AI时代：哪些职业正面临被取代的风险

长期以来，研究人员用以预测人工智能将淘汰哪些岗位的数据并不可靠，而造成这一问题的元凶之一，恰恰是人工智能本身。

人工智能对就业市场的冲击，已然成为当下最亟待解决的经济难题之一。认清各类相关预测的局限性，有着至关重要的现实意义。政策制定者需要预判哪些岗位会被人工智能替代，从而为失业从业者提供帮扶；学校、学生和家长则迫切想知道，哪些职业能够抵御AI冲击、具备长期稳定性。

为了评估不同岗位的AI替代风险，经济学家依托“任务框架体系”，构建了岗位暴露度评分模型。美国劳工部建有完备的职业工作内容数据库，详细记录各行各业从业者的具体工作任务：面包师需要揉面、烘烤，金融分析师需要评估企业经营状况，各行各业的工作细则都清晰可查。研究人员以此为依据，判断哪些工作任务能够借助AI大幅提速、被AI替代。

一项工作中可被AI承接的任务占比越高，该岗位的AI暴露度、被替代风险就越高。如今，这套暴露度评分已被广泛应用，频繁出现在学术研究报告、咨询行业白皮书以及政策倡议文件中。

目前学界构建AI岗位暴露度评分主要有三种方式，但每种方式都存在明显缺陷。第一种是人工评级，由专业人员手动评估AI对各类工作任务的适配度与完成能力，这种方式主观性极强，结果容易失真；第二种是面向AI平台使用者开展调研，调研样本仅局限于特定平台用户，无法代表全行业从业者，结果存在片面性。而第三种方式——借助AI模型自主评判各类工作的AI替代风险，更是存在独有的、难以规避的漏洞。

美国国家经济研究局上月发布的一项研究印证了这一问题。美国西北大学经济学家米歇尔·尹、武河，以及美利坚大学经济学家克劳迪娅·佩尔西科，选取了三款主流顶级AI模型开展测试，分别是OpenAI的GPT-5、谷歌深度思维的Gemini 2.5和Anthropic的Claude 4.5，让它们评估不同岗位的AI替代风险，最终三款模型给出的结论差异显著。

研究人员分析，评估差异一方面源于AI模型本身的算法架构区别，另一方面也和行业AI普及程度密切相关。金融分析师等职业是AI的早期普及领域，从业者普遍高频使用AI工具，产生了海量行业训练数据，这些数据持续投喂给AI模型，最终直接影响了模型对该行业岗位风险的判定结果。简单来说，越是已经普及AI的行业，越容易被AI判定为“高风险岗位”，评估结果存在明显的循环偏差。

经济学家提醒，不少政策制定者和企业雇主，并未对这类AI生成的风险评分保持审慎、理性的态度（该研究为工作论文，尚未经过同行评审）。客观而言，飞速迭代的新兴技术出现评估结论不统一的问题，本身并不稀奇。而且目前来看，AI模型评估法的准确率和可靠性，未必低于人工评级、从业者调研等传统评估方式。

针对当前的评估乱象，研究团队提出了优化思路：研究人员应当摒弃单一模型评估，综合多款AI模型的结论开展分析，同时坦诚披露AI风险评估结果的不确定性，避免数据误导。研究人员最终指出，想要精准判断岗位替代风险，最有效的方式是调研全社会AI的真实落地场景，摸清AI在各行业的实际应用任务与范围，而非单纯依赖模型测算。

该研究作者米歇尔·尹表示：“我个人绝不会仅凭单一的AI风险评估数据，就决定自己的职业选择，或是规划孩子的专业方向。”