張丹丹、李強等：AI大模型影響下的勞動力市場錯配研究

近年來，以大語言模型（LLM）為代表的人工智能（AI）技術快速發展，深刻改變了勞動力市場的任務結構與技能需求，重塑了求職者的教育認知與職業選擇。在中國勞動力市場上結構性矛盾日益突出的背景下，AI技術進步能否帶來新契機還是挑戰？在AI時代，求職者更可能找到與自身能力、教育水平、專業方向更契合的就業崗位，還是更易陷入“錯配”的困境？

北京大學國家發展研究院與智聯招聘聯合，基于2021年1月至2025年7月的超過162萬條智聯招聘平臺的“崗位-求職者”匹配數據，撰寫《人工智能大語言模型技術影響下的勞動力市場求職錯配情況報告》，深入探討AI時代勞動力市場的求職質量變化。

課題組成員

北京大學國家發展研究院

張丹丹、于航、李泓孛、張潤博、袁譽寧

智聯招聘

李強、王一新、李小麗

00

核心發現

一、勞動力市場求職錯配的變化趨勢

• 從求職中的教育和專業錯配角度來看，中國勞動力市場結構性矛盾近年來存在加劇趨勢。

• 在較可能達成“雇傭”結果的線上簡歷投遞中，近六成的求職者匹配了低學歷要求的崗位，即存在“縱向錯配”現象，近45%的大專及以上求職者匹配了專業不對口的崗位，即存在“橫向錯配”現象。

• 錯配程度在不同類型求職者中存在差異。縱向錯配方面，高中學歷和本科及以上學歷的求職者，16-24歲青年群體和45歲及以上中老年群體是縱向錯配的高發群體；橫向錯配方面，大專學歷求職者，門檻較低的職業、服務導向型行業的錯配程度普遍較高。

二、AI-LLM技術對勞動力市場求職錯配的影響

• 在出現ChatGPT為代表的人工智能大語言模型技術沖擊后，人工智能大語言模型暴露度高的職業縱向錯配發生概率明顯縮小，但對橫向錯配的程度沒有明顯的改變。

• 隨著人工智能大語言模型技術的應用，高暴露度的職業通過不斷提升的技能復雜度與學歷門檻，同時提供更為精準的職業需求信號，這些因素或可解釋人工智能大語言模型技術發展對勞動力市場縱向錯配比例的減少作用。

01

勞動力市場求職錯配的定義與趨勢

（一）錯配的定義

求職過程中的錯配是衡量勞動力市場結構性矛盾的重要指標，用以反映求職者所受教育與工作崗位要求不匹配這一現象，具體可以分為基于學歷的“縱向錯配”和基于專業的“橫向錯配”。課題組采用線上招聘求職者投遞和用人單位回復的信息，結合國內外前沿方法，對中國勞動力市場上的“縱向錯配”與“橫向錯配”進行測算。此前，為了單獨說明求職者投遞的行為，我們首先結合線上求職流程從投遞行為的角度出發，定義了“向下投遞”與“跨專業投遞”。

“向下投遞”是指求職者學歷高于申請崗位學歷要求的投遞1。課題組將學歷劃分為五個層級：1級為不限學歷或初中及以下；高中、中專、中技為2級；大專為3級；本科為4級；研究生（包含碩士、博士）為5級。根據勞動者所受教育與工作崗位要求學歷層級的相對關系判斷是否為“向下投遞”。

“跨專業投遞”是指求職者所學專業與職位所要求專業匹配的投遞。其識別依賴于如何構建求職者所學專業與職位所需專業之間的匹配關系，課題組將國際上權威的“CIP–SOC”對照表（即專業-職業的匹配表）進行了適合中國勞動力市場語境的本土化處理，并以此為依據進行專業-職業匹配度的識別。考慮到高中及以下學歷的求職者無明確的專業之分，大專及以上的求職者專業性較強，因此在研究“跨專業投遞”時將求職者的學歷層級限定在大專及以上的求職者。

相比投遞行為聚焦求職者的行為，勞動力市場的匹配結果則關注供需雙方的意向。課題組采用了線上招聘平臺對求職者回復的信息，構建反映招聘雙方意愿的“正向回復”指標，該指標可在一定程度反映入職匹配的情況。基于此，我們將“縱向錯配”定義為有正向回復的“向下投遞”，“橫向錯配”為有正向回復的“跨專業投遞”。

