都說
AI搶工作，
但一個顯而易見的疑問是——
失業率 的數據爲神馬動靜不大 ？
沒錯，一邊我們看到 AI 能力 在 狂飆， 但另一邊 就業 市場似乎比較 平靜。
我現在很多工作的確交給 Claude Code和WorkBuddy，但我經常去的西北旺萬象匯 咖啡店貼的招聘啓事，和 之前相比，貌似沒有神馬變化。
這其中肯定有某些被我們忽視了的東西。
值得用數據深入分析。
最近我把
今
年上半年發佈的一批勞動經濟學論文
盤了盤。
這裏邊有 覆蓋美國全國的招聘數據 ， 也有 Upwork的兩百多萬份成交合同 ， 以及 標普 500十年的年報。
發現了一些有意思的結論 ——
簡單地說，就業 衝擊早就開始了，只是它繞開了失業率，先動了招聘崗位的內容和 勞動力市場的定價規則 。
沒錯 ，等 到 能在新聞裏看見衝擊的那天， 那 留給 你我 調整的時間 可能已經不多了 。
下面咱們就挑 3篇論文一起來看一看，從數據的角度，勞動經濟學家如何理解AI就業衝擊。
三篇論文的敘述都 蠻 剋制 滴 ，全程數據說話， 但 這種剋制 也讓我對 AI的就業衝擊有了更直觀的理解。
一
先看第一篇論文：《 Generative AI and the Reorganization of Labor Demand 》，來自普渡大學，它就 研究一個問題： AI如何影響招聘 ？
簡單地說， 公司調整用人有三板斧 —— 裁員、減少新招聘、調崗位職責。
裁員動靜最大 ， 它是 要上熱搜 滴 ， CEO還得配一封 假惺惺 的公開信， 各項成本都很高 ，能不用就不用。
少招人 就要容易 得多， HR在預算表裏改個數字 就行 。
改崗位最 隱蔽，公衆不知道，公司內部也靜悄悄的。
而 失業率 的宏觀數據 要等這些動作層層傳導後才 會有所體現。
那問題來了 —— 上面這三個方式怎麼樣才能 從數據的角度 非常清楚的研究它們呢？
答案是招聘啓事。
JD （ 職位描述）是騙不了人的，它 每一行任務都對應一筆要支付的工資 ， 辣是企業 的心裏話。
比如 同樣叫產品經理的崗位，今年的職位描述和兩年前相比， 悄悄 變了。
比如， 過去寫着負責數據清洗的地方，現在可能改成了負責 AI工具輸出結果的驗證和優化。
崗位 名字沒變，裏面的任務 被悄悄 替換 了 。
這就是溫水煮青蛙。
普渡大學的 Fangyan Wang、Zaiyan Wei和Yang Wang三位學者量化了這件事。
他們從 Lightcast拿到了美國全行業招聘數據，原始量1.88億條，按職業乘行業乘職級切成25349個格子，每個格子裏隨機抽5%，最終處理了937萬條。
然後用兩級大模型流水線逐條拆解 ——
第一階段用 Llama-3.1-8b從每條JD裏抽出3到10條具體任務； （抽取任務用開源的模型是爲了省成本。）
第二階段用 GPT-5-nano給每條任務標註 AI替代 等級 （ 論文裏叫 AI暴露度） ——
E0完全沒戲，E1一個現成 AI 就能省一半時間， E 2 AI幾乎 能 完全 做到。 （這裏沒有使用最強的模型，主要是因爲數據量太大，成本難以承受， 畢竟 937萬條 。）
（在公衆號 “衛夕指北” 回覆關鍵詞 “招聘” 獲取論文原文）
經過這一輪分析之後，數據出來了
——
全 美所有崗位的 平均 AI可替代率 是 ： 0.396。
分層來看 ， 48.9%的任務AI幫不上忙，28.2%一個現成工具直接就能省一半時間，22.9% AI幾乎能完全做到
簡單地說， 美國企業寫在 JD裏的任務， 接近 一半已經在 AI的射程之內。
