AI对劳动力市场的影响：一种新的衡量方法及初步证据

---
title: "AI对劳动力市场的影响：一种新的衡量方法及初步证据"
title_en: "Labor market impacts of AI: A new measure and early evidence"
source: "Anthropic"
source_url: "https://www.anthropic.com/research/labor-market-impacts"
published_at: "2026-07-08T22:11:25.000Z"
language: "zh-CN"
topics: ["claude"]
tags: ["Anthropic","Claude"]
review_status: "unreviewed"
---

# AI对劳动力市场的影响：一种新的衡量方法及初步证据

> Anthropic提出了一种结合AI理论能力和实际使用数据的新指标“观察暴露度”，发现AI实际覆盖范围远小于理论可能，且高暴露度职业的工人失业率尚未显著上升，但年轻工人招聘有所放缓。

## 内容摘要

本文提出了一种衡量AI替代风险的新指标——观察暴露度，它结合了理论上的大语言模型能力和实际使用数据，并更重视自动化和工作相关的使用场景。研究发现，AI远未达到其理论能力，实际覆盖范围只是可行范围的一小部分。美国劳工统计局预测，观察暴露度较高的职业到2034年增长较慢。暴露度最高的职业中，从业者更可能是年龄较大、女性、受教育程度更高、收入更高的人群。自2022年底以来，没有发现高暴露度工人失业率系统

## 为什么值得关注

AI对劳动力市场的影响可能不像疫情那样突然，而是像互联网或贸易一样缓慢渗透。这项研究提供了一种新方法，在替代效应显现之前识别最脆弱的工作，帮助政策制定者和工人提前应对潜在冲击。

## 核心要点

- 新指标“观察暴露度”结合了AI理论能力和实际使用数据，更关注自动化和工作相关场景。
- AI实际覆盖范围远小于理论可能，例如计算机与数学职业中仅覆盖33%的任务。
- 高暴露度职业（如计算机程序员、客户服务代表）的工人失业率尚未显著上升。
- 年轻工人（22-25岁）进入高暴露度职业的招聘速度自2022年底以来下降了约14%。
- 暴露度最高的工人更可能是年龄较大、女性、受教育程度高、收入高的人群。

# AI对劳动力市场的影响：一种新的衡量方法及初步证据

## 主要发现

- 我们提出了一种衡量AI替代风险的新指标——**观察暴露度**，它结合了理论上的大语言模型能力和实际使用数据，并更重视自动化（而非辅助性）和工作相关的使用场景
- AI远未达到其理论能力：实际覆盖范围只是可行范围的一小部分
- 美国劳工统计局预测，观察暴露度较高的职业到2034年增长较慢
- 暴露度最高的职业中，从业者更可能是年龄较大、女性、受教育程度更高、收入更高的人群
- 自2022年底以来，我们没有发现高暴露度工人失业率系统性上升的证据，但有一些迹象表明，在暴露度高的职业中，年轻工人的招聘速度有所放缓

## 引言

AI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热潮。但过去的方法记录让我们有理由保持谦虚。

例如，一项衡量工作可外包性的著名研究认为大约四分之一的美国工作面临风险，但十年后，这些工作大多保持了健康的就业增长。政府自身的职业增长预测，虽然方向正确，但除了对过去趋势进行线性外推外，几乎没有增加预测价值。即使是事后回顾，重大经济冲击对劳动力市场的影响也常常不清楚。关于工业机器人对就业影响的研究得出了相反的结论，而中国贸易冲击导致的失业规模仍在争论中。¹

在这篇论文中，我们提出了一个理解AI对劳动力市场影响的新框架，并用早期数据进行了测试，发现目前AI对就业影响的证据有限。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。这种方法不会捕捉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现在就打下基础，我们希望未来的发现能比事后分析更可靠地识别经济冲击。

AI的影响有可能是显而易见的。当影响模糊不清时，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。

## 反事实分析

当影响巨大且突然时，因果推断更容易。COVID-19疫情及伴随的政策措施造成的经济冲击如此明显，以至于对于许多问题来说，复杂的统计方法都是不必要的。例如，失业率在疫情初期急剧上升，几乎没有其他解释的空间。

