生成式AI（如ChatGPT、Claude），正以前所未有的速度改变我们的世界。它不仅写诗、作画、编码，也正逐步融入各行各业的工作流程。一个全球性的激烈辩论随之而来：AI是替代人类 worker 的“ job 杀手”，还是提升人类生产力的“超级工具”？这场辩论充斥着各种预测和担忧，但坚实的实证证据却相对匮乏。

• 论文：Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence

• 链接：https://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf

在此背景下，这篇由斯坦福大学 Erik Brynjolfsson 教授领衔的论文，犹如一场“及时雨”。它没有停留在理论推演或个案分析，而是动用了覆盖美国数百万员工、数万家企业的海量高频薪资数据，对AI的就业效应进行了一次大规模的“CT扫描”。研究揭示了六个关键事实，清晰指出：AI革命的影响并非均匀分布，年轻的职场新人正首当其冲，成为这场变革中最早的“预警信号”。本文将为您深入解读这项重要研究，剖析其发现、方法与深远意义。

背景与核心问题

生成式AI的能力在近两年取得了突破性进展。论文引用数据指出，AI在软件工程基准测试（SWE-Bench）上的表现从2023年的4.4%飙升至2024年的71.7%。同时，AI的应用也变得空前广泛，截至2025年中，近一半的美国成年受访者在工作中使用过大语言模型（LLM）。

技术的飞速发展和广泛应用引发了一个核心关切：AI是否开始取代人类劳动力？特别是对于那些刚毕业、从事高暴露职业（如软件工程、客服）的年轻人，他们的职业前景是否正在被AI重塑？尽管媒体热议，但严谨的实证研究却难以跟上技术发展的步伐。现有数据要么样本量不足，要么频率太低，无法精准捕捉AI对特定劳动力群体（如某个职业的年轻人）的实时影响。本研究旨在填补这一空白，利用超大规模的高频管理数据，提供关于AI就业效应的早期、大规模证据。

数据与方法

（1）数据来源：ADP薪资数据

本研究的核心优势在于其数据。ADP是美国最大的薪资处理提供商，其数据覆盖了超过2500万员工。研究者从中构建了一个包含2021年1月至2025年7月月度信息的平衡面板数据，最终每月样本量在350万至500万员工之间。这些数据包含了员工的年龄、职业、薪资以及其所在公司的信息，粒度极细，使得研究者能够精确追踪不同群体就业的动态变化。

（2）核心变量：职业的AI暴露度（AI Exposure）

研究者采用了两种主流方法来度量每个职业的“AI暴露度”：

1. Eloundou et al. (2024) 的度量：该方法基于GPT-4模型，评估了O*NET数据库中的各项任务被AI替代的潜力，然后汇总到职业层面。

2. Anthropic Economic Index (Handa et al., 2025) 的度量：该方法基于与AI模型Claude的数百万次对话数据，分析哪些职业的任务被频繁讨论。更重要的是，它进一步将AI的用途区分为“自动化”（Automative，替代人力）和“增强化”（Augmentative，辅助人力）。这是本研究的一个关键创新点。

（3）实证策略

研究者主要通过事件研究法，比较了2022年10月（ChatGPT发布前后）前后，不同AI暴露度的职业中，不同年龄段员工的就业变化趋势。为了确保结果不是由其他公司层面的因素（如某家公司经营不善，恰好雇了很多年轻程序员）驱动，他们在模型中加入了一系列固定效应。

其中最关键的模型是一个泊松回归模型：

• ：在时间t、公司f、AI暴露度分位数组q中的雇员人数。

• ：这是核心系数，衡量了在控制了其他因素后，暴露度组q在时间t相对于基线组（暴露度最低组）和基线时间（2022年10月）的就业变化。

• ：公司-暴露度分组固定效应，控制了一家公司在不同暴露度职业上固有的招聘偏好。

• ：公司-时间固定效应，这是模型的“精髓”。它吸收了所有在特定时间影响某家公司的共同冲击（如利率变化、市场需求波动），无论这些冲击是否与AI相关。这意味着，我们的比较是在同一家公司、同一时间点内，不同暴露度的职业之间进行的，结论更加可靠。

这个模型的设计巧妙地剥离了“公司层面宏观冲击”的混淆影响，让我们能更孤立地观察到AI暴露度本身带来的差异性的就业变化。

核心发现

Fact 1: 高AI暴露职业中，年轻职场新人的就业显著下降

研究发现了非常明显的分化现象。以软件开发和客户服务这两个高暴露职业为例，其就业趋势如下图所示：

清晰显示，自2022年底以来，22-25岁“早期职业1”群体的就业人数出现了大幅下滑（近20%），而其他所有年龄段的员工就业人数都在稳定增长。

这不仅是个别职业的特例。如图3所示，当把所有职业按AI暴露度分成五组后，对于22-25岁的年轻人，暴露度最高的组就业持续下降，而暴露度最低的组就业仍在增长。

Fact 2: 整体就业增长稳健，但年轻人就业增长停滞，且由高AI暴露职业驱动

美国整体就业市场在后疫情时代表现强劲，但光环之下暗藏分化。如图4和图5所示，将所有职业合并来看，22-25岁年轻人的就业增长曲线自2022年底开始变得平坦，而其他年龄段则保持上升势头。

