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(gè)事實(shí)來描述這些轉(zhuǎn)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(lǐng)域的工人以及在相同職業(yè)中經(jīng)驗(yàn)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(diào)整主要通過就業(yè)而非薪酬來實(shí)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(qiáng)人類勞動的職業(yè)中。我們的研究結(jié)果對于其他解釋（例如排除科技相關(guān)公司和排除適合遠(yuǎn)程工作的職業(yè)）是穩(wěn)健的。這六個(gè)事實(shí)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(chǎn)生重大且不成比例的影響這一假設(shè)相符。

生成式人工智能（AI）的擴(kuò)散引發(fā)了一場關(guān)于其對勞動力市場潛在影響的全球性辯論。這場跨越學(xué)術(shù)界、公共政策、商界和大眾媒體的討論，涵蓋了從生產(chǎn)力提升的烏托邦式預(yù)測，到大規(guī)模失業(yè)的敵托邦式恐懼，再到認(rèn)為人工智能對就業(yè)或生產(chǎn)力影響甚微的懷疑論觀點(diǎn)。從歷史上看，技術(shù)以不同方式影響著不同的任務(wù)、職業(yè)和行業(yè)，在某些領(lǐng)域取代工作，在另一些領(lǐng)域增強(qiáng)工作，并改變其余領(lǐng)域。這些異質(zhì)性效應(yīng)表明，可能存在一些“煤礦中的金絲雀”，它們是人工智能產(chǎn)生更廣泛影響的預(yù)兆1。

人工智能在多個(gè)領(lǐng)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(bào)告》，2023年，人工智能系統(tǒng)在廣泛使用的軟件工程基準(zhǔn)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(zhǔn)測試（包括語言理解、學(xué)科知識和推理）方面也有所改進(jìn)。與此同時(shí)，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(dá)到了46%2 1。

鑒于能力的提升和廣泛的采用，一個(gè)核心擔(dān)憂（近期頭條新聞也放大了這一點(diǎn)）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(wù)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(shí)證證據(jù)卻難以跟上技術(shù)進(jìn)步的步伐，導(dǎo)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(yīng)對這一實(shí)證空白。我們的樣本包含截至2025年7月的月度、個(gè)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(jié)構(gòu)使我們能夠以高度的粒度追蹤就業(yè)動態(tài)，提供近乎實(shí)時(shí)的勞動力市場調(diào)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(biāo)相結(jié)合，我們可以量化自生成式人工智能廣泛采用以來已實(shí)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(gè)關(guān)鍵事實(shí)，評估了人工智能革命如何重塑美國勞動力。

我們的第一個(gè)關(guān)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(wù)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(jīng)驗(yàn)更豐富的工人，以及在暴露度較低的職業(yè)（如護(hù)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(gè)關(guān)鍵事實(shí)是，整體就業(yè)繼續(xù)強(qiáng)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(dāng)。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(jié)果表明，人工智能暴露度高的工作崗位就業(yè)下降，是導(dǎo)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(gè)關(guān)鍵事實(shí)是，并非所有人工智能的應(yīng)用都與就業(yè)下降相關(guān)。具體而言，入門級就業(yè)在人工智能實(shí)現(xiàn)工作自動化的應(yīng)用中出現(xiàn)下降，但在那些主要起增強(qiáng)作用的應(yīng)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(bǔ)充了該職業(yè)中的任務(wù)，從而在經(jīng)驗(yàn)上區(qū)分了自動化和增強(qiáng)。我們發(fā)現(xiàn)，在人工智能主要實(shí)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(qiáng)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(yīng)用替代勞動力，而增強(qiáng)性應(yīng)用則不然的觀點(diǎn)相符1。

第四，我們發(fā)現(xiàn)，在控制了公司-時(shí)間效應(yīng)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(qū)動的，這些沖擊與年齡和測量的 AI 暴露度的分布模式相關(guān)。我們通過在事件研究回歸中控制公司-時(shí)間效應(yīng)來檢驗(yàn)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(gè)對數(shù)點(diǎn)，這是一個(gè)巨大且具有統(tǒng)計(jì)顯著性的效應(yīng)。其他年齡組的估計(jì)值在幅度上要小得多，且不具有統(tǒng)計(jì)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(qū)動1。

