方法论

我们整合多个权威数据来源，全面了解AI对职业的影响。持续监控新研究以更新评估。

• Massenkoff & McCrory (2026) - AI的劳动市场影响：基于实际Claude使用数据的观察暴露指标主要
• Eloundou et al. (2023) - GPTs are GPTs：理论任务暴露框架（beta分数 0, 0.5, 1）
• Brynjolfsson et al. (2025) - 煤矿中的金丝雀：基于ADP工资微观数据的观察就业效应
• 美国劳工统计局 (2024) - 包含职业级增长率的2024-2034就业预测
• O*NET SOC分类系统 - 用于所有评估的标准化职业和任务分类体系

我们使用四个主要指标来量化AI对每个职业的影响。每个指标捕获AI与工作任务交互的不同维度。

综合暴露

一个综合指标，将理论和观察暴露数据合成，提供单一摘要分数（0-100），衡量职业任务与当前AI能力的重叠程度。

理论暴露

基于学术研究和能力评估衡量AI可能自动化的范围。主要来自Eloundou et al. (2023)的beta任务暴露分数，评估每个任务对LLM自动化的敏感性。

观察暴露

基于实际使用数据衡量AI实际执行的工作。来自对映射到O*NET职业任务的数百万Claude对话的分析，反映实际采用模式。

自动化风险

在评估时间范围内发生重大工作岗位替代的概率。结合暴露指标与就业趋势数据、工资水平和任务可替代性来估计劳动力减少的可能性。

将每个职业分解为单独的任务，评估当前和近期未来AI系统对每个任务的自动化程度。这种任务级方法比整体职业估算提供更细致的洞察。

任务级分解

使用O*NET的详细工作活动（DWA）将每个职业分解为组成任务。我们独立评估每个任务，而不是对整个职业做笼统判断。

Beta分数方法论

遵循Eloundou et al. (2023)，为每个任务分配beta分数：0（无暴露）、0.5（在人工监督下部分暴露）或1（完全暴露于AI自动化）。汇总这些分数以生成职业级指标。

时间序列构建（2023-2028）

使用2023-2025年的实际测量数据和2026-2028年的估算预测构建时间序列数据。在所有可视化中使用实线和虚线明确区分实际数据和估算值。

预测方法论

2026-2028年的前瞻性估算基于观察到的趋势率、已宣布的AI能力改进和BLS就业预测。所有预测值均明确标记为估算。

对局限性的透明度是负责任分析的关键。用户在解读数据时应考虑以下因素。

样本量

观察暴露数据基于数百万次Claude对话，为高使用频率职业提供稳健的统计覆盖。但较少见的职业可能样本量较小，置信区间较宽。

地理和职业覆盖

目前覆盖55个职业，计划扩展到200个以上。数据主要反映美国劳动市场和英语AI交互，可能无法完全代表全球模式。

更新频率

在新研究发表或数据发布时更新核心指标。BLS预测每年更新。观察暴露数据在Anthropic发布新分析时更新。

理论与观察差距

理论暴露（AI能做什么）和观察暴露（AI实际在做什么）之间通常存在显著差距。采用障碍、监管约束和组织惯性意味着实际AI影响通常落后于技术能力。

我们维护主要数据更新和方法论变更的透明记录。

所有数据点都链接到原始来源。提供完整的引用信息以确保透明度。请参阅下方完整参考文献列表。