夜雨聆风
从上述研究来看，AI对就业的影响既不是达里奥·阿莫代式的“危机式冲击”，也不是完全平稳的技术更替，而更像是一定程度的总量冲击，叠加非线性的、结构性的影响；它又是分阶段的，在“替代效应”出现之后、“复原效应”形成之前，对就业的影响可能会阶段性比较集中，长期则趋于就业中性。
近期，Anthropic首席执行官达里奥·阿莫代（Dario Amodei）预言“AI将在1至5年内取代多达50%的技术、法律、咨询、金融领域的初级岗位，甚至可能将整体失业率推升至20%”，然而，著名AI科学家、图灵奖得主杨立昆（Yann LeCun）对此持否定态度，他认为阿莫代的预测是“错误、破坏性且危险的”，认为技术专家由于缺乏对劳动力市场历史演变的深刻理解，其预测往往陷入“动机推理”的陷阱；杨立昆认为评估AI对就业的影响应回归劳动力经济学的专业研究。杨立昆点名了五位经济学家：菲利普·阿吉翁（Philippe Aghion）、达龙·阿西莫格鲁（Daron Acemoglu）、埃里克·布莱恩约弗森（Erik Brynjolfsson）、安德鲁·麦卡菲（Andrew McAfee）和大卫·奥托（David Autor）。
自工业文明诞生以来，每一次通用技术的突破性进展都伴随着席卷全社会的就业恐慌。1811-1813年，英国爆发了著名的“卢德运动”，手工纺织工人捣毁新式动力织机，因为一台机器能完成原来五六个人的工作量，导致手工织工收入显著下滑，工人家庭收入下降约一半。一个世纪后，电力革命让美国马车相关产业在20年间几乎消失，煤气照明工人、电报员等职业逐渐退出历史舞台。20世纪70年代以来的计算机革命则将恐慌蔓延至办公室白领，McKinsey统计1990—2015年美国打字员和秘书合计减少约140万人，其中打字员减少约56.2万人。
19世纪20年代，“里嘉图(Ricardian)的社会主义者"认为使用机械提高生产率会减少就业，压低工资和减少人口。他们是根据在戴维·里嘉图(David Ricardo)的修订版《政治经济学原理》第30章中大量事例得出这种观点的。而在后面半个世纪，资本积累和技术革新使得英国的平均工资增加了一倍多，而失业率并未显著上升。
在第二次世界大战后的20世纪40年代，控制论学者诺伯特·温纳(Norbert Wiener)曾预言，“计算机的发明会产生技术性的失业大军，会让大萧条看上去只是场野餐会。”而在以后40年中美国的平均每小时工资涨了超过1倍，而失业率只增加了1%~2%。
这实际上涉及到一个对经济和金融市场都比较重要的问题，因为就业会进一步关系到经济的需求端。今年2月，美国研究机构Citrini Research发布了一篇《2028年全球智能危机》报告，报告的一个核心逻辑是AI在提升效率的同时，会带来对就业的替代；就业减少导致消费收缩，企业利润下降；企业为维持利润率，需要被动进一步减少对人力的投入、增加对人工智能的投入，从而形成一个“没有刹车机制”的替代循环，导致“幽灵GDP”等问题。在前期报告《怎么看所谓2028年“全球智能危机”的观点》中，我们曾有过初步分析。在这里，我们沿着杨立昆（Yann LeCun）的思路，进一步梳理对于这一领域的里程碑式的经济学研究。
“技术替代就业”的观点几乎在每一轮技术变革时都会出现，但决定社会就业的不止是技术规律，还有更为第一性的经济规律。
首先，“资源总是稀缺的”是现代经济学的核心原理之一。技术供给能力在不断进步，但需求也在不断迭代，技术在生产关系中的“相对位置”实际上变化没那么大。一个简单的思想实验：当技术能帮助每个人毫无困难登上月球时，登月就会变得像骑自行车一样普通；技术能协助每个人毫无障碍生产出所有已知产品时，人类就会想要生产另一些从未见过的产品。只要稀缺性存在，人类就需要新的努力去满足产品的设计、生产和分配，这一过程就在产生新的就业岗位。
