观察到的暴露度 (Observed Exposure)
Anthropic在2026年3月5日发布的研究报告中提出的新指标，用于衡量AI对劳动力市场的实际影响。该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，侧重于自动化（而非增强性）和工作相关的用途。
构建方法
"观察到的暴露度"指标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。
与理论暴露度的区别
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。而"观察到的暴露度"更进一步，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。
关键发现
- 在"计算机与数学"职业类别中，LLM理论上可渗透到94%的任务中，但Claude的实际覆盖率仅为33%。
- 计算机程序员以74.5%的观察到的暴露度位居榜首。
- 高暴露度职业集中在白领、高技能、高收入岗位。
- 暴露度越高的职业，BLS预测的增长率往往越低。
局限性
- 数据仅基于Claude的使用情况，可能无法代表整个AI行业。
- 指标侧重于自动化用途，可能低估了AI的增强效应。
- 实际使用数据可能受到用户群体和任务选择偏差的影响。