具體到職業，最 易被替代 的前幾名 挺有意思 ：詞作者和創意 寫作者 高居榜首， AI可替代率高達0.839。 （ 我瑟瑟發抖中）
後面跟着作家、技術寫作、 Web開發、搜索營銷策略師、編輯。
文字工作者集體上榜， 說明基礎的 寫作在 AI面前幾乎裸奔。
而最不會被替代的 是 ： 打樁機操作員、飛機貨運督導、鐵軌信號維修工， AI可替代率在0.05附近。
看來，至少從這份數據看， 物理世界暫時還是人類的地盤。
分行業 AI可替代率熱力圖，金融保險0.584排第一，住宿餐飲0.239墊底
行業差異 也非常大 ——
金融保險 0.584高居第一，專業科技服務0.548第二，信息業0.545第三。
最低的三個是住宿餐飲 0.239、零售0.289、運輸倉儲0.292。
這麼看， 白領和藍領 區別還是蠻大滴，所以，作爲我這個號的讀者，千萬不要有神馬優越感 。
一個 反直覺的發現 是 ： 高級崗位的 AI可替代率0.595，比初級的0.435和中級的0.388都 要 高。
然後論文分析了整體 AI可替代率的時間 走勢 ——
AI可替代率季度走勢
從 2022年初到2023年底，全美招聘啓事的AI可替代率從0.415降到了0.378。
ChatGPT發佈之後，企業JD裏的AI可替代任務含量反而變少了。
難道不是牛逼的 AI來了更多的工作更容易被替代嗎？
這 又是爲神馬呢？
原因在於 —— 企業正在有意識地把 AI能幹的活從崗位描述裏 拿 走。
不是 AI不行了，是公司不打算讓人來做那些事了。
有人會說這幾年美聯儲加息，金融信息這些高暴露行業本來就在收縮，測到的會不會只是宏觀週期？
作者把分解限制在每個行業內部重新跑了一遍，把跨行業挪動整個剔除，結論 還是一樣滴 。
所以， 宏觀週期 不 背這口鍋。
二
論文並沒有停留在這裏，它一個 極其 精彩的分析就是 ： 這個 AI 替代率下降 的趨勢 到底是怎麼造成的？
作者 團隊用 Kitagawa三重分解 的方法 把下降拆開 來看 。
用食堂打比方就容易理解：
食堂人均菜價降了，可能是菜單換了貴菜下架便宜菜上架（構成效應），也可能是每道菜自己降價了（組內效應），還可能 二者的疊加效應。
三重分解 ——2023年Q3起構成效應與組內效應雙雙轉負
2023年三季度是分水嶺 ， 從這個季度起， 換掉招聘崗位 佔 52%， 崗位不變重新設計任務
佔 39.5%， 二者疊加發生 佔 8.5%。
不裁員，但悄悄地改變崗位描述和職責 貢獻了整個調整的四成，論文特別指出 這個 佔比還在逐季走高。
按職級拆開看的發現 ——
高級崗位 ——構成效應主導（70.80%），2022年Q2就轉負
高級崗位 2023年Q3後 換掉招聘崗位 佔到 70.80%， 崗位 不變重新設計任務 只佔 24.01%。
說明 對高級崗位，公司直接改招聘結構，少發某些類型的高級職位，崗位內容本身動得不多。
也就是說，高級崗位要麼就是不招這個崗位了，但你一旦招，你該幹啥還是幹啥。
初級崗位 ——重新分配、重設計與疊加三力齊發
但 初級崗位是三管齊下 ——
換掉招聘崗位 60.15%、 崗位不變重新設計任務 18.22%、 二者疊加 達 21.63%。
這意味着，對於適合年輕人的初級崗位， 公司一邊挑着招、一邊改任務，兩件事 同時發生。
管理學裏有一個概念叫組織社會化：新人通過觀察、模仿和 試錯 ，逐步理解組織如何運行。
過去初級崗位的隱性合同是：拿低薪，換練手的機會。
現在練手的那部分活兒恰恰是 AI最先接走的。
所以，我們看到的 裁員 並不多 ， 也 看不到 失業的 熱搜，但 年輕人的練手入門的機會在慢慢關閉。
這個研究數據真實而有說服力，應該引起大多數人的重視。
