易云达 AI冲击美国00后就业！斯坦福报告显示：自2022年末美国年轻劳动者就业增长陷入停滞

一周前，美国麻省理工学院的一份报告从企业角度揭示了业界 AI 投资回报率低的情况。一周后，美国斯坦福大学的一份报告则从就业角度揭示了 AI 对于美国就业市场的影响。

斯坦福的报告包含三名作者，他们分别是斯坦福大学的以人为本 AI 研究所数字经济实验室的埃里克·布林约尔松（Erik Brynjolfsson）教授、博士后研究员巴拉特·钱达尔（Bharat Chandar）和博士后研究员 Ruyu Chen。

图 | 从左到右：埃里克·布林约尔松（Erik Brynjolfsson）、巴拉特·钱达尔（Bharat Chandar）、Ruyu Chen（来源：资料图）

该报告指出，在生成式 AI 普及之后，美国的就业趋势基本符合“AI 暴露度越高，就业增长越慢”的规律，而 2022 年之前则未呈现这一规律。大学毕业生劳动者占比高的职业，整体就业率呈下降趋势；而大学毕业生劳动者占比低的职业，整体就业率呈上升趋势。其中，AI 暴露度最低的职业就业率出现增长，AI 暴露度最高的职业就业率出现下降。

在软件开发等 AI 暴露度最高的职业中，年龄段在 22-25 岁的美国职业生涯初期劳动者的就业率出现大幅下降。与此同时，尽管美国整体的就业率正在持续增长，但是美国年轻劳动者的就业增长陷入停滞。在 AI 用于替代人类工作的应用场景中，入门级岗位就业率出现下降；而在 AI 用于增强人类工作能力的场景中，入门级岗位就业率所受影响不太显著。在控制企业-时间固定效应之后，高暴露职业年轻劳动者仍呈现出 13% 的相对就业下降率。不过，劳动力市场的这些变化更多体现在就业层面，而非薪酬层面。同时，无论是在不受远程工作影响的职业中，还是在多种替代性样本构建方式下，上述趋势均成立。

（来源：资料图）

研究样本涵盖美国数百万名劳动者，得出六大关键发现

据介绍，本次报告利用美国最大薪资管理软件提供商 ADP 的大规模高频行政数据集展开研究。研究样本包含截至 2025 年 7 月的月度个人薪资记录，涵盖数万家企业的数百万劳动者。通过将该数据与已有的职业 AI 暴露度衡量指标及其他变量关联，研究人员得以量化了生成式 AI 被广泛应用以来实际发生的就业变化。

通过梳理数据，他们发现了六个关键发现：

第一个关键发现：在软件开发者、客户服务代表等 AI 高暴露度职业中，美国 22 - 25 岁的职业生涯初期劳动者的就业率出现显著下降。与之相反，同一职业中经验更丰富的劳动者，以及护理助理等 AI 低暴露度职业中所有年龄段的劳动者，其就业趋势要么保持稳定，要么持续增长。

第二个关键发现：美国的整体就业率仍保持强劲增长，但是自 2022 年末起美国年轻劳动者的就业增长陷入停滞。在 AI 低暴露度岗位中，年轻劳动者与年长劳动者的就业增长率基本持平；而在 AI 高暴露度职业中，2022 年末至 2025 年 7 月期间，22 - 25 岁劳动者的就业率下降了 6%，年长劳动者的就业率则增长了 6% - 9%。这些结果表明，由于年长劳动者就业率持续增长，AI 高暴露度岗位的就业下滑，是导致 22 - 25 岁群体劳动者整体就业增长乏力的主要原因。

第三个关键发现：并非所有 AI 应用都会导致就业率下降。具体而言，在 AI 用于替代人类工作的场景中，入门级岗位就业率出现下降；但在 AI 主要用于增强人类劳动能力的场景中，入门级岗位就业率并未下降。研究人员通过实证方法区分了 AI 的“替代”与“增强”作用：基于对大模型 Claude 的观测查询数据，估算其在特定职业中对人类任务的替代或补充程度。结果发现，在 AI 主要用于替代工作的职业中，年轻劳动者就业率下降；而在 AI 主要用于增强工作能力的职业中，年轻劳动者就业率反而上升。这些发现与“AI 的替代性功能会取代劳动力，而 AI 的增强性功能不会取代劳动力”的观点一致。

