Newshot 引言
关于人工智能（AI）对未来工作影响的争论，关键在于 AI 究竟会取代劳动者、提升其生产率、改变已有工作的类型、创造全新的工作，还是上述几种情况的某种组合。本《经济评论》考察了自 2022 年末 ChatGPT 发布开始的大语言模型（LLM）快速部署，以及随后生成式 AI 的进展，如何重塑美国劳动力市场。1 我们估计，自生成式 AI 广泛可用以来，相对于 2015—2019 年的“前 AI”基准期，AI 暴露程度最高的职业中 23—54 岁劳动者的失业率上升幅度，比暴露程度最低的职业高出约 1 个百分点。对于 AI 能力暴露程度更高的职业群体而言，这种相对失业表现的上升是实质性的，而 23—30 岁劳动者之间的差距更大。
为了理解是什么在推动劳动力市场动态的这一转变，我们不止考察失业率，还考察劳动力市场流动，即劳动者离职的频率以及失业劳动者找到新工作的速度。我们的主要发现是，相对失业率的上升，主要驱动因素是后 AI 时代高暴露职业劳动者的求职成功率相比前 AI 基准期出现了显著下降。我们并未发现一致的证据表明，AI 暴露程度高的职业中劳动者离职率有所上升。综合来看，这些模式表明，迄今为止，生成式 AI 可能是在使进入 AI 暴露型职业变得更加困难，而不是在取代这些职业中现有的劳动者。
衡量 AI 暴露程度
我们从近期学术文献中采用了三种不同的衡量方法，用以刻画某一职业的任务与 AI 所能完成的工作之间的重叠程度，每种方法反映了解决这一问题的不同路径。其中两种方法来自 Eloundou 等人（2023），他们系统评估了美国劳工部 O*NET 数据库中收录的 19,000 多项具体任务，该数据库是涵盖 923 个职业的劳动者任务的大型汇编。每项任务都按照一个简单标准进行评级：LLM 或由 LLM 驱动的软件系统能否在保持产出质量的同时，将完成该任务所需时间减少至少 50%。这一评估产生了三个暴露类别。不具备这种潜力的任务被归类为“未暴露”；仅靠基础 LLM 界面即可完成的任务被归类为“直接暴露”；需要构建在 LLM 之上的额外专用软件（如领域特定的检索系统或图像生成工具）才能完成的任务被归类为“间接暴露”。基于这些任务层面的评级，作者构建了职业层面的暴露分数。我们采用其 beta 分数，该分数对直接暴露给予全额权重，对间接暴露给予一半权重，以反映间接应用落地所需的额外投入。关键在于，作者生成了该指标的两种变体，一种基于熟悉 LLM 能力的人类专家的评级，另一种基于 GPT-4 自身的评级。我们将这些分数解读为衡量 AI 替代人类当前所执行任务的潜力。两者均纳入我们的分析，并得出相似的结果。
Handa et al.（2025）采用了一种概念上不同的方法，他们衡量的是 AI 实际被用于与特定职业相关任务的程度。通过分析 Claude.ai 平台上超过四百万次真实对话，他们将观察到的交互映射到 O*NET 任务描述，并构建了职业层面的使用率。Handa et al.（2025）发现，AI 的使用高度集中；软件开发与写作任务占所有观察到的交互的近一半，而在极高工资职业（如医生）中的实际使用率明显低于 Eloundou et al.（2023）框架所预测的水平，原因可能是监管壁垒以及这些角色的体力要求。这一使用评分与 Eloundou et al.（2023）所衡量的对象在本质上不同。一个职业在理论上可能高度暴露，但由于监管约束、雇主惰性、高实施成本或采用缓慢，实际 AI 使用率却很低。反过来，采用速度较快的职业即使理论暴露程度中等，也可能显示出较高的使用率。这两种方法之间的差异可以揭示劳动力市场流动在多大程度上是在响应 AI 的预期效应，而非其实际使用。我们在分析结果的讨论中会回到这一点。
我们如何追踪各职业的求职与失业