三
有人會說，初級崗位受衝擊，那我十年經驗總能保住溢價吧？
額，可能和你想的不一樣。
我們來看另一篇論文 ——《 Human Capital, AI, and Labor Commoditization 》
作者是 UCLA安德森商學院的Siddiq和Zhang ， 他們 在 2026年3月 分析了自由工作者接單平臺 Upwork 20.2萬個工作者檔案 。
論文共 篩出 49610名從2021年Q1到2026年Q1連續在場的工作者，背後是226萬份真實成交合同。
樣本覆蓋 12個大類102個子類目， 他們用 向量模型把每個工作者檔案壓成 384維向量。
然後把客戶看到的信息 分成四類 —— 自我展示、資歷、口碑、價格。
接下來 單獨訓練一個需求預測模型， 專門用來預測 ：
這個人這個季度的預期訂單裏，有多少歸功於自我展示，多少歸功於資歷，多少歸功於口碑，多少歸功於價格。
四條曲線 ——三類人力資本信號走低，價格信號走高
（在公衆號
“衛夕指北”
回覆關鍵詞
“價格”
獲取論文原文）
結果 蠻 殘酷 滴 ——
ChatGPT發佈後，在 AI高替代率的 類目裏，自我展示、資歷、口碑三類人力資本信號對需求的解釋力全部顯著下降，雙重差分系數分別是 -0.029、-0.024、-0.029。
而 同一時期，價格的解釋力顯著上升，係數 +0.011。
三條往下，一條往上。
也就是說， AI來了， 客戶不看你是誰了，客戶開始看你要多少錢。
到樣本最後四個季度，三個降幅擴大到 -0.039、-0.033、-0.035，價格升幅擴大到+0.018。
也就是說，你的資歷慢慢失效這個趨勢 還在加速。
三重差分 ——人力資本溢價壓縮與訂單流向低價者同時發生
具體而言， 訂單從貴的人流向了便宜的人 ， 需求向低價組轉移了 7.9%。
經濟學上這叫勞動商品化。
買家不在乎誰生產的，只在乎價格。
也就是說， 當客戶認爲 AI會 交付的結果趨於同質， 然後 他就會減少研究你是誰，把注意力轉向你 收 多少錢。
經濟學家 阿克洛夫 1970年 著名的 檸檬市場論文 說的就是這個 ：
買方難以識別質量差異，高質量供給的定價會被低質量供給拖下來。
AI進一步抬高了識別難度，因爲每個人都能快速交出一份看起來挺專業的 產出， 新手藉助 AI交出的活兒和老手的差距肉眼難辨。
當產出趨同，買家自然不再爲 賣方 的履歷付溢價。
在我看來， 自由職業市場沒有制度緩衝 ， 所以 這個資歷失效的現象 先 表現了出來 。
而普通白領工作，這個趨勢並不是木有，大概率只是滯後發生了。
該來的，還是會來。
四
接下來的一個問題是 ：爲什麼 自己和自己身邊的人受到的衝擊好像沒有辣麼明顯 ？
下面這篇名爲《 AI Adoption in S&P 500 Firms 》的論文 給了一個答案： 真正深度採用 AI的企業數量，遠 木 有社交媒體營造的 辣 麼誇張。
MIT團隊聯合卡內基梅隆的研究者想到了一個企業不敢吹牛的地方：SEC的10-K年報。
美國證券法禁止上市公司在年報裏做重大 虛假 陳述， 這個文件裏 寫錯 了是 要喫官司 滴 。
發佈會可以吹， PR稿可以吹，但 年報裏亂吹的法律成本高很多。
他們把標普 500公司2016到2025年整整十年的年報 都收集起來 ， 用 AI 給每家公司每年打了一個 1到5分的AI採用分。
1分，完全不提AI或只 是零星提及 ；
2分，在探索AI能力但沒證據顯示進了產品或運營；
3分，AI已整合進流程但還沒 帶來 財務影響；
4分，生產級部署， 且有了 成本節約或收入貢獻；
