AI真的会抢走工作吗?Anthropic最新研究给出了第一份真实数据

简介: Anthropic最新报告《AI对劳动力市场的影响》基于真实使用数据、职业任务与统计分析,揭示AI尚未导致失业,但正加速重塑白领岗位:程序员75%任务可被覆盖,而厨师、维修工等物理型职业几乎不受影响;AI当前主攻“增强”而非“替代”,但初级岗位招聘已下降14%。

最近 AI 圈有一份非常重要的研究报告。

Anthropic 发布了一篇研究:

《Labor market impacts of AI: A new measure and early evidence》

这篇研究的核心问题只有一个:

AI到底会不会导致大规模失业?

很多人最近都在讨论:

AI会不会取代程序员
AI客服会不会让客服消失
AI写代码会不会让开发失业
但真实数据到底是什么样?

这篇研究第一次通过:

AI真实使用数据
职业任务结构
劳动力统计
做了一次系统分析。

结果其实 非常反直觉。

目录
1 AI到底影响了多少工作
2 AI最容易影响哪些职业
3 哪些工作几乎不受影响
4 AI能力 vs AI实际应用
5 AI有没有导致失业
6 一个重要信号:年轻人就业
7 AI真正影响的是白领
8 对程序员与测试工程师意味着什么
9 AI革命的真正节奏
10 未来五年的职业变化
一、AI到底影响了多少工作
研究团队提出了一个新概念:

Observed Exposure(AI实际暴露度)

什么意思?

过去很多研究只看:

AI理论上能做什么。

但现实世界不同。

很多任务 理论可以自动化,但现实并没有被AI取代。

所以他们提出一个新指标:

AI真实覆盖率。

计算方式结合三类数据:

1 O*NET职业任务数据库 2 Claude真实使用数据 3 AI能力评估

最终得到一个指标:

AI已经覆盖了多少职业任务。

AI影响职业的计算逻辑

fef515f5-a141-4d99-8050-7c2e4f1b5466.png

简单说就是:

理论能力 + 实际使用 = AI真实影响程度

c50ccf72-4f62-48dd-bb78-641be7940e55.png

二、AI最容易影响哪些职业
研究给出了一个排名。

AI影响最大的职业:

1 Computer Programmers(程序员)

2 Customer Service Representatives(客服)

3 Data Entry Keyers(数据录入)

4 Financial Analysts(金融分析)

5 Technical Writers(技术写作)

这些职业有一个共同特点:

工作主要是信息处理。

例如:

写代码
写报告
数据整理
客户回复
文档分析
研究数据显示:

程序员约 75% 的任务已经可以被AI覆盖。

这也是为什么:

AI编程工具最近爆炸式增长。

例如:

Claude Code
Cursor
Copilot
Devin

64e1b5b2-740e-4da7-b8d3-66632c754b31.png

三、哪些职业几乎不受影响
研究发现:

约30%的职业几乎没有AI覆盖。

例如:

厨师
摩托车维修工
救生员
酒吧服务员
洗碗工
原因很简单。

这些工作需要:

现实环境
物理操作
人类判断
AI目前还做不到。

四、AI能力 vs AI真实应用
研究发现一个很重要的差距。

AI能力远远大于AI实际使用。

例如:

在 计算机与数学类职业 中:

AI理论能力:

94%任务可以被AI完成

但现实中:

只有33%任务被AI使用。

下面这个结构可以很好理解。

67d1b944-e5f1-432c-bab3-15666a333ab1.png

AI落地需要很多环节:

工具链
企业流程
法律
人类审核
所以现实落地速度比技术慢很多。

五、AI有没有导致失业?
研究团队分析了:

2016 — 2025 的美国就业数据

结果非常明确:

没有发现AI导致失业增加。

也就是说:

ChatGPT爆发两年

就业市场 没有明显冲击。

原因是:

AI目前主要用于

增强人类能力

而不是 替代人类。

六、一个重要信号:年轻人招聘下降
虽然整体失业率没有变化。

但研究发现一个信号。

在AI影响大的职业里:

22—25岁年轻人招聘下降约14%。

为什么?

因为AI改变了企业招聘结构。

以前企业需要:

8b54e8d4-08d8-4b9f-9b7e-a493c6952619.png

未来可能变成:

612d81a4-abb9-4f65-b6a0-da48992b27a3.png

简单说:

AI取代的是初级岗位。

七、AI真正影响的是白领
研究还有一个非常反直觉的发现。

AI影响最大的群体不是蓝领。

而是:

高学历白领。

数据显示:

高暴露职业的员工:

收入高47%
教育程度更高
研究生比例更高
原因很简单。

AI擅长:

文本处理
数据分析
编程
逻辑推理
这些工作正好是 白领职业核心任务。

八、对程序员和测试工程师意味着什么
如果你是:

程序员
软件测试工程师
AI工程师
这份研究有三个重要启示。

1 AI不会立刻取代程序员
AI现在主要是:

效率工具。

例如:

