摘要

本文使用來自美國最大薪資軟件提供商的高頻行政數(shù)據(jù)，研究了受生成式人工智能影響的職業(yè)在勞動力市場上發(fā)生的變化。我們提出了六個事實來描述這些轉變。

我們發(fā)現(xiàn)，自生成式人工智能被廣泛采用以來，在人工智能暴露度最高的職業(yè)中，處于職業(yè)生涯早期的工人（22-25歲）的就業(yè)率在控制了公司層面的沖擊后，仍然出現(xiàn)了13%的相對下降。相比之下，在暴露度較低領域的工人以及在相同職業(yè)中經驗更豐富的工人的就業(yè)情況保持穩(wěn)定或持續(xù)增長。我們還發(fā)現(xiàn)，勞動力市場的調整主要通過就業(yè)而非薪酬來實現(xiàn)。

此外，就業(yè)下降集中在人工智能更可能自動化而非增強人類勞動的職業(yè)中。我們的研究結果對于其他解釋（例如排除科技相關公司和排除適合遠程工作的職業(yè)）是穩(wěn)健的。這六個事實提供了早期、大規(guī)模的證據(jù)，與人工智能革命已開始對美國勞動力市場的入門級工人產生重大且不成比例的影響這一假設相符。

生成式人工智能（AI）的擴散引發(fā)了一場關于其對勞動力市場潛在影響的全球性辯論。這場跨越學術界、公共政策、商界和大眾媒體的討論，涵蓋了從生產力提升的烏托邦式預測，到大規(guī)模失業(yè)的敵托邦式恐懼，再到認為人工智能對就業(yè)或生產力影響甚微的懷疑論觀點。從歷史上看，技術以不同方式影響著不同的任務、職業(yè)和行業(yè)，在某些領域取代工作，在另一些領域增強工作，并改變其余領域。這些異質性效應表明，可能存在一些“煤礦中的金絲雀”，它們是人工智能產生更廣泛影響的預兆1。

人工智能在多個領域的能力已取得迅速提升。例如，根據(jù)最新的《人工智能指數(shù)報告》，2023年，人工智能系統(tǒng)在廣泛使用的軟件工程基準測試 SWE-Bench 上只能解決4.4%的編程問題，但到2024年，這一性能提升至71.7% (Maslej et al., 2025)1。人工智能在其他基準測試（包括語言理解、學科知識和推理）方面也有所改進。與此同時，人工智能系統(tǒng)正被日益廣泛地采用。根據(jù) Hartley et al. (2025) 的數(shù)據(jù)，到2025年6月/7月，在美國18歲以上的受訪者中，大型語言模型（LLM）在工作中的采用率達到了46%2 1。

鑒于能力的提升和廣泛的采用，一個核心擔憂（近期頭條新聞也放大了這一點）是，人工智能是否已開始取代人類勞動，特別是對于像軟件工程和客戶服務這類高暴露度職業(yè)中的年輕、入門級工人 3 1。

盡管這場辯論異常激烈，但實證證據(jù)卻難以跟上技術進步的步伐，導致許多基本問題懸而未決。本文通過利用來自美國最大薪資軟件提供商 ADP 的大規(guī)模、高頻行政數(shù)據(jù)集，來應對這一實證空白。我們的樣本包含截至2025年7月的月度、個人層面的薪資記錄，涵蓋了數(shù)萬家公司的數(shù)百萬名工人。這種豐富的面板數(shù)據(jù)結構使我們能夠以高度的粒度追蹤就業(yè)動態(tài)，提供近乎實時的勞動力市場調整視圖。通過將這些數(shù)據(jù)與已建立的職業(yè)人工智能暴露度及其他變量指標相結合，我們可以量化自生成式人工智能廣泛采用以來已實現(xiàn)的就業(yè)變化1。

本文系統(tǒng)地呈現(xiàn)了從數(shù)據(jù)中得出的六個關鍵事實，評估了人工智能革命如何重塑美國勞動力。

我們的第一個關鍵發(fā)現(xiàn)是，我們揭示了在人工智能暴露度最高的職業(yè)中（如軟件開發(fā)人員和客戶服務代表），處于職業(yè)生涯早期的工人（22-25歲）的就業(yè)出現(xiàn)了大幅下降。相比之下，在相同職業(yè)中經驗更豐富的工人，以及在暴露度較低的職業(yè)（如護理助理）中所有年齡段工人的就業(yè)趨勢則保持穩(wěn)定或持續(xù)增長。

我們的第二個關鍵事實是，整體就業(yè)繼續(xù)強勁增長，但特別是年輕工人的就業(yè)增長自2022年底以來一直停滯不前。在人工智能暴露度較低的工作中，年輕工人的就業(yè)增長與年長工人相當。相比之下，在人工智能暴露度最高的職業(yè)中，22至25歲的工人在2022年底至2025年7月期間就業(yè)下降了6%，而年長工人的就業(yè)則增長了6-9%。這些結果表明，人工智能暴露度高的工作崗位就業(yè)下降，是導致22至25歲年輕人整體就業(yè)增長乏力的主要原因，而年長工人的就業(yè)則在持續(xù)增長。

我們的第三個關鍵事實是，并非所有人工智能的應用都與就業(yè)下降相關。具體而言，入門級就業(yè)在人工智能實現(xiàn)工作自動化的應用中出現(xiàn)下降，但在那些主要起增強作用的應用中則沒有。我們通過估算觀察到的對大型語言模型 Claude 的查詢在多大程度上替代或補充了該職業(yè)中的任務，從而在經驗上區(qū)分了自動化和增強。我們發(fā)現(xiàn)，在人工智能主要實現(xiàn)工作自動化的職業(yè)中，年輕工人的就業(yè)出現(xiàn)下降，而在人工智能使用最具增強性的職業(yè)中，我們發(fā)現(xiàn)了就業(yè)增長。這些發(fā)現(xiàn)與人工智能的自動化應用替代勞動力，而增強性應用則不然的觀點相符1。

