Labor-Market-Impact

证据身份与边界

本页是多机构、多时期、多人口和多 estimand 的综合页，不存在一个“AI 对就业”的统一估计。企业 headcount/FTE、职业 exposure、招聘/离职流量、岗位发布、个人 adoption、培训可得性与无 AI 独立能力分别来自不同来源；它们可以共同构成证据地图，但不能相减、合并成净效应或自动推出统一因果结论。

定义

AI 技术对就业、工资、工作结构和劳动力市场动态的影响。Anthropic Economic Index 通过使用数据和调查研究这一影响。

关键数据点

• 观察到的暴露度：Anthropic Claude 使用数据中，某些职业的任务暴露较高；这不是企业采用或自动化比例。
• 报告的暴露度：Anthropic 调查中的用户自报能力/预期高于部分观察到的使用暴露；自报与遥测不能互换。
• 预期暴露度：约 9,700 名受访者中，超过 35% 预期 AI 将在 12 个月内完成其大部分工作；这是调查预期，不是实现的就业结果。
• 就业担忧：页面保留调查中的失业担忧与归因，但不把它们当作实际失业率或 AI 因果效应。
• 性别差异：Anthropic 使用数据报告女性在 Claude Code/自动化上的使用模式不同；这描述平台样本，不代表所有劳动者。

影响机制

• 任务自动化：AI 自动化特定任务，而非整个工作。
• 任务跨界：OpenAI Work at the Frontier（2026-07）测量到 任务跨界——职业专属 AI 使用中 43.5% 涉及其他职业的历史任务。这是任务再分配的最上游信号：先于就业数、工资、岗位发布等滞后指标，在职位描述修改之前就可观测。与 Anthropic Economic Index 的"暴露度"测量互补——一个测机器在执行什么，一个测人在用机器跨界做什么。
• 技能价值变化：57%的受访者认为 AI 提高了其技能的市场价值。
• 工作重新定义：AI 可能增强而非取代人类工作。

2026 跨层实证校准

第一批 7 个一手来源已编译进 Labor-AI-Empirical-Calibration。它们显示，“AI 对劳动力市场的影响”至少包含不同的测量层，不能用一个方向性的 headline 统一：

firm adoption / firm action
        ×
occupation exposure
        ×
employment stock / hire / separation / FTE
        ×
training availability
        ×
unaided capability

企业层与职业层可以同时出现不同方向

20260901-nyfed-businesses-ai-transform-work-not-cut-jobs 显示，AI 使用企业可以同时报告少招、多招、裁员与再培训；这些是企业行动占比，不是净人数。

20260324-atlanta-fed-firm-data-on-ai 的四国企业调查又把过去三年的回溯归因与未来三年的预期分开：过去就业影响 pooled 约 0.00%，未来预期约 -0.68%。这里的 0.00% 仍不是行政工资单意义上的“就业没有变化”。

与此同时，20260305-anthropic-labor-market-impacts-ai 与 20260812-stanford-canaries-coal-mine-ai-employment 在职业/早期职业层看到高暴露组的青年 new-work / employment path 相对走弱。

这三类结果不直接互相证伪，因为 estimand 不同：

• 企业总体 stock / action；
• 职业层 exposure；
• 22–25 岁流量或存量路径。

一个企业完全可能扩大总 headcount，同时减少某些高暴露职业或青年入口，并把新增需求转向其他职能或资历层。

adoption、exposure、actual use 不能互换

• 20260624-prompting-change-denmark-ai-adoption 接近 firm adoption + administrative employment outcomes；
• 20260305-anthropic-labor-market-impacts-ai / 20260812-stanford-canaries-coal-mine-ai-employment 主要是 occupation exposure；
• 20260414-nyfed-genai-training-access 是 worker-reported use / training access。

因此：

high occupational exposure
      ≠
firm adopted AI
      ≠
worker actually used AI

任何跨来源比较都必须保留处理变量的类型和 vintage。

stock、flow、FTE 不能互换

丹麦 20260624-prompting-change-denmark-ai-adoption 的结果包括 FTE、hiring、separation；Stanford/ADP 又把 employment stock、hire、separation 分开。它们共同支持一个更严格的读法：

“就业减少”必须先问减少的是人数、FTE、招聘流入、岗位发布还是新工作转换率。

没有同一风险集和同一单位时，不计算综合净效应。

当前最小结论

• 企业总体用工影响有限，不能证伪特定职业/年龄组入口压力；
• 青年入口压力，不能直接证明长期技能再生已经恶化；
• 培训供给，不能替代培训完成和无 AI 独立能力结果。

详细字段契约见 Labor-AI-Empirical-Calibration。

第二批进一步增加了 firm-level spending、posting demand 与 administrative early-career hires 三种连接。20260630-ramp-ai-jobs-firm-spending-workforce 中 high-intensity adopters 的 total employment 与 entry-level headcount 都上升；20260901-dallasfed-ai-automation-job-postings 与 20260428-census-youre-not-hired-ai-early-career 则在高 exposure 的 occupation / industry-state 层看到 posting 与 22–24 岁 hires/employment 走弱。这个组合强化的不是“AI 同时创造和消灭工作”的泛结论，而是一个更具体的测量边界：firm stock expansion 与 exposed-entry contraction 可以并存，只有共同 firm × occupation × person key 才能判断它们是否发生在同一组织链上。

前提与局限性

• 数据仅基于 Claude 用户，可能不代表整个劳动力市场。
• 调查样本偏向知识工作者，可能不具代表性。
• AI 影响的长期趋势尚不明确。

关联概念

• AI-Perception-Survey：提供主观证据。
• AI-Labor-Bottleneck-Shift：劳动力瓶颈从生产迁移到判断和验证。
• AI-Autonomy：自主性可能影响劳动力市场结构。
• Task-Crossover：任务再分配的最上游测量，先于滞后指标。