我來分享一些高層次的反思，以及一個幫助我理解為何我們（到目前為止）尚未看到 AI 對美國勞動力市場產生顯著影響的架構。我之所以聚焦美國，是因為 (a) 這裡的 AI 採用率很高，(b) 它是全球最大的經濟體，(c) 與歐洲相比，我們的勞動市場制度在歷史上更有利於快速採用取代勞動力的技術，以及 (d) 我們擁有異常豐富的勞動市場統計數據，可用於了解當前狀況。我最近在 Anthropic 內部分享了這些想法。
首先，AI 在美國的採用率很高。因此，我們有理由探討其對生產力或失業率的影響。近年來，勞動生產力增長強勁，且有跡象表明 AI 對此做出了部分貢獻。
但美國勞動力市場目前穩定且接近充分就業。在我看來，AI 迄今尚未導致失業率出現實質性上升。即使我們關注那些高度暴露於當前 AI 自動化模式的勞動者，近年來也未觀察到其失業率出現意外增長（儘管如下文所述，這些勞動者更擔心失業）。
為什麼我們沒有看到 AI 採用對失業率產生影響？AI（到目前為止）具有「技能偏向型」、勞動增強型技術的特徵。即使 AI 自動化了工作的某些方面，人類的輔助專業知識也會放大 AI（或人類）單獨所能達成的成果。AI 擴大了人們能完成的任務範圍，從而提高了與 AI 合作的回報。
現在，未來仍然相當不確定。模型能力正在快速進步，AI 系統可能很快就能夠自主開發自己的後繼者。更通用的智能 AI 系統可能導致尚未實現的勞動力取代。這種情況是否會發生（以及速度多快）是一個有待解答的問題，也是我的團隊正努力理解的方向。
從很多方面來看，這篇短文是我試圖綜合 Anthropic 過去 18 個月的經濟研究，以了解人們如何使用 AI，以及這對當前的工作、勞動力市場和整體經濟意味著什麼。這項工作強調了未來仍然不確定，且其影響可能是不均衡的。到目前為止，我們看到的是溫和的失業率影響；這篇文章提出了我理解其原因（以及未來可能發生什麼變化）的架構。
重要的背景事實：美國勞動力市場目前穩定。
- 6 月份的失業率為 4.2%，聯準會認為這個水平與充分就業和物價穩定相符。
- 職位空缺與失業工人之比在 4 月份近期升至略高於 1，一些經濟學家認為這意味著勞動力供需大致且有效率地達成了平衡。更複雜的指標，例如 紐約聯邦儲備銀行的 Heise, Pearce, Weber (HPW) 勞動市場緊縮指數，也指向一個平衡的勞動市場。
- 壯年就業人口比率仍接近數十年來的高點，這反映了後疫情擴張期間出現的廣泛勞動市場實力。
- 過去四年，每週初次申請失業救濟金人數一直穩定維持在低檔。裁員和解僱率仍處於或略低於疫情前水平。
那麼，我們現在是否應該預期 AI 會對勞動力市場產生影響？我認為答案是肯定的：AI 產業規模已經足夠大，我們可以尋找可辨別的宏觀經濟影響。
- 約 20% 的公司至少在一項業務功能中使用 AI。在佔 GDP 5.5% 的資訊行業中，這一比例達到 40%。
- 根據 Patrick McKelvey 和我的同事 @akorinek 的估計，經品質調整的 AI 產出在 2024 年和 2025 年每年增長超過 2,000%。即使初始基數很小，這也表明我們應該會在總體數據中看到 AI 影響的跡象。
- 我相信我們正開始看到 AI 對總體生產力統計數據的影響：
- 近年來勞動生產力增長相對強勁：從 2022 年第一季到 2026 年第一季，每小時工作產出的比率年均增長 2.0%，而疫情前四年為 1.6%。
- 美國經濟中 AI 採用率較高的行業，在過去四年中傾向於擁有更快的勞動生產力增長。
- 全要素生產力增長——經濟學家衡量生產力的常用方式——近年來較為溫和（特別是在考慮要素利用率之後）。這削弱了證據，但生產力方面的混合信號本身可能表明加速正在進行中。
- 公司根據對僱用新員工未來價值的信念，相對於成本做出招聘決策。
- 公司會考慮員工未來的生產力、就業期間的工資，以及預期的匹配持續時間。
- 因此，公司對未來的信念應該以離職、招聘和職業轉換的形式，在當下 塑造勞動市場結果。但在辭職、裁員和求職成功率方面，我們看到的是穩定的模式。同樣沒有證據表明 AI 導致了異常快速的職業流動。
