为什么AI还没有推高失业率？

我想分享一些高层面的思考，以及一个帮助我理解为什么我们（到目前为止）没有看到 AI 对美国劳动力市场产生显著影响的框架。我聚焦美国，因为：（a）AI 在美国的采用率很高；（b）它是全球最大的经济体；（c）与欧洲相比，我们的劳动力市场制度在历史上更有利于快速采纳替代劳动力的技术；（d）我们拥有异常丰富的劳动力市场统计数据来理解当前状况。这些想法我最近在 Anthropic 内部也分享过。

首先，AI 在美国的采用率确实很高。因此，去寻找它对生产力或失业率的影响是合理的。近年来劳动生产率增长强劲，有迹象表明 AI 已部分贡献于此。

但美国劳动力市场目前是稳定的，接近充分就业。在我看来，AI 到目前为止并未导致失业率出现实质性上升。即使我们聚焦于那些高度暴露于当前 AI 自动化模式的工人，近年来也没有看到失业率的异常上升（不过如下文所述，这些工人确实更担心失去工作）。

为什么我们看不到 AI 采用对失业率的任何影响？AI（到目前为止）具有"技能偏向型"劳动增强技术的特征。即使 AI 自动化了某些工作环节，互补性的人类专业知识也能放大 AI（或人类）单独所能实现的成果。AI 拓宽了人们可以完成的工作范围，从而提高了与 AI 协作的回报。

当然，未来仍然非常不确定。模型能力正在快速进步，AI 系统可能很快就能自主开发自己的后继版本。更通用的 AI 系统可能导致尚未显现的劳动力替代。这是否会发生（以及多快发生）是一个开放性问题，我的团队正在努力理解。

在很多方面，这篇短文是我试图综合 Anthropic 过去 18 个月的经济研究成果的尝试——理解人们如何使用 AI，以及这对工作、劳动力市场和整体经济意味着什么。这项工作强调，未来仍然不确定，影响可能是不均衡的。到目前为止，我们看到的失业效应有限；这篇文章呈现了我理解"为什么"（以及未来可能如何变化）的框架。

重要背景事实：美国劳动力市场目前是稳定的

• 6月份失业率为 4.2%，美联储认为这一水平与充分就业和价格稳定一致。
• 职位空缺与失业人数之比最近在4月份回升至略高于1，一些经济学家认为这意味着劳动力供需大致平衡。更精细的指标，如纽约联储的 Heise-Pearce-Weber（HPW）劳动力市场紧度指数，也指向一个平衡的劳动力市场。
• 黄金年龄段（25-54岁）就业人口比仍接近数十年来的高位，反映了后疫情时代扩张中出现的广泛劳动力市场强势。
• 每周首次申请失业救济人数在过去四年中一直稳定在低位。裁员和解雇率保持在疫情前水平或略低。

那么，我们是否应该预期 AI 对劳动力市场产生影响？答案是肯定的

AI 行业已经足够大，我们可以寻找可辨别的宏观经济效应。

• 约 20% 的企业至少在一个业务职能中使用 AI。在信息行业（占 GDP 的 5.5%），这一比例达到 40%。
• 根据 Patrick McKelvey 和我的同事 @akorinek 的估算，质量调整后的 AI 产出在 2024 年和 2025 年均实现了超过 2,000% 的年增长。即使从一个很小的基数起步，这也表明我们应该能在总量中看到 AI 影响的迹象。
• 我相信我们已经开始在总量生产率统计中看到 AI 的影响：
  • 劳动生产率增长近年来相对强劲：从 2022 年第一季度到 2026 年第一季度，每小时产出增长率为每年 2.0%，而疫情前四年为 1.6%。
  • AI 采用率较高的经济部门在过去四年中往往有更快的劳动生产率增长。
  • 全要素生产率增长——经济学家衡量生产率的方式——近年来较为温和（特别是在考虑要素利用率之后）。这削弱了证据，但生产率信号不一本身也可能意味着加速正在进行中。

