AI 没有制造裁员潮，却把初级岗位的入口收窄了

3. 19% 背后其实有四个数

从 2022 年 11 月到 2026 年 6 月，22 至 25 岁劳动者在人工智能暴露度最高的两个五分位职业中，就业人数下降约 11%；同一年龄段在暴露度最低的三个五分位中，就业人数增长约 10%。两个增长率相差 21 个百分点。

19% 是相对“保持同步增长”的缺口，不是绝对降幅，也不是百分点差。如果高暴露组像低暴露组一样增长约 10%，本应达到更高水平；而实际水平比这个反事实水平低约 19%。所以，“下降 11%”和“落后 19%”可以同时为真，只是它们回答的是不同问题。

指标	结果	应如何理解
22 至 25 岁高暴露职业就业增长	约 -11%	最高两个五分位的绝对就业变化
22 至 25 岁低暴露职业就业增长	约 +10%	最低三个五分位的同期变化
两组增长率之差	约 21 个百分点	两个增长率相减的直接结果
未跟上低暴露组增长路径的缺口	约 19%	高暴露组实际水平比反事实水平低多少
2025 年 7 月数据版本	15% 缺口	同一描述性指标的较早读数
2026 年 6 月数据版本	19% 缺口	更多工资单月份进入后，差距继续拉大

时间轨迹很重要，因为单月异常不足以解释这种持续变化。2025 年 7 月版本中的缺口是 15%，到 2026 年 6 月扩大到 19%。这当然不能自动证明 AI 是原因，但它让“疫情后短暂错位”的解释变得更困难。初次重启造成的波动早就应该消退，而处于高暴露职业入口的人却没有回到原来的相对位置。

4. 总量增长不是一份健康证明

把所有年龄合并后，ADP 样本的就业人数从 2022 年 11 月到 2026 年 6 月约增长 6%。即使只看人工智能暴露度最高的五分位，全年龄就业也增长约 4%。22 至 25 岁整体只下降约 1.9%，因为低暴露职业的增长抵消了相当一部分高暴露职业的收缩。35 至 40 岁劳动者的就业则增长约 11%。

这些数字显然不支持“全经济就业崩溃”的说法，却也说明总量可以掩盖年龄入口的急剧变化。高暴露的两个五分位原本占 22 至 25 岁就业的约 57%；它们约 11% 的下降，理论上会拖累该年龄组总体就业约 6 个百分点。低暴露职业吸收了一部分，但没有完全补上，最终使整个年龄组略有收缩。

高暴露职业的总就业可以继续增加，同时它的新人通道却在收缩。原因是经验员工占职业存量的主要部分，而论文发现年长劳动者没有出现同等幅度的暴露度差距。企业可以保留现有团队，不制造醒目的裁员事件，同时通过自然减员、减少补员或压缩初级编制来改变队伍结构。宏观观察者看到的是连续性，刚毕业的人看到的却是更少的第一个台阶。

这也拆开了“人工智能暴露度”和“人工智能替代”两个概念。一个职业可以大量使用 AI、被媒体频繁讨论，就业仍然扩张。真正需要研究的是，当某项任务的执行成本下降后，企业如何重新组织人。产品需求可能增加，部分任务可能被重新分配，现有员工可能提高产出，而每个新人能够承担的执行与训练任务可能减少。这些力量方向不同，不能从“任务可自动化”直接跳到“岗位必然消失”。

5. 入口变窄，主要由少招新人造成

论文把就业存量拆成招聘和离职两个流量。如果高暴露职业正在排挤已有员工，那么离职率应相对上升。截至 2026 年 6 月，数据更符合“少招、也少裁”的状态：各年龄、各暴露组的招聘率和离职率都从疫情后的高点回落。对年轻劳动者而言，高暴露职业的离职率甚至至少和低暴露职业一样下降，并没有出现“已经在岗的人被大量赶走”的特征。

差异集中出现在招聘端。企业变得不愿意把新的年轻员工招进高暴露职业，而已经在岗的人反而受到保护。这个区别决定了政策含义。裁员叙事关注屋子里的人被推出去；招聘叙事关注屋外的人进不来。第二种变化可以在没有醒目的月度裁员曲线的情况下，对整个年龄群体造成长期影响。

