Anthropic于2026年3月5日发布了题为《人工智能对劳动力市场的影响：一个新指标和早期证据》的研究报告。这份报告由Maxim Massenkoff和Peter McCrory撰写，引入了一个衡量AI取代风险的新指标——“观察到的暴露度”（Observed Exposure）。这一新指标结合了大型语言模型（LLM）的理论能力和现实世界中的实际使用数据。研究发现，尽管AI的理论能力很强，但实际应用覆盖率仍然只是其可行性的一小部分。
报告核心发现
- 新的衡量指标： "观察到的暴露度"结合了理论LLM能力和实际使用数据，更侧重于自动化（而非增强性）和工作相关的用途。
- 能力与部署的差距： AI的实际覆盖范围远未达到其理论能力。例如，在"计算机与数学"职业类别中，LLM在理论上可以渗透到94%的任务中，但目前Claude的实际覆盖率仅为33%。
- 暴露度与工作增长预测： 观察到的暴露度较高的职业，根据美国劳工统计局（BLS）的预测，到2034年的增长预计会较慢。
- 高暴露度群体的特征： 处于最暴露职业的工人更有可能年龄较大、是女性、受教育程度更高、收入更高。
- 对失业率的有限影响： 报告发现，自2022年末以来，高暴露度工人的失业率没有系统性的增加。
- 对年轻工人招聘的影响： 报告发现"暗示性证据"，即在暴露度高的职业中，对年轻工人（22-25岁）的招聘速度有所放缓。
AI来了，工作去哪儿了？Anthropic新报告揭示AI对劳动力市场的"观察到的暴露度"
自ChatGPT发布以来，关于人工智能将如何颠覆职场的讨论从未停歇。我们都听说过AI能"理论上"取代多少工作，但实际情况真的如此吗？Anthropic公司在2026年3月5日发布的一份重磅研究报告，为我们提供了一个更贴近现实的视角：它引入了一个全新的衡量指标——“观察到的暴露度”，来评估AI对劳动力市场的实际影响，而非仅仅是理论上的可能性。
这份由Maxim Massenkoff和Peter McCrory撰写的报告，清醒地认识到在AI的**“理论能力"和"实际部署”**之间存在一道巨大的鸿沟。正如报告所指出的，过去衡量工作"外包可能性"的研究曾预测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增长。因此，一个更精确、更及时的衡量工具至关重要。
一、如何精确衡量AI的"暴露度"？
报告的核心创新在于其"观察到的暴露度"（Observed Exposure）指标。传统的AI暴露度衡量大多停留在理论层面，比如某项任务能否被LLM加速一倍（如Eloundou et al. 2023的β指标）。Anthropic的新指标更进一步，它量化的是：“在那些LLM理论上可以加速的任务中，哪些在专业环境中被实际用于自动化用途？”
这个新指标的构建是严谨且多维度的，主要结合了三个方面的数据：
- O*NET数据库：涵盖美国约800个独特职业的任务清单。
- 理论能力：来自Eloundou et al. (2023) 的任务级暴露度估计，即LLM是否能使任务速度提高一倍。
- 实际使用数据：Anthropic自己的Claude使用数据（Anthropic经济指数），特别关注自动化、工作相关的用途和API实现。
简而言之，一个工作的"观察到的暴露度"越高，如果满足以下条件：任务理论上可被AI完成；任务在Anthropic经济指数中看到显著使用；任务是在工作相关背景下执行；自动化使用模式或API实施的份额较高；以及AI影响的任务占整个角色的更大比例。
报告清晰展示了理论与实际的关联性。在Claude的实际使用中，有97%的任务被Eloundou et al.评定为理论上可行（β=0.5或β=1），其中，被评为完全可行（β=1）的任务贡献了高达68%的观察到的Claude使用量。这表明，理论能力与实际应用高度相关，但实际应用更侧重于那些AI能够完全胜任的领域。
二、理论与现实的巨大差距
Anthropic的研究强调，“AI远未达到其理论能力：实际覆盖率仍然只是可行性的一小部分”。
不同职业类别的"理论能力"和"观察到的暴露度"也存在差异。以计算机与数学职业为例，理论上LLM可以渗透到94%的任务中。然而，根据Claude的实际使用数据，目前仅覆盖了33%的任务。办公室与行政职业理论覆盖率为90%，而实际覆盖率同样有巨大差距。
这种差距的存在有多种原因：模型限制、法律约束、特定的软件要求、人工验证步骤，以及任务缓慢的扩散速度。例如，理论上AI可以"授权药物续配并提供处方信息给药店"，但Claude并未观察到执行此任务。
随着AI能力的提升、采纳的普及和部署的深化，我们预计"红色的观察到的暴露度区域会逐渐增长，最终覆盖蓝色的理论能力区域"。
三、哪些职业最"暴露"？
基于"观察到的暴露度"指标，报告列出了前十大最暴露的职业。毫不意外，与编码相关的工作位居榜首。
| 职业 | 观察到的暴露度 | 领先的自动化任务 |
|---|---|---|
| 计算机程序员 | 74.5% | 编写、更新和维护软件程序 |
| 客户服务代表 | 70.1% | 与客户协商提供信息、接受订单、处理投诉 |
| 数据录入员 | 67.1% | 阅读源文件并向系统中输入数据 |
| 病历专家 | 66.7% | 编制、摘要和编码患者数据 |
