AI时代就业秘籍：追踪数百万员工后，斯坦福大学发布职业生存指南

引言

由斯坦福大学三位学者发布的研究报告《煤矿中的金丝雀？关于人工智能近期就业效应的六个事实》（点击阅读全文），首次大规模、高精度地揭示了生成式人工智能（Generative AI）对美国劳动力市场，特别是对初入职场的年轻工作者，所产生的早期而显著的冲击。

这份报告无疑是跨国界的未来职场生存指南，当下的大学生、职场新人和中年，撞上的是百年未有之科技大变局。我将为大家做深度解读。6000字，需要16分钟阅读，建议收藏在看之后备忘，找一段充足的时间看。

AI系统在SWE-Bench等基准测试上的表现，从2023年的仅能解决4.4%的问题，跃升至2024年的71.7%。同时，AI在语言理解、学科知识和推理能力上的进步也十分显著。伴随着能力的提升，AI的采用率也在飙升。截至2025年7月，18岁以上美国受访者中，有46%在工作中使用了大型语言模型（LLM）。

在这种背景下，一个核心关切被不断放大：AI是否已经开始取代人力，特别是那些在高度暴露职业（如软件工程、客户服务）中的年轻、入门级员工？尽管辩论激烈，但实证证据却一直滞后于技术发展。

这个研究正是为了填补这一空白，利用美国最大的薪资处理公司ADP的海量、高频、个体层面的薪资数据，追踪了数百万名员工直至2025年7月的就业动态，为这场辩论提供了迄今为止最清晰、最有力的实证依据。

术语解读

读报告之前，我们必须掌握一个术语，AI暴露度！

AI exposure，不是凭空给一个职业打分，而是深入到该职业所包含的数百项具体任务，评估AI对这些微观任务的潜在或实际影响，再将这些微观影响汇总，得出宏观的职业暴露度。

做评估的第一种方法（基于任务自动化潜力的专家评估）侧重于潜力，第二种方法（基于真实AI对话数据的行为分析）侧重于实际应用行为。研究者通过结合这两种方法，得出了更为全面和稳健的结论。

五个区间分别为：

第一区间：AI暴露度最低的20%的职业。

典型职业举例：健康护工（包括护理员、精神病护工和家庭健康护工）、维修技工、仓库管理员、女佣和清洁工。

第二区间：AI暴露度较低的20%的职业。例如卡车司机、送货员装配线上的技术工人、质检员，某些类型的零售店员、餐饮服务员。

第三区间：AI暴露度中等的20%的职业。典型职业举例：一线生产主管。

第四区间：AI暴露度较高的20%的职业。典型职业举例：市场营销和销售经理。

第五区间 ：AI暴露度最高的20%的职业。典型职业举例：软件开发人员、客户服务代表、会计师和审计师、行政助理。

事实一：AI暴露度最高的职业中，年轻员工就业显著下滑

自2022年10月以来，软件工程师和客户服务代表这两个职业中22-25岁员工的就业人数出现了急剧下降。到2025年7月，年轻软件开发者的就业人数比2022年底的峰值下降了近20%。相比之下，同一职业中30岁以上的员工，其就业人数则持续增长。

与此形成鲜明对比的是低暴露度职业。在“仓库管理员”中，不同年龄段的就业趋势几乎没有差异。

而最低暴露度的第一等级职业——“健康护工”（包括护理员、精神病护工和家庭健康护工），其年轻员工的就业增长速度甚至快于年长员工。这一对比强烈暗示，就业下滑并非由宏观经济或行业周期等普遍因素驱动，而是与AI暴露度直接相关。

由此得出一个清晰的规律：对于22-25岁的员工，AI暴露度越高的职业，其就业下滑越严重。

大白话再解读：

35岁+的中年人泪流满面，可算等来了职业第二春，老登变老灯

而职场新人，为了长期发展，则需要选择低暴露度职业。

护工要干啥？给老人翻身、擦洗、喂饭、心理疏导。全是体力活+情感活。AI能生成一万篇护理指南，但替代不了你握住老人颤抖的手时，那份真实的温度。这就是“增强”型职业的护城河。我认为，懂心理关怀的护工，她们的薪酬以后会越来越高。