渠道	如果主要是岗位替代，应该看到什么	论文实际观察到什么
招聘	可能下降，但通常伴随明显裁员	高暴露职业的初级招聘显著减速
离职	高暴露职业应相对上升	离职率不能解释差距，且在暴露组下降得至少同样多
在岗员工	各年龄都应出现广泛弱化	经验员工没有同等的暴露度差距
基本工资	企业可借 AI 压低新人工资	新人起薪没有明显暴露度惩罚
组织结果	现有员工被替换	现有队伍更稳定，初级人才管线收窄

薪酬方面，论文同样给出一个重要的“没有发现”。对年轻新人而言，人工智能暴露度与基本起薪之间看不到显著关系。企业没有明显用更低起薪来吸收同样的招聘量，调整更像是“少发录用通知”，而不是“用更低的起薪招同样多的人”。

但基本工资不包含奖金、加班费、提成、股权和小费，而且这些项目恰恰在高收入、高暴露职业中更重要。因此，这并不能证明总薪酬完全没变。它只能说明，基于现有工资单，最醒目的边际不是起薪下降。与此同时，岗位数量减少造成的成本可能藏在更长的求职时间、额外的学历投入、临时工作，或被推迟的独立生活里。这些代价不会以裁员通知的形式出现，却同样是真实的职业冲击。

6. 自动化用法与增强用法，结果并不一样

论文没有停留在单一暴露度分数上，而是使用 Anthropic 经济指数，把与职业相关的 AI 使用分为自动化、增强和其他三类。分类仍是描述性的，却有经济含义：让模型直接完成一整项任务，和给人一把加快部分工作的工具，不是同一件事。

在 2025 年 3 月的数据版本中，自动化型使用每增加一个标准差，22 至 25 岁劳动者的就业变化系数约为 -0.098；把后续几个数据版本合并后约为 -0.084。这个负相关随年龄增长而减弱。增强型使用没有出现相同的年轻人惩罚，对经验员工反而有正相关，例如 41 至 49 岁组约为 +0.024。

年龄组	自动化暴露，2025 年 3 月	自动化暴露，后续合并数据	增强型关联
22 至 25 岁	-0.098	-0.084	+0.016；后续版本为 -0.010
26 至 30 岁	-0.036	-0.041	+0.010；后续版本为 -0.002
31 至 34 岁	-0.017	-0.018	+0.014；后续版本为 -0.001
35 至 40 岁	-0.014	-0.018	+0.004；后续版本为 -0.012
41 至 49 岁	-0.008	-0.008	+0.024；后续版本为 +0.024

最稳妥的理解不是“所有 AI 都会伤害年轻人”，而是：当职业中的 AI 使用更接近直接完成任务时，年轻劳动者的就业路径更弱；当 AI 被当作辅助工具时，没有看到同样的年龄梯度，经验员工甚至可能受益。这是论文目前最直接的机制证据，但仍然不是随机试验。Anthropic 的使用分类描述的是与职业相关的提问构成，并不能告诉我们每个雇主究竟部署了什么、为什么取消一个初级岗位，或工作任务如何在一个团队内重新分配。

7. 可写下来的知识，与只能做出来的判断

研究者还检验了另一条机制：生成式 AI 可能更容易替代“可编码知识”，也就是能写进教材、规范、流程和说明书的标准化内容。默会知识则不同。它来自实践、师徒带教和反复处理真实复杂情境，例如协调冲突、带团队、在信息不完整时做判断，或知道什么时候不该照章执行。

结果显示，更依赖可编码知识的职业，初级就业增长更慢；更依赖默会知识的职业，中年和资深员工的就业增长更快。这个方向与一种直觉一致：大语言模型擅长检索、转换和生产显性知识，而长期积累的实践判断仍然需要人。但这条证据远没有表面看起来那么硬。

在控制职业中的大学学历占比后，可编码知识的负面梯度失去统计显著性。这里有至少两种解释。第一，学历可能是另一条竞争性解释：需要大学学历的职业本来就在经历招聘放缓。第二，学历也可能正是 AI 作用的传导通道：模型首先改变的任务，与大学所教授的规范知识高度重叠。现有数据无法区分两者。相比之下，默会知识对经验员工的优势在加入学历控制后仍然存在，因此这条结果更稳一些。

所以，适合写进结论的句子不是“AI 会替代书本知识”，而应更窄：在这份样本里，更依赖显性、标准化知识的职业，年轻劳动者的就业路径更弱，而这种关联与学历高度重合。这个模式可以帮助研究者提出假设，也可以提醒企业重新设计初级岗位，但不能单独完成因果分解。