第四个关键发现：在控制企业-时间固定效应之后，美国 AI 高暴露度职业中年轻劳动者的就业下滑趋势依然存在。本次研究人员指出，有一种解释认为其可能由行业或企业层面的冲击比如利率变化驱动，而这些冲击恰好与按年龄划分的劳动者分布以及职业 AI 暴露度存在相关性。为了验证这类干扰因素的影响，研究人员在事件研究回归模型中控制了企业 - 时间效应，以便在不考虑职业 AI 暴露度的前提下，排除那些影响企业内所有劳动者的企业冲击因素。结果显示，对于 22 - 25 岁的美国劳动者，AI 暴露度最高的五分之一职业与暴露度最低的五分之一职业相比，相对就业率下降 12 个对数点，这一影响幅度较大且具有统计显著性。其他年龄段的美国劳动者的就业影响估算值，在幅度上远远小于这一数值，并且不具备统计显著性。这些发现表明，本次报告发现的就业趋势并非由“雇佣大量 AI 高暴露度年轻劳动者的企业遭受特殊冲击”所导致。

第五个关键发现：劳动力市场的调整更多体现在就业层面，而非薪酬层面。与就业领域的发现不同，本次报告发现不同年龄组、不同 AI 暴露度职业的年薪趋势几乎无差异，这暗示着可能存在一定的工资粘性。假如情况属实，那么至少在初期，AI 对就业的影响可能大于对工资的影响。

第六个关键发现：在多种替代性样本构建方式下，上述五个结论基本保持一致。研究人员指出，这些研究结果并非仅由计算机相关职业或易受远程工作、外包影响的职业所驱动。此外，在大模型广泛应用之前包括新冠疫情引发美国失业率飙升的时期，职业 AI 暴露度分类并不能有效预测年轻劳动者的就业结果。本次报告所观察到的就业模式是：在 2022 年末左右即生成式 AI 工具快速普及的时期，无论是大学毕业生占比高的职业，还是大学毕业生占比低的职业，这一模式均成立，这说明新冠疫情期间美国教育水平的下滑并不是导致本次结论的原因。

需要说明的是，这些结论可能在一定程度上受到生成式 AI 以外其他因素的影响，但研究结果仍与“生成式 AI 已开始影响入门级就业”的假设一致。

那么，为何 AI 对高暴露度职业中入门级劳动者的不利影响会大于其他年龄段群体？一种可能的解释是，从模型训练过程的本质来看，AI 主要替代的是“编码知识”，即构成正规教育核心的“书本知识”；而对“隐性知识”，即随经验积累的独特技巧与诀窍的替代能力较弱。由于年轻劳动者掌握的编码知识相对较多，隐性知识相对较少，在 AI 高暴露度职业中，他们面临的任务被 AI 替代的风险更高，进而导致就业再分配的幅度更大。相反，拥有丰富隐性知识的年长劳动者，其工作任务被 AI 替代的可能性较低。对于在“经验回报率低”的职业中工作的非大学学历劳动者而言，隐性知识带来的这种保护作用可能更弱。此外，经验更丰富的劳动者可能还具备其他方面的技能优势，使其更难被 AI 工具替代。

（来源：资料图）

反复验证之后，本次结论依然成立

如前所述，本次报告使用的数据来源于美国最大的薪资处理公司——ADP。该公司为美国境内雇佣了超过 2500 万名员工的企业提供薪资服务。研究人员借助这些数据，追踪在“AI 暴露度高低不同”的职业中劳动者的就业变化情况。

在构建主要分析样本时，研究人员对样本范围进行了多项限定，具体如下：

首先，仅纳入“使用 ADP 薪资产品记录员工收入”的企业所雇佣的劳动者；

其次，排除被企业归类为兼职的员工；

最后，仅保留年龄在 18 至 70 岁之间的劳动者。

由于企业会加入或退出 ADP 平台，使用其薪资服务的企业群体随时间推移会发生变化。为确保主要样本期内企业群体的一致性，研究人员仅保留了“2021 年 1 月至 2025 年 7 月期间每月均有员工收入记录”的企业。

