初入職場的年輕人、高薪女白領，是AI面前最危險的兩類人 | Claude母公司報告

這段時間，只要大家坐在一起，就必聊一個話題：
AI。

伴隨這個話題，往往是一種特別濃重的情緒：

焦慮。

“AI即將淘汰這20種職業”、“未來五年，一半白領將失去工作”，類似的標題，在文章、視頻里，幾乎天天看到。看得多了，難免犯嘀咕：我的工作，會被取代嗎？今天的經驗和技能，會不會突然一文不值？

我特別理解。但焦慮，往往來源于模糊?？床磺澹謶志蜁粺o限放大。

所以今天，我特別想跟你分享一份，AI如何影響就業的報告：《AI對勞動力市場的影響：一種新測量方法及早期證據》。

這份報告，很特殊。特殊在發布者，也特殊在研究方法。

它的發布者，不是咨詢公司，而是頂尖AI公司之一，Anthropic。他們開發的Claude，是ChatGPT的有力競爭者。而報告，也沒有停留在邏輯推導，而是交叉比對了美國職業信息網絡，和Claude后臺的用戶數據。

那么，報告說了些什么？和我們又有什么關系？

我試著花了一些時間，把你可能關心的數據和洞察，簡要梳理了一遍。

01

評估AI影響，要看真實的后臺數據

如何衡量，AI對一份工作的沖擊？

要知道，過去預測技術沖擊，有不少翻車記錄。曾有人預測，美國約1/4工作，有被“離岸外包”搶走的風險。但10年過去了，大部分還在。工業機器人到底搶走了多少工作崗位，還沒有定論。

為什么預測常常不準？因為大家看的，大多是理論推導。

理論推導，就是專家把工作拆解成幾個任務，比如寫郵件、比如做表格。然后評估：AI理論上能不能寫郵件？能不能做表格？能。那這個工作就很危險。但理論上能干，不代表就能真干。法律、管理成本、效率，甚至用戶接受度，等等因素，都是阻礙。

怎么辦？

既然理論推導不準，那咱就直接去看看，用戶到底用AI干了啥。

于是，Anthropic創造了一個新的指標：觀測暴露度（Observed Exposure）。名字聽上去有點學術。一句話概括這個指標的意思，就是：

一份工作的具體任務，到底被AI覆蓋了多少。

具體到每個工作，它會考慮這幾個維度。

比如，真實使用量。Anthropic參考了Claude的海量使用數據。例如，是不是真的有人，在工作的時候用它來寫郵件。沒有，就不算。

比如，任務占比。如果一個崗位中，被AI影響的任務只占很小一部分，整體暴露度也不會高。

還比如，自動化程度。是AI寫初稿你修改潤色，還是公司直接用AI自動生成和發送郵件。后者這種自動化模式，對崗位的替代風險，遠大于前者。

這樣，“觀測暴露度”就不局限于推理，而是基于真實數據的統計。

那統計的結果，怎么樣？

02

高薪女白領，可能更容易受到AI沖擊

報告的一個結論，讓很多人吃了一驚：

當前階段，AI暴露度較高的職業人群，更偏向高學歷、高收入的白領崗位，女性比例也更高。

怎么得出的結論？

Anthropic，把暴露度前25%職業的“高暴露群體”，和幾乎不被AI影響的“無暴露群體”，進行了對比。他們發現：

學歷方面，完全不受AI影響的一組，擁有研究生學歷的，只有4.5%。但高暴露度那組，跳到了17.4%，近四倍。收入方面，高暴露組平均時薪32.69美元，另一組22.23美元。高47%。性別方面，高暴露組里女性占54.4%，另一組只有38.8%。

為什么會這樣？

我們得先搞清楚，所謂的“高暴露群體”和“無暴露群體”，都是什么職業。

03

能不能被AI替代，要看工作內容是不是可以拆成Skill

首先，幾乎不受AI影響的職業，約占30%。比如廚師、汽車修理工、救生員和洗碗工，這些工作依賴現實操作，幾乎沒有被AI覆蓋。

那“高暴露群體”呢？報告把AI暴露度前10名的職業，列了一個榜單。

排第一位的，你可能也猜到了：程序員，暴露度高達74.5%。Claude后臺里，大量的自動化任務，都集中在“編寫、更新和維護軟件程序”上。

客戶服務代表緊隨其后，暴露度為70.1%。報告提到，很多企業已經把AI嵌入了客服系統?？蛻魡枂栴}，AI瞬間回答。

除此之外，還有數據錄入員（暴露度67.1%）、醫療記錄員（66.7%）、市場研究分析師（64.8%）、金融和投資分析師（57.2%）等等。

這些職業，表面上天差地別。但仔細想，它們有個共同點：

大部分工作內容，都能拆成一套標準動作。

客服處理投訴，是一套動作。數據錄入，是一套動作。寫報告、寫代碼、做分析，都可以拆成一個個簡單步驟，用語言描述清楚。這也是AI體系里常提到的：Skill。比如，寫郵件的Skill，就可以拆成理解產品，提煉賣點，組織結構，生成文案等等幾個步驟，反復執行。

