自 2022 年底生成式人工智能快速发展以来，关于其对就业市场影响的讨论一直持续不断。过去几年间，科技行业从业者、金融分析师以及公众普遍担心白领岗位可能首当其冲。但随着时间推移，此前预期的大规模失业现象似乎尚未出现。

3 月 5 日，人工智能公司 Anthropic 发布了一份题为《AI 对劳动力市场的影响：一种新衡量标准与早期证据》（Labor market impacts of AI: A new measure and early evidence）的研究报告。该报告由经济学家 Maxim Massenkoff 和 Peter McCrory 撰写，基于 Claude 的实际使用数据对这一问题进行了分析。报告的结论是：目前大多数已有工作经验的从业者岗位还相对稳定，但刚进入就业市场的年轻求职者面临更大的挑战。

（来源：Anthropic）

要理解这一现象，首先需要明确如何衡量“被 AI 取代的风险”。

过去几年，学术界和产业界在评估技术冲击时，多采用基于理论推演的方法。2023 年，OpenAI 研究人员 Tyna Eloundou 等人发表论文，提出一种基于理论能力的评估模型。

在该框架下，如果大语言模型（LLM）能够独立完成某项任务并将执行速度提升一倍，该任务即被标记为“完全暴露”；若需借助外部软件或工具，则为“部分暴露”。这种“理论暴露度”的评估结果显示，大多数知识型工作都可能受到 AI 影响。

但 Anthropic 的报告指出，理论可行性与实际采用率之间存在明显差距，无法作为唯一的判断标准。为此，研究团队提出了一项新的经济学指标——“观察到的暴露度”（Observed Exposure）。

这一新指标不再仅依赖理论推演，而是将美国职业信息网络（O*NET）中的具体任务拆解，与 Anthropic 的 Claude 实际使用数据（即 Anthropic 经济指数）进行交叉分析。

研究人员考察了理论上可被大模型加速的任务，在实际专业工作场景中被自动化的比例。如果某项任务在 API 流量中呈现完全自动化特征，则赋予全额权重；若作为人类辅助工具使用，则赋予一半权重。

结果显示，AI 的实际应用范围与理论预期的确存在差距。

以计算机与数学类职业为例，从理论上来看，该领域几乎 94% 的任务可被大模型覆盖，但目前显示的实际任务覆盖率仅为 33%。报告分析认为，这种差距主要源于现实中的多重约束，包括法律合规要求、企业软件环境限制，以及关键环节仍需人工核查等。例如，大模型理论上可协助处理处方续注，但在实际系统流量中，这类高风险医疗决策行为极少发生。

图 | 不同职业类别的理论能力与实际暴露度对比（来源：Anthropic）

随着评估方法的调整，受 AI 影响较大的群体特征也逐渐明确，这一特征与以往技术变革中受影响的群体有所不同。在工业自动化或全球化贸易冲击中，低学历、从事常规体力劳动的劳动者通常受影响较大。

但根据 2022 年秋季美国当前人口调查（CPS）数据，Anthropic 的研究发现，处于 AI 暴露度最高 25% 区间的劳动者呈现出不同特征：平均年龄较大，收入比低暴露群体高 47%，受教育程度也更高。在低暴露群体中，拥有研究生学历的比例为 4.5%，而在高暴露群体中这一比例为 17.4%。

从人口统计学角度看，高暴露群体中女性比例高出 16 个百分点，白人高出 11 个百分点，亚裔比例约为低暴露群体的两倍。

（来源：Anthropic）

从职业角度来看，计算机程序员的实际覆盖率为 74.5%，客户服务代表为 70.1%，数据录入员为 67.1%，医疗记录专家、市场研究分析师和金融投资分析师也属于高暴露职业。相比之下，约 30% 的劳动者：如厨师、摩托车修理工、救生员和洗碗工，因工作高度依赖物理操作，在 AI 实际使用数据中占比很低。

图 | AI 暴露度最高的十大职业（来源：Anthropic）

那么，既然高学历、高收入的白领群体受 AI 影响较大，他们是否正经历大规模失业？但报告的发现与部分预期不同：目前并未出现这种情况。

Anthropic 指出，这是由于此前多使用“因果推断”的直接分析方法，而这仅在解释“突发性经济冲击”时较为奏效，例如疫情初期失业率上升的原因较为明确。但 AI 的影响可能更接近互联网普及或国际贸易变化的过程，其效应容易被商业周期等其他因素所影响。

