2026 年 3 月 5 日，Anthropic 发表了一篇标题朴素的论文：《AI 的劳动力市场影响：一项新度量与早期证据》。学术化的标题之下，藏着一个前所未有的东西——第一次大规模尝试用真实的生产数据（数百万次对话），而非理论能力估算或问卷调查，来测量 AI 对劳动力市场的实际足迹。
这篇论文是 Anthropic 经济未来计划（Economic Futures Program）的产物之一。该计划于 2025 年启动，是一个结合研究资助、政策开发和纵向数据基础设施的多学科倡议。与 Anthropic 经济指数（Economic Index）一起——后者追踪 Claude 在数百个职业中的使用情况——它构成了迄今为止最雄心勃勃的实证研究努力，旨在将 AI 能力与劳动力市场结果连接起来。
核心发现可以用一句话概括：AI 理论上能做的事和它在真实职业场景中实际在做的事之间的差距，大到令人震惊。 计算机编程的理论 AI 暴露度为 94%，但观测暴露度只有 33%——这意味着尽管媒体上铺天盖地的「AI 替代程序员」报道，实际职业场景中的自动化使用仅覆盖了该职业大约三分之一的任务。对于全体劳动力而言，约 30% 的劳动者观测到的 AI 暴露度为零。
这个差距是 AI 劳动经济学中最重要的数字，而在 Anthropic 之前，没有人测量过它。
测量难题：为什么以前的估算都是错的
在 Anthropic 介入之前，这个领域依赖两种方法，都有根本性的局限。
第一种是理论能力评估。研究者使用职业数据库（如美国的 O*NET，列举了约 800 个职业的具体任务），估算 LLM 能在理论上加速哪些任务。Eloundou 等人 2023 年的开创性工作发现，LLM 理论上能加速至少 10% 任务的工作岗位覆盖了 80% 的美国劳动者。高盛据此推算全球有 3 亿工作岗位面临 AI 自动化风险。
第二种是劳动力市场数据——就业统计、招聘率、工资趋势——来衡量 AI 是否真正影响了就业。耶鲁预算实验室 2025 年 10 月的分析发现，ChatGPT 发布 33 个月后，「更广泛的劳动力市场没有经历可辨识的冲击」。彼得森国际经济研究所在 2026 年 3 月指出，「AI 和劳动力市场的研究仍然在第一局」。
两种方法都有一个关键盲区。理论估算告诉你 AI 能做什么，但不知道它正在做什么。劳动力市场数据告诉你发生了什么，但无法将因果关系归因于 AI。没有人在测量能力与结果之间的桥梁——即真实职业场景中的实际采用模式。
Anthropic 的洞见是：他们坐拥有史以来最大的 AI 辅助职业工作数据集。Claude.ai 和 API 上的每次对话都包含了 AI 如何被使用、用于什么任务、在哪些职业中、以多大程度的自主性的证据。挑战在于如何将这些原始数据转化为经济测量框架。
经济未来计划：三大支柱
Anthropic 经济未来计划于 2025 年中宣布，同年晚些时候以 1000 万美元承诺扩容，通过三个互联的支柱运作。
支柱一：研究资助与合作。 计划提供 1 万至 5 万美元的资助，用于 AI 经济影响的实证研究，同时提供 API 额度并与独立研究机构建立战略合作。重点明确要求原创实证工作——使用计量经济学方法、数据分析或新型数据收集——排除了没有实证基础的理论建模。
支柱二：循证政策开发。 通过经济未来研讨会——分别在华盛顿特区（2025 年 9 月）和伦敦（2025 年 11 月）举办——将政策制定者、研究人员和业界聚集在一起，评估具体的政策提案。方案按 AI 劳动力市场冲击的严重程度分类：从「几乎所有场景」（工人技能提升、基础设施审批改革）到「快速演进场景」（AI 收入主权财富基金、新税收机制）。
支柱三：经济测量与数据基础设施。 经济指数所在之处。Anthropic 正在构建「首批关于 AI 经济使用、扩散和影响的纵向数据集之一」。该指数使用 Clio——一个隐私保护分析系统——将对话分类到职业类别、任务复杂度水平和使用模式中，所有这些都不暴露个人对话内容。
三个支柱的设计是相互增强的。数据基础设施产生实证发现。研究资助支持独立验证和扩展。政策论坛将发现转化为可操作的治理框架。
观测暴露度：改变一切的指标
该计划最重要的方法论贡献是一个叫做观测暴露度（Observed Exposure）的指标。它结合了三个数据源：
- O*NET 任务数据：列举约 800 个美国职业各自的具体任务
- Claude 使用数据：来自 Anthropic 经济指数，记录人们实际使用 AI 做什么
- 理论暴露度估算：来自 Eloundou 等人（2023），测量 LLM 理论上能加速哪些任务
计算过程如下。首先，识别理论上 LLM 可执行的任务。然后检查这些任务中有哪些在 Claude 使用数据中出现了与工作相关的、自动化的（而非仅辅助性的）交互。自动化使用权重为 1，辅助性使用权重为 0.5。最后，按每个任务的时间占比加权，聚合到职业层面。
