大型語言模型究竟搶走了多少人的工作機會，一直是令數千萬上班族深感焦慮的未解之謎。
Anthropic 剛發布了基於真實使用數據的研究，清晰勾勒出當前勞動市場面對 AI 的真實處境。
研究人員跳脫空洞的理論預測，將美國政府的職業資料庫，與大型語言模型的真實使用記錄交叉比對，精準測算出各個職業被現實替代的準確比例。
最新數據揭示，高暴露於機器面前的工作者普遍年紀偏大，且擁有更高的學歷和薪水。
雖然大眾時刻擔憂的大範圍失業潮尚未降臨，但 22 歲至 25 歲年輕人在高暴露職業中的入職率，已經出現了肉眼可見的滑坡。
真實使用數據重新定義失業風險
過往研究預測技術對勞動市場的衝擊，總是缺乏足夠的預見性與準確度。
曾有權威學者宣稱 25% 的美國工作極易受離岸外包衝擊，十年過去那些崗位依然生機勃勃。
政府機構的官方預測也僅僅依賴過去的線性趨勢向外推演，極難捕捉突發的技術劇變。
工業機器人或國際貿易到底帶來了多少真實失業，學術界至今仍有激烈爭論。
為避免重蹈覆轍，研究人員搭建了一個名為「觀察到的暴露度」的全新測量框架。
該工具專門用於精準捕獲真實發生的職場技術替代行為，提前對高風險職業發出預警。
它就像一台高精度的雷達，徹底過濾掉那些虛假的技術恐嚇，只記錄真正落地的產業變化。
新框架巧妙融合了三個維度的核心數據集。
它深度整合了涵蓋大約 800 種美國特有職業具體任務的 O*NET（職業資訊網絡）資料庫，並引入了記錄百萬真實互動的 Anthropic 自家經濟指數。
研究者同步吸納了學界在 2023 年建立的任務暴露度估算標準，用以衡量大型語言模型在理論上能否將某項任務的速度提升一倍以上。
前人研究為各項職場任務設定了明確評分，能被大型語言模型完全接管的計為 1 分，需額外軟體工具輔助的計為 0.5 分，毫無替代辦法的計為 0 分。
理論上能做和現實中真正投入業務流程，完全是兩碼事。
諸多工作理論上可由機器勝任，受限於嚴苛的法律約束、死板的軟體門檻或必須的人工覆核環節，其實際應用寥寥無幾。
以授權藥房補充處方藥為例，過往理論將其判定為完全可被 AI 提速，真實使用記錄中卻未見絲毫痕跡。
為了讓測量結果極其貼近真實職場，研究者詳細統計了真實的 Claude 使用情況並製作了圖表。
下面圖 1 展示了 Claude 使用量在理論任務暴露度上的分佈。
清晰呈現了基於理論預測的任務實際使用情況分佈。
那些理論上大型語言模型能獨立勝任的高危任務，獨自貢獻了高達 68% 的真實使用量。被判定為毫無理論可行性的任務，僅僅只佔了可憐的 3% 份額。
理論可行性與實際使用量高度正相關。
97% 的真實業務應用準確落在理論可行範疇內，證實了學界過往判斷大體無誤。
為直觀呈現現實應用與理論極限的差距，研究者按職業大類製作了一張對比雷達圖，宛如給各大行業拍了一張探明機器滲透深淺的 X 光片。
下面圖 2 展示了理論能力與觀察到的暴露度在各個職業類別中的真實對比。
多數職業代表理論上限的藍色區域異常飽滿。
計算機與數學類別有 94% 的任務具備理論滲透空間，辦公與行政類也有高達 90% 的任務極易被 AI 加速。
真實的紅色覆蓋率遠遠未達理論極限，計算機與數學領域的目前實際滲透率僅有 33%。
伴隨技術迭代與商業普及，中間那片未被填滿的空白地帶必將被逐步蠶食。
修剪樹木等農業純體力活或代表委託人出庭辯護等硬核法務工作，依然穩穩停留在機器的能力邊界之外。
研究者依據多重指標排出了最高暴露職業榜單，找出那些正在被自動化替代的核心任務。
下表詳細列出了受衝擊最深的前十個職業，以及它們被 AI 大面積接管的具体工作內容。
位居榜首的計算機程式設計師日常任務被覆蓋比例高達 74.5%。
這與當前的軟體開發場景完美吻合，海量程式碼編寫與常規測試工作早已交由大型模型批量處理。
排在後面的客戶服務代表和資料錄入員同樣處境凶險，繁雜的源文件閱讀與系統錄入正以前所未有的速度交由機器代勞。
大約 30% 的工作者依然擁有絕對的職業安全感。
他們在觀察庫中的暴露度為零，相關任務在真實互動記錄中出現頻率極低。
廚師、摩托車修理工、救生員、酒保、洗碗工和試衣間服務員都屬於絕對安全的陣營，日常純手工勞作毫無被虛擬代碼替代的風險。
高暴露職業的真實畫像與未來
明確了誰站在風暴中心，必須進一步釐清高暴露職業在勞動市場上的宏觀走向。
BLS（美國勞工統計局）按慣例發布了 2024 到 2034 年的就業預估，研究者將這些官方預期與新測算出的真實暴露度進行了嚴謹比對。
測算結果呈現出非常微弱的負向關聯。
暴露度每增加 10 個百分點，官方給出的十年職業增長預期就會相應下降 0.6 個百分點。
體制內分析師們憑藉各自專業判斷給出的預期結果，與真實使用記錄推演出的結論基本同頻共振。
下面圖 4 的散點圖非常直觀地證實了該趨勢。