企业基于对新雇员未来价值（相对于成本）的预期做出招聘决策。企业会考虑工人未来的生产力、整个雇佣期的工资，以及预期匹配持续时间。

因此，企业对未来的预期应该在当下就塑造劳动力市场结果——体现在离职、招聘和职业转换中。但在辞职率、裁员率和求职找到率方面，我们都看到了稳定的格局。同样，没有证据表明 AI 导致了异常快速的职业流动。

软件工程岗位的招聘自 2025 年 5 月以来已广泛回升（相对于所有其他岗位），表明在这个 AI 能力进步最快的职业中，对工人的需求在上升。

有没有证据表明工作替代正在发生？

证据是好坏参半的。但总体而言，我不信服。

• 正如 Maxim Massenkoff 和我在我们的劳动力影响报告中所记录的，我们没有看到 Claude 被大量用于自动化的那些高暴露岗位的工人失业率恶化（相对于其他岗位的工人）。用更近期的 BLS 数据更新这一分析并不改变结论。
• 我们确实发现一些暗示性证据，表明高 AI 暴露岗位中年轻工人的招聘率在过去一年左右有所走弱。这与斯坦福数字经济实验室的研究论文《煤矿中的金丝雀》中的证据一致。
• 但这些年轻工人被替代的证据需要谨慎解读。很难辨别因果效应，因为 AI 出现在一个异常波动的宏观经济环境中：后疫情时代错配的消退、货币政策的快速紧缩、俄乌战争后的大宗商品价格波动，以及持续的全球政策不确定性（例如贸易战）。因为招聘是一种投资形式，广泛的经济不确定性本身就可能压制招聘。
• 另一种说法：从 2022 年至今，美国经历了有记录以来最大的非衰退性劳动力市场放缓（"完美反通胀"）。这伴随着一个"低招聘、低裁员"的劳动力市场。这种劳动力市场对职场新人打击最大。目前，年轻工人可能因为 AI 以外的宏观经济原因而在求职中挣扎。
• 另外，一些最近的研究认为，疫情后远程工作的兴起对高 AI 暴露岗位的年轻工人产生了影响。将 AI 的影响与经济遭受的其他冲击区分开来是具有挑战性的。
• 虽然我们尚未看到失业效应，但我们确实发现，在 Claude 被用于自动化任务的高暴露岗位中，工人确实比低暴露岗位的工人更担心失去工作。

核心问题：为什么AI还没有导致失业率显著上升？

到目前为止，AI 既是"技能偏向型"的，也是"劳动增强型"的。它补充领域专业知识。它依赖人在环中来指导和评估最复杂的工作。它奖励 AI 熟练度。模型能力正在快速提升，但仍然顽固地参差不齐。为了填补参差前沿的洼地，需要专家监督来驾驭极其强大的 AI 系统，并在它们失误时进行纠正。

当然，一些工作岗位更容易被自动化直接替代。例如，技术写作、数据录入、客户支持和计算机编程等工作，AI 可以可靠地处理核心任务。虽然我们尚未看到这些岗位工人的失业率上升，但 BLS 预计到 2034 年，观察暴露度较高的职业增长会更慢。

但到目前为止，整体画面是劳动增强。因此，劳动力市场的影响注定是不均衡的，即使能力快速进步。这并不意味着当前在劳动力市场上享有溢价的所有技能在未来都会如此。某些类型的专业知识可能变得不那么有价值（例如纯粹的编码实现），而其他类型则变得更有价值（例如委派和评估的管理技能）。