为了减少干扰，研究团队采用双重差分模型（DID），追踪了自 ChatGPT 发布以来高暴露与低暴露群体的失业率变化。如果 AI 导致类似 2008 年金融危机的就业冲击，高暴露群体的失业率应有明显上升。但实际数据显示，自 2022 年底以来，两类群体的失业率走势基本平行，平均变化差异在统计上不显著。

美国劳工统计局（BLS）对未来十年就业增长的预测显示，职业的 AI 覆盖率每增加 10 个百分点，预期增长率下降 0.6 个百分点，这更多体现为增速温和放缓，而非岗位绝对减少。

此外报告还进一步显示，对于资深从业者来说，他们的岗位不仅相对稳定，还可能因 AI 辅助而提升工作效率。

经济学家 Joshua Gans 和 Avi Goldfarb 在 2025 年提出的 O 型环自动化模型（O-Ring Automation）指出，只要工作中仍有需要人类判断、复杂沟通或专业经验的环节，这些任务的价值可能因基础工作被自动化而提升。这有助于解释为何在 AI 承担基础代码生成或数据清洗后，高级程序员和资深分析师的市场需求并未明显下降。

然而，未出现大规模失业并不意味着劳动力市场完全不受影响，只是变化的表现方式更为间接。当企业发现资深员工借助大模型可完成更多原本需初级助理协助的工作时，其招聘策略可能相应调整。第一步可能就是减少初级岗位的招聘——这一变化对年轻求职者的职业入口产生影响。

以 22 至 25 岁青年群体的就业情况为例，Anthropic 报告指出，由于部分年轻求职者在未找到专业工作时可能退出劳动力市场或暂不申报职业，传统失业率指标难以全面反映其处境。为此，研究团队利用 CPS 面板数据，追踪年轻人“开始一份新工作”的入职率。

数据显示，2020 至 2021 年波动之后，2024 年起年轻人在高暴露与低暴露职业的入职率出现分化。低暴露行业的入职率保持在每月约 2% 的水平，而高暴露职业的入职率有所下降。2022 年之后，高暴露职业中年轻人的求职成功率下降约 14%。这一趋势在 25 岁以上群体中不明显。

这一发现与学术界其他研究结果一致。2025 年，斯坦福大学数字经济实验室主任 Erik Brynjolfsson 及其团队发表论文《煤矿里的金丝雀？关于人工智能近期就业影响的六个事实》（Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence），基于美国自动数据处理公司（ADP）的高频薪酬数据，分析了数百万工人的就业情况。

（来源：Standford）

研究发现，在受 AI 影响较大的职业中，22 至 25 岁的早期职业劳动者相对就业率下降 6% 至 16%，而 30 岁以上员工就业保持稳定或增长 6% 至 13%。

“煤矿里的金丝雀”这个比喻源于 19 世纪末至 20 世纪早期的采矿业：矿工下井时会带一只金丝雀，因为它对有毒气体（如一氧化碳、甲烷）极为敏感，一旦毒气浓度升高，金丝雀会最先出现中毒症状，给人类提供宝贵的早期预警。

在 AI 时代，年轻求职者就像这些金丝雀——他们最先、最明显地反映出劳动力市场的结构性变化：由于议价能力有限、尚未积累难以被替代的专业经验，他们通常从基础性任务起步，而这些任务恰好最容易被 AI 处理。资深员工能借助 AI 大幅提升效率，甚至一人完成过去几人的工作量；但年轻群体却面临入门机会锐减、竞争压力骤增的困境。

对于未能进入目标岗位的年轻人，其具体流向在现有研究中尚无统一结论。Anthropic 的报告指出，调查数据可能存在统计误差，未进入目标岗位的年轻人可能留在原有职位、转向自动化风险较低的服务业，或选择继续深造。无论具体流向如何，传统的职场培养模式正面临调整。

回顾过去几十年，职场人才培养通常遵循一种渐进模式：新人通过处理测试代码、撰写报告初稿、维护基础系统等任务积累经验，逐步成长为能独当一面的专业人才。但如今，随着大模型能够以更低成本完成这些基础性工作，初级岗位的培养似乎变得不再必要。

从短期看，这确实有助于企业提升人效，但从长期看，若行业普遍弱化对新人实践能力的培养，未来中高级专业人才的供给可能出现断层，反而制约企业的可持续发展。

与此同时，年轻求职者面临的就业困境也不容忽视。当基础任务被自动化接管，而企业又缺乏系统性的新人培养机制，这一群体不仅更难获得进入专业领域的机会，其早期职业发展和收入稳定性也可能受到持续影响。

这既关系到个体生计，也涉及劳动力结构的长期健康。如何平衡技术效率与人才成长，为年轻人创造可行的能力进阶路径，值得企业、教育机构和政策制定者共同关注。