AI和Jobs：最终单词（直到下一个）

莎拉·埃克哈特（Sarah Eckhardt）和内森·戈德斯拉格（Nathan Goldschlag）

劳动力市场的最新震颤正在固定在人工智能上。例如，技术工作人员的冷却就业市场是作为证据AI引起的失业。因此，失业率上升最近的大学毕业生。

您的工作有风险吗？好吧，如果您正在阅读本文，那么您很可能会在笔记本电脑上做很多工作笔记本电脑工作我们被告知，将是第一个去的人。

我们可以预测未来，但好消息是，我们拥有所有需要评估AI是否造成大幅失业的数据现在。在这项研究中，我们用在其他研究中没有看到的数据做了两件事。

首先，我们对AI对就业或失业的影响不仅仅是几种可能的劳动力市场影响进行了多次分析。

其次，我们使用从四个不同的研究论文中得出的五种不同的AI暴露量进行了分析。到目前为止，大多数对AI效应的研究和分析仅使用了一种措施。（为简单和简洁起见，本研究的主要文本也列出了一项措施的发现，但是在附录中，我们解释了其他四个措施的发现如何相似。）

我们认为，在所有不同的劳动力市场分析以及五个不同的暴露量度衡量标准中，我们的发现的一致性使他们增加了权重。

-

谁暴露了？

在我们开始研究就业成果之前，我们首先需要知道哪些工人可能会受到AI的影响，哪些工人不受人权影响。为了评估接触，许多研究人员使用了有关工人执行的任务以及AI可能擅长的任务的职业描述和信息。与AI可以执行的给定职业相关的任务越多，该职业中的工人就越多。

在下面的表1中，我们根据AI职业暴露（AIOE）显示了最不暴露的职业措施由研究人员爱德华·费尔滕（Edward Felten），马纳夫·拉吉（Manav Raj）和罗伯特·西曼斯（Robert Seamans）开发。（有关其他研究中使用的AI暴露的各种措施的详细描述和比较，请参见附录。我们还解释了为什么我们选择了AIOE进行分析，尽管值得注意的是，我们的发现在所有可用措施中都是相似的。）

在极端，最不暴露的职业都是直观的。最暴露的职业包括遗传咨询师，他们使用基因面板和家庭历史评估继承状况的风险以及金融检查员，他们对记录进行了认证，以确保遵守有关金融机构的法律。这些任务在很大程度上依赖于文本信息的标准化处理，这可能是AI擅长的事情。

另一端是舞者和建筑助手，他们在建筑工地上拥有材料或工具以及清洁工作区域。这些依赖于面对面的身体灵活性的任务自然不太接触AI。至少目前，聊天机器人无法旋转。

对于我们的大多数分析，我们将根据其AIOE分数将职业分为五个同等大小的组，而Quintile 1则是最低的AI-A-PAPH和五分五分之一。表2给出了AI-Papen工人的样子的感觉。

数据中清楚的一种模式是：高度暴露的工人在劳动力市场上的表现要好于裸露的工人。更多接触AI的工人的薪水更高，更有可能拥有学士学位或研究生学位，而失业的可能性较小，而不是暴露的工人。

最暴露于AI的工人的五分之一的性别分裂几乎甚至是男性，而有70％的工人是男人。

这些特征对于在考虑随后的分析时要记住很重要，因为大多数和最少暴露的工人之间的劳动力市场成果差异模式将受到他们在教育成就上的差异的影响。

I.工作是启示录吗？

在下面的图1中，我们根据AI暴露计算五组工人的失业率。

它表明的是，尽管最暴露的工人的失业率确实在上升，但实际上，对于最少暴露的工人而言，它的提高速度甚至更快。

更确切地说，在2022年至2025年初，最暴露的工人的五分位数的失业率上升了0.30个百分点。对于最不暴露的工人的五分之一，它提高了0.94个百分点。在此期间，其他三个五分之一的失业率也提高了。

因此，通过最明显的措施，AI对工作的影响是看不见的。但是，不太明显的措施呢？

ii。保释工作？

即使我们几乎没有证据表明AI对失业的影响，但这也许是因为我们在错误的灯柱下方看。人工智能流离失所的工人不是陷入失业率，而是完全退出了劳动力。例如，年长的工人可能会在墙上看到AI的写作，并决定收拾行装和退休。