其次，“杰文斯悖论”（Jevons Paradox）是一种典型的经济现象。当一种资源的使用效率提高时，它的另一面就是使用成本降低、商业可能性被打开，这会催生更广泛的资源消耗和对要素的需求，比如瓦特改良蒸汽机后，单位用煤量减少，但全社会用煤大幅增加了。同样道理，ATM取款机被发明时本来被认为会取代银行柜员，但在它出现后的数十年柜员数量实际上更多了，因为运营成本的降低和运营网络的便利打开了银行商业模式的复杂性和多样性。
再次，智能危机和“无刹车循环”论的另一核心假设是总量收缩和个人消费减少，但技术的进步本身也在产生总量效应，它所带来的社会必要工作时间减少、闲暇增加、产品相对价格下降构成实际上的个人财富效应。总需求补偿逻辑之下，额外的购买力和社会资源会流向那些无法被简单替代的行业，如高端餐饮、个性化教育、文化艺术，甚至因为更稀缺而更有价值的创意化、手工化，并促生新的行业需求崛起。
针对人类历史上的通用技术影响，熊彼特的“创造性破坏”仍是一个最基础性的理解框架。Aghion and Howitt（1990）关于创造性破坏的研究认为破坏和创造是“一枚硬币的两面”。旧岗位被压缩，往往伴随着新任务、新产品、新行业和新组织形式的出现，通用技术通过提高生产率、降低生产成本、扩大市场规模和释放新的需求空间，推动资源从低效率部门流向高效率部门。短期看，就业岗位减少、技能错配和收入压力会集中暴露；但中长期看，技术扩散会通过产业扩张、任务重组和新职业生成，形成新的劳动需求。
通用技术的扩散，通常不会只是在原有生产体系内提高效率，而会改变生产函数、重组产业分工，并重新定义劳动、资本和组织之间的关系。新技术进入生产过程后，原有岗位、技能和企业组织方式会受到冲击，一部分劳动者的经验积累和专门技能会迅速贬值，部分企业也会因无法适应新的技术范式而退出市场。
创造性破坏理论下，通用技术真正改变的是就业结构。它会使一部分岗位更快退出，也会使新的劳动需求在更高生产率部门中形成。关键问题在于，旧岗位退出和新岗位生成之间存在时间差、空间错位和技能错配。受冲击的劳动者未必能够直接进入新岗位，衰退行业所在地区也未必能够同步承接新产业。
为什么自动化不断发展，我们仍然拥有众多的工作岗位？Autor（2015）在其经典论文Why Are There Still So Many Jobs? The History and Future of Workplace Automation中进一步做出实证探讨。Autor发现，从历史经验看，过去两百年的自动化并未使人类劳动整体过剩，20世纪美国就业人口比率长期上升，失业率虽有周期波动，却没有呈现由技术进步导致的长期上升趋势，一个重要的原因在于自动化在提高生产率后，会降低价格、扩大收入和需求，并在未被自动化的任务和新兴部门中重新创造劳动需求。技术消灭的是具体岗位和具体任务，劳动需求会沿着新的产品、新服务和新组织方式重新生成。
Autor指出，自动化不是简单的劳动力替代问题，而是局部任务替代问题。事实上，自动化确实会替代劳动，且许多技术本来就是为节省劳动而产生。但完整职业通常由多类任务组成，机器能够替代其中一部分，并不意味着整个职业同步消失。更多时候，自动化会压低某些任务的劳动需求，同时提高其他互补任务的价值。例如，计算机可以替代大量例行计算和文书处理，却提高了数据分析、系统维护、客户沟通、组织协调等任务的重要性。Autor 因此强调，关于自动化的讨论常常高估机器对人的直接替代，低估自动化与劳动之间的互补关系。
