一基础，我们希望未来的发现能比事后分析更可靠地识别经济扰动。

AI的影响有可能是显而易见的。当影响模棱两可时，这个框架最为有用——它可以在替代效应显现之前，帮助识别最脆弱的工作岗位。

反事实分析

Counterfactuals

当影响巨大且突然时，因果推断会更容易。COVID-19疫情及其伴随的政策措施造成了如此显著的经济扰动，以至于对于许多问题而言，复杂的统计方法都显得多余。例如，失业率在疫情初期急剧飙升，几乎没有给其他解释留下空间。

然而，AI的影响可能更像互联网或与中国的贸易，而非COVID。其影响可能不会立即从总体失业数据中显现出来；贸易政策和商业周期等因素可能会模糊对趋势线的解读。

一种常见的方法是，在受AI影响程度不同（高或低）的工人、企业或行业之间比较结果，以便将AI的影响与其他混杂因素隔离开来。² 暴露度通常是在任务层面定义的：例如，AI可以批改作业，但不能管理课堂，因此教师的暴露度被认为低于那些整个工作都可以远程完成的工人。

我们的工作遵循这种基于任务的方法，结合了理论AI能力和实际使用情况的度量，然后汇总到职业层面。³

衡量暴露度

Measuring exposure

我们的方法结合了来自三个来源的数据。

• O*NET数据库，该数据库列举了美国约800个独特职业相关的任务。
• 我们自己的使用数据（如Anthropic经济指数所衡量的）。
• Eloundou等人（2023）的任务级暴露度估计，该估计衡量了LLM理论上是否有可能使任务速度至少提高一倍。

Eloundou等人的指标β采用简单的评分标准：如果仅凭LLM就能使任务速度翻倍，则得分为1；如果需要基于LLM构建的额外工具或软件，则得分为0.5；否则得分为0。⁴

为什么实际使用会低于理论能力？一些理论上可行的任务可能由于模型限制而未在使用中出现。其他任务可能因法律限制、特定软件要求、人工验证步骤或其他障碍而推广缓慢。例如，Eloundou等人将“授权药物续方并向药房提供处方信息”标记为完全暴露（β=1）。我们尚未观察到Claude执行此任务，尽管该评估似乎是正确的，因为理论上它可以通过LLM加速。

尽管如此，这些理论能力和实际使用的度量是高度相关的。如图1所示，在前四期经济指数报告中观测到的任务中，有97%属于Eloundou等人（2023）评为理论上可行的类别（β=0.5或β=1.0）。

一种新的职业暴露度度量

A new measure of occupational exposure

我们的新指标——观测暴露度——旨在量化：在LLM理论上可以加速的任务中，哪些任务实际上在专业环境中出现了自动化使用？理论能力涵盖了更广泛的任务范围。通过追踪这一差距如何缩小，观测暴露度能够洞察正在出现的经济变化。

我们的指标定性地捕捉了我们认为能预测工作影响的AI使用的几个方面。如果满足以下条件，则工作的暴露度更高：

• 其任务在理论上可由AI完成
• 其任务在Anthropic经济指数中显示出显著的使用量⁵
• 其任务是在工作相关环境中执行的
• 其自动化使用模式或API实现的比例相对较高
• 受AI影响的任务在其整体角色中占比较大⁶

我们在附录中给出了数学细节。我们将理论上可由LLM完成的任务，如果在Claude流量中观察到足够的工作相关使用，则视为已覆盖。然后，我们根据任务的执行方式进行调整：完全自动化的实现获得全权重，而增强型使用获得一半权重。最后，任务级别的覆盖度量根据每个任务上花费的时间比例加权平均到职业级别。

图2显示了观测暴露度（红色）与Eloundou等人（2023）的β（蓝色）的对比，说明了我们平台上理论能力与实际使用之间的差异，并按广泛的职业类别分组。我们首先根据时间比例度量加权平均到职业级别，然后根据总就业人数加权平均到职业类别。例如，β度量显示，在计算机与数学（94%）以及办公室与行政支持（90%）职业中，大多数任务都有LLM渗透的空间。

红色区域描绘了来自Anthropic经济指数的LLM使用情况，显示了人们在专业环境中如何使用Claude。覆盖范围显示AI远未达到其理论能力。例如，Claude目前仅覆盖了计算机与数学类别中所有任务的33%。

随着能力的进步、采用的普及和部署的深化，红色区域将逐渐覆盖蓝色区域。同样存在大片未覆盖区域；当然，许多任务仍然超出AI的能力范围——从修剪树木和操作农用机械等体力农业工作，到在法庭上代表客户等法律任务。

图3显示了在此指标下暴露度最高的十个职业。与其他显示Claude广泛用于编码的数据一致，计算机程序员位居榜首，覆盖率达75%，其次是客户服务代表，我们越来越多地在第一方API流量中看到其主要任务。最后，数据录入员，其主要任务——阅读源文档和输入数据——正经历显著的自动化，覆盖率达67%。

在最低端，30%的工人覆盖率为零，因为他们的任务在我们的数据中出现频率过低，未达到最低阈值。例如，这一群体包括厨师、摩托车修理工、救生员、调酒师、洗碗工和试衣间服务员。