结果是每个职业一个数字：其任务中有多少比例正在真实职业场景中经历自动化 AI 使用。
这个指标填补了理论能力与劳动力市场结果之间的空白。理论暴露度说「AI 能做 94% 的编程任务」。观测暴露度说「AI 当前以自动化方式做大约 33% 的编程任务」。61 个百分点的差距正是整个劳动力市场辩论应该聚焦的地方——因为这个差距会随时间缩小，缩小的速度决定了实际经济冲击的节奏。
数据揭示了什么：暴露度全景
Anthropic 的发现描绘了一幅比乌托邦或反乌托邦叙事都更细致的图景。
| 职业类别 | 理论暴露度 | 观测暴露度 | 差距 |
|---|---|---|---|
| 计算机与数学 | ~94% | ~33% | 61 pts |
| 办公与行政 | ~85% | ~25% | 60 pts |
| 商业与金融运营 | ~78% | ~22% | 56 pts |
| 医疗从业者 | ~45% | ~8% | 37 pts |
| 建筑与开采 | ~15% | ~2% | 13 pts |
知识密集型职业的差距始终在 50 到 65 个百分点之间。这不是小误差。它意味着每一条基于理论暴露度的头条新闻——「AI 威胁 80% 白领工作」——对实际当前冲击的夸大了至少两倍。
关键的是，观测 AI 暴露度为零的劳动者约占全体劳动力的 30%。这些主要是体力劳动职业、高度依赖人际互动的服务角色，以及工作产出无法数字化的岗位。理论暴露度文献往往将这些劳动者视为 AI 故事的局外人。Anthropic 的数据确认——至少目前——他们确实是这样。
人口统计的意外发现
一个与普遍假设相反的发现：观测暴露度最高的职业中的劳动者更可能是年长者、女性、受教育程度更高、收入更高。 这是因为观测暴露度最高的职业——计算机编程、金融分析、客户服务、技术写作——偏向受过教育的知识工作者。「AI 威胁蓝领男性」的叙事恰恰搞反了。AI 当前最活跃的地方恰恰是劳动力中受教育程度最高、资质最深的群体。
这对经济未来计划的政策研讨会有直接影响。如果 AI 冲击集中在受过教育的高薪专业人士中间——拥有最多政治话语权和制度权力的群体——政策反应将看起来与主要影响低工资、政治影响力较弱的劳动者截然不同。
学习曲线效应：为什么采用慢于能力
经济指数 2026 年 3 月报告「学习曲线」为暴露度数据增加了一个关键层面。它记录了高资历 Claude 用户发展出了策略和习惯，使他们比新用户显著更高效。 经验丰富的用户尝试更高价值的任务、获得更高的成功率，并将 Claude 用于更广泛的工作目的。
这个发现对观测暴露度差距有直接含义。理论与观测暴露度之间的差距部分是能力差距——AI 尚无法做理论上可能的一切。但它也是采用差距——即使 AI 能做某件事，专业人士需要时间学习如何有效地将其整合到工作流程中。
学习曲线证据表明，观测暴露度的增加不仅来自 AI 变得更强大，还来自用户变得更善于部署现有能力。这正是「认知放大器」效应的实际运作：AI 的影响由人类操作者的技能所中介，而这种技能通过持续的长期使用而发展。
Anthropic 的数据揭示了技能偏向型技术变革可能展开的具体渠道。拥有高技能任务的早期采用者与 AI 的交互比后来的、不太技术的采用者更成功。这些早期采用者可能同时是最易受 AI 驱动冲击的群体，也是在这些初始辅助性采用浪潮中最受 AI 帮助的群体。AI 原住民与 AI 文盲之间的差距可能在缩小之前先扩大。
招聘信号：数据没有显示什么
Anthropic 劳动力市场论文中被最谨慎报告的发现，也许是它没有发现的。论文发现自 2022 年底以来，高暴露度劳动者的失业率没有系统性增加。 这被广泛报道为「AI 没有造成失业」——一个 Anthropic 自己的研究者都警告不要的简化。
数据确实显示的是，在暴露度最高的职业中，年轻劳动者（22-25 岁）的招聘有放缓的迹象。 这是一个与大规模失业根本不同的信号。它表明 AI 的当前影响不在现有劳动者身上，而在人才输送管道上——雇主可能正在用 AI 增强的工作流来填充新岗位，而不是招聘初级员工；或者他们对 AI 轨迹足够不确定，所以放慢了入门级招聘以等待更清晰的信号。
Forbes 的 Hamilton Mann 在 2026 年 3 月对「没有失业效应」的框架提出了尖锐批评：「AI 可能减少招聘、放慢晋升、压缩初级岗位或降低工资，而不会造成大规模裁员。因此，从当前数据得出『没有失业效应』的结论为时过早。」批评是成立的，Anthropic 的论文也明确承认这一点。观测暴露度指标被设计为先行指标——追踪能力与采用之间差距随时间缩小的工具——而非关于当前就业效应的确定性结论。