事实二：整体就业稳健增长，但年轻员工增长停滞

从宏观层面看，美国整体就业市场在后疫情时代依然表现强劲，失业率维持在低位。然而，当按年龄分组观察时，一个令人不安的趋势浮现：自2022年底以来，年轻员工（22-25岁）的整体就业增长陷入停滞，而其他年龄组的就业则持续稳健增长。

这一现象的根源在于AI暴露度的差异。研究者将职业分为高暴露度（第四、第五等级）和低暴露度（第一至第三等级）两组进行分析。

结果显示，在低暴露度职业中，各年龄段的就业增长率（6%-13%）并无明显差异。但在高暴露度职业中，22-25岁员工的就业人数下降了6%，而35-49岁员工的就业人数却增长了9%以上。

这清晰地表明，正是AI高暴露职业中年轻员工的就业下滑，拖累了其整体就业增长，导致了“年轻员工就业增长停滞”这一宏观现象。

事实三：AI的“自动化”应用导致就业下滑，“增强”应用则不然

并非所有AI应用都会导致就业减少。研究的关键洞见在于区分了AI的两种不同作用模式：“自动化”（Automation）和“增强”（Augmentation）。前者指AI直接取代人类完成任务，后者指AI作为工具辅助和提升人类工作效率。

研究者利用Anthropic Economic Index的数据，该指数基于数百万次与Claude AI模型的对话，估算出每个职业相关的对话中，有多少比例属于“自动化”行为（如直接委托AI完成任务），有多少属于“增强”行为（如与AI协作迭代、学习或验证工作）。

分析结果与理论预测完全一致：在那些AI主要用于“自动化”的职业中，年轻员工的就业出现了显著下滑。而在那些AI主要用于“增强”人类能力的职业中，年轻员工的就业并未出现下滑，甚至在某些情况下增长最快。

这一发现至关重要，它表明AI对就业的影响并非其技术本身，而是其应用方式。当AI被用来取代人力时，它就会减少对初级劳动力的需求；当AI被用来赋能人力时，它反而可能创造新的机会。

大白话再解读：

“自动化”职业，就是你把活直接甩给AI，自己当甩手掌柜。比如让AI写代码、生成报告、回邮件。典型职业：软件开发、会计审计、行政助理。在这些岗位，年轻人的就业曲线，清一色向下俯冲。

“增强”职业，是AI给你打辅助，你才是主角。你跟AI一起迭代方案，用它学习新知，让它帮你验证成果。典型职业：注册护士、维修技工、厨师、CEO。在这些领域，年轻人的就业不仅没跌，有些还在涨。

所以，选对赛道，比啥都重要。别再一头扎进“自动化”红海。去那些需要“手感”、需要“人味”、需要“临场发挥”的地方。AI是工具，不是对手。让它替你搬砖，你负责盖楼。

事实四：就业下滑并非由公司或行业冲击导致

一个合理的质疑是，上述就业下滑模式是否由其他因素驱动？例如，是否是科技行业在2022-2023年经历的普遍招聘放缓或利率上升等宏观冲击，恰好影响了雇佣大量年轻、高AI暴露度员工的公司？

为了排除这种可能性，研究者在统计模型中加入了“公司-时间”固定效应（firm-time fixed effects）。这个效应可以吸收掉所有在同一时间点影响公司内所有员工的冲击，无论其职业或AI暴露度如何。

即便在控制了这些公司层面的冲击后，22-25岁员工在最高AI暴露度职业中的相对就业下滑幅度依然高达12个对数点（约等于13%），且统计上高度显著。而对于其他年龄组，这种效应则微乎其微且不显著。