数字技术有什么特殊性吗？Brynjolfsson and McAfee（2014）在其经典著作《第二次机器革命》中聚焦数字技术，探讨通用技术对就业的影响。Brynjolfsson 和 McAfee强调，数字技术具有指数级进步、数字化复制和重组式创新三项特征，指数级进步使机器能力在较短时间内跨过临界点，数字化复制使知识、软件和数据可以低成本扩散，重组式创新使既有技术模块不断组合出新的产品、服务和组织方式；因此，数字技术一方面会压低某些任务和技能的市场价值，另一方面会扩大产品种类、提升质量、降低成本，并创造新的商业模式和劳动需求，数字技术既带来“红利”，也带来“分化”。Agrawal et al.（2022）将AI简化为“预测机器”，在经济系统中，预测是决策的重要投入，他们认为，当前的AI革命本质上是“预测成本”的剧烈下降，AI降低了预测成本，但这种廉价预测同时也提高了其互补品—“判断”—的价值。
Brynjolfsson 和McAfee在《第二次机器革命》中指出，第一次机器革命以蒸汽机、电动机和内燃机为代表，主要扩展了人的体力；第二次机器革命以计算机、软件、互联网、人工智能和机器人为代表，开始扩展人的认知能力。伴随新一轮技术进入听、说、读、写、推理、识别、编码、设计等任务，就业替代从传统制造业和体力劳动部门，扩展到金融、法律、教育、研究、客服、软件开发等白领和知识工作领域。
Brynjolfsson and McAfee（2017）将AI视为潜在的通用技术，认为其经济影响不会在技术突破后立即完整体现，因为企业需要重新设计业务流程、积累互补性资本、调整组织结构并培训劳动者。短期来看，AI对就业对冲击是比较可控的；长期来看，AI在历史长河中也只是一项强大的通用技术，应当积极面对其可能带来的不确定性。
相较于以往通用技术，AI呈现出新的特征：一是替代方式发生转变，AI技术不再只是替代体力劳动，而是转向替代认知劳动，直接冲击编程、设计、文案、分析等传统白领岗位；二是替代通用性增强，AI能够跨行业应用于几乎所有需要语言理解、数据分析和决策支持的领域，影响范围远超以往任何技术；三是迭代速度加快，AI技术以指数级速度进化，留给劳动力市场调整的缓冲期大幅缩短；四是受冲击群体的上移，中高技能、高学历群体首次成为技术替代的主要目标之一，打破了教育能抵御技术冲击的传统认知。
Acemoglu进一步拆解了技术进步对就业的影响机制。Acemoglu and Restrepo（2018）的“任务型劳动力市场模型”提供了清晰的宏观分析起点。技术影响的本质是“任务”，而不直接是工作。模型将生产拆解为一系列任务（tasks），不同任务可以由劳动、资本、机器、软件或算法完成，技术进步一旦改变某些任务的生产方式，就会改变劳动在生产体系中的位置。模型进一步明确区分了两类技术变化，一类是自动化，即原来由劳动完成的任务转向资本完成；另一类是新任务创造，即产生劳动具有比较优势的新任务。Aghion et al.（2017）认为，自动化提高资本在部分任务中的作用，进而可能提高资本份额和长期增长率；但如果经济同时持续创造新任务，自动化带来的资本份额上升压力就可能被抵消，增长、劳动份额和就业结构能够在动态过程中重新稳定。
Acemoglu and Restrepo（2019）指出，自动化通过替代劳动完成任务，从而对劳动需求产生直接负面影响，但新任务创造又通过把劳动重新纳入生产过程，形成相反方向的力量。由此，AI对就业的影响取决于四个基本因素：AI多大程度上提高了劳动生产率、AI多大程度上提高了资本生产率、AI替代了多少劳动力与AI创造了多少新的任务。这一框架把AI就业冲击从一般性的技术进步讨论中区分出来。传统的要素增强型技术进步通常提高劳动或资本的生产率，但不必然改变任务分配，AI的特殊之处在于，它会直接改变任务由谁执行。Acemoglu（2024）在分析AI宏观影响时，发现AI的影响主要通过自动化、任务互补、既有自动化深化和新任务创造等渠道发生，其中，短中期内最重要的是AI在具体任务层面带来的成本节约和效率提升。