Fortune 在 2026 年 4 月对 Anthropic 首席经济学家 Peter McCrory 的采访浓缩了核心洞见：编程的理论暴露度大约 94%，但根据实际采用，「在经济体的那个领域，更接近所有岗位任务的 30%」。这两个数字之间的差距——以及它缩小的速度——正是政策制定者应该关注的。
经济指数调查：将测量延伸到使用数据之外
2026 年 4 月，Anthropic 宣布了经济指数调查，一项通过 Anthropic Interviewer 进行的月度调查。调查旨在捕捉工作场所变化的亲身经历，这些变化可能尚未出现在汇总劳动力市场数据中。
调查与 Claude 使用数据以隐私保护的方式结合，创建了双通道测量系统。使用数据揭示人们实际用 AI 做什么。调查数据揭示他们如何看待这些变化影响自己的工作、职业和经济前景。
这解决了纯使用数据的一个根本局限：它无法捕捉在 AI 平台之外发生的替代效应。如果一家公司因为 AI 处理了基础内容生成，将营销团队从 10 人缩减到 7 人，这种替代不会出现在 Claude 使用数据中。留下的 3 名营销人员可能比以往更有效地使用 Claude，而被替代的劳动者的经历对平台来说是不可见的。调查正是为了捕捉这些缺失的信号。
五大经济基元：一个测量框架
2026 年 1 月的经济指数报告引入了五个「经济基元」——追踪 AI 经济影响随时间变化的基础测量：
| 基元 | 测量什么 |
|---|---|
| 任务复杂度 | 带给 Claude 的任务有多具挑战性 |
| 技能水平 | 任务所需的专业知识，与工资水平相关 |
| 目的 | 对话是用于工作、教育还是个人使用 |
| AI 自主性 | 用户委托与协作的程度 |
| 成功率 | Claude 对对话是否达成目标的评估 |
这些基元使纵向追踪超越了原始使用统计。例如，如果特定职业中 AI 自主性随时间增加，那标志着从辅助向自动化的转变——潜在替代的先行指标。如果复杂任务的成功率在上升但简单任务没有，那表明模型在认知要求高的工作上改进，而基础任务可能已经饱和。
基元还使得以前不可能的跨职业比较成为可能。Anthropic 的数据显示，Claude 的任务级成功率因职业而异——而且这些差异与工资水平和教育要求相关联。这在 AI 能力与劳动力市场分层之间建立了一个直接的测量通道。
为什么这很重要：数据胜于叙事
Anthropic 经济未来计划的重要性超出其具体发现，体现在三个方面。
第一，它建立了一个可复制的方法论。 观测暴露度指标结合了公开可用的职业数据（O*NET）、理论能力估算和专有使用数据。虽然专有组件限制了独立复制，但框架本身——在任务层面测量理论与实际 AI 采用之间的差距——是一个方法论贡献，其他研究者可以用不同数据源来适配。
第二，它提供了纵向追踪基础设施。 经济指数被设计为持续测量，而非一次性研究。这意味着观测暴露度指标将随时间更新，允许研究者追踪理论与观测暴露度之间的差距缩小得有多快。差距缩小的速率比任何单次快照都更具政策相关性。
第三，它将 AI 劳动力市场辩论从推测性转向实证性。 当前的公共讨论在「AI 将取代所有工作」和「AI 创造的工作比摧毁的更多」之间摇摆。两种主张都基于外推和叙事。Anthropic 的贡献不是解决辩论——数据还太早了——而是提供测量工具，使辩论在未来可以被回答。
正如 Peter McCrory 对 Fortune 所说：「我们的数据展示的是，这些模型的理论能力如何与现实世界交汇，通过长期追踪，我们可以感知理论暴露度与实际采用之间的差距正在如何变化。」
常见问题
什么是 Anthropic 经济未来计划？
Anthropic 于 2025 年启动的多学科研究倡议，以 1000 万美元资金支持 AI 经济影响的实证研究、开发循证政策提案，并通过 Anthropic 经济指数维护纵向数据基础设施。
什么是「观测暴露度」？
Anthropic 提出的新指标，测量一个职业的任务中有多少比例正在真实职业场景中经历自动化 AI 使用——与理论估算的 AI 潜在能力相对。它结合了 O*NET 任务数据、理论能力估算和实际 Claude 使用数据。
AI 是否已经导致了失业？
Anthropic 的数据发现自 2022 年底以来高暴露度劳动者的失业率没有系统性增加。但暴露度最高的职业中年轻劳动者（22-25 岁）的招聘有放缓迹象。研究者警告不要将「目前没有失业」解读为「永远不会产生影响」。
理论暴露度与观测暴露度的差距有多大？
对于知识密集型职业，差距始终在 50 到 65 个百分点之间。例如，计算机编程的理论暴露度约 94%，但观测暴露度仅约 33%。这个差距是理解 AI 在劳动力市场中实际采用速度的关键指标。
AI 对劳动力市场影响最大的是谁？