自动写代码
自动写测试用例
自动生成文档
工程师仍然是核心。

2 初级岗位会减少
未来团队结构会改变。

以前:

1 架构师
3 中级工程师
4 初级工程师
未来:

2 架构师
2 AI工程师
AI自动化系统
3 AI协作能力成为核心技能
未来工程师的核心能力:

不是写代码。

而是:

设计系统 + 驱动AI。

九、AI革命的真正节奏
研究认为:

AI影响就业的模式

更像 互联网革命

而不是 疫情冲击。

互联网用了:

20年

改变整个经济结构。

AI可能也会经历:

10—20年的渐进变化。

十、未来五年的职业变化
未来可能出现三类职业。

第一类:

AI协作者

AI工程师
Prompt工程师
AI测试工程师
第二类:

AI管理者

AI产品经理
自动化架构师
第三类:

AI替代风险岗位

数据录入
初级客服
初级内容生产
最后
AI不会马上取代人类。

但它一定会改变:

工作的方式。

未来最危险的人不是:

被AI取代的人。

而是:

不会使用AI的人。

相关文章
|
3月前
|
机器学习/深度学习 人工智能 JSON
别被AI概念绕晕:一次分清迁移学习、微调与蒸馏
本文用职场比喻厘清大模型落地三大易混概念:迁移学习是“借力思维”(复用预训练权重);微调是“岗前培训”,提升垂直场景效果;知识蒸馏是“师徒传承”,压缩模型、提速降本。三者目标不同,选型需结合效果、延迟、数据与预算——理清本质,方能精准落地。
542 1
|
3月前
|
人工智能 IDE 测试技术
接口文档一丢,AI自动生成测试用例和自动化脚本?
AI IDE + MCP 正重塑软件测试:需求文档→AI自动生成测试用例与自动化脚本→CI自动执行。相比传统人工编写,它大幅提升效率;区别于知识库方案,AI IDE可操作文件、调用API、构建工程。核心前提:需求需结构化、清晰。
|
Kubernetes 开发者 Docker
构建高效微服务架构:Docker与Kubernetes的协同
在当今快速迭代和部署应用程序的背景下,微服务架构已成为企业开发的首选模式。此文章通过深入分析Docker容器化技术和Kubernetes集群管理工具,探讨了如何利用这两者协同工作以构建和维护一个高效的微服务系统。我们将剖析Docker和Kubernetes的核心原理,并展示它们如何简化部署流程、提高系统的可伸缩性和可靠性。本文旨在为开发者提供一套实践指南,帮助其在云原生时代下,构建出既灵活又强大的后端服务。
433 3
|
3月前
|
存储 人工智能 关系型数据库
OpenClaw怎么可能没痛点?用RDS插件来释放OpenClaw全部潜力
OpenClaw插件是深度介入Agent生命周期的扩展机制,提供24个钩子,支持自动注入知识、持久化记忆等被动式干预。相比Skill/Tool,插件可主动在关键节点(如对话开始/结束)执行逻辑,适用于RAG增强、云化记忆等高级场景。
1139 56
OpenClaw怎么可能没痛点?用RDS插件来释放OpenClaw全部潜力
|
4月前
|
人工智能 API 机器人
OpenClaw 用户部署和使用指南汇总
本文档为OpenClaw(原MoltBot)官方使用指南,涵盖一键部署(阿里云轻量服务器年仅68元)、钉钉/飞书/企微等多平台AI员工搭建、典型场景实践及高频问题FAQ。同步更新产品化修复进展,助力用户高效落地7×24小时主动执行AI助手。
29733 253
|
3月前
|
存储 安全 开发者
小米14手机开启USB功能教程
小米14(澎湃OS)USB连接分两类:基础文件传输(下拉通知栏选MTP/PTP,无需开发者模式)和USB调试(需先连点7次OS版本开启开发者选项,再启用USB调试等)。支持传文件、ADB、刷机等,附常见问题解决提示。(239字)
1351 0
|
3月前
|
人工智能 监控 Java
一次压测12万请求,AI 30秒找到系统瓶颈:性能测试正在被重写
性能测试常陷“压测10分钟、分析2小时”困境:人工切换多系统、盯曲线找瓶颈,易漏关键指标(如连接池使用率)。AI自动分析技术兴起,仅需输入压测时间、应用名、IP,即可秒级完成数据采集、指标分析、瓶颈定位与报告生成,推动测试从经验驱动迈向智能驱动。
|
3月前
|
人工智能 测试技术 数据安全/隐私保护
AI不会写测试用例?企业真正卡住的其实是这3件事
本文剖析AI生成测试用例落地难的根源:非伪需求,而是缺乏企业级AI测试工程体系。从需求理解偏差、图文混合处理困境、工具碎片化等痛点切入,系统阐述AI测试架构设计、智能体平台演进及测试工程师角色转型,揭示“AI+平台+工程体系”才是破局关键。

热门文章

最新文章