在The Race between Man and Machine和Automation and New Tasks中，Acemoglu拆解了自动化对劳动力影响的三种效应：（1）替代效应（Displacement Effect），指自动化使资本在原本由劳动力执行的任务上更具优势，直接导致劳动需求下降和劳动份额萎缩，替代效应的关键在于边际成本，若AI能以更低的边际成本完成某项任务，企业对执行这些任务的劳动需求就会下降。（2）复原效应（Reinstatement Effect），指技术进步创造出劳动具有比较优势的新任务，使劳动重新进入生产过程，Acemoglu and Restrepo（2019）强调，过去两百年劳动没有被机器系统性挤出，核心原因之一就是新任务不断出现，自动化压缩旧任务，技术变革又创造新任务，两种力量共同塑造劳动需求。（3）生产率效应（Productivity Effect），指自动化会降低边际生产成本、提高产出效率、扩大实际收入，并通过需求扩张带动其他任务和部门的劳动需求，从而间接提升劳动需求；生产率效应并不自动转化为就业增长，它取决于几个条件：成本下降能否传导为需求扩张，新增需求是否流向劳动密集型任务，企业是否进行互补性投资和组织调整，劳动者能否获得新任务所需技能。
替代效应是AI对劳动需求最直接的负面冲击。当AI、算法或自动化资本能够完成原本由劳动者执行的任务时，企业会减少对相关劳动投入的需求。替代效应不能单独决定就业总量。原因是自动化同时会降低成本、提高产出，并可能释放资源进入其他任务和部门。如果只看替代效应，会高估AI对就业总量的破坏；如果忽视替代效应，则会低估转型期劳动者承受的冲击。
复原效应是技术进步对就业的直接正向力量。在AI场景化过程中，复原效应主要体现在三类变化。第一，AI应用本身需要新的任务，例如模型训练、数据标注、提示词设计、模型评估、算法审计、AI安全、数据治理和人机协同流程管理。第二，AI降低部分环节成本后，会使企业能够提供过去成本过高的产品和服务，从而创造新的业务岗位。第三，AI改变组织方式后，会生成新的协调、监督、解释和责任分配任务。这些任务不一定全部是高技能岗位，但它们要求劳动者在判断、沟通、责任承担、情境理解和跨任务协调上发挥作用。
除了总量效应，AI的任务异质性还会导致不同的结构影响：既可以表现为压缩入门岗位数量的“平庸自动化”，也可以表现为提高劳动者能力的“AI赋能中产”。（1）较之有限的的生产率提升，Acemoglu进一步提出自动化技术替代的风险：“平庸的自动化（so-so automation）”，即技术上可以实现、但效率并没有实质提升的自动化，它不是因为技术能做得更好而替代人，而是因为替代人可以节省成本，这种替代在账面上是合算的，但对整体社会效率几乎没有贡献。Brynjolfsson（2022）提出的“Turing Trap”进一步说明了平庸自动化的技术方向问题，当AI系统以模仿人类劳动为主要目标时，它更容易被部署为替代劳动的工具，进而削弱劳动者的议价能力；只有当AI被用于扩展人的能力时，它才更可能形成新能力、新产品和新服务。（2）与之相对，Autor（2024）则提出了“AI赋能中产”的设想，即AI可以帮助具备基础训练的劳动者执行部分原本由高技能专家完成的任务，从而扩大中等技能劳动者进入专业服务等领域的能力边界，通过使更多劳动者获得原先稀缺的专业能力，从而修复一部分中等收入岗位的上升通道。如果这一情景能够实现，则AI冲击反而可能改变过去几十年自动化造成的劳动市场极化现象。