在图2中，我们扩大了镜头，显示了AI暴露组退出劳动力的工人百分比。具体来说，对于给定AI-tobuso群体中的每个工人，我们研究了一年后工人不在劳动力中的概率。

AI的破坏性效果再次无法出现。高度暴露的工人竞选出口，实际上，退出劳动力的份额实际上是最低自2022年以来，最容易受到侵害的工人，并且大致平坦。

iii。横向运动

对AI驱动的工作位移的另一个响应可能是职业转换。也就是说，也许我们看不到高度暴露的工人的失业率上升或参与下降，因为他们将职业转变为暴露的职业较少。也许计算机程序员正在成为芭蕾舞演员。

为了找出答案，我们可以再次使用年度框架。对于在给定月份中高度AI-AI-AI-AT的工人来说，一年后他们1）在不同职业中工作的可能性是什么？

回答第一个问题使我们通过AI暴露对整体职业转换有一种感觉。如果AI扩散在我们最暴露的工人中并不统一，则高度暴露的工人可能会切换职业，但仍处于同一暴露组。回答第二个问题给人一种感觉，即高度暴露的工人是否逃离了AI会影响其工作的风险较小的职业。

如下图3所示，高度暴露的工人倾向于更频繁地改变职业，但是自2022年中期以来，这种概率大致平坦，并且保持不足。看起来更像是AI的工人比以前更能改变职业。

至于第二个问题，最容易曝光的工人转向较少暴露的职业的可能性在2019年开始下降，在大流行期间下降甚至降低，现在仍然远低于其2018年水平。

看起来不像AI-PAPE的工人正在退缩到接触较少的职业中。

另一个挥杆，另一个错过。

iv。扩大范围：坚定的行为

另一种可能性是，我们可以看到AI对劳动力市场的影响，因为到此为止，我们专注于有关的数据工人。也许我们正在寻找的趋势正在发生公司等级。

公司可能正在以这种方式重新分配任务，以至于更高的失业率不会影响最大的AI暴露工人。

这会是什么样？假设一家公司有一名高技能工人和两名低技能工人。想象一下，AI可以执行高技能工人完成的三分之一的任务。该公司可以通过将一名或两个低技能工人的任务重新定位到高技能工作者，从而减少公司的总就业时间，但不会使AI-PRAPIES工作人员退出工作，从而对此做出回应。在这种情况下，AI确实具有分离效应，但并不落在AI-PRAPING工人身上。

这也强调了为什么我们的AIOE度量没有区分移动工人的AI暴露和增加他们的暴露范围。在我们的示例中，高技能工人可能会使用AI来执行以前低技能工人完成的任务。在AI的帮助下，高技能的工人可能扮演更广泛的角色，并在较小的团队。

我们如何在数据中看到这一点？一个合理的起点是行业-水平就业。随着企业越来越小的行业，即使AI-PAPH工人坚持不懈，随着企业的越来越小，裸露的工人的行业也应视为减少就业。

图5基于他们对AI-Papen工人的雇用，类似于我们对职业的分组方式。它显示了每组行业的全部就业。AI的效果再次从页面上跳下来。曝光工人最多的行业占总就业人数的份额较大，并且在兴奋后稳定增长。

像这样的行业分析将难以捕获的行业对新员工的影响。在失业率上升的率上升已经很大最近的毕业生。由于与最近的大学毕业生一样，新的劳动力市场进入者是劳动力的一小部分，因此他们可能不会出现在行业级别的分析中。^[1]要了解对年轻工人和最近大学毕业生的影响，我们需要直接研究他们。

是，年轻的工人或最近进入职业的大学毕业生更接触AI的情况较差吗？

它似乎没有。图6中的两条实线显示了最曝光的年轻工人（蓝色）和最近的大学毕业生（黄色）的失业率。相关的虚线表明，暴露于年轻工人和最近的大学毕业生的失业率。^[2]

无论是AI曝光，年轻工人还是最近的毕业生，失业率一直在蔓延。

V.扩散：最后的希望

到目前为止，还没有大的AI效应，但这可能是因为AI在经济中的实际扩散比我们预期的要慢。人口普查局询问企业是否在商品或服务的生产中使用AI。一年半前，只有5％的人说是。该份额快速上升，现在约为9％，但这仍然是一个较低的数字。（有关此趋势的可视化，请参见附录。还请注意，在商品和服务的生产中使用AI不同于将其用于诸如汇总备忘录之类的偶然任务。）