第五，勞動力市場的調(diào)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(shí)在各種替代樣本構(gòu)建中基本保持一致。我們發(fā)現(xiàn)，我們的結(jié)果并非僅僅由計(jì)算機(jī)職業(yè)或易受遠(yuǎn)程工作和外包影響的職業(yè)所驅(qū)動。我們還發(fā)現(xiàn)，在更早的時(shí)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(yù)測年輕工人的就業(yè)結(jié)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(shí)期 ?。這些模式在大學(xué)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(jié)果的驅(qū)動因素。對于非大學(xué)學(xué)歷的工人，我們發(fā)現(xiàn)經(jīng)驗(yàn)可能在緩沖勞動力市場沖擊方面的作用較小，因?yàn)樵诖髮W(xué)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(jié)果分化1。

雖然我們提醒，我們記錄的事實(shí)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(jié)果與生成式人工智能已開始影響入門級就業(yè)的假設(shè)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(fù)面影響可能比其他年齡組更大？一種可能性是，由于模型訓(xùn)練過程的性質(zhì)，人工智能取代了可編碼的知識，即構(gòu)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(jīng)驗(yàn)積累的獨(dú)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(wù)替代，從而導(dǎo)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(wù)替代。這些隱性知識的好處對于那些在經(jīng)驗(yàn)回報(bào)率低的職業(yè)中的非大學(xué)學(xué)歷工人來說可能較少。此外，經(jīng)驗(yàn)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(gè)重要的研究方向是進(jìn)一步建模和檢驗(yàn)這些預(yù)測1。

1 SWE-bench 旨在評估大型語言模型（LLMs）在真實(shí)世界軟件工程任務(wù)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(bào)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(gè)工作日都使用1。

3 某職業(yè)工人的生產(chǎn)力提高可能導(dǎo)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(chǎn)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(xué)計(jì)算機(jī)科學(xué)課堂上學(xué)習(xí)，更可能在工作中習(xí)得的實(shí)用技能之一或許是如何使用人工智能軟件進(jìn)行開發(fā)1。

本文探討了學(xué)術(shù)界、公共政策、商界和媒體中關(guān)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(xué)畢業(yè)生的失業(yè)率已超過非畢業(yè)生，認(rèn)為這是人工智能導(dǎo)致就業(yè)中斷的證據(jù) (Thompson, 2025)。另一些人則指出，這些趨勢遠(yuǎn)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(dāng)期人口調(diào)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(guān)于受影響群體勞動力市場變化的高質(zhì)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(shí)經(jīng)歷了就業(yè)下降 ? 1。

在學(xué)術(shù)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(xiàn)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(wù)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(yīng)用于生成式人工智能，構(gòu)成了本分析所用暴露度指標(biāo)的基礎(chǔ)。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(biāo)與實(shí)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(biāo)確實(shí)能夠預(yù)測在生成式人工智能普及后時(shí)期年輕工人的重大就業(yè)變化1。

我們的工作補(bǔ)充并擴(kuò)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(gè)別公司內(nèi)部 (Brynjolfsson et al., 2025; Dillon et al., 2025)?。我們衡量了橫跨美國經(jīng)濟(jì)的各職業(yè)的勞動力市場變化1。

從這個(gè)意義上說，我們的工作補(bǔ)充了一小部分但日益增多的使用全經(jīng)濟(jì)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(jié)論，對收入或工作小時(shí)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(shí)數(shù)相關(guān) ?。Hampole et al. (2025) 使用 Revelio Labs 從2011年到2023年的招聘信息和 LinkedIn 個(gè)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(biāo)，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(jì)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(shí)，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(shí)時(shí)的數(shù)據(jù)，為解決當(dāng)前關(guān)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(guān)于此話題的一些媒體報(bào)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?yàn)榱嗽黾尤斯ぶ悄芡顿Y而裁員 (Jamali, 2025) 1。

