index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
本文深入探讨了当前关于人工智能（AI）对就业影响的研究现状，指出了现有量化测算结果存在的不可比性、片面性和静态性三大不足。研究强调，AI的职业暴露度计算容易引发不必要的恐慌，且未能考虑人的行为动态变化和未来新岗位的出现。文章进一步分析了操作层面的三大难题：AI影响因素难以切割、AI界定模糊不清以及技术发展难以预判。最后，作者阐述了数据本身的局限性，包括利益驱动的主观干预、执行中的客观性缺失以及数据无法应对社会变数等问题，强调了在推崇数据分析的同时，认识到其固有局限性的重要性。
📊 **研究结果不可比且存在片面性与静态性：** 当前关于AI对就业影响的研究，尽管由众多权威机构和咨询公司发布，但其量化测算结果差异巨大，几乎不具可比性，且存在片面性和静态性问题。例如，AI职业暴露度的计算易被误解为岗位消失，忽略了技术经济可行性、时间线和范围，也未能反映人类行为的动态变化以及未来新岗位出现的可能性，片面预测加剧了不必要的恐慌。
🚧 **操作层面面临三大难题：** 研究AI对就业的影响在操作层面存在“无法切割”、“难以界定”和“不可预判”三大难题。AI并非独立影响因素，其对就业的影响与其他经济、技术、政策等因素交织，难以单独切割；AI本身定义模糊且嵌入经济社会系统，界定其范围困难；同时，未来技术发展路径难以准确预判，使得量化研究缺乏坚实基础。
📉 **数据分析受多重局限：** 尽管数据分析在当前备受推崇，但其在AI就业影响研究中存在显著局限。数据可能受到利益驱动的主观干预，并非总是客观准确；即使力求客观，执行过程中的问题（如抽样不合理、问卷敷衍）也可能导致结果失真；更重要的是，数据天然无法应对人类社会的变数和突发事件，无法预测未出现的新事物，正如“马车数据无法发明汽车”的类比，过去的数据无法完全决定未来。
原创 闫德利 2025-08-25 16:56 北京
技术对就业影响的研究是一门显学。
闫德利 腾讯研究院资深专家 技术对就业影响的研究是一门显学。随着生成式人工智能蓬勃兴起，全球又掀起了一波新的研究浪潮。OECD、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织，高盛、麦肯锡、皮尤研究中心等咨询机构，纷纷推出报告。如下表所示。表 AI影响就业的部分量化测算结果来源：腾讯研究院根据公开材料整理，2025年7月。全世界的顶尖机构多年持续研究，成果汗牛充栋，人们仍争论不休、困惑不已。原因让人好奇。总体来看，量化测算结果具有不可比性、片面性和静态性三大不足。首先，最终测算结果差距甚大，几乎不具可比性。粗略来看，上表的结果处于0.4%-67%之间；美国白宫（2016）也做过类似汇总，结果在9%-47%之间。同一机构不同报告之间相冲突相矛盾的情况也很普遍，例如表中的OECD、国际劳工组织和世界银行。单独一份报告都很权威，放到一起就“神仙打架”。权威机构尚且如此，其它机构可想而知。其次，AI暴露度测算局限于对现有岗位的潜在影响，徒增恐慌。上述研究多使用“人工智能职业暴露度（AI Occupation Exposure）”来衡量AI的就业影响。高暴露度不必然意味着岗位走向消失（OECD，2021），然而现实中人们容易把“暴露”理解成“取代”。它表达的是潜在风险，不代表真正发生；也没有考虑技术经济可行性，没有明确指出时间线和范围。片面的预测只会带来“AI抢走工作”的恐慌，而非对技术和就业关系的正确认知。第三，人的行为是动态变化的，而量化测算是静态的切面研究。工作岗位像流水中的小船，一直处于运动变化之中，把现有岗位作为研究对象具有可操作性，但相对于工作全景来说就以偏概全、刻舟求剑了。对未来总体岗位的立体影响，是人们想要的，但似乎还难以实现。因为人们能够感受到那些有替代风险的工作，却难以识别尚未出现的新岗位。根据麻省理工学院大卫·奥托等人的研究：“2018年的工作岗位中有60%在1940年并不存在。”在未来岗位面前，人们是无知的。