圖表中的每個圓點代表不同暴露度水平下的職業平均預期就業增長。
隨著暴露度向右側攀升，整體就業增長預期呈現出緩慢下滑的下墜軌跡。
收銀員類本身就在萎縮的崗位處於左下角，而程式設計師和客服代表分別深陷右側的高風險與低預期地帶。
研究人員調取了 CPS（現期人口調查）在 ChatGPT 發布前三個月的詳實數據，深度刻畫被波及人群的真实輪廓。
他們把暴露度排名前 25% 的打工人和毫無暴露風險的群體抽離出來，完成了一次極度細緻的人口統計學對比。
高暴露群體與安全群體宛如來自兩個截然不同的平行世界。
高暴露人群中女性比例高出 15.5 個百分點，白人佔比高出 10.6 個百分點，亞裔佔比幾乎翻倍。
他們普遍擁有更體面的收入和更高的學歷背景，平均時薪比安全群體高出 47%，且極少加入工會組織。
我們可以從下表的人口調查對比表格中看清更微觀的底層差異。
無暴露群體中擁有研究所學歷的人僅佔 4.5%，最高暴露群體中這部分高知精英飆升至 17.4%。
近四倍的懸殊比例徹底打破了以往機械化革命專挑低學歷藍領下手的客觀規律，高薪知識型勞動者反倒成了被演算法精確鎖定的狩獵對象。
有了精確畫像，研究者把最終焦點對準了職場最殘酷的失業率指標。
一個人失去工作急需尋找下家，最能直觀體現技術劇變帶來的經濟創傷。
研究人員利用人口調查的歷史反饋，對最高危人群展開了極其嚴格的失業追蹤。
下面圖 6 完整展示了從 2016 年起兩組人群失業率演變的歷史軌跡。
上半部分紅線標示高暴露群體，藍線代表無暴露群體。
新冠疫情大流行期間，從事線下實體服務且絕緣於新技術的無暴露群體承受了巨大的失業陣痛，失業率出現斷崖式飆升。
下半部分的双重差分模型完美印證了兩者在後疫情時代的平穩並軌。
自 2022 年底 ChatGPT 橫空出世以來，高暴露群體與安全群體的失業率鴻溝毫無波瀾。
兩組數據的平均變動處於統計學上絕對可忽略不計的微小程度，高風險崗位的失業率僅僅泛起了一絲無法確認為技術導致的極小漣漪。
廣大職場人總算可以暫時把心放回肚子裡了。
各種言之鑿鑿的白領大衰退根本沒有發生，2007 到 2009 年大衰退期間整體失業率曾從 5% 翻倍至 10%。
哪怕最高暴露群體的失業率僅僅從 3% 增加到 6%，極度敏銳的双重差分模型也能瞬間捕捉到波形震盪。
大型模型現有覆蓋率僅僅在慢慢滲入部分環節，遠未直接端走打工人的整個飯碗。
年輕人在高暴露職業中的求職困境
總體失業大盤看似穩如泰山，特定群體的底層水流卻在急速改變方向。
年輕人在極度內卷的勞動市場中扮演著極度敏感的金絲雀角色，往往最先感知到行業氧氣的稀薄。
相關學術報告發現，暴露度極高的職業裡 22 歲到 25 歲年輕人的就業率已經呈現 6% 到 16% 的顯著下跌。
學者們將下跌的罪魁禍首直接指向了企業招聘端大幅縮水，而非簡單粗暴的直接開除。
很多剛踏入社會的職場新人來得及在官方統計中擁有固定職業頭銜，普通失業率指標很難看清他們處境的惡化。
沒找到工作的新人往往選擇繼續深造或者黯然退出勞動隊伍，進而成為統計學裡的隱形人。
研究者利用 CPS（現期人口調查）極其獨特的面板追蹤屬性，直接統計年輕人拿到新錄用通知的確切概率。
他們逐月測算了有多少 22 歲到 25 歲的年輕人成功入職了一份以前沒有的高暴露或低暴露新工作。
下面圖 7 用極為清晰的走勢描繪了年輕人冰火兩重天的真實求職處境。
上半部分直觀呈現了年輕人在兩種職位上的月度入職比例變化，下半部分的模型計算精準測算了兩條線拉開的殘酷差距。
徹底剔除掉前幾年疫情造成的極端震盪干擾，這兩條象徵生機的入職曲線在 2024 年走向了無法掩蓋的徹底背離。
絕緣於技術風暴的安全崗位對年輕人的吸納率極其堅挺，每個月都能穩定接納 2% 的新鮮血液。
高暴露職位的大門正在向年輕求職者緩緩閉攏，整體入職比例生生跌去了大約 0.5 個百分點。
步入後 ChatGPT 時代，高暴露職位接納年輕人的成功入職率比 2022 年下降了整整 14%。
該求職阻力僅僅針對 25 歲以下的初級職場新人發揮威力，對那些年滿 25 歲並在職場歷練多年的老兵毫無殺傷力。
企業在引入 API 全面接管初級程式設計、客戶答疑或基礎資料處理後，確實不再需要大批量招聘實習生來分擔苦力。
自動化替代並未通過給老員工發放解僱信來完成，絕大部分是以無聲凍結招聘的方式直接切斷了新一代求職者的入場資格。
那些被高薪行業拒之門外的年輕人，最終可能只能在邊緣崗位徘徊。
極其冷靜的數據給所有人敲響了警鐘，機器並未立刻掠奪老兵的飯碗，卻在悄無聲息地吞噬職場新人的成長踏板。
企業運用 AI 工具實現了人機協同提升了現存團隊的產出上限，自然順手掐斷了新人入局的通道。
參考資料：
https://www.anthropic.com/research/labor-market-impacts