2435 字 ｜ 阅读 7 分钟

AI 正在渗透哪些岗位 ？

来自 Claude 真实使用数据的排名，基于正在发生的事实。

2026 年 3 月，Anthropic 发布了一份劳动力市场研究，直接从 Claude 的真实使用数据出发，看哪些职业的日常任务已经被大量覆盖。

他们给这个指标起了名字：observed exposure，观察到的暴露度。它衡量的是这件事在真实工作场景中，已经被 AI 做了多少。

数据来自三个来源：美国 O*NET 职业任务数据库、Claude 工作场景使用数据（Anthropic Economic Index）、已有研究对 LLM 理论能力的任务级评估。自动化使用权重高于辅助使用。

Top 10 by Observed Exposure

Anthropic, "Labor market impacts of AI", Fig.3, Mar 2026

理论上 AI 能做的事，远远多于它实际在做的事。差距来自监管限制、软件集成成本、人工复核流程和组织惯性。但 Claude 使用数据中 97% 的任务落在理论上可被 LLM 加速的类别里，说明现实正在快速追赶理论。

另一端：30% 的劳动者在当前数据中覆盖率是零。厨师、摩托车修理工、救生员、酒保、洗碗工，这些岗位高度依赖身体动作和现场判断。

比起名单上有什么，更该看的是名单上没有什么。

谁站在冲击的最前面

报告里有一个反直觉的发现：暴露度最高的人群，往往拥有更高的收入和学历。

高暴露职业中的劳动者，平均收入比零暴露群体高 47%。研究生学历占比 17.4%，零暴露群体中只有 4.5%，近四倍差距。女性占比高 16 个百分点，亚裔占比接近两倍。

生成式 AI 的冲击路径和过去完全不同。工业自动化先影响蓝领，全球化先影响制造业。这一次，大模型直接进入了办公室、会议室和代码编辑器。白领工作，第一次以这种规模站在了技术替代的前线。

虽然整体失业率还没有明显变化，但报告发现了一个更细微的信号。

22 到 25 岁的年轻人进入高暴露职业的速度正在放缓。Anthropic 使用 CPS 面板数据追踪年轻人的月度求职率，发现 ChatGPT 发布之后，高暴露职业中年轻人的入职率相比 2022 年下降了约 14%。25 岁以上的劳动者没有出现类似下降。

Erik Brynjolfsson 团队使用 ADP 薪资数据也发现了类似现象：22 到 25 岁劳动者在高暴露职业中的就业下降了 6% 到 16%，主要原因是招聘放缓。

这可能是 AI 影响就业的真正起点：让新人更难得到实习岗位。

实习岗位不只是"一份工作"，它还是训练场。如果 AI 接管了初级任务，被拿走的不只是就业机会，还有一条从新手到专家的成长路径。

把这 10 个职业放在一起看，它们的核心工作都由这几类任务组成：信息处理、文本生成、数据分析、模式匹配、流程执行。

这些恰好是大模型最擅长的事情。当一个岗位的核心任务由这些元素构成，AI 就能以极低的边际成本进入。

名单上没有的职业，厨师、修理工、救生员、酒保，它们的工作包含大量物理操作、即时判断和人际互动。当前的大模型形态还没有找到合适的切入点。

这一点必须说清楚。Anthropic 明确指出：目前没有发现高暴露职业的失业率出现系统性上升。

覆盖率衡量的是任务被 AI 触及的程度，和岗位消失的速度是两回事。企业可能先减少招聘、重组流程、提高单人产出。

报告估计，如果要检测到"白领版大衰退"级别的冲击（高暴露群体失业率从 3% 翻倍到 6%），目前的样本量是可以发现的。但到目前为止，这个信号还没有出现。

没有失业潮不代表没有变化。真正的变化可能藏在更早的环节：招聘需求下降、岗位职责重组、初级岗位减少、同一份工作要求更高的产出。这些信号不会出现在失业率数据里，但它们正在发生。

如果你在这份名单上，或者你的工作和名单上的职业高度重叠，这份报告想告诉你的是：你工作中有一部分任务，已经被 AI 大量覆盖了。

当这些任务可以被 AI 完成时，企业会重新计算一个岗位的价值。过去需要三个人做的事，以后可能只需要一个人加上 AI。

真正决定你未来竞争力的三件事：

定义问题。知道什么值得做，什么指标代表完成，什么约束不能碰。

判断结果。AI 可以生成答案，但人要判断答案是否可靠，是否适合场景，是否承担得起后果。

连接系统。把 AI 放进真实业务流程，连接数据、工具、人和责任边界。