（二）對錯配時間趨勢的判斷

圖 1呈現了投遞行為（左圖）與求職錯配的年度變化趨勢（右圖）。從線上招聘市場的供給端（投遞者）來看，約有40-45%的投遞為“向下投遞”；有40%大專及以上求職者的投遞為“跨專業投遞”；“向下投遞”和“跨專業投遞”在2021年至2025年間沒有明顯的變化。然而，考慮到需求側的市場反饋之后，我們發現在這一時間段內兩種錯配的比例均明顯呈上升趨勢，“縱向錯配”比例從52.0%增長到64.9%，“橫向錯配”比例從40.7%增長到49.3%。

圖 1：投遞行為和勞動力市場錯配時間趨勢

數據來源：智聯招聘

不斷增長的縱向錯配比例可能說明部分求職者處于“學歷過剩”的困境，抑制了其學歷優勢的充分發揮，加劇了人力資源的浪費，導致該群體求職滿意度的降低。不斷增長的橫向錯配表明，求職過程中專業不對口的現象亦有所加劇，需及時調整人才培養體系、持續加強人才技能提升，以應對市場需求的快速變化。

對比來看，考慮了需求側的市場反饋后，“縱向錯配”比例顯著高于“向下投遞”，隨時間推進有加劇趨勢。可能是由于高學歷求職者的供給增加，且用人單位對高學歷求職者的選擇越來越多。然而，這可能導致原本恰好符合崗位學歷要求的投遞者逐漸被排除在外，導致了縱向錯配現象的增多。“橫向錯配”比例也略高于“跨專業投遞”，隨時間亦有加強趨勢，這可能是由于近年來跨領域、復合型人才需求的上漲。

（三）錯配在不同職業、學歷、專業和行業中的差異性

求職過程中縱向及橫向錯配在不同職業中呈現出鮮明的差異。如圖 2所示，縱向錯配發生概率低（教育適配度高）的是學歷門檻較高、專業性較強的職業，如數據工程師、生物/醫藥研發等；而演藝類、體力型等學歷門檻較低的職業反而更會青睞高于職業需求學歷的求職者，如主播、印刷包裝職業等。

圖 2：縱向錯配比例最高和最低的各五個職業

數據來源：智聯招聘

如圖 3所示，橫向錯配比例低（專業適配度高）的是一些技術性、專業性較強的職業，比如醫生和軟件研發相關職業；錯配比例高的多為一些不依賴于特殊的專業技能的體力工作職業，如物流運輸相關的職業。

圖 3：橫向錯配比例最高和最低的各五個職業

數據來源：智聯招聘

錯配現象在不同求職者群體中呈現出顯著差異。圖 4反映了不同教育程度和年齡段的求職者的縱向錯配情況。首先，可以看到縱向錯配在學歷維度上呈現出“中間低、兩頭高”的特征，總的來說學歷越高的求職者越可能存在縱向錯配，但是大專學歷的求職者縱向錯配比例要明顯低于中專、中技、高中學歷的求職者。其次，在年齡維度上， 隨著求職者年齡段的增加，其離開學校的時間也在增加，因此在學校的所學專業的適配性會出現自然下降，但是值得注意的是，16-24歲青年群體縱向錯配比例顯著高于其他年齡段，年輕求職者可能因為對職場的適應力較弱、工作經驗較少，或是傾向于選擇層級相對較低的職業作為“跳板”，為后續職業發展積累經驗。此外，45歲及以上的中高齡人群縱向錯配比例也較高。

圖 4：不同求職者縱向錯配比例分布情況

數據來源：智聯招聘

在 橫向錯配方面 （見圖 5），從學歷維度分析，研究發現大專學歷的求職者的橫向錯配比例最高，相比本科及以上學歷的求職者高出10個百分點。這可能與大專學歷求職者的專業技能相對基礎、職業選擇靈活性較高有關；年齡維度方面，大專學歷求職者的橫向錯配比例對年齡不敏感，基本保持穩定，本科學歷求職者的錯配比例隨年齡增長略有上升，而碩士、博士學歷求職者的錯配比例隨年齡增長則呈現明顯的下降趨勢。這可能說明碩士、博士求職者鎖定專業性相對更強的職業，并隨著工作經驗的積累愈趨專業化。相對而言，本科學歷的求職者則隨著工作經驗的增長趨于多元化，專業的適配性下降。