- 自 2025 年 5 月以來，軟體工程職位發布已廣泛反彈，相比所有其他職位發布，這表明在 AI 能力進步最快的職業中，對工人的需求正在上升。
是否有任何證據表明工作被取代正在發生，即使它（尚未）產生宏觀經濟影響？證據好壞參半。但總體而言，我並未被說服。
- 正如 Maxim Massenkoff 和我在我們的勞動影響報告中所記錄的，我們尚未看到那些 Claude 被用於自動化的任務佔比較高的工作角色，其工人的失業率相對於其他角色的工人有所惡化。使用 BLS 的最新數據更新此分析並未改變這一結果。
- 我們確實發現了一些暗示性證據，表明過去一年左右，在高度 AI 暴露職位中，年輕工人的招聘率有所減弱。這與史丹佛數位經濟實驗室研究人員在論文 Canaries in the Coal Mine 中的證據一致。
- 但對年輕工人被取代的這一證據應謹慎解讀。 很難辨別因果關係，因為 AI 出現於一個異常動盪的宏觀經濟環境中：疫情時期混亂的消退、貨幣政策的快速收緊、俄羅斯入侵烏克蘭後的大宗商品價格波動，以及持續的全球政策不確定性（例如來自貿易戰）。由於招聘是一種投資形式，廣泛的經濟不確定性本身就會抑制招聘。
- 另一種說法是：從 2022 年到現在，美國經歷了有記錄以來最大的非衰退性勞動市場放緩（所謂的「完美通膨降溫」）。這與「低招聘、低裁員」的勞動市場同時發生。這種勞動市場對職場新人打擊最大。目前，年輕工人可能正因 AI 以外的宏觀經濟原因而難以找到工作。
- 另外，最近一些研究認為，疫情後遠距工作的興起對高度暴露於 AI 的職位中的年輕工人產生了影響。從衝擊經濟的其他因素中孤立出 AI 的影響極具挑戰性。
- 雖然我們尚未看到失業影響，但我們確實發現，那些 Claude 被用於自動化其任務的工作角色中的工人，比那些處於較低暴露角色中的工人表達了更大的失業擔憂。
如果你相信美國勞動市場目前是健康的，AI 原則上能夠產生宏觀經濟層面可辨別的影響，而這尚未對高度 AI 暴露的職位造成取代，那麼下一個問題就很明顯了：
為什麼 AI 沒有導致失業率顯著上升？
到目前為止，AI 既是 技能偏向型 又是 勞動增強型。 它補充了領域專業知識。它依賴於人類介入來指導和評估最複雜的工作。並且它獎勵 AI 熟練度。模型能力正在快速提升，但仍然頑固地參差不齊。為了填補參差不齊的邊界，需要專家監督來引導能力極強的 AI 系統，並在它們失誤時進行補救。
當然，有些工作更容易被自動化直接取代。例如，技術寫手、資料輸入員、客戶支援代表和電腦程式設計師，這些工作 AI 能夠可靠地處理核心任務和職責。儘管我們尚未看到此類角色工人的失業率有任何增加，但 BLS 預測，觀察到較高暴露度的職業到 2034 年增長將較少。
但到目前為止，更廣泛的圖景是勞動力增強。因此，即使能力在快速進步，對勞動市場的影響也將是不均衡的。這並不意味著目前所有在勞動市場上享有溢價的技能未來都會如此。某些類型的專業知識可能會變得價值較低（例如純程式碼實現），而其他類型的專業知識則會變得更有價值（例如委派和評估的管理技能）。
為什麼我們認為 AI 是一種技能偏向型、勞動增強型技術？我將根據 Anthropic 經濟研究團隊發表的作品，以及 Anthropic 經濟指數的證據，提出幾點觀察：
- 儘管 AI 取得了驚人的進步並在整個經濟中快速被採用，但在 ONET 分類法（勞工部對職業及其典型任務的目錄）中，沒有任何一個職業的所有*相關任務都由 Claude 系統性地處理。如果工作是固定的任務組合——它們並非如此，但稍後會詳細說明——那麼工作中本質的、非自動化的方面既限制了整體生產力的提升，又放大了勞動的回報。Claude 無法處理的任務可能依賴於人際協調、面對面互動或與物理世界的接觸，而這些到目前為止只有人類才能做到（參見 @lugaricano 的「任務不是工作」）。