Anthropic 的数据显示，暴露度最高的劳动者更可能是年长者、女性、受教育程度更高、收入更高——因为观测暴露度最高的职业（编程、金融分析、技术写作）偏向受过教育的知识工作者。这与流行的「AI 主要威胁蓝领工人」叙事恰恰相反。
经济未来计划推荐了什么政策？
该计划不主张具体政策。它按场景严重程度组织政策提案：温和影响（技能提升、基础设施改革）、中速加速（为被替代劳动者提供财政支持、自动化税收）和快速转型（主权财富基金、新收入机制）。目标是为一系列可能的未来准备选项。
经济指数的数据是如何收集的？
通过 Clio——Anthropic 的隐私保护分析系统——将 Claude.ai 和 API 上的对话分类到职业类别和任务类型中，不暴露个人对话内容。系统分析数百万次匿名对话，以映射整个经济体中的 AI 使用模式。
参考资料
- Anthropic. "Labor Market Impacts of AI: A New Measure and Early Evidence." 2026年3月5日. https://www.anthropic.com/research/labor-market-impacts
- Anthropic. "Introducing the Anthropic Economic Futures Program." 2025. https://www.anthropic.com/news/introducing-the-anthropic-economic-futures-program
- Anthropic. "Anthropic Economic Futures Program." https://www.anthropic.com/economic-futures/program
- Anthropic. "Anthropic Economic Index Report: Learning Curves." 2026年3月24日. https://www.anthropic.com/research/economic-index-march-2026-report
- Anthropic. "Anthropic Economic Index: New Building Blocks for Understanding AI Use." 2026年1月15日. https://www.anthropic.com/research/economic-index-primitives
- Anthropic. "Preparing for AI's Economic Impact: Exploring Policy Responses." https://www.anthropic.com/research/economic-policy-responses
- Fortune. "Anthropic's Research Shows That AI Can Already Do a Huge Portion of Many Jobs." 2026年4月7日. https://fortune.com/2026/04/07/anthropic-peter-mccrory-ai-automation-white-collar-jobs-claude-recession/
- Forbes. "Anthropic's Study Does Not Measure AI's Labor-Market Impacts." 2026年3月8日. https://www.forbes.com/sites/hamiltonmann/2026/03/08/anthropics-study-does-not-measure-ais-labor-market-impacts/
- 耶鲁预算实验室. "Evaluating the Impact of AI on the Labor Market." 2025年10月. https://budgetlab.yale.edu/research/evaluating-impact-ai-labor-market-current-state-affairs
- 彼得森国际经济研究所. "Research on AI and the Labor Market Is Still in the First Inning." 2026年3月. https://www.piie.com/blogs/realtime-economics/2026/research-ai-and-labor-market-still-first-inning
- Eloundou, T., 等 (2023). "GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models."