圖 5：不同求職者橫向錯配比例分布情況

數據來源：智聯招聘

圖 6和圖 7表明，求職者不同專業背景下的錯配比例也存在明顯差異。縱向錯配比例較低的多為專業技能導向性強、學歷門檻較高的專業，如生物工程師類、計算機類；橫向錯配比例較低的多為相對通用、職業匹配面較廣的專業，如公共管理類、工商管理類。而藝術特長類專業的縱向錯配和橫向錯配比例均較高，如音樂與舞蹈學類、體育學類、美術學類。此外，橫向錯配比例較高的專業，也可能是由于對口工作機會不足而投遞其他領域。

圖6：縱向錯配比例最高及最低的各十大專業

數據來源：智聯招聘

圖 7：橫向錯配比例最高及最低的各十大專業

數據來源：智聯招聘

圖 8和圖 9分別展示了不同行業（按照智聯二級行業分類）的縱向錯配與橫向錯配比例。結果顯示，不論縱向維度還是橫向維度，技術密集型行業（如信息技術、能源化工）錯配比例普遍較低，而服務導向型行業（如物流、餐飲）中錯配現象更為嚴重。圖中同時呈現了不同行業的學歷要求層級，學歷要求與錯配比例高度相關。縱向錯配比例低（高）的行業往往是學歷要求高（低）的行業，而橫向錯配與學歷要求的相關性相對較弱。

圖 8：縱向錯配比例最高及最低的各十大行業

數據來源：智聯招聘

圖 9：橫向錯配比例最高及最低的各十大行業

數據來源：智聯招聘

（四）錯配比例隨時間增加的求職者群體

我們將求職者按照學歷、年齡、性別分成了40個組別。表 1和表 2分別呈現了2021-2025年間縱向錯配比例和橫向錯配比例增長最高的10組求職者群體。分析表明，縱向錯配增長快的群體是中低學歷的群體，即高中、中專、中技的求職者更多地投遞不限學歷的崗位，說明中等人力資本或技能的勞動力在勞動力市場上找到適配同等教育程度崗位的機會減少，只能退而求其次地向下投遞；橫向錯配比例增長高的主要是低年齡段（16-24歲）的大專學歷求職群體，說明青年高學歷中的相對低學歷群體在更多地嘗試跨領域就業。

表 1：縱向錯配比例增長最高的10組求職者群體

表 2：橫向錯配比例增長最高的10組求職者群體

數據來源：智聯招聘

02

AI-LLM技術對勞動力市場求職錯配的影響

職業的“人工智能大語言模型技術（AI-LLM）”暴露指數可以直觀地衡量AI-LLM技術對該職業的潛在影響程度。選用ChatGPT在2022年底的發布作為AI-LLM技術對勞動力市場的沖擊節點，圖 10與圖 11分別呈現了沖擊前后每種職業縱向錯配與橫向錯配比例的變動與職業AI-LLM暴露指數的相關關系。具體而言，圖中每個點代表不同的職業類別，橫坐標為職業的AI-LLM暴露指數，縱坐標為受到ChatGPT 發布沖擊前后職業的求職錯配比例的差值，點的大小則代表在沖擊前的職業份額占比大小。

從圖中展示的負向關系可以初步判定，ChatGPT發布前后相比，AI-LLM暴露度高的職業縱向錯配比例的增長幅度顯著低于低暴露度職業，說明那些高AI暴露度職業（如技術研發、數據分析、內容創作等）的錯配問題出現了緩解跡象；而在橫向錯配的比例變動中，高低暴露度職業并沒有呈現出明顯的差異性。

