我要投稿

AI影响就业的量化悖论

发布日期：2025-08-25 17:00:33 浏览次数： 1541

作者：腾讯研究院

微信搜一搜，关注“腾讯研究院”

闫德利 腾讯研究院资深专家

一、三大不足

技术对就业影响的研究是一门显学。随着生成式人工智能蓬勃兴起，全球又掀起了一波新的研究浪潮。OECD、IMF、世界经济论坛、联合国贸发会议、国际劳工组织、世界银行等国际组织，高盛、麦肯锡、皮尤研究中心等咨询机构，纷纷推出报告。如下表所示。

表 AI影响就业的部分量化测算结果

来源：腾讯研究院根据公开材料整理，2025年7月。

全世界的顶尖机构多年持续研究，成果汗牛充栋，人们仍争论不休、困惑不已。原因让人好奇。总体来看，量化测算结果具有不可比性、片面性和静态性三大不足。

首先，最终测算结果差距甚大，几乎不具可比性。粗略来看，上表的结果处于0.4%-67%之间；美国白宫（2016）也做过类似汇总，结果在9%-47%之间。同一机构不同报告之间相冲突相矛盾的情况也很普遍，例如表中的OECD、国际劳工组织和世界银行。单独一份报告都很权威，放到一起就“神仙打架”。权威机构尚且如此，其它机构可想而知。

其次，AI暴露度测算局限于对现有岗位的潜在影响，徒增恐慌。上述研究多使用“人工智能职业暴露度（AI Occupation Exposure）”来衡量AI的就业影响。高暴露度不必然意味着岗位走向消失（OECD，2021），然而现实中人们容易把“暴露”理解成“取代”。它表达的是潜在风险，不代表真正发生；也没有考虑技术经济可行性，没有明确指出时间线和范围。片面的预测只会带来“AI抢走工作”的恐慌，而非对技术和就业关系的正确认知。

第三，人的行为是动态变化的，而量化测算是静态的切面研究。工作岗位像流水中的小船，一直处于运动变化之中，把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就以偏概全、刻舟求剑了。对未来总体岗位的立体影响，是人们想要的，但似乎还难以实现。因为人们能够感受到那些有替代风险的工作，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。”在未来岗位面前，人们是无知的。

二、三道操作难题

OECD（2021）和世界银行（2025）曾指出：AI对就业的影响还不明确、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层层递进的难题。

从宏观角度，AI不是独立影响因素，无法切割。就业率受经济周期、技术变革、产业经济、人口结构、就业政策、全球化、突发事件等多重因素影响。它们之间相互联系、相互作用，把单一因素从中完好切割出来是困难的。必须设置诸多假设条件，但这种完美的模型在真实社会中并不存在，在现实意义上大打折扣。

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，很少以独立的产品形态存在，已广泛嵌入经济社会系统中。AI已成为地图导航、在线翻译、图像识别、短视频、手机、智能网联汽车等日常应用的组成部分，在研发设计、生产制造、广告宣传、售后服务、医疗、教育、采矿、军事等行业已有广泛应用。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。正如Nick Bostrom（2006）所言：“许多尖端人工智能已经渗透到通用应用中，但通常不被称为人工智能，因为一旦某些东西变得足够有用和普遍，就不再被称为人工智能了。”

从技术发展角度，人们难以预判未来技术的发展。即使能够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，这是必备前提。然而，技术史一再表明，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（Brynjolfsson，2024）。没有前件条件，就不会有后件结果。

三、三个局限性

在这个推崇用数据说话的时代，很多人知其不可而不得不为。因此，强调数据的局限性尤为必要。

第一，受利益驱动，主观干预。数据并不都是客观准确的，有时受到人类行为的影响和支配，一定程度上反映的是人们的意志。为达到期望的结果，不乏主动干预数据生成的行为。例如，上市公司财务造假，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。哪怕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。经过多个不同环节的层层叠加，结果往往失真较大。填写过问卷或接受过拦访的人，想必会有所感受。现实中，只能靠机构的知名度和权威性来彰显结果的准确和合理。

第三，数据自身的局限性。如果未来是确定好的，完全由过去决定，只是等待时间展示出来，那么通过数理统计可以预测未来。但人类社会充满着变数，数据往往无能为力。一只岁月静好的猪，无法通过既往数据预测出春节的黑天鹅；马车出行数据，可以获得“一匹更快的马”，但不能发明出汽车。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。