我想分享一些高层次思考和一个框架，帮助我理解为什么（到目前为止）我们尚未看到 AI 对美国劳动力市场产生显著影响。我聚焦美国是因为 (a) 这里的 AI 采用率很高，(b) 它是全球最大的经济体，(c) 与欧洲相比，我们的劳动力市场制度历来更有利于快速采用替代劳动的技术，以及 (d) 我们拥有异常丰富的劳动力市场统计数据，用以了解当前状况。我最近在 Anthropic 内部分享了这些想法。
首先，AI 在美国的采用率很高。因此，寻找其对生产率或失业率的影响是合理的。近年来，劳动生产率增长强劲，有初步证据表明 AI 对此做出了部分贡献。
但美国劳动力市场目前稳定，接近充分就业。在我看来，迄今为止 AI 并未导致失业率出现实质性上升。即使我们关注那些高度暴露于当前 AI 自动化模式的工人，近年来也未发现预期之外的失业率增长（尽管如下文所述，这些工人更担心失业）。
为什么我们看不到 AI 采用对失业率的影响？AI（到目前为止）具有“技能偏向型”、劳动增强型技术的特征。即使 AI 自动化了工作的某些方面，互补的人类专业知识也能放大 AI（或人类）单独所能达成的成果。AI 拓宽了人们能够完成的任务范围，从而提高了与 AI 协作的回报。
现在，未来仍然充满不确定性。模型能力正在快速进步，AI 系统可能很快就能自主开发自己的继任者。更具通用智能的 AI 系统可能导致尚未显现的劳动力替代。这种情况是否会发生（以及速度有多快）是一个悬而未决的问题，也是我的团队正在努力理解的方向。
从很多方面来说，这篇短文是我试图综合 Anthropic 过去 18 个月的经济研究，以理解人们如何使用 AI，以及这对当前的工作、劳动力市场和更广泛经济意味着什么。这项工作强调，未来仍不确定，其影响可能是不均衡的。到目前为止，我们看到了失业效应并不显著；本文提出了我理解其中原因（以及未来可能发生什么变化）的框架。
重要的背景事实：美国劳动力市场目前稳定。
- 6 月份的失业率为 4.2%，美联储认为这与充分就业和物价稳定水平一致。
- 职位空缺与失业工人之比在 4 月份刚刚升至略高于 1，一些经济学家认为这意味着劳动力需求和供给大致平衡且高效。更复杂的指标，如纽约联储的 Heise、Pearce、Weber (HPW) 劳动力市场紧张指数，也指向劳动力市场平衡。
- 壮年劳动力就业人口比仍接近数十年高位，这反映了后疫情扩张时期出现的广泛劳动力市场实力。
- 每周首次申请失业救济人数在过去四年中一直稳定在低位。裁员和解雇率仍处于或略低于疫情前水平。
那么，我们现在是否应该预期 AI 对劳动力市场产生影响？我认为答案是肯定的：AI 产业规模足够大，我们可以寻找可辨别的宏观经济效应。
- 约 20% 的企业在至少一个业务职能中使用 AI。在占 GDP 5.5% 的信息产业中，这一比例达到 40%。
- 根据 Patrick McKelvey 和我的同事 @akorinek 的估计，质量调整后的 AI 产出在 2024 年和 2025 年均以每年超过 2000% 的速度增长。即使基数较小，这也表明我们应在总量中看到 AI 影响的迹象。
- 我相信我们开始看到 AI 在总体生产率统计数据中的影响：
- 近年来劳动生产率增长相对强劲：从 2022 年第一季度到 2026 年第一季度，每小时产出比年均增长 2.0%，而疫情前四年为 1.6%。
- 美国经济中 AI 采用率较高的行业，在过去四年中往往具有更快的劳动生产率增长。
- 全要素生产率增长——经济学家衡量生产率的方式——近年来较为温和（尤其是在考虑要素利用率之后）。这削弱了证据，但生产率上的混杂信号本身可能表明加速正在进行中。
- 企业根据对雇佣新工人未来价值的信念（相对于成本）做出招聘决策。
- 企业会考虑工人未来的生产率、雇佣期间的工资以及匹配的预期持续时间。
- 因此，企业对未来的信念应在今天以离职、招聘和职业转换的形式塑造劳动力市场结果。但在辞职、裁员和工作找到率方面，我们看到了一个稳定模式。同样，没有证据表明因 AI 导致的职业更替异常快速。
