先确认一项证据到底测量了什么
受控实验可以比较使用与不使用工具时的速度和质量，但通常覆盖有限活动与人群。企业现场研究更接近真实流程，却仍可能只代表一家公司。职业暴露指数把大量活动映射到技术能力，适合比较结构，却不是失业概率。就业预测还要加入人口、需求、投资和政策假设，因此不应被理解成确定的个人命运。
本知识库截至2026年10月7日核对以下来源。涉及全球数字时优先采用ILO，涉及技能与组织采用时采用OECD，涉及美国职业结构时采用BLS和O*NET。实验研究用于说明具体活动中的因果效果，不把单一效率提升外推为同等比例的岗位减少。
核心来源
-
The O*NET Content Model说明职业可以由工作活动、情境、技能、知识与经验要求等多个层次描述。本文据此采用“先拆活动，再判断影响”的分析方式。O*NET主要反映美国职业分类，不代表其他国家的岗位设计。
-
Generative AI and Jobs: A Refined Global Index of Occupational Exposure基于近三万项职业活动、调查与专家校验，估计全球约四分之一就业存在某种生成式AI暴露，最高暴露等级约占3.3%。作者明确认为工作转型比整份工作替代更可能。指数衡量潜在暴露，不测量已经发生的裁员。
-
Gen AI, occupational segregation and gender equality in the world of work使用84国协调微观数据分析职业隔离与生成式AI暴露。报告指出，女性占多数的职业暴露更高，原因与文职、行政和业务支持岗位集中有关。它说明影响分布不均，但不能预测某位劳动者的具体结果。
-
Generative AI at Work研究在客户支持场景中部署的生成式AI工具，报告每小时解决问题数量平均提高15%，经验较少、技能较弱员工的收益更大。这是特定公司与活动的现场证据，不能直接换算为整个客服行业的就业变化。
-
Experimental evidence on the productivity effects of generative artificial intelligence预注册实验让受过大学教育的专业人士完成限定写作活动。使用ChatGPT的参与者平均用时减少40%，质量提高18%。结果支持特定写作活动的效率提升，不涵盖信息获取、长期执行、保密和组织责任。
-
AI impacts in BLS employment projections展示美国2023—2033年部分AI易影响职业的就业预测。软件开发、金融分析等职业在预测期内仍可能增长，而部分信贷与保险岗位下降。预测基于美国经济和当时假设，不适合作为其他地区的直接职业建议。
-
Widening opportunities by investing in 21st-century skills综合生成式AI对劳动替代与能力互补的早期证据，并强调组织采用、培训、员工协商与制度选择会改变结果。它是跨研究综述，所引用的在线市场与企业研究仍有样本边界。
-
AI and skills: What we know so far指出多数劳动者需要的是数字能力、数据理解和管理与人际能力，而非高级AI开发技能。员工培训与更积极的工作结果相关，但相关性不等于培训单独造成结果，且政策简报强调透明、隐私与问责需要同时存在。
-
Using AI in the workplace: Opportunities, risks and policy responses总结AI对绩效、工作乐趣、劳动强度、数据收集与不平等的机会和风险。调查集中于特定国家的制造与金融业，不能代表所有劳动者，但为员工参与和培训为何重要提供了直接组织层证据。
仍然无法确定的部分
模型能力更新很快，企业采用却受旧系统、数据质量和管理能力约束。就业统计通常滞后，企业也可能先减少空缺而不是直接裁员。自由职业平台能更快显示需求变化，却与正式雇佣市场不同。因此，任何单一日期的结论都应被视为阶段性判断。
“工作”还包含收入稳定、工作强度、自主性、隐私与安全。岗位数量不变，不代表劳动者没有受到影响；生产率提高，也不保证收益会自动分享。阅读未来研究时，应分别寻找就业数量、工资、招聘入口和工作质量的证据。
如果你要做个人职业决定，应补充所在国家、行业、公司规模与具体职责的数据。本知识库提供理解框架，不构成个别职业、法律或投资建议。对于高风险决策，应向具备当地资质的专业人士求助。
现在可以带着证据边界回到起点：先拆活动，再看组织和市场，不把醒目的比例当作个人判决。
返回阅读起点