? 來自行業(yè)的報(bào)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(shí)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(guān)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(quán)平均來衡量州-行業(yè)暴露度。如果公司進(jìn)行資本投資或以提高整體勞動力需求的方式提高生產(chǎn)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(diào)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(gè)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(wù)。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(chǎn)品來維護(hù)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(wù)的公司集合隨時(shí)間變化，因?yàn)楣緯尤牖螂x開 ADP 的平臺。我們通過只保留從2021年1月到2025年7月每個(gè)月都有員工收入記錄的公司，來維持我們主要樣本期內(nèi)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(gè)標(biāo)準(zhǔn)化的職位頭銜，例如“搜索引擎優(yōu)化專員”、“企業(yè)內(nèi)容管理經(jīng)理”和“工廠文件控制專員”。該公司的內(nèi)部研究團(tuán)隊(duì)利用職位描述、行業(yè)、地點(diǎn)和其他相關(guān)數(shù)據(jù)等信息，將這些職位頭銜映射到2010年標(biāo)準(zhǔn)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(jìn)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(wù)的公司分布與整個(gè)美國經(jīng)濟(jì)中的公司分布不完全匹配。關(guān)于公司構(gòu)成差異的更多細(xì)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(biāo)。Eloundou et al. (2024) 使用經(jīng)過人工標(biāo)注驗(yàn)證的 ChatGPT，按 O*NET 任務(wù)估算了人工智能暴露度。然后，他們通過將任務(wù)數(shù)據(jù)匯總到2018年 SOC 代碼級別來構(gòu)建職業(yè)暴露度指標(biāo)。我們重點(diǎn)關(guān)注他們論文中基于 GPT-4的暴露度指標(biāo)1。

我們采用的第二種主要方法使用來自 Anthropic 經(jīng)濟(jì)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(bào)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(gè) O*NET 任務(wù)相關(guān)的查詢的估計(jì)份額。然后，它根據(jù)這些任務(wù)份額將數(shù)據(jù)匯總到職業(yè)層面。Anthropic 經(jīng)濟(jì)指數(shù)的一個(gè)特點(diǎn)是，對于每個(gè)任務(wù)，它還報(bào)告了與該任務(wù)相關(guān)的查詢中屬于“自動化”、“增強(qiáng)型”或以上皆非的估計(jì)份額。我們使用這些信息來估算一個(gè)職業(yè)的人工智能使用主要是與勞動力互補(bǔ)還是替代 1? 1。

Eloundou et al. (2024) 的指標(biāo)和 Handa et al. (2025) 的指標(biāo)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(jì)局（BLS）的2010年 SOC 代碼到2018年 SOC 代碼的轉(zhuǎn)換表，將暴露度指標(biāo)與薪資數(shù)據(jù)進(jìn)行合并。表 A1顯示了每種人工智能暴露度指標(biāo)下的職業(yè)示例1。

3.3其他數(shù)據(jù)

為了比較可遠(yuǎn)程工作與不可遠(yuǎn)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(gè)人消費(fèi)支出（PCE）指數(shù)來計(jì)算實(shí)際收入，以2017年10月為基準(zhǔn)。我們使用月度當(dāng)期人口調(diào)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(gè)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(yù)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(wù)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(jīng)濟(jì)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(wù)委托；反饋循環(huán)型（Feedback Loop），指在環(huán)境反饋指導(dǎo)下完成任務(wù)，例如反復(fù)向模型傳遞編碼錯誤；任務(wù)迭代型（Task Iteration），指協(xié)作式的完善過程；學(xué)習(xí)型（Learning），指知識獲取和理解；驗(yàn)證型（Validation），指工作核實(shí)和改進(jìn)；或“以上皆非”（None），模型被指示“自由地”選擇此選項(xiàng)。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(wù)迭代型、學(xué)習(xí)型或驗(yàn)證型的對話被視為增強(qiáng)型（Augmentative）。更多細(xì)節(jié)請參見 Handa et al. (2025)。表 A2復(fù)制了 Handa et al. (2025) 的表1，并顯示了關(guān)于自動化和增強(qiáng)指標(biāo)的更多細(xì)節(jié)1。

4.1事實(shí)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(wù)代理為例，這兩個(gè)職業(yè)通常被認(rèn)為高度暴露于生成式人工智能工具。媒體關(guān)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(dān)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(jìn)行歸一化。兩個(gè)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(jì)算機(jī)職業(yè)和服務(wù)文員中也普遍存在1。

圖1：軟件開發(fā)人員和客戶服務(wù)代理按年齡的就業(yè)變化，以2022年10月為1進(jìn)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(wù)按年齡組的員工人數(shù)變化