8. OpenAI 的使用数据补上另一半背景

OpenAI 在 2026 年 10 月发布 Signals 数据，把个人版 ChatGPT 中与工作相关的消息对应到 O*NET 的 165 类中级工作活动，覆盖近 100 个国家，时间从 2025 年第一季度到 2026 年第三季度。在每一季度都能观察到的 74 个国家中，最常见的前十类活动占全部已分类工作消息的平均比例，从 2025 年第一季度的 56.0% 降至 2026 年第三季度的 51.1%。

这个下降说明工作用途的 ChatGPT 使用正在从少数活动扩散到更多任务，但它不说明生产率提高，也不说明就业变化，更不能证明替代发生。数据只包含个人版 ChatGPT，不包含企业版，也不包含 Codex，因此很可能低估商业使用。OpenAI 还说明，在以美国就业人数加权的职业任务组合中，约 43% 落入未单列报告的“其他中级工作活动”，包括搬运材料、驾驶车辆、维护医疗记录等。

OpenAI 使用数据	能够支持什么	不能证明什么
映射 165 类工作活动	AI 使用横跨较广的任务类型	任务是否完成得好，是否替代劳动者
覆盖近 100 个国家	可以比较不同国家的使用构成	能代表所有劳动者和所有企业
前十类占比从 56.0% 降至 51.1%	使用集中度下降，活动更分散	总使用量、就业或生产率发生变化
仅含个人版账户	能观察消费者侧的工作用途	企业流程和 Codex 使用被排除在外
约 43% 属于“其他”	映射仍有很大的未展开部分	ChatGPT 与经济任务可以一一对应

把两份证据放在一起，只能得到一个有限结论：生成式 AI 正在进入越来越广泛的工作活动，不再只是写文案或写代码的单点工具。因此，区分“自动化型使用”和“增强型使用”更有必要。但使用数据回答不了谁获得了好处、哪个岗位消失、哪项任务从职业中退出。工资单研究观察就业存量，Signals 观察消息构成；两者可以互相提供背景，不能互相冒充因果证据。

9. 竞争性解释必须保留空间

论文并未忽视其他解释。剔除科技企业和计算机职业后，年轻劳动者的差距仍然存在；控制职业对利率上升的暴露度、加入远程办公和可远程办公程度后，结果也没有消失；换用五种不同的人工智能暴露度指标，方向仍然一致。这些检验削弱了“只是科技行业回调”的简单说法，却不能排除所有宏观因素。

学历是影响最大的调节变量。在可评估疫情前趋势的主样本中，加入学历控制的多种设定后，22 至 25 岁最高暴露五分位系数约在 -0.18 至 -0.09 之间，区间边缘的估计在 10% 水平显著。在 2021 年开始平衡的样本中，对应区间约为 -0.19 至 -0.06，而且不再显著。作者认为，学历既可能是混杂因素，也可能正是 AI 作用的渠道，但他们没有假装已经解决这个歧义。

疫情前的趋势同样需要正视。高暴露和低暴露职业在疫情期间甚至更早就有过分化。到 2022 年 11 月，暴露职业的相对位置大体已经回到疫情前基准；此后下降是跌破这条基准，而不只是延续疫情后的回归。分化还在此前一轮加息见顶之后继续扩大。这些事实让“纯周期解释”更难成立，却仍不能把观察性比较变成随机对照实验。

全国调查基准也呈现出方向一致但更小、更嘈杂的变化。这并不意外。不同数据源覆盖的人群、职业分类和测量误差各不相同。行政工资单、全国抽样调查和政府行政数据可以形成三角验证，但不能把彼此的不确定性消掉。作者的总结仍然应当被完整保留：这些是需要持续测量的早期信号。

可信度层级	目前较有支持	仍然不确定
论文内部较强	ADP 面板存在年龄与暴露度交叉差异，并持续到 2026 年 6 月	其中有多少由生成式 AI 造成，多少来自同期相关变化
中等	就业存量差距主要由招聘减少而非离职增加解释	结果对 ADP 企业结构和全国市场的适用程度
提示性	自动化型使用与年轻劳动者的较大降幅相关	Anthropic 使用分类是否代表企业实际部署
较脆弱	可编码知识可能更暴露，默会知识可能保护经验	可编码知识结果在控制学历后明显减弱
尚未成立	“AI 已让全国初级岗位减少 19%”这样的因果关系判断	这句话超出了论文和数据能够支持的范围