第四，我們發(fā)現(xiàn)，在控制了公司-時間效應后，年輕、人工智能暴露度高的工人的就業(yè)下降依然存在。對我們觀察到的模式的一種解釋是，它們可能是由行業(yè)或公司層面的沖擊（如利率變化）驅動的，這些沖擊與年齡和測量的 AI 暴露度的分布模式相關。我們通過在事件研究回歸中控制公司-時間效應來檢驗這類混淆因素，從而吸收了影響公司所有工人（無論 AI 暴露度如何）的總體公司沖擊。對于22-25歲的工人，我們發(fā)現(xiàn) AI 暴露度最高的五分位數(shù)群體的相對就業(yè)率比較低的五分位數(shù)群體下降了12個對數(shù)點，這是一個巨大且具有統(tǒng)計顯著性的效應。其他年齡組的估計值在幅度上要小得多，且不具有統(tǒng)計顯著性。這些發(fā)現(xiàn)意味著我們觀察到的就業(yè)趨勢并非由那些雇傭了不成比例的高 AI 暴露度年輕工人的公司所受到的差異化沖擊所驅動1。

第五，勞動力市場的調整更多地體現(xiàn)在就業(yè)上，而非薪酬上。與我們對就業(yè)的發(fā)現(xiàn)相反，我們發(fā)現(xiàn)按年齡或暴露度五分位數(shù)劃分的年薪趨勢差異很小，這表明可能存在工資粘性。如果是這樣，人工智能對就業(yè)的影響可能比對工資的影響更大，至少在初期是如此1。

第六，以上事實在各種替代樣本構建中基本保持一致。我們發(fā)現(xiàn)，我們的結果并非僅僅由計算機職業(yè)或易受遠程工作和外包影響的職業(yè)所驅動。我們還發(fā)現(xiàn)，在更早的時間里，即在大型語言模型廣泛使用之前，包括在由 COVID-19大流行引發(fā)的失業(yè)率飆升期間，人工智能暴露度分類法并不能有意義地預測年輕工人的就業(yè)結果。我們觀察到的數(shù)據(jù)模式似乎從2022年底開始最為明顯，這恰逢生成式人工智能工具迅速普及的時期 ?。這些模式在大學畢業(yè)生比例高的職業(yè)和比例低的職業(yè)中都成立，這表明 COVID-19期間教育成果的惡化并非我們結果的驅動因素。對于非大學學歷的工人，我們發(fā)現(xiàn)經驗可能在緩沖勞動力市場沖擊方面的作用較小，因為在大學畢業(yè)生比例低的職業(yè)中，直到40歲的工人都表現(xiàn)出按人工智能暴露度劃分的就業(yè)結果分化1。

雖然我們提醒，我們記錄的事實可能部分受到生成式人工智能以外因素的影響，但我們的結果與生成式人工智能已開始影響入門級就業(yè)的假設是一致的。我們打算繼續(xù)持續(xù)追蹤數(shù)據(jù)，以評估這些趨勢未來是否會發(fā)生變化1。

為什么人工智能對受影響的入門級工人的負面影響可能比其他年齡組更大？一種可能性是，由于模型訓練過程的性質，人工智能取代了可編碼的知識，即構成正規(guī)教育核心的“書本知識”。人工智能可能不那么擅長取代隱性知識，即那些隨經驗積累的獨特的技巧和竅門 ?。由于年輕工人提供的可編碼知識相對多于隱性知識，他們可能在受影響的職業(yè)中面臨更多的任務替代，從而導致更大的就業(yè)再分配 (Acemoglu and Autor, 2011)。相比之下，擁有累積隱性知識的年長工人可能面臨較少的任務替代。這些隱性知識的好處對于那些在經驗回報率低的職業(yè)中的非大學學歷工人來說可能較少。此外，經驗更豐富的工人可能在其他方面技能更高，使他們不易被人工智能工具替代 (Ide, 2025)。一個重要的研究方向是進一步建模和檢驗這些預測1。

1 SWE-bench 旨在評估大型語言模型（LLMs）在真實世界軟件工程任務上的表現(xiàn)。它使用一系列 GitHub 問題來評估 LLM 生成解決這些問題的代碼的能力1。

2 類似地，Bick et al. (2024) 發(fā)現(xiàn)，在2024年底，近40%的18-64歲美國人口報告使用過生成式人工智能，其中23%的在職受訪者表示他們在過去一周至少有一次因工作使用生成式人工智能，9%的人每個工作日都使用1。

3 某職業(yè)工人的生產力提高可能導致就業(yè)減少或增加，這取決于，除其他因素外，對這些工人產出的需求彈性有多大1。

? OpenAI 于2022年11月推出了 ChatGPT 1。

? 具有諷刺意味的是，相比于在大學計算機科學課堂上學習，更可能在工作中習得的實用技能之一或許是如何使用人工智能軟件進行開發(fā)1。

本文探討了學術界、公共政策、商界和媒體中關于人工智能就業(yè)影響的一場廣泛的公開辯論。這場討論大多集中在人工智能是否正在取代軟件工程師等受影響職業(yè)的工人 ?。一些研究指出，大學畢業(yè)生的失業(yè)率已超過非畢業(yè)生，認為這是人工智能導致就業(yè)中斷的證據(jù) (Thompson, 2025)。另一些人則指出，這些趨勢遠在人工智能普及之前就已存在，并指出公開可得的數(shù)據(jù)，如當期人口調查（CPS），顯示在人工智能暴露度高的職業(yè)中，就業(yè)變化的證據(jù)是混合的 (Lim et al., 2025; The Economist, 2025; Smith, 2025; Eckhardt and Goldschlag, 2025; Frick, 2025)。這些辯論仍未解決，亟需關于受影響群體勞動力市場變化的高質量數(shù)據(jù)。本文提供了大規(guī)模數(shù)據(jù)，以高粒度和高精度衡量就業(yè)變化，發(fā)現(xiàn)人工智能暴露度高的職業(yè)中的年輕工人確實經歷了就業(yè)下降 ? 1。

在學術界，旨在衡量人工智能就業(yè)影響的研究日益增多。這一文獻的開端是一系列有影響力的論文，它們建立了估算哪些職業(yè)和任務易受自動化影響的方法論 (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，諸如 Eloundou et al. (2024)、Felten et al. (2023)、Gmyrek et al. (2023)、Handa et al. (2025) 和 Tomlinson et al. (2025) 的研究將此方法應用于生成式人工智能，構成了本分析所用暴露度指標的基礎。雖然這些研究識別了潛在的顛覆，但我們的研究將這些暴露度指標與實際的就業(yè)變化聯(lián)系起來。我們發(fā)現(xiàn)，這些暴露度指標確實能夠預測在生成式人工智能普及后時期年輕工人的重大就業(yè)變化1。

