AI時代就業秘籍：追蹤數百萬員工后，斯坦福大學發布職業生存指南

引言

由斯坦福大學三位學者發布的研究報告《煤礦中的金絲雀？關于人工智能近期就業效應的六個事實》（點擊閱讀全文），首次大規模、高精度地揭示了生成式人工智能（Generative AI）對美國勞動力市場，特別是對初入職場的年輕工作者，所產生的早期而顯著的沖擊。

這份報告無疑是跨國界的未來職場生存指南，當下的大學生、職場新人和中年，撞上的是百年未有之科技大變局。我將為大家做深度解讀。6000字，需要16分鐘閱讀，建議收藏在看之后備忘，找一段充足的時間看。

AI系統在SWE-Bench等基準測試上的表現，從2023年的僅能解決4.4%的問題，躍升至2024年的71.7%。同時，AI在語言理解、學科知識和推理能力上的進步也十分顯著。伴隨著能力的提升，AI的采用率也在飆升。截至2025年7月，18歲以上美國受訪者中，有46%在工作中使用了大型語言模型（LLM）。

在這種背景下，一個核心關切被不斷放大：AI是否已經開始取代人力，特別是那些在高度暴露職業（如軟件工程、客戶服務）中的年輕、入門級員工？盡管辯論激烈，但實證證據卻一直滯后于技術發展。

這個研究正是為了填補這一空白，利用美國最大的薪資處理公司ADP的海量、高頻、個體層面的薪資數據，追蹤了數百萬名員工直至2025年7月的就業動態，為這場辯論提供了迄今為止最清晰、最有力的實證依據。

術語解讀

讀報告之前，我們必須掌握一個術語，AI暴露度！

AI exposure，不是憑空給一個職業打分，而是深入到該職業所包含的數百項具體任務，評估AI對這些微觀任務的潛在或實際影響，再將這些微觀影響匯總，得出宏觀的職業暴露度。

做評估的第一種方法（基于任務自動化潛力的專家評估）側重于潛力，第二種方法（基于真實AI對話數據的行為分析）側重于實際應用行為。研究者通過結合這兩種方法，得出了更為全面和穩健的結論。

五個區間分別為：

第一區間：AI暴露度最低的20%的職業。

典型職業舉例：健康護工（包括護理員、精神病護工和家庭健康護工）、維修技工、倉庫管理員、女傭和清潔工。

第二區間：AI暴露度較低的20%的職業。例如卡車司機、送貨員裝配線上的技術工人、質檢員，某些類型的零售店員、餐飲服務員。

第三區間：AI暴露度中等的20%的職業。典型職業舉例：一線生產主管。

第四區間：AI暴露度較高的20%的職業。典型職業舉例：市場營銷和銷售經理。

第五區間 ：AI暴露度最高的20%的職業。典型職業舉例：軟件開發人員、客戶服務代表、會計師和審計師、行政助理。

事實一：AI暴露度最高的職業中，年輕員工就業顯著下滑

自2022年10月以來，軟件工程師和客戶服務代表這兩個職業中22-25歲員工的就業人數出現了急劇下降。到2025年7月，年輕軟件開發者的就業人數比2022年底的峰值下降了近20%。相比之下，同一職業中30歲以上的員工，其就業人數則持續增長。

與此形成鮮明對比的是低暴露度職業。在“倉庫管理員”中，不同年齡段的就業趨勢幾乎沒有差異。

而最低暴露度的第一等級職業——“健康護工”（包括護理員、精神病護工和家庭健康護工），其年輕員工的就業增長速度甚至快于年長員工。這一對比強烈暗示，就業下滑并非由宏觀經濟或行業周期等普遍因素驅動，而是與AI暴露度直接相關。

由此得出一個清晰的規律：對于22-25歲的員工，AI暴露度越高的職業，其就業下滑越嚴重。

大白話再解讀：

35歲+的中年人淚流滿面，可算等來了職業第二春，老登變老燈

而職場新人，為了長期發展，則需要選擇低暴露度職業。

護工要干啥？給老人翻身、擦洗、喂飯、心理疏導。全是體力活+情感活。AI能生成一萬篇護理指南，但替代不了你握住老人顫抖的手時，那份真實的溫度。這就是“增強”型職業的護城河。我認為，懂心理關懷的護工，她們的薪酬以后會越來越高。