- 自 2025 年 5 月以来，软件工程职位发布已广泛反弹，相比所有其他职位发布，表明在 AI 能力进步最快的职业中，对工人的需求正在上升。
是否有证据表明工作替代正在发生，即使它在宏观上尚未产生重大影响？证据好坏参半。但总的来说，我对此并不信服。
- 正如 Maxim Massenkoff 和我在我们的劳动力影响报告中所记录的，在 Claude 被用于自动化大量任务的岗位上，工人的失业率相比其他岗位的工人并未恶化。用 BLS 的最新数据更新此分析并不会改变这一结果。
- 我们确实发现一些初步证据表明，在过去一年左右，高度 AI 暴露岗位上年轻工人的招聘率有所减弱。这与斯坦福大学数字经济实验室研究人员在论文《煤矿中的金丝雀》中的证据一致。
- 但应谨慎解读这一年轻工人替代的证据。 很难辨别因果效应，因为 AI 出现在一个异常动荡的宏观经济环境中：疫情引发的错位逐步消退、货币政策的快速收紧、俄罗斯入侵乌克兰后的商品价格波动，以及持续的全球政策不确定性（例如来自贸易战）。由于招聘是一种投资形式，广泛的经济不确定性本身就会抑制招聘。
- 另一种表述方式：从 2022 年至今，美国经历了有记录以来最大的非衰退性劳动力市场放缓（“完美的反通胀”）。这恰逢“低招聘、低裁员”的劳动力市场。这种劳动力市场对早期职业进入者打击最大。目前，年轻工人可能因 AI 以外的宏观经济原因而难以找到工作。
- 另外，最近的一些研究认为，疫情后远程工作的兴起对高度暴露于 AI 的岗位上的年轻工人产生了影响。将 AI 的影响与其他冲击经济体的因素分离开来颇具挑战性。
- 虽然我们尚未看到失业效应，但我们确实发现，在 Claude 被用于自动化任务的岗位上，工人比那些暴露程度较低的岗位上的工人更担心失去工作。
如果你相信美国劳动力市场目前是健康的，AI 原则上可能产生宏观可辨别的效应，并且这尚未对高度 AI 暴露的岗位产生替代，那么下一个问题显而易见：
为什么 AI 尚未导致失业率出现有意义的上升？
到目前为止，AI 既是 技能偏向型 的，也是 劳动增强型 的。 它与领域专业知识互补。它依赖人类在循环中指导和评估最复杂的工作。它奖励熟练使用 AI 的能力。模型能力正在快速提升，但仍然是顽固地参差不齐。为了填补这参差不齐的前沿中的空白，需要专家监督来引导极其强大的 AI 系统，并在其失误时进行恢复。
当然，有些工作更容易被自动化直接替代。例如，技术文档撰写员、数据录入员、客户支持代表和计算机程序员这些岗位，AI 能够可靠地处理其核心任务和职责。尽管我们尚未看到这些岗位工人的失业率上升，但 BLS 预计，到 2034 年，观察到的暴露程度较高的职业增长将放缓。
但是到目前为止，更广泛的图景是劳动增强。结果是，即使能力快速进步，对劳动力市场的影响也注定是不均衡的。这并不意味着当前在劳动力市场中获得溢价的所有技能在未来仍然会如此。某些类型的专业知识可能会变得不那么有价值（例如纯编码实现），而其他类型的专业知识则变得更有价值（例如委托和评估的管理技能）。
为什么我们认为 AI 是一种技能偏向型、劳动增强型的技术？我将根据 Anthropic 经济研究团队发表的工作以及来自 Anthropic 经济指数的证据，提出几点观察：
- 尽管 AI 取得了惊人的进步并在经济中迅速普及，但在 O\NET 分类法（劳工部的一个职业及典型任务目录）中，没有哪个职业的所有*相关任务都能被 Claude 系统性地处理。如果工作是固定的任务组合——事实并非如此，但稍后详述——那么工作中本质的、未自动化的方面既限制了整体生产力的提升，又放大了劳动的回报。Claude 无法处理的任务可能依赖于人际协调、面对面互动或与物理世界的接触，而这些到目前为止只有人类才能做到（参见 @lugaricano 的“任务不是工作”）。