我們的工作補充并擴展了那些在更具體環(huán)境中發(fā)現(xiàn)顯著影響的研究，例如在線自由職業(yè)平臺 (Hui et al., 2023; Demirci et al., 2025) 或個別公司內部 (Brynjolfsson et al., 2025; Dillon et al., 2025)?。我們衡量了橫跨美國經濟的各職業(yè)的勞動力市場變化1。

從這個意義上說，我們的工作補充了一小部分但日益增多的使用全經濟范圍數(shù)據(jù)來衡量人工智能影響的論文。近期的發(fā)現(xiàn)各不相同。Humlum and Vestergaard (2025) 使用丹麥的行政數(shù)據(jù)得出結論，對收入或工作小時數(shù)的影響微乎其微，而 Jiang et al. (2025) 則發(fā)現(xiàn)，在美國，人工智能暴露度與更長的工作小時數(shù)相關 ?。Hampole et al. (2025) 使用 Revelio Labs 從2011年到2023年的招聘信息和 LinkedIn 個人資料記錄，發(fā)現(xiàn)總體就業(yè)影響有限，公司整體勞動力需求的增長抵消了對受影響職業(yè)需求的相對下降。Chandar (2025b) 使用 CPS 數(shù)據(jù)比較了人工智能暴露度較高和較低職業(yè)的就業(yè)變化，發(fā)現(xiàn)總體上差異趨勢不大，但指出由于有效樣本量有限，衡量年輕工人的變化存在困難。Dominski and Lee (2025) 同樣使用 CPS 數(shù)據(jù)和替代性暴露度指標，發(fā)現(xiàn)在人工智能暴露度高的職業(yè)中就業(yè)有所下降，但 CPS 的數(shù)據(jù)限制了統(tǒng)計推斷的能力。Johnston and Makridis (2025) 使用季度就業(yè)與工資普查（QCEW）數(shù)據(jù)，發(fā)現(xiàn)在人工智能暴露度更高的州-行業(yè)對中就業(yè)有所增加 1?。這些先前的論文使用的數(shù)據(jù)要么缺乏足夠的粒度，要么不夠及時，無法可靠地按人工智能暴露度和年齡研究就業(yè)變化 (O’Brien, 2025)11。相比之下，本文使用大規(guī)模、近乎實時的數(shù)據(jù)，為解決當前關于人工智能對年輕工人就業(yè)影響的持續(xù)辯論邁出了一步1。

? 近期關于此話題的一些媒體報道包括 Horowitch (2025); Ettenheim (2025); Raman (2025); Roose (2025); Peck (2025); Hoover (2025); Milmo and Almeida (2025); Wu (2025); Raval (2025)。一些科技公司高管也警告了人工智能可能帶來的失業(yè) (Allen, 2025; Sherman, 2025; Bacon, 2025)，或為了增加人工智能投資而裁員 (Jamali, 2025) 1。

? 來自行業(yè)的報告也顯示了混合的發(fā)現(xiàn)。招聘平臺 TrueUp 暗示科技行業(yè)的招聘信息近期有所增加 (Lenny Rachitsky, 2025)。另一方面，Revelio Labs 發(fā)現(xiàn)招聘信息有所下降，且對入門級工人的下降更為陡峭 (Simon, 2025)。事實上，招聘信息數(shù)據(jù)顯示新畢業(yè)生的招聘信息有所下降，但在人工智能暴露度較低的職業(yè)中也發(fā)現(xiàn)了這種下降 (Lim et al., 2025)。Chandar (2025b) 指出，近年來招聘信息與就業(yè)之間的相關性一直很弱。SignalFire 發(fā)現(xiàn)科技行業(yè)新畢業(yè)生招聘人數(shù)與疫情前水平相比急劇下降 (Doshay and Bantock, 2025)，這與本文的發(fā)現(xiàn)一致。來自 Gusto 的數(shù)據(jù)也表明新畢業(yè)生招聘有所下降 (Bowen, 2025) 1。

? 另見 Noy and Zhang (2023); Peng et al. (2023); Dell’Acqua et al. (2023) 1。

? 另見 Acemoglu et al. (2022); Bonney et al. (2024); Bick et al. (2024); Hartley et al. (2025); Frank et al. (2025); Chen et al. (2025) 1。

1? Johnston and Makridis (2025) 通過將 Eloundou et al. (2024) 的職業(yè)暴露度按州-行業(yè)就業(yè)加權平均來衡量州-行業(yè)暴露度。如果公司進行資本投資或以提高整體勞動力需求的方式提高生產力，行業(yè)層面的勞動力市場變化可能與本文研究的職業(yè)層面變化不同 (Hampole et al., 2025) 1。

11 作為比較，自2021年以來，CPS 每月調查總共介于44,000至51,000名所有年齡組的就業(yè)人員。其中10,000至12,000個觀測值屬于即將輪換出組的樣本，并包含收入記錄。我們主要分析樣本中的數(shù)據(jù)每月僅在22至25歲年齡段就包括250,000至350,000名就業(yè)人員，且均有收入記錄1。

3.1薪資數(shù)據(jù)

本研究使用來自美國最大薪資處理公司 ADP 的數(shù)據(jù)。該公司為雇傭超過2500萬美國工人的公司提供薪資服務。我們利用這些信息來追蹤在被衡量為或多或少暴露于人工智能的職業(yè)中工人的就業(yè)變化1。

我們對主要分析樣本施加了若干樣本限制。我們只包括那些使用 ADP 薪資產品來維護工人工資記錄的公司的雇員。我們還從分析中排除了被公司歸類為兼職的員工，并將樣本限定在18至70歲之間的人群 12 1。

使用薪資服務的公司集合隨時間變化，因為公司會加入或離開 ADP 的平臺。我們通過只保留從2021年1月到2025年7月每個月都有員工收入記錄的公司，來維持我們主要樣本期內一致的公司集合1。

