为什么AI对就业的冲击没有体现在失业率上？

该来的，还是会来。

文章来源｜卫夕指北(ID: weixizhibei)

都说AI抢工作，但一个显而易见的疑问是——

失业率的数据为神马动静不大？

没错，一边我们看到AI能力在狂飙，但另一边就业市场似乎比较平静。

我现在很多工作的确交给Claude Code和WorkBuddy，但我经常去的西北旺万象汇咖啡店贴的招聘启事，和之前相比，貌似没有神马变化。

这其中肯定有某些被我们忽视了的东西。

值得用数据深入分析。

最近我把今年上半年发布的一批劳动经济学论文盘了盘。

这里边有覆盖美国全国的招聘数据，也有Upwork的两百多万份成交合同，以及标普500十年的年报。

发现了一些有意思的结论——

简单地说，就业冲击早就开始了，只是它绕开了失业率，先动了招聘岗位的内容和劳动力市场的定价规则。

没错，等到能在新闻里看见冲击的那天，那留给你我调整的时间可能已经不多了。

下面咱们就挑3篇论文一起来看一看，从数据的角度，劳动经济学家如何理解AI就业冲击。

三篇论文的叙述都蛮克制滴，全程数据说话，但这种克制也让我对AI的就业冲击有了更直观的理解。

先看第一篇论文：《Generative AI and the Reorganization of Labor Demand》，来自普渡大学，它就研究一个问题：AI如何影响招聘？