圖2以另外四個(gè)職業(yè)作為案例研究，這些職業(yè)根據(jù) Eloundou et al. (2024) 的指標(biāo)，涵蓋了不同的人工智能暴露度水平。市場營銷和銷售經(jīng)理，處于人工智能暴露度的第四個(gè)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(wù)類似，盡管幅度較小。一線生產(chǎn)和運(yùn)營主管，處于第三個(gè)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(gè)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(hù)理助理、精神病護(hù)理助理和家庭健康助理在內(nèi)的健康助理系列職業(yè)，其趨勢與軟件或客戶服務(wù)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(jīng)理（暴露度五分位數(shù)4）、一線生產(chǎn)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(jìn)行歸一化。暴露度五分位數(shù)基于 Eloundou et al. (2024) GPT-4 β 指標(biāo)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(jié)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(biāo)。暴露度五分位數(shù)基于 GPT-4 β 指標(biāo)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(shí)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(qiáng)勁，與后疫情時(shí)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(guān)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(guān)系。對于每個(gè)年齡組，從2022年底到2025年7月，最低的三個(gè) 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(gè)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(jié)果表明，在 AI 暴露度高的工作中就業(yè)下降，是導(dǎo)致22至25歲工人整體就業(yè)增長乏力的驅(qū)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(jié)果因 AI 暴露度而異，但我們提醒，這前兩個(gè)事實(shí)中觀察到的趨勢可能由美國經(jīng)濟(jì)中的其他變化所驅(qū)動。我們接下來的事實(shí)將評估這些結(jié)果在替代性分析下的穩(wěn)健性。

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

人工智能暴露度既可以補(bǔ)充勞動力，也可以替代勞動力。這可能對勞動力市場產(chǎn)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(bǔ)性或替代性而變化，我們使用了來自 Anthropic 經(jīng)濟(jì)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(gè)職業(yè)相關(guān)的查詢份額的估計(jì)值。此外，對于每個(gè)任務(wù)，它報(bào)告了與該任務(wù)相關(guān)的查詢中屬于“自動化”、“增強(qiáng)型”或以上皆非的估計(jì)份額。我們使用這些信息來估算一個(gè)職業(yè)的人工智能使用主要是勞動力的替代品還是補(bǔ)充品 1?。表 A1顯示了每種指標(biāo)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(guān)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(biāo)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(guān)任務(wù)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(guān)任務(wù)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(gè)單獨(dú)類別，編碼為0。

同樣，圖7顯示，估計(jì)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(guān)的查詢中被 Claude 分類為自動化性質(zhì)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(guān)任務(wù)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(gè)單獨(dú)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(jì)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(jì)增強(qiáng)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(qiáng)暴露度排序，因?yàn)榈谖鍌€(gè)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(yīng)用替代勞動力，而增強(qiáng)性應(yīng)用則不然的觀點(diǎn)是一致的 1? 。

圖8

圖8：增強(qiáng)。按年齡和增強(qiáng)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(qiáng)五分位數(shù)根據(jù)與某職業(yè)相關(guān)的查詢中被 Claude 分類為增強(qiáng)型的份額定義。深色線條代表增強(qiáng)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(guān)任務(wù)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(gè)單獨(dú)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(qiáng)的結(jié)果相似1。

1? 注意，增強(qiáng)指標(biāo)的前兩個(gè)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(qiáng)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(biāo)，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(shí)4：在控制公司-時(shí)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(jié)果與生成式人工智能導(dǎo)致入門級就業(yè)下降的假設(shè)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(guān)。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(jìn)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(yīng)來檢驗(yàn)這類混淆因素。對于每個(gè)年齡組，我們估計(jì)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(yīng)2022年10月。結(jié)果變量 yf,q,t 是在公司 f、五分位數(shù) q、時(shí)間 t 的就業(yè)人數(shù)。方程4.1是一個(gè)控制了公司-五分位數(shù)效應(yīng) (αf,q) 和公司-時(shí)間效應(yīng) (βf,t) 的泊松事件研究回歸。公司-時(shí)間效應(yīng)吸收了對每個(gè)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(yīng)調(diào)整了公司內(nèi)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(shí)間效應(yīng)和公司-五分位數(shù)效應(yīng)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(qiáng)大，是因?yàn)樗行У貙⒎治龇秶s小到公司內(nèi)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(hù)士的醫(yī)療保健公司。相反，它是在問一個(gè)更精細(xì)的問題：“在同一家公司內(nèi)部，在同一時(shí)間點(diǎn)，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(nèi)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(gè)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(yán)格的比較下仍然存在，那么這就強(qiáng)烈表明，這種下降是由特定于他們角色和年齡的因素驅(qū)動的，這與 AI 替代的假設(shè)高度一致1。