此外，ADP 觀察到其系統(tǒng)中約70%工人的職位頭銜。我們排除了沒有記錄職位頭銜的工人。有超過7,000個標準化的職位頭銜，例如“搜索引擎優(yōu)化專員”、“企業(yè)內容管理經理”和“工廠文件控制專員”。該公司的內部研究團隊利用職位描述、行業(yè)、地點和其他相關數(shù)據(jù)等信息，將這些職位頭銜映射到2010年標準職業(yè)分類（SOC）代碼1。

在這些限制之后，我們的主要分析樣本每月有350萬到500萬工人的記錄，盡管我們考慮了對替代性分析的穩(wěn)健性，例如允許公司進入和離開樣本。雖然 ADP 數(shù)據(jù)每月包括數(shù)百萬工人，但使用 ADP 服務的公司分布與整個美國經濟中的公司分布不完全匹配。關于公司構成差異的更多細節(jié)可以在 Cajner et al. (2018) 和 ADP Research (2025) 中找到 13 1。

3.2職業(yè)人工智能暴露度

我們使用兩種不同的方法來衡量職業(yè)對人工智能的暴露度。第一種方法使用來自 Eloundou et al. (2024) 的暴露度指標。Eloundou et al. (2024) 使用經過人工標注驗證的 ChatGPT，按 O*NET 任務估算了人工智能暴露度。然后，他們通過將任務數(shù)據(jù)匯總到2018年 SOC 代碼級別來構建職業(yè)暴露度指標。我們重點關注他們論文中基于 GPT-4的暴露度指標1。

我們采用的第二種主要方法使用來自 Anthropic 經濟指數(shù)（Handa et al., 2025）的生成式人工智能使用數(shù)據(jù)。該指數(shù)報告了基于對 Anthropic 的生成式人工智能模型 Claude 的數(shù)百萬次對話樣本，與每個 O*NET 任務相關的查詢的估計份額。然后，它根據(jù)這些任務份額將數(shù)據(jù)匯總到職業(yè)層面。Anthropic 經濟指數(shù)的一個特點是，對于每個任務，它還報告了與該任務相關的查詢中屬于“自動化”、“增強型”或以上皆非的估計份額。我們使用這些信息來估算一個職業(yè)的人工智能使用主要是與勞動力互補還是替代 1? 1。

Eloundou et al. (2024) 的指標和 Handa et al. (2025) 的指標都按2018年 SOC 代碼估算人工智能暴露度。我們使用美國勞工統(tǒng)計局（BLS）的2010年 SOC 代碼到2018年 SOC 代碼的轉換表，將暴露度指標與薪資數(shù)據(jù)進行合并。表 A1顯示了每種人工智能暴露度指標下的職業(yè)示例1。

3.3其他數(shù)據(jù)

為了比較可遠程工作與不可遠程工作的職業(yè)的就業(yè)變化，我們使用了來自 Dingel and Neiman (2020) 的數(shù)據(jù)。我們使用 BLS 的個人消費支出（PCE）指數(shù)來計算實際收入，以2017年10月為基準。我們使用月度當期人口調查（CPS）數(shù)據(jù)作為我們主要發(fā)現(xiàn)的比較對象1。

12 雖然我們觀察到每個工人的出生年份，但出于隱私原因，我們無法觀察到確切的出生日期。我們使用美國疾病控制與預防中心的數(shù)據(jù)，根據(jù)美國的出生月份分布來推算出生月份1。

13 Cajner et al. (2018) 使用2016年3月的數(shù)據(jù)發(fā)現(xiàn)，與季度就業(yè)與工資普查（QCEW）相比，制造業(yè)和服務業(yè)公司的份額略高。他們還發(fā)現(xiàn) ADP 在東北地區(qū)的公司代表性略高。此外，使用 ADP 的公司平均增長速度快于美國經濟中的典型公司1。

1? 具體來說，Handa et al. (2025) 首先使用 Claude 將對話分為六類：指令型（Directive），指以最少互動完成任務委托；反饋循環(huán)型（Feedback Loop），指在環(huán)境反饋指導下完成任務，例如反復向模型傳遞編碼錯誤；任務迭代型（Task Iteration），指協(xié)作式的完善過程；學習型（Learning），指知識獲取和理解；驗證型（Validation），指工作核實和改進；或“以上皆非”（None），模型被指示“自由地”選擇此選項。被分類為指令型或反饋循環(huán)型的對話被視為自動化（Automative），而被分類為任務迭代型、學習型或驗證型的對話被視為增強型（Augmentative）。更多細節(jié)請參見 Handa et al. (2025)。表 A2復制了 Handa et al. (2025) 的表1，并顯示了關于自動化和增強指標的更多細節(jié)1。

4.1事實1：在人工智能暴露度高的職業(yè)中，年輕工人的就業(yè)有所下降

以軟件工程師和客戶服務代理為例，這兩個職業(yè)通常被認為高度暴露于生成式人工智能工具。媒體關注引發(fā)了人們對年輕軟件工程師尤其可能面臨廣泛就業(yè)沖擊的擔憂 (Thompson, 2025; Raman, 2025; Allen, 2025; Horowitch, 2025) 1。

圖1顯示了這些職業(yè)按年齡組的就業(yè)變化，以2022年10月為1進行歸一化。兩個職業(yè)呈現(xiàn)出相似的模式：最年輕工人的就業(yè)在2022年后顯著下降，而其他年齡組的就業(yè)則繼續(xù)增長。到2025年7月，22-25歲軟件開發(fā)人員的就業(yè)與其2022年底的峰值相比下降了近20%。圖 A1顯示，類似的模式在計算機職業(yè)和服務文員中也普遍存在1。

圖1：軟件開發(fā)人員和客戶服務代理按年齡的就業(yè)變化，以2022年10月為1進行歸一化。

圖1（上半部分）軟件開發(fā)人員按年齡組的員工人數(shù)變化

圖1（下半部分）客戶服務按年齡組的員工人數(shù)變化

圖2以另外四個職業(yè)作為案例研究，這些職業(yè)根據(jù) Eloundou et al. (2024) 的指標，涵蓋了不同的人工智能暴露度水平。市場營銷和銷售經理，處于人工智能暴露度的第四個五分位數(shù)，其年輕工人的就業(yè)下降情況與軟件和客戶服務類似，盡管幅度較小。一線生產和運營主管，處于第三個五分位數(shù)，其年輕工人的就業(yè)有所增加，但就業(yè)增長幅度小于35歲以上工人的增幅。