事實二：整體就業穩健增長，但年輕員工增長停滯

從宏觀層面看，美國整體就業市場在后疫情時代依然表現強勁，失業率維持在低位。然而，當按年齡分組觀察時，一個令人不安的趨勢浮現：自2022年底以來，年輕員工（22-25歲）的整體就業增長陷入停滯，而其他年齡組的就業則持續穩健增長。

這一現象的根源在于AI暴露度的差異。研究者將職業分為高暴露度（第四、第五等級）和低暴露度（第一至第三等級）兩組進行分析。

結果顯示，在低暴露度職業中，各年齡段的就業增長率（6%-13%）并無明顯差異。但在高暴露度職業中，22-25歲員工的就業人數下降了6%，而35-49歲員工的就業人數卻增長了9%以上。

這清晰地表明，正是AI高暴露職業中年輕員工的就業下滑，拖累了其整體就業增長，導致了“年輕員工就業增長停滯”這一宏觀現象。

事實三：AI的“自動化”應用導致就業下滑，“增強”應用則不然

并非所有AI應用都會導致就業減少。研究的關鍵洞見在于區分了AI的兩種不同作用模式：“自動化”（Automation）和“增強”（Augmentation）。前者指AI直接取代人類完成任務，后者指AI作為工具輔助和提升人類工作效率。

研究者利用Anthropic Economic Index的數據，該指數基于數百萬次與Claude AI模型的對話，估算出每個職業相關的對話中，有多少比例屬于“自動化”行為（如直接委托AI完成任務），有多少屬于“增強”行為（如與AI協作迭代、學習或驗證工作）。

分析結果與理論預測完全一致：在那些AI主要用于“自動化”的職業中，年輕員工的就業出現了顯著下滑。而在那些AI主要用于“增強”人類能力的職業中，年輕員工的就業并未出現下滑，甚至在某些情況下增長最快。

這一發現至關重要，它表明AI對就業的影響并非其技術本身，而是其應用方式。當AI被用來取代人力時，它就會減少對初級勞動力的需求；當AI被用來賦能人力時，它反而可能創造新的機會。

大白話再解讀：

“自動化”職業，就是你把活直接甩給AI，自己當甩手掌柜。比如讓AI寫代碼、生成報告、回郵件。典型職業：軟件開發、會計審計、行政助理。在這些崗位，年輕人的就業曲線，清一色向下俯沖。

“增強”職業，是AI給你打輔助，你才是主角。你跟AI一起迭代方案，用它學習新知，讓它幫你驗證成果。典型職業：注冊護士、維修技工、廚師、CEO。在這些領域，年輕人的就業不僅沒跌，有些還在漲。

所以，選對賽道，比啥都重要。別再一頭扎進“自動化”紅海。去那些需要“手感”、需要“人味”、需要“臨場發揮”的地方。AI是工具，不是對手。讓它替你搬磚，你負責蓋樓。

事實四：就業下滑并非由公司或行業沖擊導致

一個合理的質疑是，上述就業下滑模式是否由其他因素驅動？例如，是否是科技行業在2022-2023年經歷的普遍招聘放緩或利率上升等宏觀沖擊，恰好影響了雇傭大量年輕、高AI暴露度員工的公司？

為了排除這種可能性，研究者在統計模型中加入了“公司-時間”固定效應（firm-time fixed effects）。這個效應可以吸收掉所有在同一時間點影響公司內所有員工的沖擊，無論其職業或AI暴露度如何。

即便在控制了這些公司層面的沖擊后，22-25歲員工在最高AI暴露度職業中的相對就業下滑幅度依然高達12個對數點（約等于13%），且統計上高度顯著。而對于其他年齡組，這種效應則微乎其微且不顯著。