- 在我們 1 月份的報告 經濟原語 中，我們發現複雜的用戶輸入和複雜的 Claude 輸出之間高度相關。換句話說，當 Claude 建立一個複雜的經濟模型時，實際上它是在提供補充性、專家指導的人的指導下進行的。
- 雖然 Claude 平均而言表現良好，但該模型在最複雜的工作上最為掙扎。這大致與 METR 任務時長結果一致，其中更高的可靠性是以更短的任務時長為代價的。我們發現暗示性證據表明，人類介入增加了 Claude 處理工作的複雜性。
- 在我們 3 月份的報告 學習曲線 中，我們發現即使在僅使用六個月後，人們更傾向於將 Claude 視為思想夥伴，並與 Claude 進行更成功的互動。如果 AI 本身足夠好，我們就不會預期看到這種效果。
- 廣泛的任務自動化仍然可以增強勞動。為什麼？因為工作並非固定的任務組合。從歷史上看，新技術導致了現有工作內部的巨大變化，即使有些工作消失了。而且它們產生了全新的工作類型，這些工作結合了新的技術能力與輔助性的人類專業知識。我們在研究中看到了這種效果的跡象：在 81,000 名 Claude 用戶中，一個常被引用的感知生產力來源是範圍擴展——能夠更熟練地做更多事情。AI 帶來的這種賦權可能會重新劃定我們角色的邊界，並在工作內部產生新的任務組合——自動化一些任務，強化其他任務的重要性——同時在淨值上增加勞動的邊際產出。
- 在我們 6 月份的經濟指數報告 節奏 中，來自 Anthropic 經濟指數調查 的所有受訪者中，超過三分之一預計 AI 在未來十二個月內能夠完成他們工作中大部分或全部任務。類似比例的受訪者預計，自己和同事的工作職責在未來一年內會發生變化。但對失業的預期明顯較低。事實上，那些以更自動化方式使用 Claude 的人，對 AI 在薪酬、工作保障和求職能力方面的影響往往更為樂觀。
- 隨著 AI 能力的提升，我們將看到越來越能幹的 Agent，它們可以自主處理複雜、長期、有價值的任務。AI 還會增強勞動嗎？為了掌握這個問題，我們最近分析了 Claude Code 的使用模式，看看代理式編碼是否正在改變專業知識的回報。在我們追蹤的七個月裡，Claude Code 已被用於越來越有價值的任務，但我們觀察到人類專業知識的回報持續存在：也就是說，人們做出規劃決策，並將實施委託給 Claude。擁有更多領域知識的人更常成功完成任務，並且在 Claude 犯錯時能更一致地恢復。單純的編碼能力的回報可能已經下降，但到目前為止，代理式編碼增加了其他互補技能的價值。
未來難以預測。很可能的情況是，隨著模型持續改進，AI 的技能偏向型、勞動增強型方面將會消失。參差不齊的邊界可能會變得平滑。在某個臨界點，人類專業知識的回報可能會減少。
未來存在如此大不確定性的一個重要原因是，AI 本身可能自動化創新。 賦予機器一般的認知能力是進一步創新的直接催化劑，其方式與過去的通用技術不同。內燃機無法發明新的交通方式。在標準的經濟模型中，自動化創新——我們可能首先在遞迴式自我改良中看到——可能產生經濟奇點：在有限時間內無限增長。
這樣的奇點會發生嗎？如果存在某些從未被自動化的基本任務，無論是出於技術原因還是社會限制，則不會。這些「弱連結」是增長的限制：「經濟增長可能不是受我們做得好的事情所限制，而是受那些必不可少卻又難以改進的事情所限制」，正如 Aghion, Jones, and Jones (2017) 所論證的那樣。即使是在非常快速、廣泛但不完全的自動化下，這些弱連結也能在長期內維持勞動收入份額的高位。
「弱連結」邏輯不僅適用於商品生產，也適用於自動化創新。AI 是否會顯著加速生產力增長，不僅需要改進能力，還需要對研發過程中涉及的任務進行廣泛的自動化。最近的證據表明，弱連結目前是自動化軟體生產的一個限制因素：引入編碼 Agent 後，生成的程式碼行數增加了 10-20 倍，但軟體發布量僅增加了 30%，且應用程式使用量總體上並未增加。
規模化定律很難反駁。模型將會變得更好。好得多。我預計這將推動更快的生產力增長，甚至可能出現更明顯的 RSI 跡象。但我預計一年後的失業率不會明顯升高——至少不會是因為 AI。