我們對每個(gè)年齡組分別運(yùn)行此回歸。對于每個(gè)回歸，我們限制在樣本的每個(gè)時(shí)期內(nèi)在該年齡組中雇傭至少10名工人的公司。此外，對于每個(gè) q，∑tyf,q,t 必須至少等于100，這意味著公司在樣本的各個(gè)月份中，平均必須從每個(gè)暴露度五分位數(shù)雇傭約2名工人 1?。標(biāo)準(zhǔn)誤按公司進(jìn)行聚類1。

結(jié)果如圖9所示，該圖繪制了每個(gè)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(jì)值大且具有統(tǒng)計(jì)顯著性，相對就業(yè)下降了12個(gè)對數(shù)點(diǎn)，其幅度與圖3原始數(shù)據(jù)中的估計(jì)值相當(dāng)。其他年齡組的估計(jì)值通常在幅度上小得多，且不具有統(tǒng)計(jì)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(qū)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(jì)。所有估計(jì)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(biāo)。估計(jì)控制了公司-時(shí)間和公司-五分位數(shù)固定效應(yīng)，遵循方程4.1。陰影區(qū)域?yàn)?5%置信區(qū)間。標(biāo)準(zhǔn)誤按公司聚類。

一個(gè)不會被公司-時(shí)間效應(yīng)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(dǎo)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(yàn)，例如移除計(jì)算機(jī)職業(yè)和根據(jù)職業(yè)是否適合在家工作進(jìn)行條件控制1。

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

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

4.5事實(shí)5：勞動力市場的調(diào)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(yàn)勞動力市場在薪酬方面的調(diào)整 1?。薪資數(shù)據(jù)使用 PCE 指數(shù)平減至2017年美元 2? 1。

結(jié)果如圖10所示。研究結(jié)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(jié)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(biāo)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(wù)的技術(shù)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(wù)的技術(shù)可能會產(chǎn)生相反的效果。工資效應(yīng)的符號取決于被取代任務(wù)的總體份額以及這些任務(wù)是專家任務(wù)還是非專家任務(wù)。我們發(fā)現(xiàn)的工資變化有限，表明這些效應(yīng)可能相互抵消，至少在短期內(nèi)是這樣。或者，結(jié)果可以由短期內(nèi)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(shí)6：研究發(fā)現(xiàn)在替代性樣本構(gòu)建下基本保持一致

我們檢驗(yàn)了這些結(jié)果對替代性樣本構(gòu)建和穩(wěn)健性檢驗(yàn)的穩(wěn)健性1。

排除科技職業(yè) 一種可能性是，我們的結(jié)果是由2022年至2023年科技行業(yè)招聘普遍放緩所解釋的，因?yàn)楣緩?COVID-19大流行中恢復(fù) 21。圖 A4顯示了在排除計(jì)算機(jī)職業(yè)（對應(yīng)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(jié)果。結(jié)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(shí)間固定效應(yīng)的結(jié)果進(jìn)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(jié)果表明，我們的發(fā)現(xiàn)并非特定于技術(shù)崗位。

遠(yuǎn)程工作 圖 A6和 A7顯示了根據(jù) Dingel and Neiman (2020) 的分類，適合遠(yuǎn)程工作（telework）和不適合遠(yuǎn)程工作的職業(yè)的結(jié)果 22。我們發(fā)現(xiàn)，對于年輕工人，無論是在可遠(yuǎn)程工作的職業(yè)還是在不可遠(yuǎn)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(yuǎn)程工作職業(yè)的結(jié)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(qū)動 23 。

