自动化、人工智能与就业：证据揭示了什么，哪些仍属预测

关于人工智能与就业的说法，从“半数工作岗位将消失”到“什么都没有改变”不一而足。这些说法大多混杂了三种不同类型的陈述：对过去自动化情况的测量结果、对新技术可能执行哪些任务的估算，以及对未来的预测。本研究将它们区分开来。本文回顾了有关工业机器人的代表性研究、广为引用的计算机化“风险岗位”估算及其批评、OpenAI和国际劳工组织研究人员关于大型语言模型暴露度的研究、生成式人工智能与生产率方面的实地和实验室实验，以及2023–2026年首批关于实际劳动力市场结果的研究。已经确立的研究发现比公共讨论所暗示的更为有限：自动化已在特定地区和群体中造成就业替代，但总体就业迄今已作出调整；生成式人工智能提高了某些任务的生产率，对经验较少的劳动者尤其如此；早期行政数据表明，尚未出现全经济范围的就业替代，但受人工智能影响程度最高的职业中，年轻劳动者的就业差距正在扩大。其余一切都属于预测。

主要发现

• 机器人产生了可测量的局部影响。在美国通勤区，每千名劳动者增加一台工业机器人，就业人口比率下降0.2个百分点，工资下降0.42%（Acemoglu and Restrepo, 2020）。在德国，机器人相关的制造业岗位流失完全被新增服务业岗位所抵消，负担主要落在刚进入劳动力市场的年轻劳动者身上（Dauth et al., 2021）。在1993–2007年间的17个国家，机器人使年劳动生产率增速提高约0.36个百分点，但未显著降低总就业（Graetz and Michaels, 2018）。
• “风险岗位”估算并非就业损失预测。Frey和Osborne在2013年估算，美国约47%的就业岗位面临较高的计算机化风险；这一估算描述的是技术潜力，时间范围为“某个未明确规定的年份，或许是十年或二十年”。经合组织的一项基于任务的重新分析发现，在21个经合组织国家中，平均有9%的工作岗位可实现自动化。
• 大型语言模型可能影响许多任务。Eloundo及其同事估计，美国约80%的劳动者至少有10%的工作任务可能受到大型语言模型影响，约19%的劳动者至少有一半工作任务可能受到影响；仅使用大型语言模型，就可能以相同质量显著加快约15%的任务，若使用基于大型语言模型开发的软件，这一比例则升至47–56%。
• 国际劳工组织认为，人工智能带来的更多是转型，而非自动化。该组织2025年的指数发现，全球每四名劳动者中就有一人从事的职业在一定程度上受到生成式人工智能影响；全球就业中有3.3%处于最高暴露类别——女性就业中的这一比例为4.7%，男性为2.4%。高收入国家的就业暴露比例为34%，低收入国家为11%。
• 人工智能辅助提高了经测量的任务生产率。在5,172名客户支持专员中，使用人工智能助手使每小时解决的客户问题平均增加15%，经验较少和技能较低的劳动者获益最大（Brynjolfsson, Li and Raymond, 2025）。一项涉及453名专业人士的实验发现，ChatGPT使写作任务耗时减少40%，质量提高18%（Noy and Zhang, 2023）。
• 早期结果数据未显示总体就业替代。丹麦行政数据表明，人工智能聊天机器人对收入和工时的影响精确为零，排除了ChatGPT推出两年后影响幅度超过2%的可能性（Humlum and Vestergaard, 2025）。截至2026年6月的美国工资单数据未显示广泛的就业替代，但在受人工智能影响的职业中，22–25岁人群的就业人数比其就业增速与受影响较小的同龄群体保持一致时本应达到的水平低19%——这是描述性差距，并非因果估计（Brynjolfsson, Chandar and Chen, revised 2026）。
• 宏观经济收益可能有限。Acemoglu（2025）估计，人工智能将在十年内使全要素生产率提高不超过0.66%，增幅也可能低于0.53%。

研究问题与范围

本研究探讨现有研究已经证实了什么、尚未证实什么，涉及自动化和人工智能对就业、工资及劳动组织方式的影响。我们关注这一问题，是因为它构成了“后劳动”辩论的核心：如果人类劳动需求将会下降，社会是否需要建立新的制度——例如基本收入、社会财富基金和新型财产权形式。