- 在我们 1 月份的《经济基元》报告中，我们发现复杂的用户输入与复杂的 Claude 输出高度相关。换句话说，当 Claude 构建复杂的[经济模型]时，实际上是在提供互补性专业指导的人的指导下完成的。
- 虽然 Claude 平均表现良好，但该模型在最复杂的工作上挣扎最多。这大致与 METR 任务时间跨度结果一致，其中更高的可靠性以更短的任务时间跨度为代价。我们发现了初步证据表明，人类在循环中增加了 Claude 处理工作的复杂性。
- 在我们 3 月份的《学习曲线》报告中，我们发现即使仅使用六个月后，人们也更倾向于将 Claude 作为思想伙伴进行互动，并且与 Claude 的互动更成功。如果 AI 本身足够好，我们不会预期看到这种效果。
- 广泛的任务自动化仍然可以增强劳动。为什么？因为工作不是固定的任务组合。历史上，新技术导致了现有工作内部的巨大变化，即使有些工作消失了。它们还产生了全新的工作类型，这些工作结合了新的技术能力与互补的人类专业知识。我们在研究中看到了这种效应的迹象：在 [81k 名 Claude 用户]中，一个普遍被引用的感知到的生产力来源是范围——能够做得更多、更熟练。AI 带来的这种赋权可能会重新划定我们角色的边界，并在工作中产生新的任务组合——自动化一些任务，强化其他任务的重要性——同时总体上增加劳动的边际产出。
- 在我们 6 月份的经济指数报告《节奏》中，来自 Anthropic 经济指数调查的超过三分之一的受访者预计 AI 能在未来十二个月内完成他们工作中的大部分或全部任务。类似比例的受访者预计未来一年自己和同事的工作职责会发生变化。但对失业的预期明显较低。事实上，那些以更自动化方式使用 Claude 的人，往往对 AI 对其薪资、工作保障和找到工作能力的影响更为乐观。
- 随着 AI 能力的提升，我们将看到越来越强大的 Agent，能够自主处理复杂、长期、有价值的任务。AI 是否仍会增强劳动？为了理解这个问题，我们最近分析了 Claude Code 的使用模式，以了解 Agent 化编码是否正在改变专业知识的回报。在我们追踪的七个月里，Claude Code 被用于越来越多有价值的任务，但我们看到了人类专业知识的持续回报：也就是说，人们做出规划决策，并将实施工作委托给 Claude。拥有更多领域专业知识的人更频繁地成功完成任务，并且在 Claude 出错时能更一致地恢复。纯粹的编码能力回报可能已经下降，但 Agent 化编码到目前为止增加了其他互补技能的价值。
未来难以预测。很可能的情况是，随着模型的持续改进，AI 的技能偏向型、劳动增强型特征会消失。参差不齐的前沿可能变得平滑。在某个点上，人类专业知识的回报可能会减少。
未来存在如此多不确定性的一个重要原因是，AI 可能会自动化创新本身。 赋予机器通用认知能力，是以过去通用技术无法做到的方式，直接催化进一步创新的催化剂。内燃机无法发明新的交通方式。在标准的经济模型中，自动化创新——我们可能会在递归自我改进中首先看到——可以产生经济奇点：在有限时间内实现无限增长。
这样的奇点会发生吗？如果存在一些因技术原因或社会约束而从未被自动化的基本任务，则不会。这些“薄弱环节”是增长的制约因素：正如 Aghion、Jones 和 Jones (2017) 所论证的，“经济增长可能不是受我们所擅长的限制，而是受那些本质但难以改进的事物的限制”。即使在非常快速、广泛但不完全的自动化下，这类“薄弱环节”也能在长期内保持劳动收入份额的高位。
“薄弱环节”的逻辑不仅适用于生产商品，也适用于自动化创新。AI 是否显著加速生产率增长，不仅需要改进能力，还需要对研发过程中涉及的任务进行广泛自动化。最近的证据表明，薄弱环节目前是自动化软件生产的制约因素：在引入编码 Agent 后，生成的代码行数增加了 10-20 倍，但软件发布仅增加了 30%，且应用使用量并未增加。
缩放定律难以反驳。模型会变得更好。好得多。我预计这将推动更快的生产率增长，甚至可能带来更明显的 RSI 迹象。但我预计一年后失业率不会显著上升——至少不是因为 AI。