暴露度如何与预测的就业增长和工人特征相关联

How exposure tracks with projected job growth and worker characteristics

美国劳工统计局（BLS）定期发布就业预测，最新一期于2025年发布，涵盖了2024年至2034年每个职业的预测就业变化。在图4中，我们将我们的工作级别覆盖度量与其预测进行了比较。

以当前就业人数加权的职业级别回归分析发现，观测暴露度较高的工作，其增长预测相对较弱。覆盖率每增加10个百分点，BLS的增长预测就会下降0.6个百分点。这提供了一定程度的验证，表明我们的指标与劳动力市场分析师独立得出的估计值存在关联，尽管这种关系很微弱。有趣的是，仅使用Eloundou等人的指标则不存在这种相关性。

图5显示了在ChatGPT发布前的三个月（2022年8月至10月），暴露度最高四分位数的工人与覆盖率为零的30%工人的特征对比，数据来自当前人口调查（CPS）。⁷ 这两组人群差异显著。暴露度较高的群体中，女性比例高出16个百分点，白人比例高出11个百分点，亚裔比例几乎是前者的两倍。他们的平均收入高出47%，且受教育程度更高。例如，研究生学历者在未暴露群体中占4.5%，但在暴露度最高的群体中占17.4%，相差近四倍。

优先关注的结果指标

Prioritizing outcomes

有了这些暴露度指标，问题在于要关注什么。研究人员采取了不同的方法。例如，Gimbel等人（2025）使用当前人口调查追踪职业结构的变化。他们的论点是，AI对经济造成的任何重要重组都会表现为工作分布的变化。¹（他们发现，迄今为止，变化并不显著。）Brynjolfsson等人（2025）使用薪资处理公司ADP的数据，按年龄组划分研究就业水平，而Acemoglu等人（2022）和Hampole等人（2025）则分别使用Burning Glass（现为Lightcast）和Revelio的职位发布数据。

我们将失业率作为优先关注的结果指标，因为它最直接地捕捉了潜在的经济损害——失业工人想要工作但尚未找到。在这种情况下，职位发布和就业数据不一定表明需要政策回应；一个高暴露度角色的职位发布减少，可能会被相关职位空缺的增加所抵消。AI对劳动力市场最有害的发展，按理说应该包括一个失业率上升的时期，因为被替代的工人需要寻找替代工作。当前人口调查非常适合追踪这一点，因为失业受访者会报告他们之前的工作和行业。

初步结果

Initial results

接下来，我们研究失业率的趋势，将我们的职业级别度量与当前人口调查中的受访者进行匹配。

在解释我们的覆盖度量时，一个关键问题是哪些工人应被视为“受处理组”？是否应该预期仅10%的任务覆盖率就会导致就业变化？Gans和Goldfarb（2025）表明，如果O型环模型最能描述工作，那么只有当所有任务都有一定程度的AI渗透时，才可能观察到就业效应。Hampole等人（2025）认为，平均暴露度会降低劳动力需求，但暴露度集中在特定任务上可以抵消这种影响。而Autor和Thompson（2025）则强调了剩余任务所需的专业水平。

考虑到简洁性，并注意到我们最关心的是重大影响，我们将分析重点放在这样一个观点上：影响应该在最暴露的群体中感受最深。我们将时间加权任务覆盖率处于最高四分位数的工人与最低四分位数的工人进行比较。如果AI能力快速进步，较低百分位数的任务覆盖率也可能很高，这可能会使绝对阈值更有用。但我们假设影响应首先影响最暴露的工人，并展示了改变我们用于定义“处理”的临界值的结果。

图6的上半部分显示了自2016年以来，暴露度最高四分位数工人和未暴露群体的失业率原始趋势。在COVID期间，AI暴露度较低的工人——他们更可能从事需要亲自到场的工作——失业率增幅要大得多。此后，两组之间的趋势大致相似。下半部分在双重差分框架下衡量了暴露度最高和最低工人之间差距的大小，反映了原始数据中的发现。自ChatGPT发布以来，该差距的平均变化很小且不显著，表明暴露度较高群体的失业率略有上升，但该效应与零无法区分。⁸

这个框架能识别出什么样的情景？根据合并估计的置信区间，大约1个百分点的失业率差异增长是可以检测到的（这将随着新数据的出现而变化，因此仅是一个粗略估计）。如果前10%的工人都被解雇，那么最高四分位数群体内的失业率将从3%上升到43%，总体失业率将从4%上升到13%。

一个较小但仍令人担忧的影响是诸如“白领工人的大衰退”这样的情景。在2007-2009年大衰退期间，美国的失业率从5%翻倍至10%。在暴露度最高的四分位数群体中，这样的翻倍将使其失业率从3%上升到6%。这应该在我们的分析中也是可见的。请注意，我们的核心估计是基于暴露组与低暴露组之间失业率的差异变化。如果所有工人的失业率同步上升，我们不会将其归因于AI的进步，因为AI仍然使许多任务未受影响。