圖 10：職業縱向錯配比例的變動與AL-LLM暴露度的散點圖

數據來源：智聯招聘

圖 11：職業橫向錯配比例的變動與AL-LLM暴露度的散點圖

數據來源：智聯招聘

進一步地，研究團隊用定量分析的方法實證檢驗了以ChatGPT為代表的AI-LLM技術應用沖擊對勞動力市場求職錯配狀況的真實影響，分析結果表明：

首先，就投遞行為而言，受到AI-LLM技術沖擊后，高AI-LLM暴露度職業的崗位收到了更多申請人投遞。具體而言，與沖擊前相比，職業暴露度每增加一個標準差，在有投遞崗位中的投遞數量平均增加11.30人次。投遞人次的增加意味著競爭更加激烈。高AI暴露度職業在ChatGPT發布后變得“更受歡迎”，投遞量有所增加，但企業的回復率和正向回復率卻在降低。這表明，面對蜂擁而至的求職者，企業變得更加“挑剔”，匹配過程更具選擇性。

其次，從匹配的結果來看，受到AI-LLM技術沖擊后，高暴露度職業的崗位中縱向錯配比例相對減少。在橫向錯配方面，高暴露度職業與低暴露度職業在人工智能大語言模型技術沖擊后并未呈現出明顯差異。

對于求職過程中教育的適配性在高暴露度的職業中提升的發現，課題組認為存在以下可能的機制：

1. 信號更明確，招聘效率提升：AI技術的應用使得高暴露度崗位的工作任務和技能要求描述得更加具體、清晰。招聘廣告文本分析顯示，這些崗位在ChatGPT發布后，所描述的工作任務數量和明確提及的技能要求數量均有增加。這種“信號機制”的強化，直接勸退了不具備相應條件的求職者，減少了盲目投遞，提升了匹配效率。

2. 崗位門檻系統性提高：AI的介入并非簡單地替代人力，而是重塑了工作內容，要求更高水平的人機協作。這使得崗位對技能的專業度和復雜度的要求水漲船高。研究發現，高暴露度崗位招聘廣告中提及技能的“相對復雜度”顯著提升。這種門檻的提高，促使求職者更精準地評估自身與崗位的匹配度。

3. 工作任務調整，要求更具體：AI技術改變了高暴露職業的工作范式，企業為了適應新技術，主動調整了崗位設置和任務描述，使其更具針對性和專業性，從而引導了更精準的勞動力匹配。

課題組從不同維度進一步展開異質性分析，結果呈現出鮮明的群體分化特征。從求職者專業背景維度發現，科學技術類（STEM專業）的求職者在AI-LLM高暴露的職業更有可能進行主動調整，盡可能地降低崗位減少、工作內容變化給自己帶來的負面影響；而其他專業背景的求職者相對更為被動。

總結來看，近年來以大語言模型為代表的人工智能技術不僅影響著勞動力的需求，同時通過改變求職過程的匹配效率重塑了勞動力市場的結構。本報告聚焦職業AI-LLM暴露度與求職過程的錯配問題，為理解技術變革下的勞動力市場結構性矛盾的演變提供了新的見解。

研究發現在勞動力市場結構性矛盾凸顯的今天，在AI技術沖擊后，AI-LLM高暴露度的職業吸引了更多的求職者，說明求職者對與最新AI技術結合度高的職業的青睞，但企業的回復率和正向回復率卻在降低。這表明，面對蜂擁而至的求職者，企業變得更加“挑剔”，匹配過程更具選擇性。

在AI技術沖擊后，那些高AI暴露度職業（如技術研發、數據分析、內容創作等）的錯配問題出現了緩解跡象。具體表現為，這些職業收到的簡歷中“向下投遞”的比例，以及最終“近似雇傭”中的錯配比例均有所下降。

本報告揭示，在人工智能技術持續滲透的背景下，勞動力市場錯配本質是“技術變革速度”與“人力資本調整速度”的差距問題。盡管AI在部分高暴露度職業中已通過推動企業進行更精細的崗位設計和人才篩選，部分優化了市場配置效率，但整體而言，教育錯配仍在持續。因此，未來政策需更具前瞻性：一方面應鼓勵企業借助AI等技術提升人崗匹配精度，另一方面須加快教育體系與職業技能培訓的改革，以響應AI時代對知識與技能結構的新要求。通過主動適應與引導，方能最大化技術紅利、最小化轉型陣痛，為中國經濟高質量發展提供堅實的人力資源支撐與人才保障。

1.投遞指申請人在線上招聘平臺上向特定崗位提交求職意向所形成的“申請人–崗位”匹配行為，每一對唯一的申請人和崗位匹配構成一次投遞。