AI会取代劳动经济学家吗？研究自身困境的讽刺

58% — 这是劳动经济学家的AI暴露率——正是那些以研究技术如何颠覆劳动力市场为职业的专业人士。如果你是一名劳动经济学家，你现在成了自己研究的一个数据点。

这不是抽象的讨论。那些可以抓取就业数据库、运行回归模型并起草初步研究发现的工具已经存在。问题在于：它们会让劳动经济学家变得过时，还是会让他们成为我们这个时代最重要的社会科学家？现在走进任何一个现代经济学系，你会看到两个阵营正在形成：一些研究人员把大型语言模型当成美化版的自动补全，另一些研究人员则已悄然将自己一半的工作流程重构在这些工具之上。两组人之间的差距正在逐季扩大，并且已经开始体现在发表数量、科研基金生产力，以及每组人能够可信地探索的研究问题类型上。

数据专家的数据画像

[事实] 截至2025年，劳动经济学家的整体AI暴露率为58%，自动化风险为46%。暴露率被归类为"高"级别，自动化模式为"增强型"。这使劳动经济学家跻身科学类职业中受AI影响最深的角色之列，与数据科学家和统计学家并驾齐驱。

任务层面的细分数据更加引人关注。分析劳动力市场数据的自动化率达72%，是这一职业中最高的。AI现在可以比任何人类研究人员更快地处理美国劳工统计局的数据发布、大规模抓取职位发布信息、清洗凌乱的就业数据集，以及运行标准统计分析。构建经济模型的自动化率为58%。由大型语言模型驱动的工具可以生成初步模型规格、识别相关变量，甚至根据现有文献建议模型结构。撰写政策研究报告的自动化率为65%。AI可以起草文献综述、总结研究发现，并生成方法论章节的初稿——这些工作过去可能需要数周时间。

[事实] 理论暴露率在2025年攀升至78%，而实际观察到的暴露率为39%。这一差距表明，这一职业仍处于AI应用的早期阶段，但发展轨迹是陡峭的。今天进入劳动经济学博士项目的第一年学生，毕业时将进入一个与其导师接受训练时截然不同的研究环境。

为何这一职业受到的冲击超出预期

劳动经济学本质上是一个以文本和数据为核心的职业。你阅读论文、分析数据集、构建量化模型、撰写报告。所有这些任务恰好都落在AI能力最强的领域之内。不像外科医生或幼儿园教师，这一职位没有需要人类实体在场的工作内容，也没有深度情感互动来为其构筑自动化防线。

[主张] 这里有一层更深的讽刺。劳动经济学家过去十年一直在发表关于AI将如何影响蓝领工人和常规认知工作的论文。弗雷和奥斯本（2017年）的研究框架预测了数百个职业的自动化风险，但并没有充分预见到AI会以多快的速度将目光转向研究者本身。那些论文所使用的方法论——通过O*NET任务描述的文本分析来估算可自动化程度——如今已被反过来用于评估构建这套方法的职业本身。

根据BLS职业展望手册，2024年至2034年间，经济学家就业预计增长1%——慢于所有职业的平均增速——每年约有900个职位开放，2024年5月的年薪中位数为115,440美元[事实]。这一领域规模较小，增长率也比较温和，但职位开放数反映了稳定的替换需求，以及在AI扰动经济背景下对劳动力分析不断上升的需求——这是上述悖论的更多佐证。缓慢的预测增长与高AI暴露并存，恰恰是将这一职业的价值推向诠释而非机械分析的结构性压力。

AI在2026年如何实际从事劳动经济学研究

了解具体机制是值得的，因为它决定了你三年后的工作面貌。2026年的劳动经济学家通常在工作流程中运用三个AI层次。第一层是数据获取。从Indeed、LinkedIn和政府门户持续抓取职位发布信息的工具在后台运转，构建实时数据集——这些工作过去需要数月手动收集才能完成。第二层是清洗和结构化。大型语言模型可以将来自失业保险系统的凌乱CSV文件，在几分钟内生成一份干净的、可直接用于分析的数据表，并附带完整的数据转换文档记录。第三层是分析本身——生成回归规格、运行稳健性检验、识别工具变量候选，以及起草诠释性段落。