研究范围涵盖2013年至2026年五个类别的同行评审研究和重要工作论文：工业机器人的地方劳动力市场研究；职业“风险”估算；生成式 AI 暴露指数；生产率实验；以及自 ChatGPT 于 2022年11月 发布以来有关劳动力市场结果的早期行政数据证据。我们不审查行业预测、咨询报告或高管意向调查；这些材料经常被引用，但对方法的说明往往不透明。图谱的其他研究涵盖了有关收入支持政策的证据，这些政策可能应对劳动力市场变化。

背景

一个由来已久的问题

对技术性失业的担忧，与工业经济学一样古老。约翰·梅纳德·凯恩斯于 1930年 创造了“技术性失业”一词，将其描述为：发现节约劳动力使用的方法的速度，超过了找到劳动力新用途的速度，从而导致的失业。此后，富裕国家的就业在一波又一波的机械化和计算机化过程中不断增长。

为什么就业岗位至今依然存在

戴维·奥特 2015年的文章《为什么仍然有这么多工作？》概述了主流解释。自动化确实会替代劳动力，正如其设计目的，但它也会补充劳动力、以增加劳动力需求的方式提高产出，并与劳动力供给调整相互作用。奥特认为，评论者往往夸大机器替代劳动力的作用，而忽视这些互补效应。技术确实会改变可获得的工作岗位及其薪酬：近几十年来，劳动力市场出现了“极化”，工资增长不成比例地流向技能分布两端的人，而非处于中间的人群。

任务，而非工作岗位

由达龙·阿杰姆奥卢和帕斯夸尔·雷斯特雷波等人发展的现代框架，将工作岗位视为一组任务。在他们 2018年的模型中，现有任务的自动化会减少就业和劳动收入份额，并可能压低工资；而创造劳动具有比较优势的新任务则会产生相反影响。劳动力处境是改善还是恶化，取决于这两种力量之间的竞逐。在一个纳入技能异质性的版本中，由更快的自动化或新任务驱动的转型期间，不平等都会加剧。该框架解释了为什么“人工智能威胁多少个工作岗位？”这个问题问错了：关键在于哪些任务被自动化、出现了哪些新任务，以及劳动者能以多快的速度在这些任务之间转换。

方法与来源

五类证据

图谱如何评定各项主张

对于第一类和第四类证据，如果研究经过同行评审且识别可信，我们将其发现视为已确立，同时承认这些发现描述的是特定技术、地点和时期。我们将暴露估算视为作为测量结果已确立，但不视为预测。我们将早期结果监测视为新兴证据：虽有参考价值，但出现时间尚短，无法得出定论。任何关于未来总就业的陈述，我们都视为预测。

研究发现：工业机器人

美国

Acemoglu and Restrepo (2020) 研究工业机器人对美国劳动力市场的影响，利用基于行业层面机器人技术进步以及各通勤区行业构成所界定的机器人暴露度差异。他们发现了稳健的负面就业和工资效应：每千名劳动者增加一台机器人，就会使就业人口比率降低 0.2 个百分点，并使工资降低 0.42%。1990年后机器人暴露度最高的地区在此前并未呈现差异化趋势；机器人带来的影响也有别于其他资本和技术的影响。

德国

Dauth、Findeisen、Suedekum 和 Woessner (2021) 利用详细的行政数据，研究德国地方劳动力市场对工业机器人的调整。机器人暴露度与制造业岗位流失相关，但这些损失完全被服务业新岗位所抵消。负担主要落在刚进入劳动力市场的年轻劳动者身上，他们从职业培训转向高校和大学。现有劳动者在各自企业内部的就业更为稳定，他们往往通过在原工厂承担新任务来适应变化；从事任务与机器人互补的职业者，例如管理人员和技术科学家，则从中受益。

跨国证据

Graetz and Michaels (2018) 分析了 17 个国家在 1993年至2007年 间采用机器人的情况。机器人使用的增加使年度劳动生产率增长提高了约 0.36 个百分点，同时提高了全要素生产率并降低了产出价格。他们发现，机器人并未显著减少总就业，但确实降低了低技能劳动者的就业占比。

机器人研究所确立的结论

这三项研究并不矛盾。自动化可能会减少受影响地区和群体的就业与工资，同时总就业人数会随制度、需求和采用速度而调整。其分配效应——对地区、年轻新入职者和低技能劳动者的影响——比任何总体效应都更有确凿依据。