這強有力地證明，觀察到的就業趨勢是AI暴露度本身驅動的，而非與之相關的其他公司或行業層面的混雜因素。

事實五：勞動力市場調整體現在就業而非薪酬

除了就業崗位數量，研究者也分析了員工的年度基本薪酬（已根據通脹調整）。結果發現，與就業數據的顯著分化不同，薪酬數據并未顯示出明顯的、與AI暴露度或年齡相關的系統性差異。

在高暴露度職業中，無論是年輕員工還是年長員工，其薪酬增長趨勢都與低暴露度職業中的同行大致相似。這可能有幾種解釋。

首先，根據Autor和Thompson（2025）的理論，取代“非專家”任務的技術會減少就業但提高工資，而取代“專家”任務的技術則可能產生相反效果。AI的影響可能同時包含了這兩種效應，導致工資的凈變化不大。

其次，更可能的原因是“工資粘性”（Wage Stickiness）。在短期內，企業可能更傾向于通過減少招聘或裁員來應對技術沖擊，而非立即降低現有員工的工資，因為降薪會嚴重打擊士氣并引發人才流失。

大白話再解讀：

降薪會打擊士氣，但不招人，卷起來，市場供需關系就是生產關系，你不愛干，有的是人。所以，你不是輸在能力，而是輸在入場券被AI撕了。

事實六：研究結果在多種穩健性檢驗下依然成立

為了確保研究結論的可靠性，作者進行了一系列嚴謹的穩健性檢驗，結果均支持其核心發現：

排除科技行業：有人可能認為，就業下滑僅僅是科技行業周期性調整的結果。然而，當研究者將“計算機職業”（SOC代碼以15-1開頭）或整個“信息產業”（NAICS代碼51）的公司從樣本中剔除后，年輕員工在剩余高AI暴露職業中的就業下滑趨勢依然清晰可見。這表明影響是跨行業的。

排除遠程工作影響：另一個擔憂是，就業下滑可能與遠程工作或外包有關。研究者根據Dingel和Neiman（2020）的分類，分別分析了“可遠程工作”和“不可遠程工作”的職業。結果發現，在兩類職業中，高AI暴露度都與年輕員工的就業增長放緩相關。特別是在“不可遠程工作”的職業（如銀行柜員、旅行代理）中也觀察到類似趨勢，這有力地反駁了“外包”是主要驅動因素的假說。

教育質量變化：有觀點認為，疫情期間教育質量下降導致年輕畢業生技能不足，從而影響了其就業。研究者按職業中大學畢業生比例高低進行分組分析。結果顯示，在高學歷職業中，雖然整體就業在下降，但AI暴露度帶來的分化效應較弱。而在低學歷職業中，高AI暴露度職業的就業在下降，低暴露度職業在增長，且這種分化效應持續到40歲左右的員工群體。這表明，教育質量下降無法完全解釋核心發現，反而暗示對于非大學畢業生而言，工作經驗在抵御AI沖擊方面的緩沖作用更小。

性別差異：分別對男性和女性員工進行分析，發現核心結論沒有差異，表明性別因素并非驅動因素。

數據樣本：無論是使用平衡面板數據（公司樣本固定），還是使用完整的、包含新進入和退出公司的樣本，結果都保持一致。

對比CPS數據：研究者將ADP數據與美國勞工統計局的“當前人口調查”（CPS）數據進行對比。CPS雖然是官方數據，但其樣本量小、波動性大，難以精確捕捉特定年齡-職業群體的細微變化。相比之下，ADP數據提供了更清晰、更穩定的趨勢圖景，凸顯了其在研究此類新興問題上的巨大優勢。

職業指南

論文到此結束，但由此，我們可以得到一個清晰的職業指南：選擇AI暴露度低的行業！

那些不容易被AI替代的職業，其核心特征與斯坦福報告揭示的全球趨勢高度一致：它們往往需要復雜的人際互動、實體操作、情感關懷或基于經驗的創造性決策，而非簡單的信息處理或程序化任務。