不过，整个经济范围的9％都没有讲述整个故事。在某些部门中，AI使用要高得多。信息行业中约有27％的企业表示他们使用了AI。

也许AI的影响最终会出现在信息部门的就业趋势中。我们可以在图7中寻找它们，该图7显示了整个信息部门的每个子部门的就业。

使用率最高的子部门出版行业（36％的企业使用AI报告）在就业后激增，然后退缩并降低了其前卵巢前的水平，但仍低于2021年23趋势。

数据处理和计算具有第二高的AI使用率（35％），直到2023年一直在上升，此后一直保持平坦。

在过去几年中，就业增长然后变平的两种情况 - 那么我们终于找到了AI的影响？如果是这样，这种影响是极其谦虚的，更多的是刹车，甚至可能只是暂时的休息，对经济的少数子行业的就业增长，而不是任何暗示对就业威胁的有意义威胁的事物。

不过，更重要的是，没有办法知道AI是否特别是这些子行动中统一的原因。例如，在这两种情况下，就业增长在Covid之后的一年都非常健康。也许公司只是意识到他们的扩张太快了，想放慢脚步。否则可能是其他的。实际上，缺乏因果证据是一个问题，不仅是针对我们此处介绍的所有分析任何使用可用的AI暴露措施的调查。我们在下一节中扩展了这一点。

仍然没有找到我们要寻找的东西

为什么，无论我们如何削减数据，我们都看不到劳动力市场上有任何有意义的AI影响吗？我们考虑两种可能性。

垃圾垃圾？

我们的职业和行业分类可能并不能在AI实际上产生影响的情况下差异化。对我们来说幸运的是，有许多学术研究试图识别劳动力市场的AI暴露，其中一些研究使用了明显不同的方法来识别AI可能影响的工人。（请参阅附录。）有些人使用人类策划的曝光列表，有些甚至使用AI来对哪些任务暴露于AI进行分类。

我们通过每种不同的措施进行分析，结果基本一致。例如，在所有措施中，最暴露的工人的失业率中的趋势线看起来相当相似。退出劳动力，改变职业并转向较低的接触职业也是如此。

话虽如此，我们可以检测到AI-PRAPEN中最近失业率的近期统计差异，而不是使用两项措施。下面的图8显示了2022-2023和2024-2025期之间最暴露与其他所有人之间失业率的差异。

来自学者Tyna Eloundou，Sam Manning，Pamela Mishkin和Daniel Rock的措施标记了Eloundou等。（2024）（GPT-4）在图8中显示失业率增加了0.2个百分点（相对于暴露较少的工人）。

来自Andrea Eisfeldt，Gregor Schuber和Miao Ben Zhang的措施。（2023）显示了增加0.3个百分点（相对于暴露较少的工人）。

具有讽刺意味的是，这是使用大型语言模型来评估AI暴露的两种措施。因此，也许，如果我们斜视，AI告诉我们AI正在增加失业率。但是，这两种措施发现的差异确实很小。

最后，重要的是要再次强调因果关系的观点。实际上，通过仅在分析中寻找AI效应的任何视觉迹象，我们将标准设定得很低 - 但即使没有清除那个低栏。

即使清除了它，我们最能说的是，高度曝光的工人在劳动力市场上的经历与其他工人的经历不同。但是除了AI之外，可能还有其他原因。

请记住，AI-PAPH工人与其他工人大不相同。他们倾向于接受高等教育，较低的失业率和更高的工资。可能是这些特征或其他任何其他特征驱动就业趋势而不是AI的差异。

Occam的剃刀？

我们看不到效果，因为它们尚未实现至少还没有。如前所述，关于AI扩散的官方统计数据往往低于流行讨论可能会导致您相信。

我们也知道，从公司级调查，绝大多数公司（约95％）报告说，AI对其雇用没有净影响，并且大约相同的数字表示，这导致就业增加，因为它减少了就业。

当公司被问及他们期望根据AI使用的6个月改变6个月的时间时，大约6.5％的人期望增加，而6.1％的人预计会减少6.1％。

最终，在简短和中期，AI最终可能对任务产生更大的影响，而不是对就业。约有27％的使用AI公司报告说，他们使用AI来替换工人任务。

即使AI今天没有完全重新排序劳动力市场，它也可能会产生不同的效果：重组工人如何度过时间。

附录 

A1。定义AI暴露 

学术文献已经产生了几种工人接触AI的措施。通常，这些措施首先分析工人任务，确定暴露于AI的任务（这可能意味着多件事），然后将这些任务滚动到职业。

一旦在职业级别定义了暴露量后，您就可以将该量度带入工人级别的数据，并通过行业占领矩阵进入行业。下面我们描述了我们为此作品收集的几项AI暴露措施。

I.我们考虑的第一个AI度量，以及该作品中使用的主要测量方法，由Felten等人产生。（2021）。我们选择了这项措施，原因有几个。首先，它提供了能力级别的暴露措施，这使得下面描述的职业代码方案之间的人行横道更加准确。其次，作者提供了行业级别的暴露措施，在上述分析中被证明有用。