这强有力地证明，观察到的就业趋势是AI暴露度本身驱动的，而非与之相关的其他公司或行业层面的混杂因素。

事实五：劳动力市场调整体现在就业而非薪酬

除了就业岗位数量，研究者也分析了员工的年度基本薪酬（已根据通胀调整）。结果发现，与就业数据的显著分化不同，薪酬数据并未显示出明显的、与AI暴露度或年龄相关的系统性差异。

在高暴露度职业中，无论是年轻员工还是年长员工，其薪酬增长趋势都与低暴露度职业中的同行大致相似。这可能有几种解释。

首先，根据Autor和Thompson（2025）的理论，取代“非专家”任务的技术会减少就业但提高工资，而取代“专家”任务的技术则可能产生相反效果。AI的影响可能同时包含了这两种效应，导致工资的净变化不大。

其次，更可能的原因是“工资粘性”（Wage Stickiness）。在短期内，企业可能更倾向于通过减少招聘或裁员来应对技术冲击，而非立即降低现有员工的工资，因为降薪会严重打击士气并引发人才流失。

大白话再解读：

降薪会打击士气，但不招人，卷起来，市场供需关系就是生产关系，你不爱干，有的是人。所以，你不是输在能力，而是输在入场券被AI撕了。

事实六：研究结果在多种稳健性检验下依然成立

为了确保研究结论的可靠性，作者进行了一系列严谨的稳健性检验，结果均支持其核心发现：

排除科技行业：有人可能认为，就业下滑仅仅是科技行业周期性调整的结果。然而，当研究者将“计算机职业”（SOC代码以15-1开头）或整个“信息产业”（NAICS代码51）的公司从样本中剔除后，年轻员工在剩余高AI暴露职业中的就业下滑趋势依然清晰可见。这表明影响是跨行业的。

排除远程工作影响：另一个担忧是，就业下滑可能与远程工作或外包有关。研究者根据Dingel和Neiman（2020）的分类，分别分析了“可远程工作”和“不可远程工作”的职业。结果发现，在两类职业中，高AI暴露度都与年轻员工的就业增长放缓相关。特别是在“不可远程工作”的职业（如银行柜员、旅行代理）中也观察到类似趋势，这有力地反驳了“外包”是主要驱动因素的假说。

教育质量变化：有观点认为，疫情期间教育质量下降导致年轻毕业生技能不足，从而影响了其就业。研究者按职业中大学毕业生比例高低进行分组分析。结果显示，在高学历职业中，虽然整体就业在下降，但AI暴露度带来的分化效应较弱。而在低学历职业中，高AI暴露度职业的就业在下降，低暴露度职业在增长，且这种分化效应持续到40岁左右的员工群体。这表明，教育质量下降无法完全解释核心发现，反而暗示对于非大学毕业生而言，工作经验在抵御AI冲击方面的缓冲作用更小。

性别差异：分别对男性和女性员工进行分析，发现核心结论没有差异，表明性别因素并非驱动因素。

数据样本：无论是使用平衡面板数据（公司样本固定），还是使用完整的、包含新进入和退出公司的样本，结果都保持一致。

对比CPS数据：研究者将ADP数据与美国劳工统计局的“当前人口调查”（CPS）数据进行对比。CPS虽然是官方数据，但其样本量小、波动性大，难以精确捕捉特定年龄-职业群体的细微变化。相比之下，ADP数据提供了更清晰、更稳定的趋势图景，凸显了其在研究此类新兴问题上的巨大优势。

职业指南

论文到此结束，但由此，我们可以得到一个清晰的职业指南：选择AI暴露度低的行业！

那些不容易被AI替代的职业，其核心特征与斯坦福报告揭示的全球趋势高度一致：它们往往需要复杂的人际互动、实体操作、情感关怀或基于经验的创造性决策，而非简单的信息处理或程序化任务。