| 市场研究分析师和营销专家 | 64.8% | 准备研究结果报告 |
| 批发和制造销售代表（技术和科学产品除外） | 62.8% | 联系客户演示产品和征求订单 |
| 金融和投资分析师 | 57.2% | 通过分析财务信息预测商业、行业或经济状况，为投资决策提供信息 |
| 软件质量保证分析师和测试员 | 51.9% | 修改软件以纠正错误或提高性能 |
| 信息安全分析师 | 48.6% | 执行风险评估和测试数据处理安全性 |
| 计算机用户支持专家 | 46.8% | 回答用户关于计算机软件或硬件操作的询问以解决问题 |
计算机程序员以74.5%的覆盖率位居榜首，其次是客户服务代表（70.1%）和数据录入员（67.1%）。在另一端，有30%的工人面临零暴露度，这包括厨师、摩托车修理工、救生员和调酒师等。
四、高暴露度职业的劳动力特征和未来预测
那么，这些暴露度高的工作前景如何？报告将"观察到的暴露度"与美国劳工统计局（BLS）对2024年至2034年的就业增长预测进行了比较。
结果发现，暴露度越高的职业，其预测的增长率往往越低。具体来说，AI覆盖率每增加10个百分点，BLS的增长预测就会下降0.6个百分点。这表明，Anthropic的新指标与独立的劳动力市场分析师的估计方向一致，尽管这种相关性"很小"。值得注意的是，单独使用Eloundou et al.的理论衡量指标则没有这种相关性。
更有趣的是，处于高暴露度群体的工人，与那些零暴露度的工人相比，有着显著不同的特征。数据显示（基于2022年8月至10月的CPS数据）：
- 收入更高：高暴露度群体的平均时薪比零暴露度群体高出47%（$32.69 vs. $22.23）。
- 教育程度更高：拥有研究生学位的人在高暴露度群体中占比17.4%，而在零暴露度群体中仅占4.5%。
- 人口统计学特征：高暴露度群体有更高的比例是女性（54.4% vs. 38.8%）、白人非西班牙裔（65.1% vs. 54.5%），以及亚裔非西班牙裔（9.1% vs. 4.7%）。他们也更可能年龄稍大，平均年龄为42.9岁（零暴露度组为41.0岁）。
因此，AI的影响似乎首先触及的是"白领"和受过高等教育的工人，而不是收入较低、教育程度较低的工人，这与许多自动化趋势的传统模式有所不同。
五、早期影响：失业率平稳，招聘放缓
报告将失业率作为首要关注结果，因为它"最直接地捕捉了经济损害的潜力"。
利用Current Population Survey (CPS) 数据，研究人员分析了高暴露度工人（前四分位）和零暴露度工人（30%）的失业率趋势。
失业率方面：
自ChatGPT发布以来，高暴露度组和零暴露度组的失业率趋势基本相似。在差异中的差异（DiD）框架下，高暴露度组失业率的平均变化"很小且不显著"。这意味着，到目前为止，AI尚未对高暴露度工人的失业率造成清晰、可辨识的冲击。
招聘方面：
虽然失业率未见显著上升，但报告发现了**“暗示性证据”，即AI正在影响招聘市场，特别是针对年轻工人**（22-25岁）。
报告引用了Brynjolfsson et al. (2025) 的发现，即在暴露度高的职业中，22至25岁工人的就业率下降了6%到16%，主要归因于招聘放缓。Anthropic的报告进一步通过追踪年轻工人开始新工作的月度比率（Inflow rate）来验证这一趋势。
自2024年以来，年轻工人进入高暴露度职业的招聘率（Job start rate）与进入零暴露度职业的招聘率开始出现视觉上的分化。高暴露度职业的招聘率下降了约0.5个百分点，而零暴露度职业的招聘率保持稳定。经计算，在ChatGPT发布后的时期，高暴露度职业的求职成功率下降了14%，尽管这一统计学意义"仅仅略微显著"。
这种招聘放缓可能意味着：面对AI的威胁，企业可能首先选择停止招聘新员工，而不是解雇现有员工。这对于刚进入劳动力市场的年轻人来说，影响最为直接。
六、结论与前瞻
Anthropic的这份报告为我们理解AI对劳动力市场的影响提供了一个宝贵且务实的框架。通过"观察到的暴露度"这一新指标，我们能够超越纯粹的理论预测，聚焦于LLM在专业环境中的实际、自动化用途。
关键发现再次强调：
- 高暴露度职业：集中在计算机程序员、客户服务和金融分析师等白领和高技能岗位。
- 短期影响：失业率尚未受到影响。
- 早期信号：针对22-25岁年轻工人的招聘有所放缓。
报告的作者们坦诚，这仅仅是AI对劳动力市场影响的第一步。未来的研究可以进一步完善其使用数据和理论指标，并关注教育背景在高暴露度领域新毕业生的就业情况。
AI对经济结构的影响可能不会像COVID-19那样"巨大而突然"，而更像互联网或与中国的贸易影响，其效果可能需要更长时间才能在宏观数据中清晰显现。这个新框架的作用正是在于：在影响尚不明确时，帮助我们识别出最脆弱的就业岗位。
对于职场人士而言，这份报告提供了一个重要的启示：理论上的能力不等于即刻的风险。但"观察到的暴露度"正逐渐揭示AI正在何处、以何种速度吞噬工作任务。如果你是计算机程序员、客户服务代表或数据录入员，现在正是思考如何将LLM作为增强工具而非取代者，或提升自己不可替代性的"O形环"任务的时候了。
AI浪潮仍在继续，持续的、基于实际使用数据的追踪，将帮助我们更可靠地"将信号与噪音分离"。