银行用AI客服替代人工座席，从财务报表看，省下了人力成本，但大量用户投诉处理效率下降，复杂问题无法解决，客户满意度下滑。这种自动化创造的价值，可能远低于其消耗的社会成本。更值得警惕的是，它还会造成双重损失，资源从可能真正创造价值的领域被抽走，而被替代的劳动者则面临技能贬值、收入下降的困境。
Autor（2019）对美国劳动市场的研究显示，1980年以来，工资增长更多集中于高学历群体，非大学学历劳动者尤其是男性劳动者的实际工资表现明显较弱，劳动市场出现了与教育、技能和任务结构相关的长期分化。这一历史背景说明，传统计算机化和自动化主要压缩了中等技能、例行化岗位，并将就业结构推向高技能专业岗位和低工资服务岗位两端。如果“AI赋能中产”能够实现，则AI冲击可能改变过去几十年自动化造成的劳动市场极化现象。
AI赋能中产的前提，是把AI嵌入劳动者能力形成过程，而非仅用于压缩初级岗位。对中等技能劳动者而言，AI可以降低信息检索、文本生成、代码编写、数据分析和专业沟通的技术门槛；对企业而言，AI可以把部分专家经验模块化，使非顶尖劳动者也能完成更复杂的任务。Autor（2024）的乐观判断，针对的正是这种劳动增强型AI。但若AI应用方向被企业成本节约逻辑主导，它可能先削弱职业入口，再加剧高技能核心员工与普通劳动者之间的分化。
最新的实证研究已经观察到AI对部分职业（AI高暴露度职业）、部分群体（更初级工作经验的人群）的替代问题。Brynjolfssonet al.（2025）的实证研究直接考察生成式AI普及后的劳动市场结果，该研究使用美国ADP高频行政工资单数据，样本覆盖截至2025年9月的数百万劳动者和数万家企业，研究发现，AI暴露度最高职业中的早期职业劳动者，尤其是22—25岁劳动者，已经出现显著就业下降，控制企业层面冲击后，22—25岁劳动者在AI暴露度最高职业中的相对就业下降约16%；在事件研究设定中，最高AI暴露组相对于最低暴露组的就业下降约15个对数点，具体到职业，22—25岁软件开发人员的就业人数到2025年9月较2022年末峰值下降接近20%。
Anthropic的报告Labor market impacts of AI: A new measure and early evidence披露了基于Claude模型真实使用数据的情况，Anthropic构造“实际AI暴露度（observed exposure）”，这一指标衡量了已经应用了AI的真实工作场景的AI暴露程度，相比单纯的“理论AI暴露度”，这一指标更接近当前AI进入劳动过程的实际状态。
按照Anthropic的实际AI暴露度，数值最大的前几位分别是：计算机程序员的观察暴露度为74.5%，客服代表为70.1%，数据录入员为67.1%，医疗记录专员为66.7%，市场研究分析师和营销专员为64.8%，批发和制造业销售代表为62.8%，金融和投资分析师为57.2%。相对而言，餐饮、维修、护理、现场服务、建筑、农业和安保等线下岗位实际暴露度较低。Anthropic报告显示，约30%的劳动者处于零观察覆盖状态，原因是其任务在Claude使用数据中出现频率不足，或难以由当前大语言模型直接执行。报告列举的低暴露职业包括厨师、摩托车修理工、救生员、酒保、洗碗工和试衣间服务员等。这类岗位的核心任务依赖现场操作、身体动作、设备接触、即时互动或环境判断，当前大语言模型难以直接替代。
Anthropic将观察暴露度与美国劳工统计局（BLS）2024—2034年职业就业预测进行比较，发现职业暴露度每提高10个百分点，BLS预测就业增长率约下降0.6个百分点，方向上说明高暴露岗位的中期增长预期更弱，但相关关系并不强。报告还发现，自ChatGPT发布以来，美国高暴露职业劳动者的失业率没有出现系统性上升，更早显现的变化在招聘端，尤其是年轻劳动者进入高暴露职业的速度有所放缓。
