AI对劳动力市场影响的初步观察与应对之策

之前我曾分享过AI对劳动力市场的影响，今天想结合最新的研究进展，和大家做一个交流，也请大家批评指正。这项研究一直在推进中，期间与智联招聘有很多合作。我们在研究过程中不断修正研究方法，希望得出更科学的结论，并衔接之前的研究和未来的探索方向。

当前形势发生了新的变化。近年来，人工智能的迭代速度非常惊人。假期我在新加坡国立大学访问期间，与当地学者包括李嘉教授有一些合作，我们一起探讨如何看待人工智能对劳动力市场的影响。我们更多是从方法论的角度切入，重点关注本轮人工智能进步与以往技术进步之间的本质差异，希望把这个问题理清楚后再深入推进。

目前，除了与智联合作使用中国数据，我们也在用美国和新加坡的数据进行比较研究，希望未来能在跨国比较和方法论调整上继续推进。

目前我们已经有了一些初步结论。我今天主要聚焦方法论，关于结论层面的内容，下一次可能会有更完整的结果。

AI技术的加速迭代与冲击

从技术背景来看，如果说以往的技术进步更多是对“脑力”的辅助或对某些任务的替代，那么这一次开始出现对“手”的替代，也就是所谓的通用人工智能（AGI）趋势。Open Claw出现后，任务可以自主执行。过去AI替代的是整个任务链中的某一个环节，而现在它可以完整地执行一整套任务链条。换句话说，这次变化是从“辅助人”到“完全替代人完成整个任务链”的转变，这是我们最近观察到的一个关键变化。

这种替代看起来很难避免——至少对任务的替代、对岗位的替代，甚至对一个机构或一个行业的替代，未来是难以避免的。

我们关心的问题是：替代的速度与岗位创造的速度之间，究竟是怎样的关系？正如蔡昉老师此前在一些演讲和文章中提到的，如果岗位创造的速度足够快，我们其实不必过度担忧。

需要特别注意的是，这一轮AI革命，尤其是对脑力劳动的替代，与过去十年以自动化和机器人为代表的那一轮技术进步有本质不同。之前的“机器替代人”主要针对体力劳动，背后是较高的边际成本——要真正在一个工厂、一个地区、一个行业里使用物化的机器，需要结合生产线进行调整，这个过程需要时间，成本也相对较高。

而这一轮技术进步的特点是，新技术出现后，往往可以免费注册，或只需极低的费用即可使用。使用成本极低，扩散速度极快。如果说以往的替代是一个区域性、行业性、渐进式的推广过程，那么这一次的技术使用可能是全球性的、行业快速渗透式的，影响面可能会更大。它对整个劳动力市场重组的推进速度，可能比过去的技术进步快得多。这一点值得我们高度重视。

另外，在过去三年中，随着人工智能大模型的快速发展，一些行业已经受到明显影响。以程序员为例，编程领域在今年的冲击尤为突出。此前，内容创作领域也受到显著影响，比如今年Seedance的出现对视频编辑带来了较大影响。法务、财务以及行政事务等领域同样也受到AI的很大影响。可以看到，越来越多的职业正在进入AI的影响范围。

最近我读到罗比克的一篇文章，文中区分了“潜在暴露度”与“实际暴露度”或“实际替代”的概念。过去我们与李强合作的研究更多聚焦于“潜在暴露”——即一个行业已经暴露在技术影响之下，但究竟会造成多大冲击、会有多少人失业，其实是不确定的。而“实际暴露度”或“观察到的替代”，则需要通过存量数据来观察。用招聘信息看流量，可以了解行业对未来求职者要求的变化，这属于“潜在暴露”；而对现有从业人员的实际影响，则属于“实际暴露”。罗比克文章的核心观点正是：这两个概念的差异非常大——流量数据展示的是潜在影响，存量数据反映的是真实冲击。

目前我们看到的更多是潜在影响，虽然能够预见到一些趋势，但大规模的真实冲击尚未完全落地，存量层面还未出现剧烈波动。我认为这正是一个窗口期——从“潜在暴露”到“真实影响”的传导不会太久，我们还有机会做出应对。

为何AI的发展“停不下来”

当前，AI技术迭代迅速，每年年初都会涌现出大量令人惊叹的新模型和新工具。为什么不能让技术进步慢一点？根本原因在于国家间的博弈。这次达沃斯论坛上，美国大厂也谈到了这个问题——虽然大家都预见到某些替代可能发生、劳动力市场可能受到冲击，但没有人能停下来。