然而，AI的影响可能更像互联网或与中国的贸易，而不是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混淆对趋势线的解读。

一种常见的方法是比较受AI影响程度不同（高或低）的工人、公司或行业的结果，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，所以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衡量，然后汇总到职业层面。³

## 衡量暴露度

我们的方法结合了三个来源的数据。

- **[O*NET数据库](https://www.onetcenter.org/database.html)**，它列出了美国约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](https://www.anthropic.com/economic-index)中所衡量的）。
- **Eloundou等人（2023）的任务级暴露度估计**，衡量大语言模型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，用一个简单的尺度对任务进行评分：如果仅靠大语言模型就能使任务速度提高一倍，则为1；如果需要在大语言模型基础上构建额外的工具或软件，则为0.5；否则为0。⁴

为什么实际使用会达不到理论能力？一些理论上可行的任务可能因为模型限制而没有出现在使用中。其他任务可能由于法律限制、特定的软件要求、人工验证步骤或其他障碍而传播缓慢。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）。我们没有观察到Claude执行此任务，尽管评估似乎是正确的，因为理论上它可以通过大语言模型加速。

也就是说，这些理论能力和实际使用的衡量指标高度相关。如图1所示，在前四份经济指数报告中观察到的任务中，有97%属于Eloundou等人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衡量指标

我们的新指标——**观察暴露度**——旨在量化：在大语言模型理论上可以加速的任务中，哪些实际上在专业环境中出现了自动化使用？理论能力涵盖的范围要广泛得多。通过追踪这个差距如何缩小，观察暴露度可以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，工作的暴露度更高：

- 其任务理论上可以用AI完成
- 其任务在Anthropic经济指数中有显著使用⁵
- 其任务在工作相关环境中执行
- 其自动化使用模式或API实现的比例相对较高
- 受AI影响的任务在整个角色中占比较大⁶

我们在[附录](https://cdn.sanity.io/files/4zrzovbb/website/e5f77fc0e77c0185110b5e4b909602791ae76eae.pdf)中给出了数学细节。我们将理论上大语言模型可以完成的任务视为**已覆盖**，如果它们在Claude流量中看到了足够多的工作相关使用。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部权重，而辅助性使用获得一半权重。最后，任务级覆盖度量根据每个任务花费的时间比例加权平均到职业层面。

图2显示了观察暴露度（红色）与Eloundou等人的β（蓝色）的对比，说明了我们平台上理论使用和实际使用之间的差异，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层面，然后根据总就业人数加权平均到职业类别。例如，β指标显示，在计算机与数学（94%）和办公与行政（90%）职业中，大多数任务都有大语言模型渗透的空间。

红色区域描绘了来自Anthropic经济指数的大语言模型使用情况，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，红色区域将增长以覆盖蓝色区域。还有一个很大的未覆盖区域；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。与其他数据显示Claude广泛用于编码一致，计算机程序员位居榜首，覆盖率为75%，其次是客户服务代表，其主要任务我们越来越多地在第一方API流量中看到。最后，数据录入员，其主要任务——阅读源文档和输入数据——正在经历显著的自动化，覆盖率为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太低，未达到最低阈值。这个群体包括，例如，厨师、摩托车修理工、救生员、调酒师、洗碗工和更衣室服务员。

## 暴露度如何与预测的就业增长和工人特征相关联

美国劳工统计局定期发布就业预测，最新一期于2025年发布，涵盖了2024年至2034年每个职业的[预测](https://data.bls.gov/projections/occupationProj)变化。在图4中，我们将我们的工作级覆盖度量与其预测进行了比较。

按当前就业人数加权的职业层面回归发现，观察暴露度较高的工作增长预测较弱。覆盖率每增加10个百分点，劳工统计局的增长预测就下降0.6个百分点。这提供了一些验证，表明我们的指标与劳动力市场分析师的独立估计一致，尽管这种关系很微弱。有趣的是，仅使用Eloundou等人的指标则没有这种相关性。