[事实] 2025年一份美国国家经济研究局（NBER）工作论文记录到，使用AI助手的经济学家报告称，在常规分析任务上花费的时间减少了40-60%，最大的效率提升来自文献综述和代码调试。同一研究还指出，节省下来的时间几乎全部被重新分配到更深层的理论工作和更有雄心的研究设计中——而不是减少了工作时间。

这在实践中意味着什么？一位研究最低工资变化影响的劳动经济学家，过去需要六周时间收集州级数据、清洗数据并运行初步规格设置，然后才能开始提出有趣的研究问题。今天，同样的前期准备工作可以在一个长下午内完成。有趣的问题得到了更多时间，研究人员可以针对五种不同模型规格而不是一种运行敏感性分析。

两位研究人员，两种发展轨迹

设想同一院系中的两位劳动经济学家。两人都是中级研究人员，都有扎实的发表记录，都教授一门劳动经济学基础课。研究员甲以怀疑态度对待AI工具。他们担心幻觉问题，不信任LLM生成的代码，更喜欢从头开始写所有内容。他们的产出稳定，但与五年前相比没有变化。

研究员乙花了六个月学习提示工程，构建了一套将Python笔记本与Claude和ChatGPT结合用于论文撰写的定制工作流程，并常规性地使用AI生成科研基金申请书的初稿。研究员乙在过去一年发表了两倍数量的论文，已将AI劳动力市场作为新的研究领域进行扩展，并正在被智库招募参与咨询工作。

两位研究人员都是有能力的。一个拥有随着技术扩展而扩展的未来；另一个拥有与技术竞争的未来。数据无法预测你最终会属于哪个群体——你的习惯决定了这一点。

现实世界的快照

看看2026年联邦储备系统、BLS和主要经济学咨询公司正在发生的事情。圣路易斯联储已将AI辅助研究工作流程整合到其FRED数据产品中，使经济学家能够以自然语言查询数据库并获得格式规范的分析结果。BLS正在试点AI工具，以帮助处理当前人口调查收到的数百万份回复，缩短数据收集与发布之间的滞后时间。Mathematica和Urban Institute等主要咨询公司已开始在劳动经济学家职位要求中将"AI流畅性"列为优先资质。

[估计] 与此同时，同行评审期刊正在应对披露要求问题。《美国经济评论》现在要求作者在研究方法中披露AI使用情况。《经济学季刊》已发布指南，区分"AI作为工具"（可接受，必须记录）和"AI作为共同作者"（不可接受）。能够妥善应对这些规范的劳动经济学家，将处于引领方法论讨论的位置，而不是被动回应它。

增强优势：AI为何不能替代劳动经济学家的核心价值

[估计] 到2028年，整体暴露率预计将达到72%，自动化风险将升至60%。但BLS的增长预测讲述了一个与单纯风险数字截然不同的故事。

原因如下。一位以前将60%时间用于数据清洗、文献综述和初步分析的劳动经济学家，现在可以将这些工作压缩到原来时间的一小部分。剩余的40%——那个需要判断、情境理解、新颖假设生成和政策诠释的部分——成为了整个工作的核心。

而这40%正是当今世界最迫切需要的。每一个政府、每一家跨国公司、每一个国际组织都在争先恐后地理解AI如何重塑劳动力市场。他们不需要更快的数据抓取。他们需要的是能够审视数据并说出"这对政策的实际意义是什么"的人。

[事实] 更广泛的使用数据同样支持增强型解读。根据Anthropic经济指数（2026年3月），增强型模式——学习、迭代和验证等协作模式——仍然占所有测量到的Claude使用量的57%，约49%的工作已经有至少四分之一的任务受到了工具的影响。对于一个整个产出都是阅读、建模和写作的职业而言，这一模式不是死亡宣判；而是对正在围绕一个更快速的协作者进行重建的工作流程的描述。[估计] 世界经济论坛2025年未来就业报告从宏观视角得出了相同的结论，指出GenAI的主要影响在于"通过人机协作增强人类技能，而非彻底替代"，而分析性思维仍然是雇主援引的最有价值的单一核心技能。