10. 对现实决策意味着什么

以下内容是分析性推论，不是论文直接识别出的结果。它们来自三个同时出现的现象：招聘减少、在岗员工相对稳定，以及自动化用法的年龄梯度。

对刚进入职场的人而言，仅仅证明自己能够完成整齐、标准化的任务，正在失去差异化价值。模型已经可以起草文档、总结材料、生成基础代码或填写常规表格。更强的信号是能否定义问题、核对证据、解释取舍，并对一个含糊结果负责。这不保证任何人获得工作，但它更符合证据所指向的比较优势变化。

对管理者而言，减少初级招聘在单个预算周期里看起来可能很有效，几年后却会变成组织成本。如果企业不再提供学习判断力的岗位条件，它会省下一部分初级工资，同时让未来能够监督复杂工作的经验人才池变薄。论文的机制证据提醒我们，自动化可检查任务，并不等于经验本身失去价值。真正需要回答的问题是：哪些任务可以交给模型，哪些任务仍应保留为人的训练路径。

对教育和工作力培训项目而言，在课程里增加一个 AI 工具，并不等于帮助学生穿过新的入口。领域知识仍然重要，但还需要在监督下练习核验、异常处理、客户沟通和团队协调。一个漂亮的最终作品，未必比“如何发现错误、如何修改方案、如何在信息不全时做判断”的过程证据更有说服力。

对研究者和政策制定者而言，分析单位不应只有全国失业率，还应包括年龄、职业、招聘流量和任务构成。劳动力市场可以在总量上看起来健康，同时让某一代新人失去过去用于训练和进阶的岗位。月度仪表盘应同时展示入口招聘率和离职率，也应区分自动化型使用与增强型使用，因为论文提示二者不能互换。

11. 什么情况会改写当前判断

未来若出现高暴露职业初级招聘持续反弹，同时在岗员工离职率明显上升，当前模式就更像疫情后的一次临时重新配置。反过来，如果高暴露与低暴露职业的新人差距继续扩大，在其他国家和更能代表小企业的数据中也能复现，并继续与自动化型使用相关，那么 AI 解释会更有竞争力。

更有价值的是企业层面的直接证据。研究者需要把实际模型部署、任务重构、空缺岗位和最终招聘连起来。职业层面的暴露度分数无法告诉我们：一家银行是否用模型替代了文档复核，一个软件团队是否改变了面试与培养流程，或一个客服部门是否把三个初级岗位合并成一个增强型岗位。这些机制可能画出相似的就业曲线，却需要完全不同的政策回应。

因此，目前最强的结论必须带条件：如果这种模式持续，并在更好的因果识别设计下仍然成立，那么劳动力市场的首要影响可能不是已有员工的大规模退出，而是“谁被允许进入”的规则改变。这没有裁员海啸那样戏剧化，却更直接地指向学徒制、第一份工作管线、内部培训、招聘标准和职业教育的重新设计。

12. 真正变化的是门，不是海啸

斯坦福的论文没有证明 AI 造成了初级机会下降 19%。它证明的是：在一份大型行政工资单面板中，高暴露职业的 22 至 25 岁劳动者明显落后于低暴露职业的同龄人，差距持续扩大到 2026 年中期，而且主要通过招聘而非离职实现。论文还发现了一条提示性的自动化机制，以及一条与学历高度重叠、更脆弱的可编码知识机制。

OpenAI 的使用数据补上了背景：与工作相关的生成式 AI 使用正在跨活动和跨国扩散，但它没有告诉我们谁失去了工作。工资单研究提出更尖锐的分配问题，使用数据描述工具扩散本身。把两者分开陈述，才是分析；把它们合并成一句自动化预言，只会重复过去几轮的恐慌。

因此，更准确也更有用的标题不是“AI 正在夺走所有工作”，而是：AI 尚未制造普遍的裁员潮，但现有证据与高暴露职业入口收窄相一致。这句话保留了必要的不确定性，也给企业、教育者、政策制定者和准备进入职场的人提供了可以持续观察的具体对象。

参考资料

Erik Brynjolfsson、Bharat Chandar、Ruyu Chen：《Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence》，Stanford Digital Economy Lab，2026 年 8 月。

Stanford Digital Economy Lab：论文介绍页与2026 年 8 月研究更新。

OpenAI：《ChatGPT's expanding world of work》与OpenAI Signals 数据，2026 年 10 月。

选题线索：Underleveled Builder 的 X 长文。文中判断已对照斯坦福论文与 OpenAI 发布材料核实；无法验证的二手说法未采用。