換句話說，AI替代的不是具體職業，是可以被“Skill化”的工作任務。

反過來看，那些AI暫時做不了的事情，往往不是因為更“高級”，而是因為還拆不成Skill。比如在充滿博弈的會議室里，判斷局勢。在沒有先例的情況下，做決策承擔后果。在見面五分鐘內，贏得信任。

所以，為什么高薪女白領，會呈現更高的AI暴露度？

答案不在“人”上，在“任務”上。當一份職業的核心任務，能被拆解為Skill時，這份職業的AI暴露度，就必然會高。

過去幾十年，市場把高薪給了那些產出信息的工作：寫報告、做分析、整理數據。這些工作需要學歷背書，比起很多傳統工作，也吸納了更多女性。但這類工作，恰恰也是Skill化程度最高的一類。

當一項能力可以被寫成流程，它就已經在AI的射程之內。

這件事影響最大的，不是老員工，而是還沒來得及上崗的年輕人。

04

年輕人工作的入門門檻，正在越來越高

報告捕捉到了一個，值得警惕的先行指標：

年輕人的“新工作開始率”。

看圖。紅線，代表了AI高暴露度職業中，22-25歲年輕人的新工作開始率。藍色，是零暴露職業中，年輕人新工作開始率。2024年初，AI高暴露度職業的“新工作開始率”，開始下降。與2022年相比，平均下降約14%。

這意味著什么？

AI對就業市場的第一刀，砍向的不是“存量”崗位，而是“增量”機會。

我們可以把公司的用人策略，簡化為兩個基本動作：

用好老人，和招聘新人。

過去，當業務增長，公司最直接的反應，就是“招新人”。但現在，企業有了一個充滿誘惑的新選項：

通過AI提效，用好老人。

一個市場分析團隊，有2個主管和5個專員。主管負責策劃終審，專員負責找資料、寫作等執行工作。但有了AI，執行工作可以被輕松覆蓋。這時候，如果公司業務增長了20%，作為老板，你怎么選？

是再招聘2個專員，還是讓老員工們用好AI，多做工作？

很多時候，答案是后者。新招聘員工，不光要承擔培養成本，還得做好新人和團隊不合拍，支付分手費用的心理準備。

AI時代，年輕人的挑戰，可能不是與同齡人競爭初級崗位，而是與AI加持的資深員工，競爭崗位“是否需要存在”。

05

AI應用仍在“提效”階段，還沒進入“降本”階段

說完新員工，那老員工呢？

如果我的大部分工作，能被拆解成Skill，那我是不是要被淘汰了？

報告給出的答案是：高暴露度，暫時不等于高失業率。

看這張圖。紅線，代表AI高暴露度群體的失業率。藍色，代表零暴露群體的失業率。兩者幾乎平行。

“高?！比巳海]有比“安全”人群，出現更高失業的風險。

為什么？報告沒有直接給出解釋。但大概因為：

大多企業的AI應用，可能仍在“提效”階段，沒進入“降本”階段。

一項新技術在企業中的應用，可能要分成多個階段。

第一階段，是嘗鮮和探索。

起初，企業會鼓勵員工嘗試AI工具，看它能不能解決一些過往難題。這個階段，大家關注的是“它能做什么”，而不是“它能替代誰”。

第二階段，是賦能和提效。

試點成功后，企業就會將AI，整合進現有工作流中。讓一個設計師，出需要三個人才能完成的系列海報。讓一個分析師，一小時處理一天時間才能搞定的數據。這個階段，大家關注的，是人均產出的提升。

第三階段，才是重組和降本。

當AI與業務深度融合，企業會重新審視人員需求。既然一個員工，能干過去2個員工的活，那10個人的團隊，是不是7個人就夠了？這個階段，裁員，就成了一個擺在桌面上的選項。

技術帶來效率提升，早期會體現為利潤增長，后期才會體現為成本優化。

更何況，AI的落地速度，其實遠慢于技術爆發的速度。

06

AI落地速度沒那么快，因為現實世界存在摩擦力

這是一張來自報告的雷達圖。

藍色區域，代表理論上AI能替代的任務比例。紅色的區域，代表實際上用AI完成的任務比例。理論和實際，存在巨大差距。

舉個例子。計算機和數學。

根據專家理論評估，這個領域里94%的任務，都可以通過AI自動完成，但實際任務覆蓋率只有33%。商業金融、管理、建筑，也一樣。理論覆蓋率雖然高，但實際覆蓋率縮水得非常厲害。