相比之下，Eloundou et al. (2024) 評為暴露度較低的職業(yè)的趨勢與暴露度較高的職業(yè)模式不符。庫存文員和訂單處理員，處于第二個五分位數(shù)，按年齡劃分沒有明顯差異。引人注目的是，包括護理助理、精神病護理助理和家庭健康助理在內的健康助理系列職業(yè)，其趨勢與軟件或客戶服務截然不同：年輕工人的就業(yè)增長速度快于年長工人。

圖2

圖2：市場營銷和銷售經理（暴露度五分位數(shù)4）、一線生產主管（暴露度五分位數(shù)3）、庫存文員和訂單處理員（暴露度五分位數(shù)2）以及健康助理（暴露度五分位數(shù)1）的就業(yè)變化，以2022年10月為1進行歸一化。暴露度五分位數(shù)基于 Eloundou et al. (2024) GPT-4 β 指標定義。

圖3顯示，這些模式在各職業(yè)中更為普遍。左上圖顯示了22-25歲工人在暴露度較高和較低的職業(yè)中就業(yè)結果的分化，暴露度較高的職業(yè)就業(yè)下降。對于年長年齡組，我們發(fā)現(xiàn)在不同人工智能暴露度五分位數(shù)之間的就業(yè)增長差異要小得多。

圖3

圖3：按年齡和暴露度五分位數(shù)的就業(yè)變化，使用 Eloundou et al. (2024) 的 GPT-4 β 指標。暴露度五分位數(shù)基于 GPT-4 β 指標定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢。

4.2事實2：盡管整體就業(yè)持續(xù)增長，但年輕工人的就業(yè)增長尤其停滯

圖4顯示了所有職業(yè)合并后按年齡組的總體就業(yè)趨勢。整體就業(yè)保持強勁，與后疫情時期全國低失業(yè)率相符。然而，圖4表明，年輕工人的就業(yè)增長相對于其他年齡組有所放緩，這與近期關于入門級工人就業(yè)市場可能惡化的討論一致 (Chen, 2025; Federal Reserve Bank of New York, 2025) 。

圖4

圖4：按年齡的就業(yè)變化。包括所有職業(yè)。

圖5揭示了這些趨勢與人工智能暴露度的關系。對于每個年齡組，從2022年底到2025年7月，最低的三個 AI 暴露度五分位數(shù)的就業(yè)增長為6-13%，按年齡劃分的就業(yè)增長沒有明確的順序。相比之下，對于最高的兩個暴露度五分位數(shù)，22-25歲工人的就業(yè)在2022年底至2025年7月期間下降了6%，而35-49歲工人的就業(yè)增長了超過9%。這些結果表明，在 AI 暴露度高的工作中就業(yè)下降，是導致22至25歲工人整體就業(yè)增長乏力的驅動因素1。

圖5

圖5：2022年10月至2025年7月期間按年齡和基于 GPT-4 β 的 AI 暴露度分組的就業(yè)增長情況。

雖然這些發(fā)現(xiàn)表明年輕工人的就業(yè)結果因 AI 暴露度而異，但我們提醒，這前兩個事實中觀察到的趨勢可能由美國經濟中的其他變化所驅動。我們接下來的事實將評估這些結果在替代性分析下的穩(wěn)健性。

4.3事實3：入門級就業(yè)在人工智能自動化工作的應用中下降，而在增強型應用中變化不大

人工智能暴露度既可以補充勞動力，也可以替代勞動力。這可能對勞動力市場產生截然不同的影響 (Brynjolfsson, 2022) 。

為了評估就業(yè)模式如何根據(jù)人工智能與勞動力的互補性或替代性而變化，我們使用了來自 Anthropic 經濟指數(shù)（Handa et al., 2025）的生成式人工智能使用數(shù)據(jù)。該指數(shù)提供了與每個職業(yè)相關的查詢份額的估計值。此外，對于每個任務，它報告了與該任務相關的查詢中屬于“自動化”、“增強型”或以上皆非的估計份額。我們使用這些信息來估算一個職業(yè)的人工智能使用主要是勞動力的替代品還是補充品 1?。表 A1顯示了每種指標下最高和最低暴露度類別的職業(yè)示例1。

圖6顯示了按 Claude 相關查詢的總體流行度的就業(yè)變化。這些模式與使用 Eloundou et al. (2024) 指標的發(fā)現(xiàn)非常吻合1。

圖6

圖6：總體 Claude 使用情況。按年齡和暴露度五分位數(shù)的就業(yè)變化，使用來自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。暴露度五分位數(shù)根據(jù)與某職業(yè)相關任務的 Claude 查詢份額定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢。其相關任務均低于使用數(shù)據(jù)中最低查詢次數(shù)的職業(yè)被視為一個單獨類別，編碼為0。

同樣，圖7顯示，估計自動化份額最高的職業(yè)中，最年輕工人的就業(yè)出現(xiàn)了下降。

圖7

圖7：自動化。按年齡和自動化水平的就業(yè)變化，使用來自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。自動化水平根據(jù)與某職業(yè)相關的查詢中被 Claude 分類為自動化性質的份額定義。深色線條代表自動化程度更高。紅線顯示了所有自動化水平的總體趨勢。其相關任務均低于使用數(shù)據(jù)中最低查詢次數(shù)的職業(yè)被視為一個單獨類別，編碼為0。注意，超過20%的查詢次數(shù)高于最低閾值的職業(yè)的估計自動化份額為0。因此，第一和第二五分位數(shù)的所有職業(yè)被歸為第1級。其余五分位數(shù)編碼為2、3和4。

相比之下，圖8表明，估計增強份額最高的職業(yè)并未出現(xiàn)類似的模式。年輕工人的就業(yè)變化并未按增強暴露度排序，因為第五個五分位數(shù)的就業(yè)增長率是最高的之一。這些發(fā)現(xiàn)與人工智能的自動化應用替代勞動力，而增強性應用則不然的觀點是一致的 1? 。