一个特别值得关注的群体是年轻工人。Brynjolfsson等人报告称，在22至25岁的工人中，暴露度较高职业的就业率下降了6%至16%。他们将这种下降主要归因于招聘放缓，而非离职增加。⁹

我们发现，暴露度较高职业中年轻工人的失业率持平（见附录）。但招聘放缓可能不一定表现为失业率上升，因为许多年轻工人是劳动力市场新进入者，在CPS数据中没有列出的职业，他们可能退出劳动力市场而不是表现为失业。为了直接研究招聘情况，我们利用CPS的面板维度，统计了年轻（22-25岁）工人在高暴露度与低暴露度职业中新开始工作的百分比随时间的变化。图7显示了年轻工人的月度工作找到率（即，工人报告一份上个月没有的工作），并按他们进入的是高暴露度还是低暴露度职业进行划分。

除了2020-2021年的一些大幅波动外，这些序列在2024年出现视觉上的分化，年轻工人被招聘进入暴露度较高职业的可能性相对较低。低暴露度职业的工作找到率稳定在每月2%，而进入最高暴露度职业的比率下降了约0.5个百分点。在ChatGPT时代之后的平均估计显示，与2022年相比，暴露度较高职业的工作找到率下降了14%，尽管这仅勉强具有统计显著性。（对于25岁以上的工人，没有观察到这种下降。）

这可能提供了AI对就业早期影响的一些信号，并与Brynjolfsson等人的发现相呼应。但存在几种替代解释。未被录用的年轻工人可能留在现有工作岗位、从事其他工作或返回学校。另一个与数据相关的注意事项是，工作转换在调查中可能更容易出现测量误差。¹⁰

讨论

Discussion

本报告介绍了一种理解AI对劳动力市场影响的新度量，并研究了对失业率和招聘的影响。如果一个职业的任务在理论上可由LLM完成，并且在我们平台上观察到自动化、工作相关的使用案例，那么该职业对AI的暴露度就更高。我们发现，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之一。使用美国的调查数据，我们发现暴露度最高职业的工人失业率没有受到影响，尽管有初步证据表明，22-25岁工人进入这些职业的招聘速度略有放缓。

我们的工作是系统记录AI对劳动力市场影响的第一步。我们希望本报告中采取的分析步骤，特别是围绕覆盖度和反事实分析的部分，能够随着就业和AI使用新数据的出现而易于更新。一种成熟的方法可能有助于未来的观察者区分信号和噪音。

当前工作还有几个可以改进的地方。我们的使用数据将被纳入未来的更新中，形成经济中任务和工作覆盖度的动态图景。Eloundou等人的指标也可以更新，因为它与2023年初的LLM能力相关联。并且，鉴于关于年轻工人和劳动力市场新进入者的提示性结果，下一个关键步骤可能是研究在暴露度较高领域拥有教育背景的应届毕业生如何应对劳动力市场。

附录

Appendix

可在此处获取。

致谢

Acknowledgements

作者：Maxim Massenkoff 和 Peter McCrory。

感谢以下人员：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。

我们还要感谢 Martha Gimbel, Anders Humlum, Evan Rose 和 Nathan Wilmers 对本报告早期版本的反馈。

引用

Citation

@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}, }

参考文献

References

Acemoglu, Daron and Pascual Restrepo, "Robots and Jobs: Evidence from US Labor Markets," Journal of Political Economy, 2020, 128 (6), 2188–2244.

Acemoglu, Daron, David Autor, Jonathon Hazell, and Pascual Restrepo, "Artificial intelligence and jobs: Evidence from online vacancies," Journal of Labor Economics, 2022, 40 (S1), S293–S340.

Appel, Ruth, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, and Alex Tamkin, "Anthropic Economic Index report: economic primitives," 2026.

Autor, David H, David Dorn, and Gordon H Hanson, "The China syndrome: Local labor market effects of import competition in the United States," American Economic Review, 2013, 103 (6), 2121–2168.

Autor, David H, & Thompson, N. (2025). Expertise. NBER Working Paper, (w33941).

Blinder, Alan S et al., "How many US jobs might be offshorable?," World Economics, 2009, 10 (2), 41.

Borusyak, Kirill, Peter Hull, and Xavier Jaravel, "Quasi-experimental shift-share research designs," The Review of Economic Studies, 2022, 89 (1), 181–213.

Brynjolfsson, Erik, Bharat Chandar, and Ruyu Chen, "Canaries in the coal mine? six facts about the recent employment effects of artificial intelligence," Digital Economy, 2025.

Eckhardt, Sarah and Nathan Goldschlag, "AI and Jobs: The Final Word (Until the Next One)," Economic Innovation Group (EIG), August 2025. Available at: https://eig.org/ai-and-jobs-the-final-word/

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock, "Gpts are gpts: An early look at the labor market impact potential of large language models," arXiv preprint arXiv:2303.10130, 2023, 10.

Fujita, S., Moscarini, G., & Postel-Vinay, F. (2024). Measuring employer-to-employer reallocation. American Economic Journal: Macroeconomics, 16(3), 1-51.

G