夜雨聆风7月20日，上海科技大学 CEISD（教育、创新和可持续发展研究中心）与合作伙伴联合发布《AI 时代的中国劳动力市场：从职业消失论到任务重组论》。报告突破美国静态 O*NET （职业信息网络）在中国水土不服的局限，以 65200 条任务、1267 个细分职业为底座，打造了中国版动态 C-O*NET（中国职业数据系统），团队搭建了“AI 暴露（Exposure）指数 — 人类互补”四象限评价体系，全面测算了AI对中国就业市场的冲击和重组双重效应，为AI时代中国的经济研究和宏观政策制定提供量化参考。
通过 2023 年底至 2026 年 4 月中国全平台线上完整招聘周期的数据分析，报告扭转了流行的“AI 批量淘汰职业”焦虑叙事。团队研究发现，ChatGPT 问世来，新增线上招聘池超四分之一岗位处于 AI 高替代敞口，但高替代并不一定意味着高风险，人类互补是重要缓冲。特别值得关注的是，复合型闭环岗位成为就业市场的最大新特征，同期市场约有 2100 万个岗位由任务重组而生,占总招聘岗位的18.6%。
项目首席数据科学家、上科大 CEISD 客座学者陈沁表示:“过去几年全社会陷入‘职业替代焦虑’，大家盯着职业名称分析，本质是观察尺度错了。从统计数据角度看，中国有人社部的权威职业分类系统、职业技能标准系统、新职业画像和劳动力市场趋势数据，但缺乏统一尺度和任务级的完整职业系统数据库；学术界以美国 O*NET 为基准构建了一些数据系统，但并不完全适配中国国情。我们基于线上全量招聘数据搭建的中国版动态 C-O*NET，核心目标就是把研判单位从‘职业名称’下沉到‘可更新的岗位职责’。短期来看，1-3 年入门岗承压是结构性事实，但长期不存在整体性失业危机，市场正在重新筛选‘能驾驭 AI、承担最终责任’的复合型劳动者。”
上海科技大学 CEISD 主任杨燕青表示,“全球范围内的劳动经济学研究，尤其是当下AI经济影响的研究都基于美国 O*NET 数据系统。我们打造了中国的动态C-O*NET 数据系统，未来会开源开放，希望成为中国经济学研究的数据基座。LLM(大语言模型)对国内劳动力市场的影响主线是任务重组，这从实证层面挑战了亚当・斯密、巴贝奇延续两百五十年的分工理论：过去分工依靠拆分人类任务降低切换成本，而 LLM 抹平任务切换成本，分工逻辑从‘人与人细分’转向‘人机协同闭环’。未来希望更多的团队加入“碳硅共生”的经济学分工研究，为打造人工智能时代新的宏观经济政策工具箱提供理论和数据支撑。”
打破认知:“职业消失” 是伪命题，任务才是 AI 冲击核心单位
近年来,“AI 淘汰职业名单”占据舆论主流，会计、客服、文案、设计等岗位被贴上“高危淘汰”标签，引发普遍性就业焦虑。团队基于中国版动态 C-O*NET 数据库和海量招聘文本的实证研究给出结论：AI 不会完整淘汰某一职业，只会拆分、改写岗位内部单一任务，雇主调整岗位职责、用人要求（JD 里 res、req 条目）的速度，远快于更换职业名称的节奏。
报告对比 Java 开发、电话客服两组大众认知里的“高暴露职业”直观佐证：二者 AI 暴露分数同处高位，但局面迥异。客服岗位整套话术、工单录入、标准问答均可由大模型独立完成，人类互补分值极低，招聘规模持续收缩；Java 工程师虽可依靠 AI 生成基础代码、撰写接口文档，但架构设计、线上故障处置、跨业务系统协调等高责任、高现场判断任务无法被机器接管，资深技术岗薪资持续上行。仅依靠职业标签划分风险，会出现系统性误判。
研究团队依托五大招聘平台 2022 至 2026 年超 7 亿条原始招聘记录，搭建月度更新动态职业任务库，通过十步工程化流水线，在抽样、聚类、打分关键环节使用 LLM，全量文本依靠自研正则引擎高速处理，人工校验匹配度达 0.947，所有岗位、专业均可实现分层、分时精准量化监测。
依托数据库 13 项标准化任务打分维度，研究搭建“AI 暴露 — 人类互补" 四象限坐标系，作为研判岗位就业韧性的统一标尺。十三维度相关性赛马实验证实，劳动力市场收缩的核心驱动是 AI 可独立完成任务占比；扩张赛道两大核心指标为现场依赖、具身实操能力。单纯高 AI 暴露不等于失业风险，只有同步缺少人类判断、现场兜底能力的岗位，才会出现招聘需求大幅下滑。
AI 冲击敞口落地：瞄准职场新人，三年周期完整复盘