关于AI对就业的整体影响，Acemoglu等人的研究得出来的是一个相对达里奥·阿莫代（Dario Amodei）的预言明显更保守一些的影响量级。Eloundou et al.估计未来约20%的任务可能受到AI影响，Svanberg et al.估计10年内真正具有成本优势、适合由AI执行的任务比例约为23%。Acemoglu（2024）将两项数字相乘，估计未来10年AI实际影响的工作任务份额约为4.6%（20%*23%），并测算出未来10年AI带来的GDP增幅约为1.16%，TFP（全要素生产率）增幅不超过0.66%（年均0.07个百分点）。
Acemoglu（2024）进一步指出，现有的AI成功大多集中在有明确评估标准的“易学任务”（如基础代码编写、翻译）上，而对于涉及复杂社会环境、多重冲突目标和需要人类移情的“难学任务”，AI的渗透将远比想象中缓慢，考虑到后续被AI影响的任务可能更复杂、学习难度更高、结果衡量更困难，10年AI带来的TFP增幅将进一步降至低于0.53%。
Aghion and Bunel（2024）通过历史类比法（对比电力革命与IT革命）对AI带来的生产率增速进行了区间估算，结果显示，未来十年内AI将使总生产率增长率每年提高0.8至1.3个百分点，此外Aghion and Bunel（2024）使用与Acemoglu同样的任务型框架估计AI带来的增长效应，得出全要素生产率（TFP）年均增长率中位估计值为0.68个百分点。
AI可能带来的另一影响是劳动力市场的不平等问题。Brynjolfsson et al.（2017）指出AI冲击会通过企业和市场结构放大收入差距，新技术收益可能集中于少数前沿企业，行业内生产率差异、利润率差异和超级明星企业份额上升，都会使技术收益难以充分传导至普通劳动者，这一机制在AI领域可能更强，因为大模型训练、数据、算力、工程能力和分发渠道具有明显规模经济，劳动者得到的收益会弱于总量生产率收益。国际劳工组织（International Labour Organisation）的研究指出AI冲击还会导致性别不平等问题，女性比男性更容易从事暴露于生成型人工智能自动化高风险工作，在高收入国家，9.6%的女性就业属于最高风险类别，而男性为3.5%。
性别影响上的差异主要来自职业结构的差异，文员、行政支持、客服和部分准专业岗位中女性占比较高，而这些岗位恰恰更容易被文本生成、信息检索、客户响应和流程化办公工具影响。国际劳工组织认为，若转型管理不当，AI自动化可能对女性就业造成更大冲击，并威胁过去几十年女性劳动参与率提升的成果，若通过培训、岗位再配置、照护经济投资和劳动保护制度加以引导，AI增强型应用也可能为女性赋能提供新的机会。
Minnitiet al.（2025）基于2000年以来欧洲各区域的数据研究了人工智能（AI）的发展如何影响资本与劳动之间的收入分配，以及这些变化如何加剧区域收入不平等，研究发现，区域AI创新水平每翻一番，劳动收入份额将下降0.5%至1.6%。仅就AI因素而言，这可能使劳动收入份额从平均的52%下降0.09至0.31个百分点。这一新技术对中、高技能劳动者的负面影响尤为显著，主要体现在工资压缩上，而对于低技能劳动者而言，AI带来的就业扩张在一定程度上抵消了与之相关的工资下降。
Acemoglu and Restrepo（2022）研究发现自动化是过去四十年美国工资不平等加剧的首要驱动因素，1980年至2016年间美国工资结构变化的50%到70%，可以用那些在经历快速自动化的行业中，专门从事常规任务的工人群体所经历的相对工资下降来解释。