他们的暴露措施基于电子边界基础（EFF）AI进度测量项目提供的类别，建立在AI的共同应用的一部分。

EFF维持有关AI在不同应用程序中的进展的统计数据。Felten等。（2021）将EFF数据与来自劳工部职业信息网络（O*NET）数据库的工作场所能力的数据相结合。作者通过亚马逊的机械Turk（MTURK）Web服务来调查大约2,000名演出工人，从而将进步的进度措施与O*净数据联系起来。要求每个受访者考虑AI应用程序与每个O*净能力的关系。这提供了一种衡量可应用性相关性的度量，然后将其求和以创建能力级的曝光分数。Felten等。

（2021）然后通过通过o*net衡量的能力来求和能力级的AI暴露来计算职业级别的暴露，然后通过所有能力的普遍性和重要性的加权总和来缩放。相对的暴露措施。

一旦处于职业水平，作者就会使用行业占领矩阵来衡量行业水平的敞口，他们将其与县行业数据结合使用，以衡量地理AI的暴露。

重要的是，对于AI是补充还是代替工人，此措施不可知，这意味着更高的接触可能表明生产率提高或工作流离失所的风险更高。

ii。我们考虑的第二个AI度量是由Eloundou等人开发的。（2024）。作者使用标语来确定特定任务是否暴露于AI。该标题根据生成AI是否会减少人类执行特定任务所需的时间进行分类。

任务分为三组：（E0）没有或最少的时间缩短的任务，（E1）可以通过访问LLM来更快地完成50％的任务，并且（E2）单独使用LLM的任务将使完成的时间降低50％，但在LLM上的额外软件至少可以降低一半的时间，或者无法完成（E3）的任务50％，或者无法完成（e3）的任务。

Eloundou等。（2024）通过两种方式将任务分为E0-3。首先，使用人类注释，与作者和经验丰富的注释者使用OpenAi的LLMS经验。其次，使用GPT-4对任务进行分类。作者使用这些分类的不同组合构建了几种措施。我们专注于作者的首选beta措施，这是分类为E1的任务的总和，是分类为E2或E3的任务总和的0.5倍，除以职业的任务总数。（E2/E3）的0.5重量在需要补充工具和投资的任务上减少了重量。作者注意到他们的分类方法的几个弱点，但也发现了基于人类和基于GPT-4的分类之间的强烈同意。

Eloundou等人的基于人类的分类。（2024）在概念上与Felten等人有关。（2021）量度，也使用人类调查来确定暴露。GPT-4测度在方法论上与Felten等人不同。（2021）度量。

iii。Eisfeldt等。（2023）研究公司级别对生成AI的影响如何影响公司价值。作者将分两个步骤估计公司级接触AI。首先，使用类似于Eloundou等人的过程。（2024年），作者使用开放的AI的GPT 3.5 Turbo来对当前的生成AI或将来的生成AI的实例化来对任务进行分类（E0-E2（如Eloundou等人（2024年）））。作者将E3和计算曝光排除在分类为E1的任务计数，以及分类为E2的任务计数的0.5倍除以任务总数。

Eisfeldt等人产生的AI暴露措施之间存在三个主要差异。（2023）和Eloundou等。（2024）。首先，Eloundou等。（2024）包括图像能力依赖性自动化（组合E2和E3）。第二，Eloundou等。（2024）使用Chatgpt-4执行分类，而Eisfeldt等人。（2023）使用GPT 3.5涡轮增压。最后，Eisfeldt等人。（2023）区分核心和补充任务。基于任务的核心措施旨在更准确地捕获劳动替代，这可能会产生失业影响。因此，我们专注于分析中的基于核心的度量。

iv。我们考虑的最终AI暴露措施是由Webb（2022）制定的。Webb（2022）使用专利和职位描述中的文本数据来衡量特定技术中针对给定职业任务的专利数量。Webb（2022）使用动词 - 单词对量化了专利和任务之间的重叠，从而汇总了任务级别与职业级别的重叠频率。在通过重点关注机器人和软件的案例研究验证方法之后，Webb（2022）通过专注于AI专利并确定任务以及与这些专利最重要的任务来创建AI曝光度量。Webb（2022）措施在方法论上与其他措施不同，因为其专注于专利文件。与专利语料库中未提及的工人任务重叠的AI技术的进步不会由Webb（2022）措施捕获。