简单地说，公司调整用人有三板斧——裁员、减少新招聘、调岗位职责。

裁员动静最大，它是要上热搜滴，CEO还得配一封假惺惺的公开信，各项成本都很高，能不用就不用。

少招人就要容易得多，HR在预算表里改个数字就行。

改岗位最隐蔽，公众不知道，公司内部也静悄悄的。

而失业率的宏观数据要等这些动作层层传导后才会有所体现。

那问题来了——上面这三个方式怎么样才能从数据的角度非常清楚的研究它们呢？

答案是招聘启事。

JD（职位描述）是骗不了人的，它每一行任务都对应一笔要支付的工资，辣是企业的心里话。

比如同样叫产品经理的岗位，今年的职位描述和两年前相比，悄悄变了。

比如，过去写着负责数据清洗的地方，现在可能改成了负责AI工具输出结果的验证和优化。

岗位名字没变，里面的任务被悄悄替换了。

这就是温水煮青蛙。

普渡大学的Fangyan Wang、Zaiyan Wei和Yang Wang三位学者量化了这件事。

他们从Lightcast拿到了美国全行业招聘数据，原始量1.88亿条，按职业乘行业乘职级切成25349个格子，每个格子里随机抽5%，最终处理了937万条。

然后用两级大模型流水线逐条拆解——

第一阶段用Llama-3.1-8b从每条JD里抽出3到10条具体任务；（抽取任务用开源的模型是为了省成本。）

第二阶段用GPT-5-nano给每条任务标注AI替代等级（论文里叫AI暴露度）——

E0完全没戏，E1一个现成AI就能省一半时间，E2 AI几乎能完全做到。（这里没有使用最强的模型，主要是因为数据量太大，成本难以承受，毕竟937万条。）

经过这一轮分析之后，数据出来了——

全美所有岗位的平均AI可替代率是：0.396。

分层来看，48.9%的任务AI帮不上忙，28.2%一个现成工具直接就能省一半时间，22.9%AI几乎能完全做到

简单地说，美国企业写在JD里的任务，接近一半已经在AI的射程之内。

具体到职业，最易被替代的前几名挺有意思：词作者和创意写作者高居榜首，AI可替代率高达0.839。（我瑟瑟发抖中）

后面跟着作家、技术写作、Web开发、搜索营销策略师、编辑。

文字工作者集体上榜，说明基础的写作在AI面前几乎裸奔。

而最不会被替代的是：打桩机操作员、飞机货运督导、铁轨信号维修工，AI可替代率在0.05附近。

看来，至少从这份数据看，物理世界暂时还是人类的地盘。

分行业AI可替代率热力图，金融保险0.584排第一，住宿餐饮0.239垫底

行业差异也非常大——

金融保险0.584高居第一，专业科技服务0.548第二，信息业0.545第三。

最低的三个是住宿餐饮0.239、零售0.289、运输仓储0.292。

这么看，白领和蓝领区别还是蛮大滴，所以，作为我这个号的读者，千万不要有神马优越感。

一个反直觉的发现是：高级岗位的AI可替代率0.595，比初级的0.435和中级的0.388都要高。

然后论文分析了整体AI可替代率的时间走势——

AI可替代率季度走势

从2022年初到2023年底，全美招聘启事的AI可替代率从0.415降到了0.378。

ChatGPT发布之后，企业JD里的AI可替代任务含量反而变少了。

难道不是牛逼的AI来了更多的工作更容易被替代吗？

这又是为神马呢？

原因在于——企业正在有意识地把AI能干的活从岗位描述里拿走。

不是AI不行了，是公司不打算让人来做那些事了。

有人会说这几年美联储加息，金融信息这些高暴露行业本来就在收缩，测到的会不会只是宏观周期？

作者把分解限制在每个行业内部重新跑了一遍，把跨行业挪动整个剔除，结论还是一样滴。

所以，宏观周期不背这口锅。

论文并没有停留在这里，它一个极其精彩的分析就是：这个AI 替代率下降的趋势到底是怎么造成的？

作者团队用Kitagawa三重分解的方法把下降拆开来看。

用食堂打比方就容易理解：

食堂人均菜价降了，可能是菜单换了贵菜下架便宜菜上架（构成效应），也可能是每道菜自己降价了（组内效应），还可能二者的叠加效应。

三重分解——2023年Q3起构成效应与组内效应双双转负

2023年三季度是分水岭，从这个季度起，换掉招聘岗位占52%，岗位不变重新设计任务

占39.5%，二者叠加发生占8.5%。

不裁员，但悄悄地改变岗位描述和职责贡献了整个调整的四成，论文特别指出这个占比还在逐季走高。

按职级拆开看的发现——

高级岗位——构成效应主导（70.80%），2022年Q2就转负

高级岗位2023年Q3后换掉招聘岗位占到70.80%，岗位不变重新设计任务只占24.01%。

说明对高级岗位，公司直接改招聘结构，少发某些类型的高级职位，岗位内容本身动得不多。

也就是说，高级岗位要么就是不招这个岗位了，但你一旦招，你该干啥还是干啥。

初级岗位——重新分配、重设计与叠加三力齐发

但初级岗位是三管齐下——

换掉招聘岗位60.15%、岗位不变重新设计任务18.22%、二者叠加达21.63%。

这意味着，对于适合年轻人的初级岗位，公司一边挑着招、一边改任务，两件事同时发生。

管理学里有一个概念叫组织社会化：新人通过观察、模仿和试错，逐步理解组织如何运行。

过去初级岗位的隐性合同是：拿低薪，换练手的机会。

现在练手的那部分活儿恰恰是AI最先接走的。

所以，我们看到的裁员并不多，也看不到失业的热搜，但年轻人的练手入门的机会在慢慢关闭。

这个研究数据真实而有说服力，应该引起大多数人的重视。

有人会说，初级岗位受冲击，那我十年经验总能保住溢价吧？

额，可能和你想的不一样。

我们来看另一篇论文——《Human Capital, AI, and Labor Commoditization》

作者是UCLA安德森商学院的Siddiq和Zhang，他们在2026年3月分析了自由工作者接单平台Upwork20.2万个工作者档案。

论文共筛出49610名从2021年Q1到2026年Q1连续在场的工作者，背后是226万份真实成交合同。

样本覆盖12个大类102个子类目，他们用向量模型把每个工作者档案压成384维向量。

然后把客户看到的信息分成四类——自我展示、资历、口碑、价格。

接下来单独训练一个需求预测模型，专门用来预测：

这个人这个季度的预期订单里，有多少归功于自我展示，多少归功于资历，多少归功于口碑，多少归功于价格。

四条曲线——三类人力资本信号走低，价格信号走高

结果蛮残酷滴——

ChatGPT发布后，在AI高替代率的类目里，自我展示、资历、口碑三类人力资本信号对需求的解释力全部显著下降，双重差分系数分别是-0.029、-0.024、-0.029。