AI对全球劳动力市场的影响在不同收入水平和全球产业分工的国家间表现出不对称性。世界银行（2025）指出，由于经济结构、基础设施和人力资本的差异，高收入国家的人均AI暴露度远高于低收入国家。但AI带来了对外包市场的冲击，印度和菲律宾的业务流程外包（BPO）行业曾是全球化的获益者，然而，AI正将“离岸外包套利”转变为“自动化套利”。2025年7月，印度塔塔咨询服务公司(TCS) 宣布裁员1.2万人，理由是生成式AI工具能够以更快、更便宜的方式完成大量外包任务，显著减少中低端、重复性的岗位需求。
《环球》杂志文章指出，印度程序员被视为“低价高效”的劳动力资源。无论是代码调试、数据库管理还是技术支持，印度企业都能用远低于欧美的成本完成任务。然而，这一优势正在被AI迅速侵蚀。ChatGPT、Claude、Gemini等生成式AI工具，已经可以高效完成过去由大量印度程序员承担的重复性工作。这些工具能够以更快、更便宜的方式完成大量外包任务，让印度的“人力差价”优势瞬间蒸发。TCS宣布裁员1.2万人的消息，就是AI替代效应的一个缩影。虽然TCS没有明确提及AI，但业界普遍认为，这正是自动化和智能化驱动的结果。今后，企业仍需要人类程序员，但主要集中在复杂、创新和战略性岗位，而对中低端、重复性的岗位需求将大幅下降。这意味着，印度庞大的IT就业人口可能面临“结构性失业”。
参考消息网编译欧洲《现代外交》网站文章指出，AI改变离岸外包，AI系统现在正完成曾经需要全球南方大量工人的任务。这不仅仅是生产率的提高。据国际货币基金组织估计，全球约40%的就业岗位包含可以自动化的任务。调查显示，近30%的公司计划在一年内用AI取代所有类别的工作。这些数字并不抽象。它们反映了西方企业内部已经在进行的变革，不过许多人还没有公开谈论这些变革。全球北方再次成为生产者，但现在的生产是通过模型而非离岸工人进行的。当一个系统能够以仅占远程雇员的成本的一小部分完成任务，而又不存在协调风险或地缘政治不确定性时，外包模式迅速瓦解，有时甚至悄无声息。研究表明，发展中国家面临的自动化风险最高，因为他们提供的是AI可以接手的、可预测和重复性工作。学者们称这是一种双重脆弱性，因为这些国家严重依赖替代风险高的行业，同时又缺乏足够的资源来让自己以同等速度采用先进技术。风险显而易见，但反应迟缓。
从上述研究来看，AI对就业的影响既不是达里奥·阿莫代式的“危机式冲击”，也不是完全平稳的技术更替，而更像是一定程度的总量冲击，叠加非线性的、结构性的影响；它又是分阶段的，在“替代效应”出现之后、“复原效应”形成之前，对就业的影响可能会阶段性比较集中，长期则趋于就业中性。它给我们带来几点重要启示：（1）AI作为一轮技术革命，其扩散路径可能呈现先工具化、后系统化、再生态化的特征，沿着“task”等概念，关注其对于就业形不同阶段态的影响，比如依次关注AI“替代者”角色（智能体、机器人）、“重构者”角色（企业级平台、人机协同平台）、“创造者”角色（新消费场景、新行业）；（2）应重视但不应过度高估总量意义上的就业冲击对于长期增长范式的影响，从而高估商业模式替代的中长期价值、低估部分现有商业模式的中长期价值；（3）关注替代效应和复原效应之间的就业冲击阶段对于企业盈利、居民收入和支出能力的影响传递，我们近期提出“美国经济看就业”，如果其失业率出现阶段性上升趋势，则应警惕科技资本开支的逻辑会不会受到总量逻辑影响。
在《美国经济看就业，中国经济看投资》中，我们指出，整体来看，美国经济是一个消费驱动型的经济，个人消费支出占美国GDP的比重过去十年基本上稳定在68%左右。这意味着就业指标非常重要。简单来说，就业水平决定薪资增速；美国家庭储蓄率较低，家庭净储蓄率只有5%左右，于是薪资增速大致决定消费增速；消费增速又进一步决定GDP水平。