更長樣本期 圖 A8顯示了將平衡的公司樣本擴(kuò)展到2018年的結(jié)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(shí)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(gè)擔(dān)憂是，對于 Eloundou et al. (2024) 的指標(biāo)，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(biāo)（如圖 A9、A10和 A11所示），情況并非如此。對于這些指標(biāo)，在生成式人工智能出現(xiàn)之前的整個(gè)時(shí)期，最高暴露度群體的就業(yè)增長相當(dāng)，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(zhì)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(diào)查（ACS），超過70%的工人擁有大學(xué)學(xué)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(xué)學(xué)位的職業(yè)的趨勢。大學(xué)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(jié)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(xué)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(xué)畢業(yè)生比例較低的職業(yè)，就業(yè)結(jié)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(jié)果。它們還表明，對于非大學(xué)學(xué)歷的工人，經(jīng)驗(yàn)可能不像對大學(xué)學(xué)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(yàn) 圖 A14和 A15分別顯示了男性和女性的結(jié)果。結(jié)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(qū)動因素。圖 A16顯示，當(dāng)我們不采用平衡的公司樣本時(shí)，結(jié)果相似。圖 A17顯示，當(dāng)包括兼職和臨時(shí)工時(shí)，結(jié)果相似 2? 1。

與 CPS 數(shù)據(jù)的比較 對我們的發(fā)現(xiàn)進(jìn)行比較的一個(gè)有用基準(zhǔn)是將其與月度當(dāng)期人口調(diào)查（CPS）的估計(jì)值進(jìn)行比較。CPS 每月在全國范圍內(nèi)調(diào)查約60,000個(gè)家庭，以收集有關(guān)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(shí)時(shí)的就業(yè)統(tǒng)計(jì)估計(jì)。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(jì)值進(jìn)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(wù)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(jì)值波動性很大，月度估計(jì)就業(yè)人數(shù)的常見波動達(dá)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(jì)的就業(yè)變化，也表明估計(jì)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(shè)計(jì)并非旨在針對這些人口-職業(yè)子群體的就業(yè)統(tǒng)計(jì)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(shí)間范圍內(nèi)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(diào)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(jié)果進(jìn)行比較 2? 1。

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

2? 與就業(yè)序列不同，薪酬的結(jié)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(nèi)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(nèi)研究）或十五年（國外研究）內(nèi)攤銷1。

22 一個(gè)職業(yè)是否適合遠(yuǎn)程工作與 AI 暴露度呈正相關(guān)。根據(jù) GPT-4 β 指標(biāo)，只有兩個(gè)可遠(yuǎn)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(yuǎn)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(gè) 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(gè) AI 暴露度五分位數(shù)合并1。

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

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

2? 在基于 GPT-4 β 的暴露度指標(biāo)的第一個(gè)五分位數(shù)中，沒有一個(gè)職業(yè)的大學(xué)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(jié)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(shí)期的刺激支票所驅(qū)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(qū)動1。

2? 在我們的樣本期內(nèi)，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(wù)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(jì)劃于2025年10月16日發(fā)布1。

我們記錄了關(guān)于人工智能近期勞動力市場影響的六個(gè)事實(shí)。

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(jīng)濟(jì)范圍內(nèi)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(yīng)用中下降，而在增強(qiáng)型應(yīng)用中影響不大。

第四，在控制了公司-時(shí)間效應(yīng)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(diào)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(yuǎn)程工作影響的職業(yè)中以及在各種替代性樣本構(gòu)建中都成立。

雖然我們的主要估計(jì)可能受到生成式人工智能以外因素的影響，但我們的結(jié)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(shè)是一致的1。

新技術(shù)的采用通常會導(dǎo)致工人群體間的異質(zhì)性效應(yīng)，從而產(chǎn)生一個(gè)調(diào)整期，因?yàn)楣と藭谋蝗〈墓ぷ餍问街匦路峙涞絼趧恿π枨笤鲩L的新形式中 (Autor et al., 2024)。這種內(nèi)生調(diào)整可能已經(jīng)隨著人工智能的出現(xiàn)而發(fā)生，有新證據(jù)表明大學(xué)專業(yè)正從計(jì)算機(jī)科學(xué)等 AI 暴露度高的類別轉(zhuǎn)移 (Horowitch, 2025)。過去的技術(shù)轉(zhuǎn)型，如信息技術(shù)革命，在物質(zhì)和人力資本調(diào)整后，最終導(dǎo)致了就業(yè)和實(shí)際工資的強(qiáng)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(diào)整是否遵循類似的模式。因此，我們將繼續(xù)監(jiān)測這些結(jié)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(jì)人工智能對就業(yè)的合理因果效應(yīng)提供更清晰的變異1。

作者: Daniel

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

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