[主张] 未能完成这种转型的经济学家，将发现自己面对更少的职位，与能够产出更多研究、使用更广泛数据集、探索更相关研究问题的AI增强型同事竞争。完成这种转型的经济学家将发现，该领域的知识前沿在扩展，而非收缩。

常见误解的澄清

"AI会产生幻觉引用，毁掉经济学研究。" 这种说法有一半是对的。早期模型确实会捏造引用文献。当前模型在经过验证工作流程和检索增强设置的正确使用下，可以产出准确的文献综述。风险是真实存在的，但对于将验证整合到流程中的研究者来说是可管理的。对于将AI输出视为最终成果的研究者来说，风险则是严峻的。

"真正的经济学家不使用AI。" 这种说法越来越不准确。到2026年，AI使用在顶级院系中已是常态而非例外。问题不在于是否使用，而在于使用是否有明确记录且方法论严谨。

"我的专业方向太细分，AI帮不上什么忙。" 通常是错误的。即便是高度专业化的子领域——发展中国家的非正规劳动力市场、医疗卫生领域的职业隔离、移民薪资同化——也可以在文献综述、数据清洗和探索性分析中从AI辅助中受益。专业方向越窄，AI在那些将你从真正专业知识中拉走的常规工作上节省的时间就越多。

劳动经济学家现在应该做什么

实现AI流畅性，而非仅停留于AI认知。 你在研究这场转型。你应该在使用这些工具，而不仅仅是撰写关于它们的文章。[主张] 能够将传统计量经济学严谨性与AI驱动数据处理相结合的劳动经济学家，将以两倍的速度产出研究，同时拥有更丰富的数据集。

从数据处理转向诠释。 数据分析72%的自动化率意味着你工作中的机械性部分正在消失。专注于AI无法做到的事：提出正确的问题、设计新颖的研究框架，以及将数据模式与现实世界的政策影响联系起来。

将自己定位为翻译者。 政策制定者、企业高管和公众需要有人用他们能理解的语言解释AI对就业意味着什么。能够弥合技术研究与可行洞察之间差距的劳动经济学家，正处于前所未有的高需求状态。

专注于AI劳动力影响研究。 劳动经济学中增长最快的子领域，可以预见地，正是研究AI如何影响工作的领域。在这里具有深厚专业知识的研究人员，拥有普通经济学家所没有的优势。

技能发展路线图。 在12个月的视野内：建立对一种通用LLM工作流程（Claude或ChatGPT加笔记本环境）的熟练掌握，用于文献综述、数据探索和初稿撰写，并记录你的提示模式，学会识别AI输出何时有误——那种判断成为你的竞争优势。在3年视野内：在AI劳动力市场分析、使用AI工具的方法论创新，或AI政策咨询中发展一个专业方向，在政策领域建立关系网络——你的价值越来越来自将数据转化为决策，而非来自自己运行回归分析。

有关此职业的完整数据细分，请访问劳动经济学家职业页面。

AI时代劳动经济学研究方法的深层变革

理解AI对劳动经济学的影响，需要深入到研究方法层面。这不仅是工作效率的提升，而是整个研究范式的结构性重构，涉及从数据来源到分析流程再到成果传播的每一个环节。

传统劳动经济学研究的数据获取渠道相对有限。研究人员依赖政府统计数据（BLS、人口普查局）、专项调查数据（如当前人口调查、全国长期就业调查）以及有限的行政记录数据。每个数据集都需要大量的前期处理工作：理解变量定义、处理编码变更、合并不同年份的数据——这些工作消耗了研究人员大量本应用于思考研究问题的时间。

[主张] AI工具正在从根本上改变这一局面。自然语言处理技术使研究人员能够系统性地从职位发布信息、劳动合同、企业年报和法庭文件中提取结构化数据，这些非传统数据来源包含了大量关于劳动市场运作方式的丰富信息，过去因处理成本过高而被忽视。大规模的文本分析能力，让研究人员得以将研究问题扩展到以往不可能触及的数据边疆。