圖8

圖8：增強。按年齡和增強五分位數(shù)的就業(yè)變化，使用來自 Handa et al. (2025) 的 Claude 使用數(shù)據(jù)。增強五分位數(shù)根據(jù)與某職業(yè)相關的查詢中被 Claude 分類為增強型的份額定義。深色線條代表增強性更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢。其相關任務均低于使用數(shù)據(jù)中最低查詢次數(shù)的職業(yè)被視為一個單獨類別，編碼為0。

1? 圖 A2和 A3顯示，在剔除總體 Claude 使用率較低的職業(yè)后，自動化和增強的結果相似1。

1? 注意，增強指標的前兩個五分位數(shù)的職業(yè)總體 Claude 使用率非常低，這些五分位數(shù)中的平均職業(yè)分別占對話的0.01%和0.09%。這些職業(yè)的對話中有很高比例被分類為既非自動化也非增強型。相比之下，第三至第五五分位數(shù)的職業(yè)平均占 Claude 對話的0.47%、0.39%和0.33%。對于自動化指標，總體 Claude 使用率隨自動化份額平均增加，最低暴露度組平均占對話的0.05%，最高組平均占0.73% 1。

4.4事實4：在控制公司-時間沖擊后，年輕、人工智能暴露度高的工人的就業(yè)下降依然存在

雖然我們目前的結果與生成式人工智能導致入門級就業(yè)下降的假設一致，但存在其他合理的解釋。一類解釋是，我們觀察到的模式是由行業(yè)或公司層面的沖擊所解釋的，這些沖擊與年齡和測量的 AI 暴露度的分布模式相關。例如，一種可能性是，具有高測量 AI 暴露度的年輕工人不成比例地傾向于進入那些極易受利率上升影響的公司。

我們通過控制一組豐富的固定效應來檢驗這類混淆因素。對于每個年齡組，我們估計泊松回歸：

log(E[yf,q,t])=q′=1∑j=?1∑γq′,j1{t=j}1{q′=q}+αf,q+βf,t+?f,q,t(4.1)

其中，f 指公司，q 指 Eloundou et al. (2024) 的暴露度五分位數(shù)，t 指月份，其中 t=?1對應2022年10月。結果變量 yf,q,t 是在公司 f、五分位數(shù) q、時間 t 的就業(yè)人數(shù)。方程4.1是一個控制了公司-五分位數(shù)效應 (αf,q) 和公司-時間效應 (βf,t) 的泊松事件研究回歸。公司-時間效應吸收了對每個暴露度五分位數(shù)影響相等的總體公司沖擊。公司-五分位數(shù)效應調整了公司內部各五分位數(shù)之間招聘的基線差異。我們感興趣的系數(shù) γq,t 衡量了在考慮了公司-時間效應和公司-五分位數(shù)效應后，各五分位數(shù)之間就業(yè)增長的差異變化 1? 1。

這種方法之所以強大，是因為它有效地將分析范圍縮小到公司內部。它不再是簡單地比較雇傭大量軟件工程師的科技公司與雇傭大量護士的醫(yī)療保健公司。相反，它是在問一個更精細的問題：“在同一家公司內部，在同一時間點，年輕、高 AI 暴露度員工（如初級程序員）的就業(yè)情況與該公司內其他員工（如年長的程序員或低 AI 暴露度的員工）相比如何變化？”通過這樣做，可以排除那些影響整個公司的外部因素，例如行業(yè)衰退或利率變化。如果年輕、高暴露度員工的就業(yè)下降在這種嚴格的比較下仍然存在，那么這就強烈表明，這種下降是由特定于他們角色和年齡的因素驅動的，這與 AI 替代的假設高度一致1。

我們對每個年齡組分別運行此回歸。對于每個回歸，我們限制在樣本的每個時期內在該年齡組中雇傭至少10名工人的公司。此外，對于每個 q，∑tyf,q,t 必須至少等于100，這意味著公司在樣本的各個月份中，平均必須從每個暴露度五分位數(shù)雇傭約2名工人 1?。標準誤按公司進行聚類1。

結果如圖9所示，該圖繪制了每個年齡組的 γq,t 系數(shù)。對于22-25歲的工人，較高五分位數(shù)的估計值大且具有統(tǒng)計顯著性，相對就業(yè)下降了12個對數(shù)點，其幅度與圖3原始數(shù)據(jù)中的估計值相當。其他年齡組的估計值通常在幅度上小得多，且不具有統(tǒng)計顯著性。這些發(fā)現(xiàn)意味著我們觀察到的就業(yè)趨勢并非由那些雇傭了不成比例的高 AI 暴露度年輕工人的公司所受到的差異化沖擊所驅動。

圖9

圖9：按年齡和 AI 暴露度的就業(yè)變化的泊松回歸事件研究估計。所有估計都是相對于職業(yè)暴露度五分位數(shù)1而言。暴露度五分位數(shù)使用 Eloundou et al. (2024) GPT-4 β 指標。估計控制了公司-時間和公司-五分位數(shù)固定效應，遵循方程4.1。陰影區(qū)域為95%置信區(qū)間。標準誤按公司聚類。

一個不會被公司-時間效應控制的替代性混淆因素是，即使在公司層面，高 AI 暴露度的工人在 COVID-19大流行后被過度招聘，導致隨后他們的招聘收縮。為了評估這類替代方案，我們在第4.6節(jié)中考慮了各種其他穩(wěn)健性檢驗，例如移除計算機職業(yè)和根據(jù)職業(yè)是否適合在家工作進行條件控制1。

1? 由于結果變量中存在零計數(shù)，我們遵循 Chen and Roth (2024) 的指導，估計泊松回歸而非對數(shù)形式的普通最小二乘（OLS）回歸1。

1? 結果對這些限制不敏感，盡管在泊松回歸中，每個公司-月份和每個公司-五分位數(shù)中必須至少有一個非零值，以避免觀測值被丟棄1。

4.5事實5：勞動力市場的調整更多地體現(xiàn)在就業(yè)而非薪酬上

除了就業(yè)，我們還觀察到工人的年度基本薪酬。我們利用這些信息來檢驗勞動力市場在薪酬方面的調整 1?。薪資數(shù)據(jù)使用 PCE 指數(shù)平減至2017年美元 2? 1。

結果如圖10所示。研究結果表明，與就業(yè)相比，薪酬在暴露度較高和較低的職業(yè)之間的分化不那么明顯。圖11顯示了按年齡和基于 Eloundou et al. (2024) 的暴露度五分位數(shù)的結果。我們發(fā)現(xiàn)按年齡或暴露度五分位數(shù)劃分的薪酬趨勢差異很小。