为了衡量 AI 暴露如何影响劳动者找到工作或失去工作的几率，我们需要随时间追踪个体，以观察其就业状态的变化。这要求对同一劳动者在连续月份中进行重复观察，并关联其职业的 AI 暴露信息，以便我们比较在生成式 AI 工具广泛可用之前和之后，这些转换率在不同 AI 暴露程度的职业中如何演变。我们的主要数据来源是基本月度当前人口调查（CPS），由美国人口普查局和劳工统计局联合实施（IPUMS, Flood et al., 2024）。2 CPS 对家庭进行连续四个月的访谈，然后轮换出去八个月，再进行四个月的访谈。这种面板结构使我们能够将个体在相邻月份之间进行关联，并直接观察就业状态之间的转换。
我们将样本限制在 23–54 岁的平民，排除大多数仍在校的年轻劳动者以及接近退休的年长劳动者，因为他们的劳动力市场行为可能反映了与 AI 无关的生命周期因素。我们关注失业率以及两个转换结果。失业劳动者如果在随后一个月就业，则被归类为“求职成功者”。例如，如果一个人在 1 月失业、在 2 月就业，我们说他在 2 月是求职成功者。同样，就业劳动者如果在随后一个月失业或退出劳动力市场，则被归类为“与工作分离”。这些个体流动按职业层面（根据其 AI 暴露程度）分组，构成我们分析中的因变量。
由于失业劳动者目前不持有工作，他们无法按传统意义被分配到某个职业。CPS 会询问所有失业受访者最近一份工作的职业，我们使用这一信息按 AI 暴露水平将失业劳动者分类到职业组中。3,4
实证策略
我们根据三种衡量标准中的每一种，将 923 个 O*NET 职业按 AI 暴露程度排序，分为 20 个规模相等的组（二十分位组）。然后，我们对每个二十分位组估计在 AI 前基线期与 AI 后比较期之间，平均失业率、求职率和离职率的变化。
我们的 AI 前基线期为 2015 年 1 月至 2019 年 12 月。这一窗口早于生成式 AI 工具向公众开放的时期，也不受 COVID-19 疫情对劳动力市场造成的扭曲影响——这些扭曲在 2020–2022 年间十分严重且具有特异性。我们的失业率比较期为 2025 年 5 月至 2026 年 4 月，在此期间 LLM 已广泛可用，并被企业和个人大量采用（Bick, Blandin, and Deming, 2026）。对于求职率和离职率，我们将比较期扩展至包含 2024 年 1 月至 2026 年 4 月。5 由于 CPS 的轮换面板结构和样本流失，具备所需月度间链接的失业个体只是用于计算失业率的样本中较小的一个子集。延长比较期使我们能够挽回部分损失的样本量，并保持下文所记录模式的统计精度。6
为了观察 AI 如何影响劳动力市场，我们将各职业组的失业率变化及相关流动率变化与其 AI 暴露排名进行作图。我们比较了在生成式 AI 出现之前与之后，不同暴露程度的职业中劳动力市场的变化幅度。7 关键问题在于，在 AI 能够承担更多工作的职业中，失业率或流动率是否变化更大。如果 AI 正在重塑劳动力市场，我们预期最大的变化恰恰会出现在这些职业中。
AI 暴露与劳动力市场结果
图 1 呈现了我们的主要结果：在三种暴露度量下，AI 暴露与 20 个职业组的失业率变化（AI 可用后减去 AI 可用前）之间的关系。三种度量均显示正相关关系。AI 暴露较高的职业，其失业率的相对增幅大于暴露较低的职业。这一模式在 Eloundou et al.（2023）的 LLM 评分任务暴露指标（面板 (b)）中最为清晰，拟合线从最低暴露职业的约 -0.6 个百分点上升至最高暴露职业的约 0.7 个百分点，得出最低暴露与最高暴露职业之间 1.3 个百分点的预测差距（见面板右侧的粗体数字）。其人工评分任务暴露指标（面板 (a)）显示出类似的正斜率，但拟合线周围的散点更多。Handa et al.（2025）基于使用量的指标（面板 (c)）也显示出正斜率，尽管与其他度量的斜率相比略为平缓。