OECD（2021）和世界银行（2025）曾指出：AI对就业的影响还不明确、无法预估。从某种意义上讲，量化AI对就业的影响是一个悖论。它在操作上面临着无法切割、难以界定和不可预判三个层层递进的难题。从宏观角度，AI不是独立影响因素，无法切割。就业率受经济周期、技术变革、产业经济、人口结构、就业政策、全球化、突发事件等多重因素影响。它们之间相互联系、相互作用，把单一因素从中完好切割出来是困难的。必须设置诸多假设条件，但这种完美的模型在真实社会中并不存在，在现实意义上大打折扣。从产品角度，难以清晰界定AI的范围。即使解决了独立性问题，人们也难以对AI作出清晰界定。AI没有明确的定义，很少以独立的产品形态存在，已广泛嵌入经济社会系统中。AI已成为地图导航、在线翻译、图像识别、短视频、手机、智能网联汽车等日常应用的组成部分，在研发设计、生产制造、广告宣传、售后服务、医疗、教育、采矿、军事等行业已有广泛应用。而且AI的内涵是动态变化的，似乎只有还没普遍实现的能力才配得上AI的称谓。正如Nick Bostrom（2006）所言：“许多尖端人工智能已经渗透到通用应用中，但通常不被称为人工智能，因为一旦某些东西变得足够有用和普遍，就不再被称为人工智能了。”从技术发展角度，人们难以预判未来技术的发展。即使能够解决独立性和范围界定问题，就业影响的量化研究还取决于对技术发展的准确把握，这是必备前提。然而，技术史一再表明，人们难以预判新技术的未来，众多预言沦为笑谈。人工智能的未来尚不可预测（Brynjolfsson，2024）。没有前件条件，就不会有后件结果。在这个推崇用数据说话的时代，很多人知其不可而不得不为。因此，强调数据的局限性尤为必要。第一，受利益驱动，主观干预。数据并不都是客观准确的，有时受到人类行为的影响和支配，一定程度上反映的是人们的意志。为达到期望的结果，不乏主动干预数据生成的行为。例如，上市公司财务造假，谎报瞒报遇难人数。第二，力求客观，但执行不力。多数时候，人们想要真实情况。但真相是昂贵的。哪怕是一个普通的问卷调研，也需要不菲的经费支持，抽样不合理、问答敷衍了事是普遍现象。经过多个不同环节的层层叠加，结果往往失真较大。填写过问卷或接受过拦访的人，想必会有所感受。现实中，只能靠机构的知名度和权威性来彰显结果的准确和合理。第三，数据自身的局限性。如果未来是确定好的，完全由过去决定，只是等待时间展示出来，那么通过数理统计可以预测未来。但人类社会充满着变数，数据往往无能为力。一只岁月静好的猪，无法通过既往数据预测出春节的黑天鹅；马车出行数据，可以获得“一匹更快的马”，但不能发明出汽车。正如米塞斯所言：“即使你对过去无所不知，你对未来仍一无所知。”无法应对突变，是数据天然的局限。![]()
参考文献来源：[1] Edward Felten & Manav Raj & Robert Seamans, 2021. "Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses," Strategic Management Journal, Wiley Blackwell
[2] Lane, M. and A. Saint-Martin (2021), “The impact of Artificial Intelligence on the labour market: What do we know so far?”, OECD Social, Employment and Migration Working Papers
[3] Daron Acemoglu, 2024. "The Simple Macroeconomics of AI," NBER Working Papers 32487, National Bureau of Economic Research, Inc.
推荐阅读
闫德利：《人工智能的新浪潮和商业化》闫德利：《AI的落地难题、应用案例和生产率悖论》👇 点个“在看”分享洞见
阅读原文
跳转微信打开