这种数据革命在研究实践中已经产生了可观的影响。[事实] 近年来劳动经济学领域一些最有影响力的研究，恰恰是利用了这种新型数据资源：分析数百万份职位发布信息以理解技能需求如何随时间演变，从企业内部薪酬记录中识别性别薪酬差距的来源，或者通过分析员工评价文本来衡量工作场所文化。这些研究在AI工具出现之前，要么根本不可能完成，要么成本高得令人望而却步。

学术生态系统的适应性重构

AI对劳动经济学的冲击不仅体现在个人研究效率层面，也深刻影响着整个学术生态系统的运作方式：期刊评审流程、科研基金申请竞争、博士生培养模式以及学术与政策界之间的互动方式。

[估计] 在期刊评审层面，AI工具的普及正在加速改变研究成果的产出节奏。当前顶尖经济学期刊的审稿周期往往长达一到两年，部分原因是研究人员在完成数据处理和初步分析上花费了大量时间。随着AI工具将这些前期工作压缩，研究人员将能够更快地提交更多、更精细的研究成果，这可能推动期刊加快更新审稿流程和技术标准。

在博士生培养层面，变革正在以更快的速度发生。[主张] 那些率先将AI工具整合进研究生课程的院系，正在系统性地培养出具有更高研究效率的毕业生，这些学生在进入学术或政策界工作市场时，拥有了一个明显的竞争优势。能够熟练使用AI工具进行数据分析的应届博士毕业生，在联邦储备银行和智库等机构中的就业竞争力正在显著提升。

在政策影响力层面，AI工具带来的另一个重要变化是：研究人员现在可以更迅速地回应实时政策需求。[主张] 当联邦政府或地方政府需要关于某项拟议政策影响的快速评估时，能够在数天而非数周内提供严谨分析的经济学家，将在政策过程中占据更大的话语权。这种实时政策回应能力，代表了劳动经济学家社会价值实现的一种全新路径。

自动化风险与职业韧性的辩证关系

理解劳动经济学家的AI暴露，需要区分两种不同性质的职业风险：工作任务层面的替代风险，与职业价值层面的贬值风险。这两种风险的演变逻辑并不相同，对职业策略的启示也截然不同。

在工作任务层面，替代风险是真实的、可测量的，也是相对明确的。[事实] 数据清洗、标准统计分析、文献综述、初稿撰写等任务的自动化率正在稳步上升，并且这一趋势在可预见的未来将持续。这意味着，以这些任务为核心价值的劳动经济学家职位，其就业机会将有所收缩。这是对职业结构真实存在的结构性压力。

但在职业价值层面，情况却更为复杂，也更令人乐观。[主张] 正是因为数据处理任务正在被自动化，劳动经济学家在假设生成、研究设计、结果诠释和政策转化等高端认知任务上的价值，实际上正在相对提升。当AI可以在几小时内完成过去需要数周的数据工作时，那些能够提出真正有意义的研究问题、设计稳健的识别策略、以及将复杂发现转化为可操作政策建议的人类专业能力，反而因为稀缺性的提升而变得更加珍贵。

这种辩证关系意味着：劳动经济学家作为一个职业群体面临的挑战，不是整体的职业消亡，而是职业内部的剧烈分化——那些能够完成这种技能升级的人将蓬勃发展，而那些停留在可自动化技能层面的人将面临真实的竞争压力。正确理解这种分化，是制定个人职业策略的起点。

劳动经济学作为元学科的独特价值

在AI时代，劳动经济学还具有一种其他学科难以复制的独特价值：它是理解AI本身如何影响劳动力市场的最直接专业知识来源。这种元学科地位，为劳动经济学家创造了一个其他社会科学家无法轻易替代的独特市场定位。

[估计] 每当一项重大的AI技术突破出现，随之而来的必然是一系列关于"这对就业意味着什么"的公共讨论需求。政府需要政策建议，企业需要战略评估，媒体需要专家解读，公众需要通俗说明。劳动经济学家，特别是那些同时具备传统计量经济学训练和AI工具运用能力的研究人员，处于满足这种需求的最佳位置。他们理解劳动市场的运作机制，他们掌握评估AI影响的分析工具，他们具有将技术预测与历史劳动力市场数据相结合的专业能力。