圖10

圖10：按年齡和職業(yè)的年度基本薪酬變化。年度基本薪酬使用 PCE 平減指數(shù)平減至2017年美元。

圖11

圖11：年度基本薪酬。按年齡和暴露度五分位數(shù)的年度基本薪酬變化。暴露度五分位數(shù)根據(jù) Eloundou et al. (2024) 的 GPT-4 β 指標定義。深色線條代表暴露度更高的五分位數(shù)。紅線顯示了所有五分位數(shù)的總體趨勢。年度基本薪酬使用 PCE 平減指數(shù)平減至2017年美元。

Autor and Thompson (2025) 先前的研究指出，替代非專家任務的技術可能會減少職業(yè)就業(yè)但增加職業(yè)工資；替代專家任務的技術可能會產生相反的效果。工資效應的符號取決于被取代任務的總體份額以及這些任務是專家任務還是非專家任務。我們發(fā)現(xiàn)的工資變化有限，表明這些效應可能相互抵消，至少在短期內是這樣?；蛘?，結果可以由短期內的工資粘性來解釋，這與 Davis and Krolikowski (2025) 的近期證據(jù)一致1。

4.6事實6：研究發(fā)現(xiàn)在替代性樣本構建下基本保持一致

我們檢驗了這些結果對替代性樣本構建和穩(wěn)健性檢驗的穩(wěn)健性1。

排除科技職業(yè) 一種可能性是，我們的結果是由2022年至2023年科技行業(yè)招聘普遍放緩所解釋的，因為公司從 COVID-19大流行中恢復 21。圖 A4顯示了在排除計算機職業(yè)（對應于以15-1開頭的2010年 SOC 代碼）后，按年齡和暴露度五分位數(shù)的就業(yè)變化。圖 A5顯示了排除信息行業(yè)（NAICS 代碼51）公司的結果。結果非常相似，與上述案例研究一致，表明就業(yè)變化在多種職業(yè)中都可見。圖9中包含公司-時間固定效應的結果進一步表明，我們的發(fā)現(xiàn)對于影響一般招聘趨勢的公司或行業(yè)層面沖擊是穩(wěn)健的。這些結果表明，我們的發(fā)現(xiàn)并非特定于技術崗位。

遠程工作 圖 A6和 A7顯示了根據(jù) Dingel and Neiman (2020) 的分類，適合遠程工作（telework）和不適合遠程工作的職業(yè)的結果 22。我們發(fā)現(xiàn)，對于年輕工人，無論是在可遠程工作的職業(yè)還是在不可遠程工作的職業(yè)中，暴露度越高的職業(yè)就業(yè)增長越慢。特別是不可遠程工作職業(yè)的結果表明，我們的發(fā)現(xiàn)并非僅僅由外包或在家工作的中斷所驅動 23 。

更長樣本期 圖 A8顯示了將平衡的公司樣本擴展到2018年的結果。這減少了樣本量，并使數(shù)據(jù)略顯嘈雜。盡管如此，在后 GPT 時代，趨勢基本上仍按暴露度排序，而這在2022年之前并非如此。一個擔憂是，對于 Eloundou et al. (2024) 的指標，最高暴露度的五分位數(shù)從2020年左右開始就業(yè)增長放緩。但對于 Anthropic 暴露度指標（如圖 A9、A10和 A11所示），情況并非如此。對于這些指標，在生成式人工智能出現(xiàn)之前的整個時期，最高暴露度群體的就業(yè)增長相當，之后才出現(xiàn)分化趨勢1。

教育變化 另一種可能性是，我們觀察到的變化受到了 COVID-19大流行期間教育成果惡化的影響。COVID-19對教育成果造成了持續(xù)的損害 (Kuhfeld and Lewis, 2025)。由于受教育程度越高的工人平均測得的 AI 暴露度也越高，近年來教育質量的下降可能會影響我們觀察到的趨勢 2?。在圖 A12中，我們顯示了根據(jù)2017年美國社區(qū)調查（ACS），超過70%的工人擁有大學學位的職業(yè)的趨勢 2?。在圖 A13中，我們顯示了不到30%的工人擁有大學學位的職業(yè)的趨勢。大學畢業(yè)生比例高的職業(yè)總體就業(yè)下降，與我們的主要結果相比，暴露度較高和較低的職業(yè)之間的差異不大。相比之下，大學畢業(yè)生比例低的職業(yè)總體就業(yè)上升，其中 AI 暴露度最低的職業(yè)增長，而暴露度最高的職業(yè)就業(yè)下降。此外，對于大學畢業(yè)生比例較低的職業(yè)，就業(yè)結果的分散在更高年齡組中也可見，直到40歲的工人都顯示出按 AI 暴露度的就業(yè)趨勢分離。這些發(fā)現(xiàn)表明，教育成果惡化不能完全解釋我們的主要結果。它們還表明，對于非大學學歷的工人，經驗可能不像對大學學歷工人那樣能有效緩沖勞動力市場沖擊1。

其他穩(wěn)健性檢驗 圖 A14和 A15分別顯示了男性和女性的結果。結果相似，表明男性和女性前景的分化并非我們發(fā)現(xiàn)的驅動因素。圖 A16顯示，當我們不采用平衡的公司樣本時，結果相似。圖 A17顯示，當包括兼職和臨時工時，結果相似 2? 1。