研究发现：对“面临风险”的岗位数量的估计

Frey 和 Osborne

在一份日期为 2013 年 9 月 17 日的工作论文中（后于 2017 年发表于 Technological Forecasting and Social Change），Carl Benedikt Frey 和 Michael Osborne 使用专家对部分职业的标注，并用统计分类器处理其余职业，估算了 702 种细分职业被计算机化的概率。他们得出结论，美国总就业人数中约有 47% 属于高风险类别，“这意味着相关职业在若干未明确的年数内——或许是一二十年——有可能实现自动化”。他们还发现，职业被计算机化的概率与其工资和受教育程度之间存在很强的负相关关系。

批评

47% 这一数字成为自动化辩论中引用最多的数字之一，常被当作一半岗位将会消失的预测。有三项批评尤为重要。

1. 职业不等于任务。 Arntz、Gregory 和 Zierahn（2016）为经合组织提出，假定整个职业都会实现自动化，会高估可自动化程度，因为被标记为高风险的职业中，往往仍有相当大比例的任务难以自动化。考虑到职业内部的任务异质性后，他们发现，经合组织 21 个国家的岗位中，平均有 9% 可以实现自动化，韩国为 6%，奥地利为 12%。
2. 技术潜力不等于实际采用。 一项任务是否实现自动化，取决于成本、监管、组织变革和需求，而不仅仅是技术上是否可行。Frey 和 Osborne 明确将其描述为“粗略时间表”，而非岗位损失预测。
3. 个体层面的估计有所不同。 Nedelkoska 和 Quintini（2018）为经合组织开展研究，在 Frey 和 Osborne 的专家评估基础上，使用 32 个国家的成人技能调查来估算个体岗位的风险，并将风险与技能使用和培训联系起来。他们的方法与 Arntz 等人的方法一样，得出的估计值远低于基于职业类别的数字。

十年之后

在 2013 年论文发表十多年后，美国就业人数并未出现任何接近 47% 的降幅。这并不能证明 Frey 和 Osborne 错了，因为他们没有预测具体时间，但这说明了为什么不应将技术潜力估计解读为预测。

研究发现：生成式 AI 暴露程度

“GPTs are GPTs”

Eloundou、Manning、Mishkin 和 Rock 评估了美国各职业与大型语言模型能力的匹配程度，结合了人工标注者和 GPT-4 分类结果。首个版本于 2023 年 3 月发布；研究于 2024 年发表于 Science。他们估计，美国约 80% 的劳动力可能至少有 10% 的工作任务受到 LLM 影响，约 19% 的劳动者可能至少有 50% 的任务受到影响。借助 LLM，所有劳动者约 15% 的任务可以在保持相同质量的情况下显著加快完成；借助基于 LLM 构建的软件和工具，这一比例升至 47–56%。预计影响涵盖所有工资水平，较高收入的工作可能面临更大的暴露。作者明确表示，他们不对技术开发或采用的时间线作出预测，并认为 LLM 具备通用技术的特征。

需要注意两点。“受到影响”是指某项任务可以更快完成，而不是劳动者会被取代。分类还部分依赖语言模型判断其自身的潜在能力，这引发了对校准问题的质疑。

国际劳工组织 2023 年的分析

国际劳工组织首份全球研究（Gmyrek、Berg 和 Bescond，2023 年 8 月）评估了 GPT-4 的暴露程度，并得出结论：这项技术最可能带来的总体影响是增强职业，而非自动化。低收入国家中，具有较高自动化潜力的工作仅占就业的 0.4%，而高收入国家为 5.5%。增强潜力更大，在低收入国家影响就业的 10.4%，在高收入国家影响 13.4%。影响在性别方面差异显著：在高收入国家，具有较高自动化潜力的工作占女性就业的 8.5%，而男性为 3.9%，这主要是因为文职工作是女性就业的重要来源。