对于过去几年的美国经济预测来说，一直有观点判断“衰退”，但回头来看应是低估了失业率这样一个关键指标的重要性。失业率在4.5%以下，则衰退概率较低。在上一轮加息的2022-2023年，美国失业率年均值在3.6%左右，处于过去六十年偏低位，这一条件下的经济会有较强韧性。2024年起失业率逐步上升，反映其经济的脆弱性在初步上升，2024-2025年年均值分别为4.0%、4.3%，今年一季度均值持平在4.3%左右，整体仍算不上高，4月高频数据也暂无趋势变化。
如果后续美国就业大致稳定，则可以继续跟踪分子端的产业趋势；反之若美国就业趋弱，则需要先警惕其消费、企业现金流和资本开支意愿、市场风险溢价等领域的负面变化，再等待美联储政策对冲带来的流动性扩张预期。
平滑AI对就业的影响离不开相关制度安排。从经济学家们的既有框架来看，如何把AI从单纯替代劳动（“平庸自动化”）引向劳动增强和新任务创造（AI赋能）或是未来的关键。政策基于广谱性、包容性的引导必不可少。一是R&D激励转向，即从替代劳动转向和劳动的互补型创新，Acemoglu（2024）指出真正提高劳动生产率，需要面向具体职业和任务重构技术架构，R&D激励应该针对突破性、原创性技术。二是防止AI收益集中于少数头部企业，Aghion and Bunel（2024）指出，AI价值链上游的数据和算力较为集中，若竞争政策不足，AI革命的增长潜力可能被平台垄断削弱。三是算法治理，Acemoglu et al.（2025）关于社交媒体的研究说明，AI系统会服从平台激励，并可能放大外部性，算法治理不能只看技术准确率，还要看企业激励和社会后果；四是针对相对更集中的初级岗位的冲击（Junior Gap），Luis Garicano and Luis Rayo (2025)指出如果初级工作被AI取代，劳动力市场将失去培养未来资深专家的“学徒制”路径，应引导企业将 AI 作为初级员工的导师（Tutor），而不是替代品。
Acemoglu（2024）明确指出，当前AI重点更多集中在自动化、搜索、社交媒体广告和个人数据变现上，因而更有可能产生低质量替代和社会福利损失。Autor（2024）也强调，AI的积极路径在于扩大人类专业能力的覆盖范围，使更多中等技能劳动者能够参与原本由高端专家垄断的判断和决策任务。
若企业主要把AI用于压缩客服、文员、初级代码、基础研究助理等岗位，短期成本下降会伴随入门岗位收缩、技能积累链条断裂和工资分化扩大。更可取的方向，是鼓励AI嵌入教育、医疗、工程维护、法律辅助、企业管理等场景，降低知识使用门槛，提高普通劳动者处理复杂任务的能力。Autor（2024）所谓“赋能中产”的关键含义，正是让AI提高劳动者的判断能力和服务能力，而非把劳动者降格为可替代的通用劳动力。
AI冲击首先表现为结构性调整，年轻劳动者、入门岗位和高暴露职业承压更明显。政策重点应放在职业转换、继续教育、岗位再匹配和收入缓冲上。培训体系应从泛化技能转向岗位相关技能，围绕AI协作、数据处理、行业知识和专业判断能力展开。对受冲击较集中的职业和地区，应提高公共就业服务、失业保险和转岗补贴的响应速度。
在罗汉堂举办的 “智能组织与智能工作者”前沿对话中，伦敦政治经济学院（LSE）公共政策教授、著名组织经济学家Luis Garicano指出，无论在咨询公司、律所，还是在学术界，有大量的初级人员都需要从基础杂活做起，一步步地积累知识和经验，最终才能够成为某一领域的专家。这是一个典型的 “学徒制”培养模式：学徒通过为师傅工作，来换取培训和职业成长。AI 的到来将从两方面冲击这一模式。一方面，AI 通过替代初级员工完成基础杂活，抬高了后者的工作入门门槛。另一方面，AI 也通过与专家互补，将专家能带来的价值上限进一步拓展。因此，“学徒制”能否存续，取决于这场动态竞赛的结果：AI 对专家的 “赋能”效应，能否跑赢它对新手的 “替代”效应。