不幸的是，除Webb（2022）外，这些措施不使用CPS中可用的职业编码方案。为了解决这个问题，我们应用一系列人行横道将每个AI暴露量度的本地职业方案转化为CPS中可用的职业代码，我们在附录A2中描述了这一代码。A2。

人行横道 

当前的人口调查通过人口普查确定了职业职业编码系统，而AI暴露措施是基于标准职业分类（SOC）代码或David Dorn的职业代码系统。一个 

David Dorn的守则旨在将其映射到1990年的人口普查代码系统上，Dorn为此提供了人行横道。^[3]使用IPUMS SCOC90变量，该变量为所有受访者提供了统一的1990职业代码，无论调查年度如何，Webb（2022）可以将曝光度量直接映射到我们的CPS样本中。

除了职业，工业和地理位置外，Felten等人。（2021）提供了能力水平的暴露措施。这种能力水平的暴露减轻了职业编码方案之间的翻译。我们直接翻译了Felten等人。（2021年）通过使用人口普查多次官方的人行横道与人口普查2018代码进行o*net 2018 SOC代码，以衡量2018年最新的人口普查职业代码，然后使用O*Net在职业水平上使用O*Net的重要性权衡来权衡能力水平。

SoC到企业人行横道：方法1

对于Eisfeldt等人。（2023）和Eloundou等。（2024）措施，我们探讨了两种将其本地SOC计划转化为普查2018职业代码的方法。我们的第一种方法使用SOC 2018至2018年官方人行横道^[4]并计算所有SOC 2018代码的平均曝光率，这些代码映射到给定的人口普查2018代码。将类似的过程用于将SOC 2010占领措施转化为普查2018职业措施。

SoC-Census人行横道：方法2

我们探索了一种将SOC代码与人口普查2018代码交行的替代方法。在这种替代方法中，我们将SOC代码分类为O*净任务，沿AI曝光权重，然后使用O*净能力重要性权重进行重新聚集到2018年人口普查。最初的分解在AI暴露措施和任务之间建立了许多一对一的关系，因为许多职业共享任务。

因为Felten等。（2021）提供能力水平的曝光分数，我们可以使用该信息来评估两种交管方法。We treat the ability-level Felten (2021) translation of SOC 2010 to Census 2018 occupation codes as “truth” and compare it to the Census 2018 occupation-level exposure measures resulting from both Approach 1 and Approach 2. We find that the measures reliant on occupation-to-occupation crosswalks, Approach 1, produces AI exposure measures most similar to the ability-weighted “truth” measure.

在所有分析中，使用Eisfeldt等人。（2023）和Eloundou等。（2024）我们依靠人行横道方法1的措施从本地SOC职业代码转变为普查2018职业代码。

A3。AI暴露的劳动力市场成果和替代措施

图10显示了每种AI暴露量度最多的AI-AI-AI-ai-ai-pocture措施以及暴露较低的工人的失业率（虚线）。

图11显示了每种AI暴露量最大的AI曝光度量（五分位数5）的劳动力的概率以及暴露较低的工人（虚线线）的出口率。

图12显示了每种AI曝光度量以及暴露较少的工人（虚线）更改职业的概率（五分之一）。

图13显示了每种AI曝光度量以及暴露较小的工人（虚线线）更改为最高暴露（五分五分之一）的较低暴露职业的概率。

除了Felten等人以外的任何暴露措施，行业级别的分析不能直接进行。（2021）。Felten等人的一项贡献。（2021）是对基于职业的AI暴露于NAICS行业的翻译。

A4。其他数字 

图14显示了在前两周内使用AI报告的业务百分比。

图15显示了在前两周内使用AI的企业的百分比，以及在未来六个月内使用AI的百分比，主要部门在2025年6月18日的最新时期。

参考

Eisfeldt，A。L.，Schubert，G。，＆Zhang，M。B.（2023）。生成的AI和公司值（第W31222号）。国家经济研究局。

Eloundou，T.，Manning，S.，Mishkin，P。和Rock，D。（2024）。GPT是GPT：LLMS的劳动力市场影响潜力。科学，384（6702），1306-1308。

Felten，E.，Raj，M。和Seamans，R。（2021）。职业，工业和地理接触人工智能：一种新颖的数据集及其潜在用途。战略管理杂志，42（12），2195-2217。

Webb，M。（2019）。人工智能对劳动力市场的影响。可在SSRN 3482150上找到。