Anthropic AI 对劳动力市场的影响：新的暴露度衡量标准与早期证据

TL;DR

Anthropic 发布了一种新的“观测暴露度”（observed exposure）衡量标准，该标准将理论上的 LLM 能力与实际使用数据相结合，以评估 AI 替代风险。研究表明，AI 尚未提高失业率，但可能会减少高暴露职业中 22-25 岁工人的招聘需求。

新的“观测暴露度”指标

核心观点： 观测暴露度量化了一个职业中既在理论上可行、又在 Anthropic 平台上的自动化工作相关场景中被实际使用的任务占比。

• 该指标基于三个数据源：O*NET 任务数据库、Anthropic 的 Economic Index 使用日志，以及来自 Eloundou et al. (2023) 的任务级暴露分数 ($\beta$)。
• 如果通过完全自动化的 API 使用，任务获得全权重；如果作为增强手段使用，则获得半权重。
• 职业层面的暴露度是任务级覆盖率的时间加权平均值。

“观测暴露度”旨在量化：在 LLM 理论上可以加速的那些任务中，哪些在专业场景中实际上正在经历自动化使用？

观测暴露度与理论能力的区别

核心观点： AI 的使用远低于理论上限；在 $\beta = 1$ 或 $\beta = 0.5$ 的任务中，只有一小部分被实际自动化。

• 图 1 (Anthropic) 显示，68% 的 Claude 使用集中在 $\beta = 1$ 的任务上，而 $\beta = 0$ 的任务仅占 3%。
• 图 2 对比了不同职业类别中蓝色区域（理论能力）与红色区域（观测暴露度）。例如，尽管计算机与数学类别的理论可行性为 94%，但 Claude 仅覆盖了该类别 33% 的任务。
• 这种差距表明未来 AI 采用仍有巨大空间。

高暴露与低暴露职业

核心观点： 计算机程序员、客户服务代表和数据录入员的排名最高，而许多服务业和体力劳动岗位的暴露度接近于零。

• 前 10 名职业（图 3）的覆盖率范围从 75%（计算机程序员）到 67%（数据录入员）不等。
• 大约 30% 的工人观测暴露度为零；示例包括厨师、摩托车修理工、救生员、调酒师、洗碗工和更衣室服务员。

暴露度与预期就业增长

核心观点： 观测暴露度较高的职业，其 2024-2034 年的 BLS 预期就业增长略显疲软。

• 加权回归发现，观测暴露度每增加 10 个点，预期增长相应减少 0.6 个点。
• 仅使用理论 $\beta$ 指标时，未发现显著相关性。

按暴露水平划分的工人人口统计特征

核心观点： 处于暴露度前 25% 的工人往往年龄较大、女性较多、受教育程度更高、薪资更高，且更有可能是亚裔或白人。

• 与零暴露组相比，高暴露组的平均收入高出 47%。
• 研究生学位持有者在高暴露组中占 17.4%，而在低暴露组中仅占 4.5%。

高暴露工人的失业趋势

核心观点： 自 ChatGPT 发布以来，高暴露工人的失业率相对于低暴露工人并未上升。

• 图 6 显示，在 COVID-19 冲击后，前 25% 暴露组与零暴露组的失业趋势基本平行。
• 双重差分分析（Difference-in-differences）显示失业差距仅有微小且在统计上不显著的增长。
• 该框架可以检测出约 1 个百分点的差异化失业变化；观察到的效应远低于此阈值。

年轻工人的招聘动态

核心观点： 在高暴露职业中，22-25 岁工人的找工作率略有下降，这表明招聘速度放缓而非裁员增加。

• 图 7 显示，2024 年后，高暴露工作的月度找工作率从约 2% 下降到约 1.5%，而低暴露工作保持稳定。
• ChatGPT 发布后的平均估计显示，暴露职业的招聘人数下降了 14%，仅勉强达到统计显著性。
• 在 25 岁以上的工人中未观察到类似的下降。

解释与局限性

核心观点： 早期证据指向有限的直接替代，但暗示了 AI 暴露角色中的年轻工人正在出现招聘摩擦。

• 分析侧重于失业，因为它直接反映了经济损失；其他指标（职位发布、职业构成）可能会捕捉到不同的动态。
• 结果取决于所选的暴露度阈值；将截断值从中位数更改为第 95 百分位数并不会产生正向的失业效应。
• 基于调查的衡量标准 (CPS) 可能会低估职位转换，特别是对于应届毕业生或退出劳动力市场的人员。

未来工作

核心观点： Anthropic 计划利用更新的使用数据来更新暴露度指标，完善理论 $\beta$ 分数，并调查暴露领域中应届毕业生的结果。

• 纳入更多平台和国际数据将扩大该框架的适用性。
• 更深入地研究 AI 相关学位的人才招聘管道，可能会澄清在年轻工人身上观察到的早期信号。

---

完整的技术附录可在此处获取。