具體來說，以下幾類職業在中國市場也展現出較強的“抗AI性”：

第一類：需要深度人際互動和情感連接的職業。 例如，注冊護士、心理咨詢師、社會工作者、高端家政服務人員（如育嬰師、老年護理員）等。這些工作要求與服務對象建立信任關系，提供情感支持和個性化關懷，這是當前AI難以復制的 。人力資源，特別是涉及招聘和獵頭的工作，需要說服和建立人際關系，也較難被完全替代 。

例如，AI可以幫助護士快速查閱海量醫學文獻、為患者提供個性化的健康信息，或協助制定護理計劃，但核心的臨床判斷、情感關懷和復雜決策仍需由人類護士完成。

第二類：依賴實體操作和現場應變的技工類職業。 例如，高級維修技工、電工、管道工、廚師、焊工等。這些崗位需要在復雜的物理環境中動手操作，處理各種非標準化的突發狀況，AI和機器人目前在靈活性和適應性上仍有很大局限 。

AI可以提供菜譜創意、優化烹飪流程，或給出焊接參數建議，但最終的“手感”、火候掌控和藝術性創作是AI難以復制的。

第三類：需要高度創造力和戰略決策的管理類職業。 例如，企業首席執行官、高級策略規劃師、創意總監等。這些職位需要基于不完全信息和復雜環境做出判斷，承擔風險，并激發團隊，其核心是人類的領導力和遠見，而非數據處理能力 。技術研發管理崗位，由于需要復雜問題解決能力，也較難被完全替代 。

AI可以提供市場分析、競爭對手情報和財務預測，輔助CEO進行戰略規劃，但領導力、愿景設定和重大危機決策無法被自動化。

第四類：強調個性化和藝術性的創意職業。 例如，藝術家、設計師（尤其是用戶體驗、產品設計）、作家、導演等。雖然AI可以輔助生成內容，但原創性的構思、獨特的審美和深刻的情感表達，依然是人類的專屬領域 。

在這些職業中，AI并非取代人類，而是作為強大的協作者和工具，幫助人類提升工作效率、激發創造力或驗證工作成果。人與AI之間是深度協作的關系。AI主要用于“增強”人類能力。

總而言之，判斷一個職業是否容易被AI替代，關鍵在于看它主要依賴的是“顯性知識”還是“隱性知識”。

AI模型的訓練過程使其擅長處理和生成“顯性知識”，即那些可以被編碼、記錄和傳授的“書本知識”，而這正是正規教育的核心內容。相反，AI在捕捉和復制“隱性知識”——那些通過長期工作經驗積累的、難以言傳的“訣竅”和直覺——方面則相對乏力。

職場老油條們靠的是“隱性知識”，是那些沒法寫進教科書的職場潛規則、人情世故、臨場應變。AI再牛，也學不會怎么哄甲方爸爸開心，怎么在會議上把鍋甩得不著痕跡。所以，經驗成了最好的防彈衣。

在中國，任何需要“手感”、“人情味”、“臨場發揮”和“十年磨一劍”的經驗積累的工作，都更有可能成為AI時代的“安全區” 。相反，那些流程化、標準化、主要在電腦前完成的信息處理工作，則面臨更大的被自動化風險。

后記：AI幻覺要解決，職場幻覺更緊迫

職場新人最容易犯的錯，就是追求“穩定”。以為進大廠、考編制就萬事大吉。斯坦福的數據告訴你，在AI時代，“穩定”是最危險的幻覺。唯一不變的，是變化本身。你的能力，必須能跟著技術迭代。

美國大學生，正在從計算機科學等AI暴露度高的專業，流向那些AI難以自動化、更側重于“增強”人類能力或需要大量“隱性知識”和人際互動的領域。那中國大學生呢？

別再問“學什么專業好找工作”了。要問“我的工作，AI能不能干”。如果能，趕緊跑。如果不能，恭喜你，你站在了時代的風口。未來十年，屬于那些能和AI共舞的人，而不是被AI碾過的人。

最后送大家一句話：在AI時代，最大的風險不是失業，而是你的技能，變得毫無議價能力。別做被優化的螺絲釘，要做掌控工具的造物主。未來，屬于終身學習者，屬于人機協作的藝術家。

閱讀全文點擊《關于人工智能近期就業影響的六個事實》