图5显示了在ChatGPT发布前三个月（2022年8月至10月），暴露度最高四分位数的工人和暴露度为零的30%工人的特征，数据来自当前人口调查。⁷ 这些群体非常不同。暴露度较高的群体中女性比例高16个百分点，白人比例高11个百分点，亚裔比例几乎翻倍。他们的平均收入高出47%，受教育程度也更高。例如，研究生学历的人在未暴露群体中占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

有了这些暴露度指标，问题是要关注什么。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组合的变化。他们的论点是，AI对经济的任何重要重组都会表现为工作分布的变化。¹（他们发现，到目前为止，变化并不显著。）Brynjolfsson等人（2025）使用薪资处理公司ADP的数据，按年龄组查看就业水平，而Acemoglu等人（2022）和Hampole等人（2025）分别使用Burning Glass（现为Lightcast）和Revelio的职位发布数据。

我们将失业作为优先关注的结果，因为它最直接地捕捉了经济损害的可能性——一个失业的工人想要工作但尚未找到。在这种情况下，职位发布和就业并不一定表明需要政策回应；一个高暴露度角色的职位发布下降可能会被相关职位空缺的增加所抵消。AI最有害的劳动力市场发展应该包括一段失业增加的时期，因为被替代的工人寻找替代选择。当前人口调查非常适合追踪这一点，因为失业的受访者会报告他们之前的工作和行业。

## 初步结果

接下来，我们研究失业趋势，将我们的职业级指标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该被视为**受处理**？仅仅10%的任务覆盖率就应该预期就业变化吗？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，才可能看到就业效应。Hampole等人（2025）认为，平均暴露度会降低劳动力需求，但暴露度集中在某些任务上可以抵消这种效应。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，我们将分析集中在这样一个想法上：影响应该在平均暴露度最高的群体中最明显。我们将时间加权任务覆盖率最高四分位数的工人与最低的工人进行比较。如果AI能力快速进步，较低百分位数的任务覆盖率可能很高，这可能使绝对阈值更有帮助。但我们假设影响应该首先影响暴露度最高的工人，并展示了改变我们用于定义处理的截止点的结果。

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——他们更可能从事面对面工作——失业率上升幅度更大。此后，两个群体的趋势大致相似。下半部分在双重差分框架中衡量了暴露度最高和最低工人之间差距的大小，反映了原始数据的发现。自ChatGPT发布以来，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，但效果与零无法区分。⁸

这个框架可以识别什么样的情景？基于合并估计的置信区间，大约1个百分点的失业率差异增加是可以检测到的（随着新数据的出现，这将发生变化，所以这只是一个粗略估计）。如果前10%的所有工人都被解雇，这将使前四分位数群体的失业率从3%增加到43%，并使总体失业率从4%增加到13%。

一个较小但仍然令人担忧的影响是"白领大衰退"这样的情景。在2007-2009年大衰退期间，美国的失业率从5%翻倍到10%。暴露度最高四分位数群体中这样的翻倍将使其失业率从3%增加到6%。这应该在我们的分析中也是可见的。请注意，我们的核心估计基于暴露组与低暴露组失业率的差异变化。如果所有工人的失业率同时上升，我们不会将其归因于仍然使许多任务不受影响的AI进步。

一个特别值得关注的群体是年轻工人。Brynjolfsson等人报告称，在暴露度高的职业中，22至25岁工人的就业下降了6-16%。他们将这种下降主要归因于招聘放缓，而不是离职增加。⁹

我们发现，暴露职业中年轻工人的失业率持平（见[附录](https://cdn.sanity.io/files/4zrzovbb/website/e5f77fc0e77c0185110b5e4b909602791ae76eae.pdf)）。但招聘放缓不一定表现为失业增加，因为许多年轻工人是劳动力市场新进入者，在当前人口调查数据中没有列出的职业，并且可能退出劳动力市场而不是表现为失业。为了直接解决招聘问题，我们使用当前人口调查的面板维度，计算年轻（22-25岁）工人随时间进入高暴露度与低暴露度职业的百分比。图7显示了年轻工人的月度工作发现率（即，当工人报告一份上个月没有的工作时），按他们是进入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年视觉上出现分歧，年轻工人进入暴露度高的职业的可能性相对较低。低暴露度职业的工作发现率稳定在每月2%，而进入暴露度最高职业的比率下降了约0.5个百分点。ChatGPT时代后的平均估计是，与2022年相比，暴露职业的工作发现率下降了14%，尽管这勉强具有统计显著性。（对于25岁以上的工人，没有这种下降。）