因此，我们判断，技术进步将是快速的，且影响是全球性的，使用成本极低、扩散速度极快，这一切都难以逆转。

不过，也有一些因素可能让技术进步放缓。我们看到，OpenAI最近一轮融资高达1000亿美元，估值达到7300亿美元，投资方包括英伟达、谷歌等巨头。这个量级相当于一个中小型国家倾全国之力投资一家企业、投入AI技术研发。那么，未来研发还能有多大空间？我不知道，有可能研发速度会降下来。

另一个机遇来自开源模型。中国的DeepSeek等开源模型正在形成“卷”的态势——美国投入巨资做闭源模型，而我们很快能以开源方式实现类似效果。这是否意味着高投入未必带来独占收益？如果技术成果可以被广泛共享，是否会降低研发端的投入热情？这也是一个值得观察的方向。如果研发投入放缓，技术进步的速度也可能慢下来，从而为劳动力市场争取更大的反应窗口。但这一切仍有待观察。

此外，资本驱动技术快速扩张，但资本本身能否持续维持高强度的研发投入，也是一个未知数。未来是否会放缓，我们拭目以待。

构建前瞻性的政策与社会支持体系

应对人工智能对劳动力市场的冲击，关键在于开展前瞻性研究，构建一套动态监测与预警系统，实时跟踪劳动力市场的变化，精准把握技术进步对特定职业、任务及技能的影响，并及时向从业者和政府部门发出提醒和预警。这样，劳动者可以提前准备转岗或技能提升，政府也能有针对性地组织培训，从而避免大规模失业，推动劳动力结构的平稳调整。因此，建立动态监测系统至关重要。

动态监测系统的基本逻辑是什么？传统的劳动力市场研究往往以职业、行业或地区为单位，但在AI快速渗透的背景下，我们更需要将劳动力市场“原子化”——即拆解到任务和技能这两个底层维度。以客服岗位为例，三年前和现在的职业名称没变，但具体从事的任务构成已经完全不同。因此，我们要透过表面的职业名称，观察职业内部的任务重组和技能需求的变化。

我们与李强合作，利用智联招聘等数据，将招聘信息解构为任务和技能两个维度。目前，国际通用的任务分类约有2万种，技能分类约3万种，但这一标准类似“元素周期表”，是相对静态的，近些年变化不大。而我们真正需要的是动态追踪——通过分析岗位描述（JD）的变化，发现哪些新任务、新技能出现，哪些旧任务、旧技能消失，不断更新这个“元素周期表”。

此外，我们还需要关注这些“元素”的组合方式。劳动力市场的重组，本质上就是任务和技能的组合方式在发生变化。我们采用网络分析方法，观察哪些任务和技能开始频繁组合，当组合趋于稳定并形成新的模式时，可能就意味着一个新职业的诞生。我们不能等到职业名称消失时才意识到变化，而要在其内部结构悄然演变时就捕捉到趋势。

当前国际上通行的“暴露度”算法，如SCI 2024年那篇文章中的方法，已经有些过时。我们需要对其进行更新。传统方法往往通过询问AI能否完成某项任务的50%工作量来判断，输出的是0或1的二元变量。但现实远比这复杂：50%替代和90%替代，对就业的影响天差地别。以程序员为例，过去几年可能只是50%替代，现在已接近完全替代，但单一数据点无法反映这种变化。因此，我们需要将暴露度从一个二元指标拓展为连续变量，更精细地衡量替代程度。

更重要的是，现有的暴露度算法只能说明某个职业“暴露”在风险之下，并不能直接等同于“被替代”。我们观察中国、新加坡、美国的数据发现，大量职业的暴露度集中在0.7到0.8之间，但这些职业中有的需求下降，有的需求不变，有的甚至需求上升。这说明，同样的暴露度并不必然导致替代。因此，我们希望对暴露度指标进行优化，赋予它“温度”和“态度”——既能反映暴露程度，也能预测替代的可能性。这是我们当前方法论探索的重点。

最后，我们认为当前阶段应当加快建立就业预警机制，并完善社会保障体系。今年“两会”提出了构建“就业友好型社会”的方向，其中包含一系列政策安排。在全流程监控AI应用风险的基础上，相信后续会出台更多配套政策，帮助社会逐步适应快速的技术迭代。

作者张丹丹系北京大学国家发展研究院副院长，本文为作者在CF40青年论坛双周内部研讨会第194期“AI对劳动力市场的影响”上所做的主题演讲，略有删减。文章仅代表作者个人观点，不代表CF40及作者所在机构立场，未经许可不得转载。