AI在理论上能替代你94%的工作内容。但真正被用上的只有33%。这61个百分点的差距,到底意味着什么?Anthropic分析了自家Claude数百万条使用数据后给出的答案,相当耐人寻味。
这是什么?
2026年3月5日,Anthropic的经济学家Maxim Massenkoff和Peter McCrory发表了题为《Labor market impacts of AI: A new measure and early evidence》的论文。 核心是一个全新指标——"观察暴露度(Observed Exposure)"。如果说过去的研究只看"AI理论上能做什么",那么这项研究把Claude的实际使用数据与美国职业数据库(O*NET)结合起来,第一次量化了理论与现实之间的鸿沟。
方法论相当精细。研究先从Eloundou等人(2023)的《GPTs are GPTs》论文里取出每个职业任务的理论AI暴露度(beta分数),再叠加Anthropic Economic Index中Claude的真实使用模式。 在这个过程里,自动化(automation而非augmentation)用途和与工作相关的使用被赋予更高权重。也就是说,用ChatGPT问菜谱不算,只筛选真正把AI用在工作上的案例。
结果令人吃惊。Claude的使用中,68%属于"完全暴露"任务(beta=1.0),29%属于"部分暴露"任务,只有3%属于"未暴露"任务。 这意味着AI正集中用于它能做的事情上。问题在于,"它能做的事"和"它实际在做的事"之间的落差。
重点:理论 vs 现实
理论暴露度(Theoretical Exposure) = AI技术上可以执行的任务比例
观察暴露度(Observed Exposure) = 实际Claude使用数据中确认的任务比例
这两者的差距正是研究的核心发现。差距越大,说明"AI还没吃掉的蛋糕"越大,同时也意味着"采用门槛很高"。
有什么不同?
发现一:94% vs 33%——能力与现实的鸿沟
这是最扎眼的数字。在计算机·数学类职业里,AI的理论任务覆盖率是94%,而基于Claude实际使用的覆盖率只有33%。 办公·行政类职业理论上也有90%,实际只覆盖一小部分。研究团队把这61个百分点的差距归因于四点——模型本身的局限、法律约束、需要额外软件集成,以及AI输出需要人工审核。
发现二:各职业"观察暴露度"排名
研究公布的实际AI暴露度排名,和理论预测呈现出相当不同的画面。
| 职业 | 观察暴露度 | 理论暴露度 | 差距 |
|---|---|---|---|
| 计算机程序员 | 74.5% | 94% | 19.5个百分点 |
| 客户服务代表 | 70.1% | ~90% | ~20个百分点 |
| 数据录入专员 | 67.1% | ~85% | ~18个百分点 |
| 计算机·数学职业平均 | 33% | 94% | 61个百分点 |
| 厨师、机械工、调酒师等 | 0% | ~5% | ~5个百分点 |
程序员以74.5%排在第一。 紧随其后的是客户服务(70.1%)和数据录入(67.1%)。另一边,大约30%的劳动者AI暴露度为0%——厨师、摩托车修理工、救生员、调酒师这类需要在物理现场工作的职业。
发现三:最受AI影响的人群画像
这部分有点出乎意料。AI暴露度排名前25%职业里的劳动者,与最低的那群人相比:
收入高47%,研究生学历持有率高3.9倍(17.4% vs 4.5%),女性比例高16个百分点。换句话说,AI瞄准的不是低薪简单劳动,而是高学历、高收入的白领群体。
发现四:暂无大规模失业,但青年招聘出现信号
研究团队的结论很谨慎。ChatGPT发布(2022年12月)之后,AI高暴露职业里并未观察到失业率的系统性上升。 但22~25岁青年群体则是另一回事。AI高暴露职业的青年求职成功率(job finding rate)下降了14%。 研究人员承认这一数据"勉强达到统计显著性",但仍认为这是值得关注的早期信号。
达拉斯联储另一项独立研究也印证了这一点。AI暴露度前10%的行业,2022年以来整体就业下降1%,其中计算机系统设计领域下降5%。但同领域的薪资却上涨了16.7%——是全国平均7.5%的两倍多。 怎么解读?有经验的人变得更贵,新人的门变窄了。
发现五:"白领大衰退"情景
这是论文里最受关注的部分。研究人员提到2007~2009年大衰退(Great Recession)期间美国失业率从5%翻倍到10%,警告AI高暴露职业里可能发生类似情形——失业率从3%翻倍到6%的情景。 Fortune将其命名为"白领大衰退(Great Recession for white-collar workers)"。
"在我们的框架下,这种规模的变化是完全可以被探测到的。这种情况尚未发生,但这并不构成我们停止监控的理由。"
— Massenkoff & McCrory, Anthropic研究团队
"还没发生"不等于"不会发生"
与BLS(美国劳工统计局)的独立预测交叉验证后发现,AI观察暴露度每提高10个百分点,BLS的增长预测就下降0.6个百分点。 政府的预测数据也指向同一个方向。
上手指南
这项研究的启示很清晰。AI的理论能力已经覆盖了大多数白领工作,但真正落地需要时间和条件。在这段时间里,你能做什么?
- 先确认自己职业的"观察暴露度"
Anthropic公开的数据集已上传到Hugging Face。 看看自己职业里哪些任务已经被AI覆盖,哪些任务还没有。即使是"74.5%被覆盖的程序员",剩下的25.5%也可能正是你的核心价值。 - 把精力投到AI做不了的那25%
研究中显示的采用障碍——法律约束、人工审核需求、复杂判断——正是人类价值得以保留的领域。 如果你写代码,把重点放在架构设计和业务逻辑判断上;如果做客服,把重点放在情绪应对和升级判断上。 - 把AI当"同事"用,而不是"工具"用
正如达拉斯联储的数据所示,AI高暴露领域的资深从业者薪资反而上涨了16.7%。 善用AI的资深人士正变得更有价值。不要停留在"问问ChatGPT"的层面,要把AI系统性地融入到工作流中。 - 如果你22~25岁,重新设计入行策略
青年招聘下降不是"因为AI被裁",而是"因为AI不再招新人"的结构。 在简历上明确标注AI使用能力,凸显无法被自动化的领域专长。 - 每6个月重新评估一次
这项研究最重要的信息是:94%的理论能力之所以停留在33%,不是技术瓶颈,而是采用速度的问题。 一旦法律框架完善、软件集成工具进步、组织变革推进,那个33%可能会迅速攀升。METR的数据显示,AI能完成任务的复杂度每7个月翻一倍。