报告以 2026 年 1-4 月 4001 万条线上招聘需求为测算基准，中性统计口径下，33.2% 岗位属于高 AI 暴露任务组合，其中 26.6% 落入高暴露低互补替代压力区，意味着国内线上招聘市场每四个岗位，就有一个面临被AI加速的结构性调整。地域、行业分层数据显示结构性分化：新一线、二线城市基础文职、内容岗的加速敞口高于一线城市；一线高端线下服务业、医疗岗位缓释 AI 冲击；在行业维度上，基础运营、财务核算、图文内容、电话销售四大行业需求缩减最显著；制造、医疗、线下照护、设备运维等强现场赛道需求保持稳定。
值得关注的是冲击分层特征，AI 收缩效应并未均匀覆盖全部职场人群，而是集中在 5k-8k 薪资、1-3 年工作经验的入门中端劳动者。回归数据显示，1-3 年经验岗位收缩斜率 - 0.25，中端薪资岗位 - 0.31，是全市场承压最深群体；与之形成鲜明对比，12k 以上高薪岗位需求全部回暖，50k 以上资深岗位招聘占比正向增长，5-10 年成熟从业者几乎不受 AI 影响。底层逻辑十分清晰：过去企业依靠入门新人完成文档、录入、标准化沟通等基础训练任务，如今大模型承接该环节，企业不再设置低薪练手岗，形成全行业 “入口陷阱”，应届生传统职场训练链条面临直接断裂。
报告完整复盘 2022 年底大模型落地后三年完整调整周期，划分三大阶段，：当期缺口反映每年招聘流量起伏，累计缺口为单向累积的存量缩减。2024 启动期企业仅试点工具，需求仅缩减 2.6%；2025 年进入恐慌超调阶段，当期缺口飙升至 30.1%，大量企业文职岗位不再招聘；2026 年市场理性回稳，当期缺口回落至 16.9%，累计缺口为 15.1%。研究团队特别提示：该数据仅代表线上新增招聘需求相对对照组（AI冲击微乎其微）的变化幅度，不可等同于AI实际替代的岗位比重，且线上样本对县域、蓝领覆盖存在局限，不可直接外推至宏观就业。
AI 不造新职业，只重构分工：复合闭环职能包成市场核心增量
舆论普遍期待生成式 AI 催生大量全新职业赛道，但报告数据给出反向结论：2023 至 2026 年新增职业名称体量极小，仅大模型算法、机器人工程师小幅扩张，推荐、风控、SLAM 传统算法岗持续收缩，算法类整体招聘负增长，AI 行业内部结构轮换，无额外新增就业容量；而全市场增长最多最快的岗位均是职业重构改造而来。
报告发现：尽管AI暴露岗位招聘规模收缩，但岗位承载的工作职责并未同步消失。大量可文本化任务脱离专属岗位，跨行业扩散至生产、技术、销售全链条，单一专项岗位失去不可替代价值。岗位内部职责熵值(度量职责的复杂和组合度)持续走高，企业普遍将多道工序合并，打造“一人独立完成全流程” 复合职能包，排名第一的高增长组合为“制造优化 + 质量闭环”，全网出现频次超 17 万次，覆盖 465 类不同职业。同期市场有 2100 万个岗位由任务重组而生，占总招聘岗位的 18.6%。
企业招聘逻辑已发生根本性转变：不再考察单一专业技能，优先筛选能够独立走完需求、执行、校验、汇报完整闭环的求职者。新兴复合职责包具备清晰特质：纯线上标准化文本工作占比大幅降低，高度依赖现场操作、设备实操、风险后果判断，具备强现场、强协同、强责任的复合型人才持续受益。
四年时差供需错配：高考分数线对 AI 暴露无感
依托全国二十余省份高考录取、专业招聘双向大数据，报告发现，市场与高校存在双重供需错配。首先是方向错位：本科专业招生热度与四年后市场招聘需求相关系数为 0.23；其次是时间错配：本科培养周期为4年，AI 三年即可完成一轮完整市场重构，学生毕业时岗位结构已变，形成供需蛛网波动。
2019 至 2025 七年时间内，高 AI 暴露专业相对低暴露专业的录取热度差值稳定不变，即便 2025 年AI市场冲击达到高点，考生填报、高校扩招未现调整。同时本科专业出口高度分散，单一专业前五对口职业仅占两至三成招聘需求，65% 至 80% 岗位分布在长尾行业；但高校课程聚焦少量对口岗位，对市场主流复合职责需求关注不足。分院校、区域数据显示，985 院校依靠品牌招生规模稳定；中低经济水平城市考生对短期薪资热度敏感度更高。
针对教育错配，报告试图打通市场任务数据到高校课程的完整链路。研究团队将十大市场高增长复合职责包“翻译”为课程模块，区分工科、商科、医药、文社、现场五大类专业创新方案。报告提出，单一全校通用 AI 通识课无法解决就业导向的教育创新，需要适配不同专业的真实工作场景。报告还提炼出六大 AI 无法替代的核心人类能力：情境判断、责任承担、跨角色协调、伦理权衡、现场适应、证据链表达。围绕就业导向的教育创新，报告针对学生、高校、企业和政策四大主体给出了基于数据底座的参考手册。
团队表示，C-O*NET 数据库持续动态按月更新，未来将开源开放，为经济学研究、高校教育创新、国家和地方的就业宏观政策制定提供长效量化支撑。