與 CPS 數(shù)據(jù)的比較 對我們的發(fā)現(xiàn)進行比較的一個有用基準是將其與月度當期人口調查（CPS）的估計值進行比較。CPS 每月在全國范圍內調查約60,000個家庭，以收集有關就業(yè)和其他勞動力特征的數(shù)據(jù)。這些數(shù)據(jù)在參考月份后幾周發(fā)布，提供了近乎實時的就業(yè)統(tǒng)計估計。許多先前的分析都使用 CPS 來評估 AI 如何影響入門級工作 (Chandar, 2025b; Dominski and Lee, 2025; Lim et al., 2025; Eckhardt and Goldschlag, 2025)。我們將 ADP 數(shù)據(jù)中的一些主要發(fā)現(xiàn)與 CPS 的估計值進行比較。圖 A18至 A20顯示了使用 CPS 數(shù)據(jù)按年齡劃分的軟件開發(fā)人員、客戶服務代表和家庭健康助理的就業(yè)變化。盡管全美有數(shù)百萬工人從事這些職業(yè)，但估計值波動性很大，月度估計就業(yè)人數(shù)的常見波動達到20%或更高。圖 A21顯示了使用 CPS 按年齡和暴露度五分位數(shù)估計的就業(yè)變化，也表明估計值具有高度波動性。CPS 微觀數(shù)據(jù)的這種波動性反映了樣本量小以及 CPS 的抽樣設計并非旨在針對這些人口-職業(yè)子群體的就業(yè)統(tǒng)計數(shù)據(jù) 2?。因此，CPS 的樣本量和抽樣程序可能使其難以在本研究考慮的時間范圍內以高度可信度評估按年齡和 AI 暴露度的就業(yè)變化 (Chandar, 2025b; O’Brien, 2025)。其他大規(guī)模數(shù)據(jù)源，如美國社區(qū)調查（ACS），可能為 ADP 數(shù)據(jù)提供更可靠的比較，盡管 ACS 的發(fā)布與 ADP 數(shù)據(jù)相比有顯著滯后。我們鼓勵在其他數(shù)據(jù)源（如 ACS）發(fā)布后，將我們的發(fā)現(xiàn)與它們的結果進行比較 2? 1。

1? 總薪酬可能還包括獎金、加班費、傭金、股權、小費和其他項目。這些可能對某些職業(yè)和年齡組的總體薪酬產生比其他組更大的影響1。

2? 與就業(yè)序列不同，薪酬的結果截止于2025年6月，這是 PCE 指數(shù)最近可用的月份1。

21 根據(jù)《減稅與就業(yè)法案》，2022年頒布的《國內稅收法典》第174條修正案也禁止公司立即扣除研發(fā)支出，包括軟件開發(fā)成本。這些成本必須資本化，并在五年（國內研究）或十五年（國外研究）內攤銷1。

22 一個職業(yè)是否適合遠程工作與 AI 暴露度呈正相關。根據(jù) GPT-4 β 指標，只有兩個可遠程工作的職業(yè)屬于最低的 AI 暴露度五分位數(shù)。同樣，很少有不可遠程工作的職業(yè)屬于最高的 AI 暴露度五分位數(shù)。因此，在圖 A6中，我們將最低的兩個 AI 暴露度五分位數(shù)合并為一組。在圖 A7中，我們將最高的兩個 AI 暴露度五分位數(shù)合并1。

23 具有高 AI 暴露度的不可遠程工作職業(yè)包括銀行出納員、旅行社代理和稅務申報員1。

2? Chandar (2025a) 發(fā)現(xiàn)，大學畢業(yè)生平均技能水平的下降解釋了近幾十年來大學工資溢價增長放緩的相當一部分1。

2? 在基于 GPT-4 β 的暴露度指標的第一個五分位數(shù)中，沒有一個職業(yè)的大學畢業(yè)生比例超過35%，因此該五分位數(shù)被排除在圖 A12的結果之外1。

2? 另一種可能性是，就業(yè)趨勢是由 COVID-19大流行時期的刺激支票所驅動，這些支票扭曲了勞動力供給。然而，這些刺激支付是有收入要求的，而 AI 暴露度越高的職業(yè)平均收入也越高 (Kochhar, 2023)，這表明觀察到的 AI 暴露度高職業(yè)的下降不太可能由這一渠道驅動1。

2? 在我們的樣本期內，CPS 每月包括26至53名年齡在22至25歲之間的年輕軟件開發(fā)人員。它包括49至95名年輕的客戶服務代表，以及2至14名年輕的家庭健康助理1。

2? 2024年 ACS 1年期公共使用微數(shù)據(jù)樣本計劃于2025年10月16日發(fā)布1。

我們記錄了關于人工智能近期勞動力市場影響的六個事實。

首先，我們發(fā)現(xiàn)在人工智能暴露度最高的職業(yè)中，如軟件開發(fā)和客戶支持，處于職業(yè)生涯早期的工人的就業(yè)出現(xiàn)了大幅下降。

其次，我們表明，全經濟范圍內的就業(yè)持續(xù)增長，但年輕工人的就業(yè)增長已停滯不前。

第三，入門級就業(yè)在人工智能自動化工作的應用中下降，而在增強型應用中影響不大。

第四，在控制了公司-時間效應后，這些就業(yè)下降依然存在，最高暴露度職業(yè)的年輕工人相對就業(yè)下降了13%。

第五，這些勞動力市場的調整更多地體現(xiàn)在就業(yè)上，而非薪酬上。

第六，我們發(fā)現(xiàn)這些模式在不受遠程工作影響的職業(yè)中以及在各種替代性樣本構建中都成立。

雖然我們的主要估計可能受到生成式人工智能以外因素的影響，但我們的結果與生成式人工智能已開始顯著影響入門級就業(yè)的假設是一致的1。

新技術的采用通常會導致工人群體間的異質性效應，從而產生一個調整期，因為工人會從被取代的工作形式重新分配到勞動力需求增長的新形式中 (Autor et al., 2024)。這種內生調整可能已經隨著人工智能的出現(xiàn)而發(fā)生，有新證據(jù)表明大學專業(yè)正從計算機科學等 AI 暴露度高的類別轉移 (Horowitch, 2025)。過去的技術轉型，如信息技術革命，在物質和人力資本調整后，最終導致了就業(yè)和實際工資的強勁增長，盡管一些工人比其他人受益更多 (Bresnahan et al., 2002; Brynjolfsson et al., 2021) 1。

持續(xù)追蹤就業(yè)趨勢將有助于確定對人工智能的調整是否遵循類似的模式。因此，我們將繼續(xù)監(jiān)測這些結果，以評估本文記錄的趨勢未來是否會加速。未來的工作將受益于更好的公司層面人工智能采用數(shù)據(jù)，這將為估計人工智能對就業(yè)的合理因果效應提供更清晰的變異1。

作者: Daniel

鏈接: https://deusyu.app/posts/ai-entry-employment/

著作權歸作者所有。商業(yè)轉載請聯(lián)系作者獲得授權，非商業(yè)轉載請注明出處。