这可能提供了一些AI对就业早期影响的信号，并呼应了Brynjolfsson等人的发现。但还有几种其他解释。未被录用的年轻工人可能留在现有工作中，从事不同的工作，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

本报告介绍了一种理解AI对劳动力市场影响的新指标，并研究了对失业和招聘的影响。工作对AI的暴露度更高，如果其任务理论上可以用大语言模型完成，并且在我们平台上以自动化、工作相关的用例被观察到。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略有放缓。

我们的工作是记录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，特别是关于覆盖范围和反事实分析的步骤，能够随着就业和AI使用的新数据出现而易于更新。一个成熟的方法可能有助于未来的观察者区分信号和噪音。

当前工作还有几个改进之处。我们的使用数据将纳入未来的更新中，形成经济中任务和工作覆盖范围的演变图景。Eloundou等人的指标也可以更新，因为它与2023年初的大语言模型能力相关。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，一个关键的下一步可能是研究在暴露领域拥有教育证书的应届毕业生如何应对劳动力市场。

## 附录

可在此处获取：[链接](https://cdn.sanity.io/files/4zrzovbb/website/e5f77fc0e77c0185110b5e4b909602791ae76eae.pdf)

### 致谢

作者：Maxim Massenkoff 和 Peter McCrory。

感谢：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 对早期版本报告的反馈。

### 引用

```
@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

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/](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.

Gans, Joshua S. and Goldfarb, Avi, "O-Ring Automation," NBER Working Paper No. 34639, December 2025. Available at SSRN: [https://ssrn.com/abstract=5962594](https://ssrn.com/abstract=5962594)

Gimbel, Martha, Molly Kinder, Joshua Kendall, and Maddie Lee, "Evaluating the Impact of AI on the Labor Market: Current State of Affairs," Research Report, The Budget Lab at Yale, New Haven, CT October 2025. Available at: [https://budgetlab.yale.edu](https://budgetlab.yale.edu/).

Graetz, Georg and Guy Michaels, "Robots at Work," Review of Economics and Statistics, 2018, 100 (5), 753–768.

Hampole, Menaka, Dimitris Papanikolaou, Lawrence DW Schmidt, and Bryan Seegmiller, "Artificial intelligence and the labor market," Technical Report, National Bureau of Economic Research 2025.

Handa, Kunal, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, and Deep Ganguli, "Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations," 2025.

Hui, Xiang, Oren Reshef, and Luofeng Zhou, "The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market," Organization Science, 2024, 35 (6), 1977–1989.

Johnston, Andrew and Christos Makridis, "The labor market effects of generative AI: A difference-in-differences analysis of AI exposure," Available at SSRN 5375017, 2025.

Massenkoff, Maxim, "How predictable is job destruction? Evidence from the Occupational Outlook," 2025. Working Paper.

Ozimek, Adam, "Overboard on Offshore Fears," 2019. [https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3777307](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3777307)