[主张] 这种元学科价值已经开始在市场上转化为可见的职业优势。AI政策研究中心、劳动市场未来研究机构、技术与就业交叉领域的学术职位——这些新兴的研究阵地正在优先招募具有劳动经济学背景的研究人员。对于那些愿意主动将研究方向转向AI劳动力影响的经济学家而言，这是一个正在快速扩大的研究空间，而竞争者数量尚未达到饱和。率先在这一细分领域建立学术声誉的研究人员，将在未来数年内享有显著的先发优势。

跨界协作：劳动经济学家与数据科学家的角色融合

AI时代另一个值得深入探讨的趋势，是劳动经济学家与数据科学家两种职业角色之间的边界正在发生模糊与融合。这种融合不是简单的技能叠加，而是两种不同认识论传统的交汇——带来了新的研究可能性，也带来了新的方法论挑战。

[主张] 传统上，劳动经济学家的训练强调因果识别和理论驱动的模型构建，而数据科学家的训练则更侧重于预测精度和模式发现。这两种方法论在劳动力市场分析中实际上是互补的：经济学家的因果推断框架可以帮助数据科学家避免将相关性误解为因果关系，而数据科学家的机器学习工具则可以帮助经济学家处理传统计量方法难以应对的高维数据环境。

[估计] 目前，最具影响力的劳动力市场研究越来越多地出现在这个交叉地带——既有严谨的经济理论支撑，又有现代机器学习工具赋能的大规模数据分析能力。在这个交叉点上成功建立工作方式的研究人员，既能提出有意义的因果问题，又能用最先进的方法论工具回答这些问题，将处于这一领域学术生产力的前沿。

这种融合趋势对职业培训也有直接影响。那些在研究生阶段就主动在传统计量经济学训练之外学习机器学习方法论的学生，将在就业市场上具有明显优势。政策机构和私营部门雇主对于能够无缝切换两种方法论框架的研究人员的需求正在上升，而目前市场上具备这种复合能力的候选人相对稀缺。

国际视野：全球劳动力市场分析的新前沿

在全球化背景下，AI时代的劳动经济学研究也在快速扩展到新的国际视野。[主张] AI工具的语言处理能力，使研究人员能够以前所未有的规模分析多语言数据源——从巴西的劳动法庭记录到印度的职位发布信息，从德国的集体谈判文件到日本的企业薪酬报告。这种多语言、跨国的数据分析能力，正在开启以前几乎不可能实现的比较劳动力市场研究。

[估计] 对于具备外语能力或专注于特定地区研究的劳动经济学家而言，这是一个特别值得把握的机遇。能够将AI辅助的多语言数据分析与深厚的地区劳动力市场制度知识相结合的研究人员，在国际发展机构、多边组织和关注全球人力资本的政策智库中具有独特的竞争优势。随着全球各经济体在AI转型中的差异化表现成为重要研究议题，这一研究方向的战略价值将持续提升。

方法论诚信：AI时代研究透明度的新要求

随着AI工具在劳动经济学研究中的使用日益普遍，方法论透明度的标准也在快速演变。学术界正在形成新的规范，要求研究人员清晰说明AI在研究过程中扮演的具体角色，以确保研究结论的可信度和可重复性。

[主张] 对于劳动经济学家而言，这意味着需要在研究方法部分明确区分哪些分析步骤依赖了AI工具、使用的是什么类型的工具、以及如何对AI生成的输出进行了人工验证。这种透明度要求不是对AI使用的限制，而是确保AI辅助研究符合学术严谨性标准的必要机制。

[事实] 愿意主动拥抱这种方法论透明度的研究人员，实际上将处于一个更有利的位置——他们不仅能够发表AI辅助的高效研究成果，还能为整个领域的方法论规范建立贡献自己的声音，从而在这一快速演变的学术生态中获得额外的专业声誉。这是一种将外部合规压力转化为个人竞争优势的积极策略选择，也是在AI工具日益普及的研究环境中建立长期学术公信力的有效路径。

---

_本文为AI辅助分析，基于Anthropic（2026年）和BLS职业预测数据。完整数据请访问劳动经济学家页面。_