而同一时期，价格的解释力显著上升，系数+0.011。

三条往下，一条往上。

也就是说，AI来了，客户不看你是谁了，客户开始看你要多少钱。

到样本最后四个季度，三个降幅扩大到-0.039、-0.033、-0.035，价格升幅扩大到+0.018。

也就是说，你的资历慢慢失效这个趋势还在加速。

三重差分——人力资本溢价压缩与订单流向低价者同时发生

具体而言，订单从贵的人流向了便宜的人，需求向低价组转移了7.9%。

经济学上这叫劳动商品化。

买家不在乎谁生产的，只在乎价格。

也就是说，当客户认为AI会交付的结果趋于同质，然后他就会减少研究你是谁，把注意力转向你收多少钱。

经济学家阿克洛夫1970年著名的柠檬市场论文说的就是这个：

买方难以识别质量差异，高质量供给的定价会被低质量供给拖下来。

AI进一步抬高了识别难度，因为每个人都能快速交出一份看起来挺专业的产出，新手借助AI交出的活儿和老手的差距肉眼难辨。

当产出趋同，买家自然不再为卖方的履历付溢价。

在我看来，自由职业市场没有制度缓冲，所以这个资历失效的现象先表现了出来。

而普通白领工作，这个趋势并不是木有，大概率只是滞后发生了。

该来的，还是会来。

接下来的一个问题是：为什么自己和自己身边的人受到的冲击好像没有辣么明显？

下面这篇名为《AI Adoption in S&P 500 Firms》的论文给了一个答案：真正深度采用AI的企业数量，远木有社交媒体营造的辣么夸张。

MIT团队联合卡内基梅隆的研究者想到了一个企业不敢吹牛的地方：SEC的10-K年报。

美国证券法禁止上市公司在年报里做重大虚假陈述，这个文件里写错了是要吃官司滴。

发布会可以吹，PR稿可以吹，但年报里乱吹的法律成本高很多。

他们把标普500公司2016到2025年整整十年的年报都收集起来，用AI给每家公司每年打了一个1到5分的AI采用分。

1分，完全不提AI或只是零星提及；

2分，在探索AI能力但没证据显示进了产品或运营；

3分，AI已整合进流程但还没带来财务影响；

4分，生产级部署，且有了成本节约或收入贡献；

5分，AI是公司核心组件，深度嵌入业务。

为了验证数据的准确性，研究人员也手工抽样对数据进行了复核。

复核发现2023年起，七巨头清一色5分，唯一例外是苹果，和市场对它AI掉队的普遍观感严丝合缝。（苹果在AI方面真是烂泥扶不上墙）

而且也做了交叉验证，发现他们用这种方法做出的数据和Ramp公司基于五万多家企业刷卡交易测出的AI付费率对比，2025年相关系数高达0.87。

所以，这个数据是严谨靠谱滴。

基于这个前提，我们来看一下这些年报呈现出来的数据到底呈现什么样的规律——

标普500公司AI采用等级十年演化——2023年是拐点，但到2025年仅21%过深水线

2025年，5分公司（AI深度嵌入战略和财务核心）占11%，4分（生产级部署）再加10%，合计21%过了深水线。

2022年只有5%，三年翻了四倍。

但这个数据也意味着将近八成的美国头部上市公司，到2025年还没让AI真正进入生产。

而深度整合的公司里三分之二来自科技板块。

消费必需品、食品饮料有四分之一年报对AI只字不提。

所以，结论就很明确了：

所谓企业AI革命，到2025年为止基本上还是科技行业的内部革命，并木有大规模扩散。

我们继续看数据呈现的三个特征——

第一，标普500的采用率从5%飙到21%只用了三年，如果速度保持，2028年前后过半企业跨过深水线。

第二，科技行业里，完全没碰AI的公司平均净利率14.4%；试点整合阶段反而跌到12.4%；深度整合后回升到17.4%，基本上是一条U型曲线。

搞AI，先亏后赚的路径被证实了。

U曲线——试点期利润先跌到12.4%，深度整合后回升到17.4%

第三，七巨头的资本开支在2026年奇高——谷歌预计1750亿到1850亿（最近财报又大幅增加了）、Meta预计1150亿到1350亿、亚马逊放话约2000亿，这些基建完成后AI的能力和渗透率会再上一个台阶。

保罗·戴维研究电气化历史时就发现，工厂把蒸汽机换成电动机并不会自动获得巨大生产率。

真正的收益需要重建厂房布局、生产流程和管理方式。

AI逻辑也是一样滴。

同样需要一整套补充资产：流程接口、法律边界、员工培训等一大堆需要操心滴。

一旦先行者证明了利润可以回来，后面的跟随者会加速涌入。

到那个时候，目前只在科技行业发生的招聘重组和资历失效，将蔓延到大部分行业。

也就是说，现在感觉不到冲击的人，只是因为冲击波还没到你所在的行业。

说两个不那么舒服的建议——

第一，不要再岗位名称描述自己了。

拿一张纸，列出过去两周完成的全部任务，给每项标一个分数：AI当前能替代多少，超过四成就该警觉了。

你的目标应该很直接：二个月到半年时间，让这类任务占比降到30%以下。

第二，争取组织影响力。

你只能接任务，AI毫无疑问会和你竞争，但如果你TM可以定义任务和验收任务，AI就可能成为杠杆。

从综合上边三篇论文来看，尽管AI对不同行业产生冲击的时间表存在差异，但总体而言：时间不多了。

做好准备吧，乱纪元要开始了。

《肖申克的救赎》里有句话很多人熟悉：Get busy living, or get busy dying。

所以，你在忙什么？

作者卫夕，公众号“卫夕指北”出品人，专写长文，专注剖析AI、广告、互联网的底层逻辑。