为什么我们认为 AI 是技能偏向、劳动增强型技术？

以下基于 Anthropic 经济研究团队发表的工作，以及 Anthropic 经济指数的证据：

• 尽管 AI 取得了惊人的进步并在整个经济中被快速采用，但在 O*NET 分类（劳工部的职业及其典型任务目录）中，没有任何一个岗位的所有关联任务都被 Claude 系统性地处理。如果岗位是固定任务包——它们不是，稍后详述——那么工作中不可自动化的核心部分既限制了整体生产率提升，也放大了劳动回报。Claude 无法处理的任务可能依赖人际协调、面对面互动或与物理世界的交互，这些到目前为止只有人类能做。
• 在我们1月份的报告《经济原语》中，我们发现复杂的用户输入与复杂的 Claude 输出高度相关。换言之，当 Claude 构建一个复杂的经济模型时，在实践中它是在某人提供互补性专家指导的引导下完成的。
• 虽然 Claude 总体上倾向于成功，但模型在最复杂的工作上最为挣扎。这与 METR 任务范围的结果大体一致：更高的可靠性以更短的任务范围为代价。我们发现有暗示性证据表明，人在环中提高了 Claude 能处理的任务复杂度。
• 在我们3月份的报告《学习曲线》中，我们发现即使只使用六个月，人们也更倾向于将 Claude 作为思维伙伴与它互动，并且与 Claude 的交互成功率更高。如果 AI 独立就足够好了，我们不会预期看到这种效应。
• 广泛的任务自动化仍然可以增强劳动。为什么？因为岗位不是固定任务包。新技术在历史上导致了现有岗位内部的巨大变化，即使某些岗位消失了。它们还创造了全新的工作类型，将新技术能力与互补性的人类专业知识相结合。我们在研究中看到了这种效应的迹象：在 81,000 名 Claude 用户中，常被引用的感知生产率提升来源是范围扩展——能够做更多事、做得更熟练。AI 的这种赋权可能重新定义我们的角色边界，并在岗位内产生新的任务组合——自动化一些、强化另一些的重要性——同时净增加劳动的边际产出。
• 在我们6月份的经济指数报告《节奏》中，来自 Anthropic 经济指数调查的超过三分之一的受访者预期 AI 能在未来十二个月内完成他们工作中的大部分或全部任务。类似比例的受访者预期自己或同事的工作职责将在来年发生变化。但对失业的预期明显更低。事实上，那些以更自动化方式使用 Claude 的人往往对 AI 对自己薪酬、工作保障和求职能力的影响更乐观。
• 随着 AI 能力的提升，我们将看到越来越强大的智能体能够自主处理复杂、长周期、有价值的任务。AI 还会继续增强劳动吗？为了回答这个问题，我们最近分析了 Claude Code 的使用模式，看看智能体编程是否正在改变专业知识的回报。在我们追踪的七个月里，Claude Code 被用于越来越有价值的任务，但我们看到了人类专业知识的持续回报：即人们做规划决策，将实现委派给 Claude。领域专业知识更多的人更常成功完成任务，在 Claude 出错时也更稳定地恢复。直接编码能力的回报可能已经下降，但智能体编程到目前为止提高了其他互补技能的价值。

未来展望：创新本身的自动化

未来很难解析。AI 的技能偏向、劳动增强特性很可能会随着模型的持续改进而消失。参差前沿可能变得更平滑。在某个时点，人类专业知识的回报可能会递减。

对未来如此不确定的一个重要原因是，AI 可能自动化创新本身。赋予机器通用认知能力是进一步创新的直接催化剂，这是过去的通用目的技术所不具备的。内燃机不能发明新的交通方式。在标准经济模型中，自动化创新——我们可能首先在递归自我改进中看到——可以产生经济奇点：有限时间内的无限增长。

这种奇点会出现吗？如果有某些核心任务永远无法被自动化——无论是出于技术原因还是社会约束——那就不会。这些"薄弱环节"是增长的限制：正如 Aghion、Jones 和 Jones（2017）所论证的，"经济增长可能不是受限于我们做得好的事情，而是受限于那些至关重要却难以改善的事情"。即使在非常快速、广泛但不完整的自动化条件下，这些薄弱环节也能在长期维持劳动收入份额。

"薄弱环节"的逻辑不仅适用于产品生产，也适用于创新的自动化。AI 是否能大幅加速生产率增长，不仅需要提升能力，还需要广泛自动化研发过程中的任务。最近的证据表明，薄弱环节目前是自动化软件生产的制约因素：引入编程智能体后，代码行数增加了 10-20 倍，但软件发布数量仅增长 30%，应用使用量完全没有增加。

结论

缩放定律很难反驳。模型会变得更好。好得多。我预计这将推动更快的生产率增长，甚至可能看到更清晰的递归自我改进（RSI）迹象。但我不预期一年后失业率会明显更高——至少不是因为 AI。