国际劳工组织 2025 年修订后的指数

2025 年的更新（Gmyrek 等人）重新构建了指数，采用了来自波兰职业分类中 29,753 项任务的样本、一项覆盖所有主要职业群体 1,640 名劳动者的调查（产生关于 2,861 项任务的 52,558 个数据点），以及与国际专家开展的德尔菲式多轮咨询。研究发现，文职职业的暴露程度仍然最高，一些高度数字化的专业和技术职业的暴露程度有所上升；全球每四名劳动者中就有一人从事受到某种生成式 AI 影响的职业。全球就业中，3.3% 落在最高暴露梯度——女性就业为 4.7%，男性为 2.4%；在高收入国家，这一差距扩大至 9.6% 对 3.5%。低收入国家的总体暴露比例为就业的 11%，高收入国家为 34%。国际劳工组织总结称，由于大多数职业包含需要人类投入的任务，工作转型是最可能出现的影响。

研究发现：生产力实验

客户支持

Brynjolfsson、Li 和 Raymond 研究了生成式 AI 对话助手在 5,172 名客户支持人员中分阶段引入的情况。获得 AI 辅助使生产力平均提高了 15%，以每小时解决的问题数衡量，但不同劳动者之间存在显著差异。经验较少、技能水平较低的劳动者，其产出速度和质量都有所提升；经验最丰富、技能最高的劳动者则速度略有提升，质量略有下降。AI 辅助似乎有助于劳动者学习，并提升了英语流利度，尤其是对国际员工而言。增益在中等罕见的问题上最大。客户变得更加礼貌，也较少要求联系经理。

专业写作

Noy 和 Zhang 向 453 名受过大学教育的专业人士布置了按职业定制且提供激励的写作任务，并随机让其中一半使用 ChatGPT。平均完成时间缩短了 40%，产出质量提高了 18%。劳动者之间的不平等有所下降。实验中接触过 ChatGPT 的劳动者，两周后报告在实际工作中使用它的可能性是其他人的两倍；两个月后这一可能性为其他人的 1.6 倍。

实验表明了什么，又没有表明什么

这些研究证实，当前的生成式 AI 工具能够显著提高明确界定任务的生产力，而且经验较少的劳动者往往获益更大——从而缩小这些任务中的差距。但研究没有说明，当这类收益扩大时，就业会发生什么变化。劳动者人均生产力提高，可能会减少所需劳动者人数、增加产出和需求，或使劳动者转向新的任务；这些实验无法判断哪种情况会占主导。

研究发现：2023–2026 年劳动力市场早期结果

丹麦：快速采用，尚未影响收入

Humlum 和 Vestergaard 将大规模聊天机器人采用情况调查与丹麦劳动力市场行政记录相联系。他们记录了“快速浪潮”：大多数受影响职业中的雇主已启动聊天机器人项目，劳动者报告了生产力收益，与 AI 相关的新任务也已广泛出现。然而，利用双重差分方法，他们估计收入和记录工时在劳动者和工作场所层面都没有显著影响，并排除了 ChatGPT 发布两年后影响超过 2% 的可能性。发生变化的是工作结构：雇主通过重组任务来吸纳 AI，包括新增内容生成、AI 监督和 AI 集成等任务。

美国：年轻劳动者的差距扩大

Brynjolfsson、Chandar 和 Chen 使用 ADP 的高频工资单数据，涵盖数百万美国劳动者。他们的论文于 2025 年 8 月首次发布，并于 2026 年 8 月修订，数据截至 2026 年 6 月。研究发现，没有证据表明就业岗位正在广泛、全面地流失。然而，22–25 岁、从事受 AI 影响职业的年轻劳动者，其就业人数目前比假设其就业增长与受 AI 影响较小的同龄劳动者持平时低 19%；这一差距自 2025 年 8 月以来持续扩大；有经验的劳动者则没有出现类似差距。这种分化主要是由于年轻劳动者招聘减少，而非离职人数增加；并集中在 AI 的使用主要替代人类任务的职业中。在 AI 的使用主要补充劳动者工作的职业中，就业人数持平或上升。排除科技企业和计算机职业，以及控制利率暴露和远程办公因素后，这一模式仍然存在。控制教育因素后，这一效应有所减弱；生成式 AI 出现前也已存在一些趋势分化，且在 ADP 样本中的表现比全国调查基准数据更为显著。作者将这些事实称为早期的描述性指标——“煤矿中的金丝雀”——而非因果估计。

