斯坦福大学： AI不是抢的你的工作，而是抢你的第一份工作_brynjolfsson等人的《矿井中的金丝雀?-优快云博客

在这里插入图片描述

要点速览（TL;DR）

基于 ADP 覆盖至 2025 年 7 月的数百万条美国工资单数据，斯坦福大学团队发现：AI 的早期劳动力市场影响主要集中在“AI 暴露度高”的职业中的入门级员工。
冲击最大的是“第一份工作”（22–25 岁），如软件开发、客户服务等岗位。
当 AI 以自动化为主时，入门级岗位下滑更明显；当 AI 以增强为主时，入门级就业基本稳住或增长。
调整主要通过“人数”而非“薪酬”发生——工资更具粘性。
这些模式在控制公司层面冲击后仍然成立，并通过多种稳健性检验。

斯坦福团队分析了什么

研究者将以下数据进行匹配：

ADP 的高频工资单数据（覆盖数百万员工、数万家公司），时间至 2025 年 7 月。
两类“职业层面”的 AI 暴露度度量：
- 基于 GPT-4 的暴露度（Eloundou 等，2024）。
- 基于 Anthropic Claude 的任务层面使用数据（Handa 等，2025），包括区分 AI 使用是“自动化型”还是“增强型”。

这使团队得以近实时追踪“谁”在“何时”“如何”受到影响。

塑造工作未来的六个事实

早期职业就业在 AI 暴露岗位中下滑

在软件开发、客户服务等职业中，22–25 岁群体的就业在 2022 年底后明显走弱。以软件开发为例，22–25 岁从峰值回落近 20%（图 1，第 10 页）。
在控制公司-月份层面冲击后，22–25 岁中“暴露度最高五分位”的相对就业下降约 12–13 个对数百分点（log points）（图 9，第 20 页）。

总体就业仍在增长——但年轻人停滞

总体就业依然稳健，但 22–25 岁群体趋于横盘（图 4，第 13 页）。
自 2022 年底至 2025 年 7 月，最受 AI 暴露的职业中，22–25 岁就业约降 6%，而同职业中的 35–49 岁却上升 6–9%（图 5，第 14 页）。

自动化伤害入门岗位；增强不然

AI 使用以“自动化型”为主的职业，入门级下滑显著（图 7，第 17–18 页）。
AI 使用以“增强型”为主的职业，并未出现同样的入门级下滑；部分甚至增长更快（图 8，第 18 页）。

不只是宏观或公司特定冲击

即便吸收了公司-时间层面的冲击（如利率、行业放缓），22–25 岁的“暴露关联”下滑仍然大且显著（图 9，第 20 页）。

调整边际在“人数”，不在“薪酬”

工资几乎未出现按年龄或暴露度的明显背离；可见的变化发生在就业人数上（图 10–11，第 22–23 页）。

科技/非科技、远程/非远程中均稳健成立

剔除计算机相关职业与信息业公司后，结论相似（图 A4–A5，第 38–39 页）。
在可远程与不可远程职业中，模式均持续存在（图 A6–A7，第 40–41 页）。
拉长时间窗可见分化自 2022 年底生成式 AI 兴起时开始（图 A8–A11，第 42–45 页）。

为何年轻员工受冲击最大？斯坦福的假设

AI 更善于替代“书本型、可编码”的显性知识，而不易替代“默会知识”（经验、判断、组织协同）。入门级员工的比较优势更多在前者；有经验员工更多依赖后者。因此，在暴露度高的职业中，早期职业岗位最先承压（讨论，第 4–5 页）。

这对你的职业意味着什么

从“AI 能完全自动化的任务”转向“AI 能帮助你做得更好的工作”。
例子：与客户与合规有接触的产品/运营、售前与解决方案设计、供应链与现场运营、具有动手复杂性的临床与照护岗位。
构建“默会优势”：
业务情境理解、客户同理心、风险权衡、跨部门协同、变更管理。
把 AI 增强落到实处：
- 设计与评审提示词（问得更好、验证更严）。
- 将工具串联为工作流；用 A/B 测试度量效果。
- 数据治理与内建合规（compliance-by-design）。
拿出可验证的成果：
用作品集记录端到端的“AI + 你”的价值：问题定义 → AI 工作流 → 校验 → 部署 → 投资回报。

这对雇主意味着什么

别砍掉人才梯子：
以 AI 替代入门岗位或许能立刻省钱，但会透支未来人才供给。考虑“AI + 师徒制”模式：初级在 AI 加持下更快交付，高级把关质量并传递默会知识。
衡量正确的事：
同时跟踪自动化节省与人类能力增长。在短期生产率与长期人才梯队之间取得平衡。

局限与适用范围

研究使用美国 ADP 工资单数据与职业层面的 AI 暴露代理，推断的是已发生的变化，未声称普适因果。
尽管如此，年龄×暴露的模式一致、幅度可观，并且恰从 2022 年底生成式 AI 普及时点开始。
结果也与更广泛证据一致：通用技术冲击往往先体现为任务重分配，工资调整随后才发生。

来源与引用

斯坦福大学数字经济实验室：《矿井里的金丝雀？关于 AI 近期就业影响的六个事实》（2025 年 8 月 26 日）。
作者与机构：
- Erik Brynjolfsson（斯坦福大学 & NBER）
- Bharat Chandar（斯坦福大学）
- Ruyu Chen（斯坦福大学）
  数据：ADP 工资单记录（至 2025 年 7 月）。
  AI 暴露：Eloundou 等（2024，GPT-4 β）；Anthropic Economic Index（Handa 等，2025）。
  链接：https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/

关键图表参考：

暴露岗位中的早期职业下滑：图 1（第 10 页）
总体趋势与年轻人停滞：图 4（第 13 页）；图 5（第 14 页）
自动化 vs 增强：图 7（第 17–18 页）；图 8（第 18 页）
控制公司-时间后的效应：图 9（第 20 页）
工资 vs 就业：图 10–11（第 22–23 页）
稳健性（非科技、非远程）：图 A4–A7（第 38–41 页）
更长时间窗的分化：图 A8–A11（第 42–45 页）

无论你带队还是刚起步，斯坦福团队的结论很清楚：让 AI 处理可重复的工作，把精力押注在人类的强项——情境、判断与协作——这些是机器目前仍难以替代的。

英文原文阅读

ai-taking-first-job

AI好书推荐
AI日新月异，再不学来不及了。但是万丈高楼拔地起，离不开良好的基础。您是否有兴趣了解人工智能的原理和实践？不要再观望！我们关于 AI 原则和实践的书是任何想要深入了解 AI 世界的人的完美资源。由该领域的领先专家撰写，这本综合指南涵盖了从机器学习的基础知识到构建智能系统的高级技术的所有内容。无论您是初学者还是经验丰富的 AI 从业者，本书都能满足您的需求。那为什么还要等呢？

人工智能原理与实践全面涵盖人工智能和数据科学各个重要体系经典

北大出版社，人工智能原理与实践人工智能和数据科学从入门到精通详解机器学习深度学习算法原理