具体来说，以下几类职业在中国市场也展现出较强的“抗AI性”：

第一类：需要深度人际互动和情感连接的职业。 例如，注册护士、心理咨询师、社会工作者、高端家政服务人员（如育婴师、老年护理员）等。这些工作要求与服务对象建立信任关系，提供情感支持和个性化关怀，这是当前AI难以复制的 。人力资源，特别是涉及招聘和猎头的工作，需要说服和建立人际关系，也较难被完全替代 。

例如，AI可以帮助护士快速查阅海量医学文献、为患者提供个性化的健康信息，或协助制定护理计划，但核心的临床判断、情感关怀和复杂决策仍需由人类护士完成。

第二类：依赖实体操作和现场应变的技工类职业。 例如，高级维修技工、电工、管道工、厨师、焊工等。这些岗位需要在复杂的物理环境中动手操作，处理各种非标准化的突发状况，AI和机器人目前在灵活性和适应性上仍有很大局限 。

AI可以提供菜谱创意、优化烹饪流程，或给出焊接参数建议，但最终的“手感”、火候掌控和艺术性创作是AI难以复制的。

第三类：需要高度创造力和战略决策的管理类职业。 例如，企业首席执行官、高级策略规划师、创意总监等。这些职位需要基于不完全信息和复杂环境做出判断，承担风险，并激发团队，其核心是人类的领导力和远见，而非数据处理能力 。技术研发管理岗位，由于需要复杂问题解决能力，也较难被完全替代 。

AI可以提供市场分析、竞争对手情报和财务预测，辅助CEO进行战略规划，但领导力、愿景设定和重大危机决策无法被自动化。

第四类：强调个性化和艺术性的创意职业。 例如，艺术家、设计师（尤其是用户体验、产品设计）、作家、导演等。虽然AI可以辅助生成内容，但原创性的构思、独特的审美和深刻的情感表达，依然是人类的专属领域 。

在这些职业中，AI并非取代人类，而是作为强大的协作者和工具，帮助人类提升工作效率、激发创造力或验证工作成果。人与AI之间是深度协作的关系。AI主要用于“增强”人类能力。

总而言之，判断一个职业是否容易被AI替代，关键在于看它主要依赖的是“显性知识”还是“隐性知识”。

AI模型的训练过程使其擅长处理和生成“显性知识”，即那些可以被编码、记录和传授的“书本知识”，而这正是正规教育的核心内容。相反，AI在捕捉和复制“隐性知识”——那些通过长期工作经验积累的、难以言传的“诀窍”和直觉——方面则相对乏力。

职场老油条们靠的是“隐性知识”，是那些没法写进教科书的职场潜规则、人情世故、临场应变。AI再牛，也学不会怎么哄甲方爸爸开心，怎么在会议上把锅甩得不着痕迹。所以，经验成了最好的防弹衣。

在中国，任何需要“手感”、“人情味”、“临场发挥”和“十年磨一剑”的经验积累的工作，都更有可能成为AI时代的“安全区” 。相反，那些流程化、标准化、主要在电脑前完成的信息处理工作，则面临更大的被自动化风险。

后记：AI幻觉要解决，职场幻觉更紧迫

职场新人最容易犯的错，就是追求“稳定”。以为进大厂、考编制就万事大吉。斯坦福的数据告诉你，在AI时代，“稳定”是最危险的幻觉。唯一不变的，是变化本身。你的能力，必须能跟着技术迭代。

美国大学生，正在从计算机科学等AI暴露度高的专业，流向那些AI难以自动化、更侧重于“增强”人类能力或需要大量“隐性知识”和人际互动的领域。那中国大学生呢？

别再问“学什么专业好找工作”了。要问“我的工作，AI能不能干”。如果能，赶紧跑。如果不能，恭喜你，你站在了时代的风口。未来十年，属于那些能和AI共舞的人，而不是被AI碾过的人。

最后送大家一句话：在AI时代，最大的风险不是失业，而是你的技能，变得毫无议价能力。别做被优化的螺丝钉，要做掌控工具的造物主。未来，属于终身学习者，属于人机协作的艺术家。

阅读全文点击《关于人工智能近期就业影响的六个事实》