AI就业影响研究的三大不足与操作难题

一、三大不足

技术对就业影响的研究持续升温，随着生成式人工智能的崛起，全球研究浪潮再次被掀起。众多国际组织及咨询机构纷纷推出报告，然而，尽管研究成果丰富，人们仍争论不休，困惑不已。这些研究结果存在不可比性、片面性和静态性三大不足。

首先，测算结果差异巨大，难以比较。粗略观察，上表结果显示在0.4%-67%之间；美国白宫（2016）的汇总结果则在9%-47%之间。同一机构的不同报告之间也常常存在矛盾，例如OECD、国际劳工组织和世界银行。单独一份报告或许权威，但多份放在一起则显得难以判断。其他机构的情况可想而知。

其次，AI暴露度测算局限于现有岗位，引发恐慌。研究多使用“人工智能职业暴露度”来衡量AI的就业影响。高暴露度并不等同于岗位消失（OECD，2021），但人们容易将“暴露”误解为“取代”。它表达的是潜在风险，并非实际发生；也未考虑技术经济可行性，未明确时间线和范围。这种片面的预测只会加剧“AI抢工作”的恐慌，而非正确认知技术与就业的关系。

第三，人的行为和岗位是动态的，而量化测算却是静态的。工作岗位如同流水中的小船，一直处于变化之中。将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则显得片面。人们希望了解对未来总体岗位的立体影响，但目前似乎还难以实现。因为人们能够感受到有替代风险的工作，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。”面对未来岗位，人们是无知的。

二、三道操作难题

OECD（2021）和世界银行（2025）指出：AI对就业的影响尚不确定、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难题。

从宏观角度，AI不是独立影响因素，难以切割。就业率受多重因素影响，如经济周期、技术变革等。它们之间相互联系、相互作用，难以将单一因素完美切割出来。必须设置诸多假设条件，但这种完美模型在真实社会中并不存在，因此大打折扣。

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，且已广泛嵌入经济社会系统中。它成为日常应用的组成部分，并在多个行业有广泛应用。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。

从技术发展角度，难以预判未来技术的发展。即使能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。然而，技术史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。

三、三个局限性

在数据至上的时代，强调数据的局限性尤为重要。

第一，受利益驱动，主观干预。数据并非总是客观准确的，有时受到人类行为的影响和支配。为达到期望结果，不乏主动干预数据生成的行为。例如上市公司财务造假或谎报瞒报遇难人数。

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。即使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。经过多个环节的层层叠加结果往往失真较大。

第三数据自身的局限性。如果未来是确定的且完全由过去决定那么通过数理统计可以预测未来。但人类社会充满变数数据往往无能为力。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.

闫德利腾讯研究院资深专家