宏观经济预期

Acemoglu 的《AI 的简单宏观经济学》（2025）使用基于任务的模型，以及关于暴露程度和任务层面生产率提升的现有估计，来估算总体影响。他发现，宏观经济影响不可忽视，但幅度不大——十年内全要素生产率增幅不超过 0.66%——并指出，这一估计甚至可能偏高，因为早期证据来自易于学习的任务，因此修订后的估计低于 0.53%。他还指出，AI 不太可能像以往的自动化技术那样大幅加剧不平等，但没有证据表明它会缩小劳动收入不平等，而且预计它会扩大资本收入与劳动收入之间的差距。

区分证据与预测

证据并未表明什么

• 这并不表明 AI 将导致大规模失业。 此处审阅的研究中，没有一项提供了截至目前生成式 AI 导致总体就业岗位流失的证据，而暴露度估算并非岗位替代估算。
• 这并不表明 AI 不会导致大量岗位流失。 早期结果研究的观察期仅涵盖某项技术问世后的两到三年，而该技术的能力和应用情况正在迅速变化。过去的自动化经过数十年才显现出全部影响。
• 这并不表明过去的自动化是可靠的参照。 关于机器人的研究涉及的技术主要用于制造业。生成式 AI 影响各行业的认知和文书工作任务，包括薪酬较高的岗位。
• 这并不表明生产率提升会得到广泛分享。 实验衡量的是某项任务中每名劳动者的产出，而非由谁获取收益。
• 这并未确定青年劳动者差距的成因。 工资记录证据属于描述性证据，且在一定程度上受到教育控制变量和既有趋势的影响。
• 这并未解决暴露意味着增强还是替代的问题。 ILO 和 Eloundou 指数衡量的是哪些工作可能受到影响；同样的暴露程度，取决于企业如何部署这项技术，可能会提高或降低劳动力需求。

对制度设计的启示

1. 先建立监测机制，再制定应对措施。 近期最有用的研究将采用情况调查与行政工资记录和税务记录联系起来。政府和统计机构应建立公开且定期更新的指标，按职业和年龄追踪 AI 的采用情况、招聘、收入和任务变化，使政策能够依据证据而非预测作出响应。
2. 关注入门级岗位招聘。 如果 AI 减少了 AI 暴露职业对青年劳动者的招聘，最先承压的将是那些培训和安置新入行者的制度：学徒制、毕业生项目以及专业职业阶梯的职业生涯初期岗位。德国的机器人研究也发现，负担落在了新入行的青年劳动者身上。
3. 准备能够根据证据扩大规模的收入支持。 本图谱其他部分审阅的现金转移证据表明，无条件支付对劳动力供给的影响较为有限。随着经测量的岗位替代程度上升而自动扩大的类保险机制，比过早推出普遍性方案或完全不作准备更站得住脚。
4. 将资本与劳动的分配问题视为一项设计议题。 如果 AI 扩大资本收入与劳动收入之间的差距，正如 Acemoglu 所预测的那样，那么关于社会财富基金、利润分享或“AI 红利”的辩论，讨论的就是所有权问题，而不只是福利问题。
5. 不仅要支持岗位替代应对，也要支持劳动能力增强。 实验表明，AI 工具能够提高经验较少的劳动者的生产率。培训、采购和工作场所协商可以引导技术部署，使其与劳动者形成互补——这是结果尚未明朗之前为数不多的可用杠杆之一。
6. 将预测明确标注为预测。 公共讨论可以借鉴本研究采用的严谨做法：区分已经测量的内容、经模型推算的内容和预测的内容，并分别注明日期和来源。

未决问题

• AI 暴露职业中的青年劳动者就业差距会持续、扩大还是缩小？AI 是否是造成这一差距的主要原因？
• 企业内部的任务重组（例如 AI 监督和整合领域的新任务）会以多快的速度转化为工资和职业结构的变化？
• 生成式 AI 会否延续以往自动化的模式，即产生地方性和分配层面的影响，但总体就业保持稳定？还是说，它跨行业的广泛影响会带来更大的总体效应？
• 文书工作所呈现的性别化暴露将如何影响女性就业，尤其是在高收入国家？
• AI 驱动的生产率提升中，有多少将由劳动者、消费者和资本所有者获得？

来源

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Oxford Martin School 工作论文。PDF；后发表于 Technological Forecasting and Social Change 114 (2017): 254–280，doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. OECD Social, Employment and Migration Working Papers 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998；工作论文 arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025，2026年修订). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042