此外，ADP 系统中大约 70% 的劳动者有着被记录在案的职位名称，为此研究人员排除了未记录职位名称的劳动者。系统中的标准化职位名称超过 7000 个，例如“搜索引擎优化专员”“企业内容管理经理”和“工厂文件管控专员”等。ADP 内部研究团队会将每个标准化职位名称映射到 2010 年版《标准职业分类》（SOC，Standard Occupational Classification）代码，映射过程中还会参考职位描述、所在行业、工作地点及其他相关信息。研究人员利用这些估算得出的 SOC 代码，将研究数据与“职业 AI 暴露度衡量指标”进行匹配。

经过处理之后，研究人员的主要分析样本包含 350 万至 500 万名劳动者的记录。同时，研究人员也通过“允许企业进入或退出样本”等替代性分析，来验证本次结论的稳健性。

（来源：资料图）

据了解，本次研究人员采用两种不同方法来衡量职业的 AI 暴露度，具体如下：

第一种方法采用其他研究团队于 2024 年提出的暴露度衡量指标。2024 年这项研究以 O*NET（职业信息网络）任务分类为基础，通过“ChatGPT 模型评估+人工标注验证”的方式估算各任务的 AI 暴露度，随后将任务层面的暴露度数据汇总至 2018 年版《标准职业分类》上，进而形成职业层面的 AI 暴露度指标。需要说明的是，本次研究重点采用 2024 年这项研究中基于 GPT-4 模型构建的 β 暴露度指标。

第二种主要方法利用 Anthropic 经济指数中的生成式 AI 使用数据。该指数基于 Anthropic 公司生成式 AI 模型 Claude 的数百万条对话样本，估算出与每个 O*NET 任务相关的查询量占比，再根据这些任务占比将数据汇总至职业层面。Anthropic 经济指数的一大特点是，对于每个任务它还会估算出与该任务相关的查询中，属于“替代型”（即 AI 替代人类工作）、“增强型”（即 AI 辅助人类工作）或“两者皆非”的查询占比。研究人员利用这一信息，来判断某一职业的 AI 应用对劳动力而言主要是“互补关系”还是“替代关系”。

上述两种暴露度指标，均以 2018 年版 SOC 代码为单位估算职业 AI 暴露度。本次研究人员借助美国劳工统计局发布的“2010 年版 SOC 代码与 2018 年版 SOC 代码对照表”，将上述 AI 暴露度指标与薪资数据进行匹配。

为了对比”可远程工作职业“与”不可远程工作职业”的就业变化，研究人员采用了其他研究团队于 2020 给出的研究数据。与此同时，研究人员使用美国劳工统计局发布的个人消费支出指数计算实际收入，并以 2017 年 10 月为基准进行指数化调整。同时，将月度当前人口调查数据作为主要研究结果的对比参照数据。

研究人员指出，本次研究结果对多种替代性解释均具有稳健性，例如排除与科技相关的企业、排除适合远程工作的职业后，结论依然成立。这六个事实提供了早期、大规模的证据，与“AI 革命正开始对美国劳动力市场中的入门级劳动者产生显著且不成比例的影响”这一假设相符。

生成式 AI 确实已对入门级岗位就业产生显著影响

研究人员指出，尽管本次结论可能受到生成式 AI 以外其他因素的影响，但这些结论仍与“生成式 AI 已开始对入门级岗位就业产生显著影响”这一假设相符。

新技术的应用通常会对不同劳动者产生差异化影响：随着劳动者从“岗位需求被替代的工作”重新配置到“劳动力需求增长的新工作”，预计劳动市场会经历一段调整期。事实上，这种内生性调整可能正在 AI 领域发生，有最新证据表明美国青年在高校专业选择上正逐渐避开计算机科学等 AI 暴露度高的领域。另据悉，未来研究人员计划持续追踪相关数据，以便评估这些趋势在未来是否会发生变化。

当然，这是报告结论主要基于美国劳动市场，这一结论是否适用于全球市场仍有一定不确定性。但是，在 AI 全球化大趋势下，个体设法增强自身能力，真正做到和 AI 共生共长或许是未来的出路之一。

参考资料：

https://fortune.com/2025/08/26/stanford-ai-entry-level-jobs-gen-z-erik-brynjolfsson/

https://x.com/StanfordHAI/status/1960389768761762228

https://x.com/StanfordHAI/status/1960389085127639160

https://x.com/semianalysis_/status/1960070677379133949?s=46

https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-is-eating-entry-level-coding-and-customer-service-roles-according-to-a-new-stanford-study-junior-job-listings-drop-13-percent-in-three-years-in-fields-vulnerable-to-ai

运营/排版：何晨龙