咦？不是說AI要來搶飯碗嗎，怎么實際上陣，縮水這么厲害？

因為現實世界里，充滿了“摩擦力”。

什么摩擦力？

比如，“隱性知識難復制”問題。

一個知識工作者的價值，不光在于能用文字描述的“顯性知識”，更在于情感和互動中的“隱性知識”。優秀的醫生，看診不僅靠醫理，更靠對病人情緒的洞察、對病癥的直覺判斷。頂尖銷售，簽單不僅靠產品知識，更基于對客戶情緒的微妙把握、對氛圍的精準感知。

AI擅長復制“說明書”，但難以復制“老師傅”。

比如，“任務最后一公里”問題。

AI無法被懲罰。直白點說，沒辦法背鍋。即便AI可以完成90%任務，但最后的10%，需要校驗、決策和擔責，還是要讓人類完成。AI可以起草合同，但審核風險、簽字確認的還是你。AI可以分析財務數據，但最后向領導匯報的，也還是你。“最后一公里”跨不過去，AI就永遠是輔助。

這也給我們帶來啟發：

不要在AI的優勢區競爭，要在它的盲區，建立價值。

具體怎么建立？這就需要我們換一種思維方式：

不是想著怎么跑贏AI，而是想著怎么駕馭AI。

07

從“與AI賽跑”，轉向“駕馭AI，完成任務”

什么叫駕馭AI？

簡單來說，就是：AI能干的，我就少干?；〞r間，琢磨更高維的能力。

比如，思考和發問。

不再問“怎么寫”，先問“為什么寫”。文案要打動誰？他們最大的顧慮是什么？我們想在他帶走什么？想清楚了，再讓AI動手。

比如，邏輯和整合。

AI可以給你100個方向，但它不知道，哪個方向老板能接受，團隊能執行。把零散可能性，順好邏輯，找好亮點，收束成可行方案，才是你該做的。

比如，審美和判斷。

AI生成的東西，往往都“差不多”。但“差不多”和“就是它”，隔著你的品味、你對用戶的感知。這種判斷力，是做過上千個決定，才長出來的。

比如，溝通和共情。

會議室里的人，看的不是報告，是你。是你的判斷和底氣，愿不愿意為這個結論負責。AI可以幫你備好彈藥，但扣扳機的，只能是你。

以后，機器負責出力，人負責出智慧。

什么智慧？智慧，是你每天工作里那些“說不清為什么，但就是這個”的判斷，是那些“數據沒法證明，但我感覺對”的直覺，是那些“任何人都能寫，但只有你寫才對味"的信任。

所以，每個人或許都要問自己一個問題：

以后，我要做一個“更聰明的機器”，還是一個“更有智慧的人”？

這個問題的答案，決定了你的未來。

最后的話

簡單總結一下。

AI沖擊的重心，是白領，是高學歷。暴露度高的職業，核心任務都可以被拆成標準流程。老員工暫時還安全，但年輕人的入場券，正在變少。AI的落地速度比想象中慢，但方向從未改變。

這都是這份報告，用數據告訴我們的結論。

但這些結論的作用，不是讓你更焦慮，更不是讓你喝雞湯。它更像一面鏡子。目的，不是讓你去判斷別人，而是照見自己，進而發生改變。

最后，和你分享兩句話。

1、不要在AI的射程之內，消耗你的天賦。

如果一份工作可以被完全拆解為Skill，那它本質上就是一套算法。跑算法，人腦永遠跑不過機器。這個時代，平庸的勤奮是廉價的，因為AI可以比你更平庸、更勤奮、且更廉價。

2、AI不會讓你失業，但一個“像AI一樣工作”的人，一定會。

未來的價值，不在于你掌握了多少標準答案，而在于那一點無法被量化的直覺、那一份敢于決策的擔當，那一種能讓對方感受溫暖的共情。

在這個效率向左、公平向右的時代，愿你不僅擁有駕馭工具的腦，更擁有一顆連接更多人的心。

觀點/ 劉潤主筆/ 景九編輯/ 歌平版面/ 黃 靜

這是劉潤公眾號第2895篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途

PS：

看完這篇文章，不知道你是什么感覺？驚慌？興奮？其實，就如同歷史上每一次技術革命，AI在搶走一些工作崗位的同時，也會造就無數的新機會。

在見證了這些年大模型能力的瘋狂內卷后，我們都知道，2026，正式來到了AI技術的落地之年。許多積累多年的真問題，終于等來了解決它的新技術。創新的火焰，就這樣被點燃。

這幾個月，我看到了大量優秀的技術落地案例。實在等不到年底年度演講和你分享。所以，5月16日，我將在上海影城1000人的大劇場。與你分享【劉潤·年中大課】。今年的主題就是：落地。

不做現場直播。也不做事后回放。就讓我與你，獨家分享。點擊下方購票鏈接，就可以了解到更加詳細的票務信息。

現在搶先購買，或是帶著團隊一起來，還可以享受到“早鳥價”。

5月16日，我們不見不散！