Fact 3: “自动化”型AI应用导致就业下降，“增强”型则无

这是论文最深刻的发现之一。AI并非铁板一块，其用途至关重要。

• 自动化（Automation）：指AI直接执行任务，最小化人类参与（如“帮我格式化这份文档”、“ debug 这段代码”）。研究发现，在自动化倾向高的职业中，年轻员工的就业显著下降。

• 增强化（Augmentation）：指AI与人类协作，增强人的能力（如“帮我解释一下这个概念”、“我们一起迭代这个营销方案”）。研究发现，在增强化倾向高的职业中，并未出现年轻的就业下降，甚至还有增长。

这一发现表明，是替代人类任务的AI应用导致了就业冲击，而辅助人类的AI应用则可能创造新的工作方式甚至需求。

Fact 4: 控制公司-时间固定效应后，年轻员工的就业下降依然显著

这是为了回应一个潜在的质疑：那些雇了很多年轻程序员和客服的公司，是不是本身就经营得不好？（比如科技公司大裁员）。通过控制公司-时间固定效应（ ），模型已经排除了这种“公司层面”的共同冲击。

结果显示，即使在同一家公司、同一时间点，其高AI暴露职业中的年轻员工（22-25岁）数量，也比低暴露职业中的员工数量下降得更多（相对下降了约13%）。这强有力地表明，就业下降确实与职业本身的AI暴露特性紧密相关，而非其所在公司遭遇了其他困境。

Fact 5: 调整主要体现在就业而非薪酬上

有趣的是，这场调整的“重灾区”是就业岗位数量，而非工资水平。如图10和图11所示，不同暴露度职业、不同年龄段的员工，其实际薪酬（经通胀调整）的增长趋势没有显著差异。

这可能是因为工资具有“粘性”，调整较慢；也可能是由于替代效应和生产力提升效应相互抵消。无论如何，这表明劳动力市场对AI冲击的初期调整主要通过“量”（雇佣人数）而非“价”（工资） 来实现。

Fact 6: 结果在多种稳健性检验下均成立

为了确保结论的可靠性，研究者进行了一系列“压力测试”：

• 排除技术行业：结果并非仅由科技公司驱动，排除计算机职业或信息产业公司后，结论依然成立。

  

• 排除远程工作影响：结果并非因为高暴露职业更容易被外包或远程完成。无论是在可远程还是不可远程的职业中，高AI暴露都导致年轻就业增长更慢。

  

• 疫情教育质量下降：结果并非因为疫情期间教育质量下滑导致年轻人技能不足。在高学历和低学历职业中，都观察到了类似的模式。

  

• 历史对比：在AI大规模应用前（2022年前），相同的AI暴露度度量并不能预测就业趋势，说明当前模式是新的。

  

此外，研究还发现对于非大学学历的劳动者，经验提供的保护似乎更弱，AI暴露的负面影响会持续到40岁左右。

为何年轻人受影响更大？

论文提出了一个颇具说服力的解释：显性知识（Codified Knowledge） vs. 隐性知识（Tacit Knowledge）。

• 显性知识：是能从书本、课堂中学到的标准化、可编码的知识（如语法规则、编程语法、会计准则）。这正是生成式AI通过海量数据训练所熟练掌握的。

• 隐性知识：是“只可意会不可言传”的诀窍、经验判断和人脉，需要在实践中长期积累（如如何管理一个棘手的项目、如何敏锐感知客户情绪）。

年轻的职场新人通常拥有较多显性知识（刚从学校毕业）而缺乏隐性知识。因此，他们从事的任务更容易被AI直接自动化。相反，资深员工的价值更多体现在其丰富的隐性知识上，这是当前AI难以替代的。这就导致了AI对就业的替代效应在职业生涯早期最为显著。

结论

本研究通过严谨的分析和丰富的数据，首次提供了大规模证据，表明生成式AI正在对劳动力市场产生实质性的、且不对称的影响。其核心贡献在于：

1. 利用高频、细粒度数据，精准捕捉到AI对特定群体（年轻、高暴露职业员工）的早期影响。

2. 开创性地区分了AI“自动化”与“增强”两种用途的不同影响，为理解AI的多元效应提供了关键框架。

3. 通过精巧的计量模型，尽可能排除了其他替代性解释，增强了结论的可信度。

4. 提出的“显性知识 vs. 隐性知识”框架，很好地解释了为何年轻人首当其冲。

当然，研究也有其局限性。它主要揭示的是相关性，尽管尽力控制，但仍不能完全断定是AI导致了这一切。AI的影响仍在动态演变，短期效应未必代表长期趋势。

未来，我们需要持续追踪这些趋势，并进一步探究：被替代的年轻人将流向何处？教育和职业技能培训体系应如何改革？企业和政策制定者又应如何引导AI向“增强”而非“替代”的方向发展？这项研究为我们理解并应对即将到来的AI劳动力大转型，吹响了第一声清晰而有力的哨音。