Tamkin, Alex and Peter McCrory, "Estimating AI productivity gains from Claude conversations," 2025.

Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). Working with AI: measuring the applicability of generative AI to occupations. arXiv preprint arXiv:2507.07935.

## 脚注

- 工作可外包性：Blinder等人（2009）和Ozimek（2019）；政府增长预测：Massenkoff（2025）；机器人：Graetz和Michaels（2018）以及Acemoglu和Restrepo（2020）；中国冲击：Autor等人（2013）和Borusyak等人（2022）。

工作可外包性：Blinder等人（2009）和Ozimek（2019）；政府增长预测：Massenkoff（2025）；机器人：Graetz和Michaels（2018）以及Acemoglu和Restrepo（2020）；中国冲击：Autor等人（2013）和Borusyak等人（2022）。

- **Brynjolfsson 等人（2025）** 比较了受 AI 影响较大和较小职业的就业趋势。他们使用了 Eloundou 等人（2023）提出的任务暴露度指标，以及 ADP 的薪资数据。**Johnston 和 Makridis（2025）** 也做了类似的任务分析，不过他们用的是美国行政数据，并且把分析对象汇总到了行业层面。**Hui 等人（2024）** 研究了 Upwork 上的自由职业工作如何应对 ChatGPT 和高级图像生成工具的发布。他们比较了每个工具发布前后，直接受影响类别和未受影响类别中工人的情况。**Hampole 等人（2025）** 利用历史上的大学招聘网络来研究企业层面的 AI 采用情况：那些历史上从毕业生后来从事 AI 相关岗位的大学招聘的企业，采用 AI 的成本更低。

- 我们提出的任务和职业层面的暴露度指标，可以很方便地融入其他使用数据，并推广到不同国家。我们计划随着时间的推移，将这套方法应用到新的场景中。

- 在他们的框架中，“直接暴露”的任务是指那些使用大语言模型（LLM，一种能理解和生成文本的 AI 模型）能在原来一半时间内完成的任务（输入限制为 2000 词，且无法获取最新事实）。“借助工具暴露”的任务是指，使用能访问信息检索和图像处理等软件的 LLM 时，也能实现同样的速度提升。而“未暴露”的任务，则无法通过 LLM 将完成时间缩短 50% 或更多。

- 我们使用了前两个 Anthropic 经济指数数据集，涵盖了 2025 年 8 月和 11 月的使用情况。对于语义上高度相似的 ONET 任务，我们会在它们之间分配计数。

- 每一步都需要做出判断。Eloundou 等人（2023）的指标应该设为 {0, 0.5, 1} 还是其他值？什么才算“显著”使用？如何处理那些与高使用率任务非常相似，但因过于罕见而未被经济指数抽样专门捕捉到的任务？自动化工作流（指 AI 完全替代人类完成工作）的权重应该比增强工作流（指 AI 辅助人类工作）高多少？一个令人安心的发现是，对于这些问题的多种不同处理方式，得出的职业暴露度排名（Spearman 秩相关系数）都非常高。我们在附录中对此进行了详细说明。

- 为了将 O*NET-SOC 代码与 CPS（当前人口调查）中的 occ1990 代码匹配，我们使用了 [Eckhart 和 Goldschlag（2025）](https://eig.org/ai-and-jobs-the-final-word/) 提供的对照表。

- 我们在[附录](https://cdn.sanity.io/files/4zrzovbb/website/e5f77fc0e77c0185110b5e4b909602791ae76eae.pdf)中通过三种方式进一步探讨了这一点。首先，我们检验了用于定义“受影响”的百分位数阈值是否重要，将其从中位数变化到第 95 百分位数。在所有情况下，影响都是持平或负面的（意味着受影响组的失业率下降）。其次，我们特别关注了年轻工人，即 Brynjolfsson 等人（2025）研究中 22 至 25 岁的群体。最后，我们使用了劳工部的失业保险申领数据来衡量失业率，而不是 CPS 的调查回复。在这些扩展分析中，我们都没有发现对受影响职业有明确的影响。

- 这个范围之所以很宽，是因为作者针对多个反事实情况（即假设没有 AI 影响的情况）提供了估算值。6 个百分点的下降，是与就业增长持平的反事实情况相比得出的。16 个百分点的估算值，则来自一个比较同一公司内不同职业的相似工人的研究设计。

- 参见 Fujita 等人（2024）。

### 更正

更新于 2026 年 3 月 8 日：更正了图 7，该图错误地颠倒了最高四分位数组和零暴露组流入率的标签。

## 相关内容

### AI 模型中双重用途知识的“关闭开关”

### 语言模型中的全局工作空间

新的可解释性研究发现，Claude 中存在一个涌现的心理工作空间，它容纳了不会出现在模型输出中的内部想法。

### Anthropic 经济指数报告：节奏

在我们最新的经济指数报告中，我们首次按小时采样，以探究：人们什么时候来找 Claude？他们用它来做什么？以及他们如何看待 AI 对其工作的影响？

---

英文原文：[Labor market impacts of AI: A new measure and early evidence](https://www.anthropic.com/research/labor-market-impacts)