5分，AI是公司核心組件，深度嵌入業務。
爲了驗證數據的準確性，研究人員也手工 抽樣 對數據進行了複覈 。
複覈發現 2023年起 ， 七巨頭清一色 5分，唯一例外是蘋果，和市場對它AI掉隊的普遍觀感嚴絲合縫。 （ 蘋果在 AI方面真是爛泥扶不上牆）
而且也做了交叉驗證，發現他們用這種方法做出的數據和 Ramp公司基於五萬多家企業刷卡交易測出的AI付費率對比，2025年相關 係數 高達 0.87。
所以，這個數據是嚴謹靠譜滴。
基於這個前提，我們來看一下這些年報呈現出來的數據到底呈現什麼樣的規律 ——
標普 500公司AI採用等級十年演化——2023年是拐點，但到2025年僅21%過深水線
（在公衆號
“衛夕指北”
回覆關鍵詞
“年報”
獲取論文原文）
2025年，5分公司（AI深度嵌入戰略和財務核心）佔11%，4分（生產級部署）再加10%，合計21%過了深水線。
2022年只有5%，三年翻了四倍 。
但這個數據也意味着 將近八成的美國頭部上市公司，到 2025年還沒讓AI真正進入生產。
而 深度整合的公司裏三分之二來自科技板塊。
消費必需品、食品飲料有四分之一年報對 AI隻字不提。
所以，結論就很明確了：
所謂企業 AI革命，到2025年爲止 基本上還 是科技行業的內部革命 ， 並木有大規模擴散 。
我們繼續看數據呈現的三個特徵 ——
第一，標普 500的採用率從5%飆到21%只用了三年，如果速度保持，2028年前後過半企業跨過深水線。
第二，科技行業裏，完全沒碰 AI的公司平均淨利率14.4%；試點整合階段反而跌到12.4%；深度整合後回升到17.4% ， 基本上是一條 U型曲線。
搞 AI， 先虧後賺的路徑被證實了。
U曲線——試點期利潤先跌到12.4%，深度整合後回升到17.4%
第三， 七巨頭的資本開支在 2026年 奇高 ——谷歌預計1750億到1850億 （ 最近財報又大幅增加了） 、 Meta預計1150億到1350億、亞馬遜放話約2000億 ， 這些基建完成後 AI的能力和滲透率會再上一個臺階。
保羅 ·戴維研究電氣化歷史時就發現，工廠把蒸汽機換成電動機並不會自動獲得巨大生產率。
真正的收益需要重建廠房佈局、生產流程和管理方式。
AI 邏輯也是一樣滴。
同樣需要一整套補充資產：流程接口、法律邊界、員工培訓 等一大堆需要操心滴 。
一旦先行者證明了利潤可以回來，後面的跟隨者會加速湧入。
到那個時候，目前 只在科技行業發生的招聘重組和 資歷失效 ，將蔓延到 大部分行業 。
也就是說， 現在感覺不到衝擊的人，只是因爲衝擊波還沒到你所在的 行業 。
五
說 兩個 不那麼舒服的建議 ——
第一， 不要再 崗位名稱描述自己 了 。
拿一張紙，列出過去兩週完成的全部任務，給每項標一個分數： AI當前能替代多少 ， 超過四成就該警覺 了 。
你的目標 應該很 直接： 二個月到半年時間， 讓這類任務佔比降到 3 0%以下。
第二， 爭取組織影響力。
你只能接任務， AI 毫無疑問 會和你競爭 ， 但如果 你 TM 可以定義任務和驗收任務， AI 就可能成爲 槓桿。
從綜合上邊三篇論文來看，儘管 AI 對不同行業產生衝擊的時間表存在差異，但總體而言：時間不多了。
做好準備吧，亂紀元要開始了。
《肖申克的救贖》裏有句話很多人熟悉： Get busy living, or get busy dying 。
所以，你在忙什麼？
——End——
作者簡介：衛夕，公衆號“衛夕指北”出品人，科技專欄作者，專寫長文，專寫不一樣的，專注剖析AI、廣告及互聯網的底層邏輯；不關注這個賬號，你都不知道你會錯過神馬！