大模型如何重塑美国职场？NeuGBI 带你验证哈佛最新研究结论

哈佛商学院近期发表的论文《Generative AI as Seniority-Biased Technological Change》深入探讨了这一议题：AI对就业市场的冲击并非均衡分布，初级职位受波及程度显著，而高级职位规模则基本维持原有水平。

该研究采用 Revelio Lab 就业数据集（以下简称 Revelio 数据）。数据集中职位按级别划分为 L1-L7（参照哈佛论文标准）：新人级、初级、专员级、经理级、总监级、高管级和资深高管级。论文中的初级岗位涵盖新人级和初级；高级岗位则指 L3 及以上级别。

这类开放性问题确实引人深思——但回答它是否必须依赖哈佛这样的顶尖研究团队？随着大模型能力的不断增强，一个自然而然的思路是：让大模型承担这类开放式探索任务。它能理解自然语言、编写代码、解析结果，似乎非常适合执行这种逐层深入的分析工作。

然而直接将 Revelio 数据输入大模型并不可行：60GB、3 亿条记录，已远超任何模型的上下文处理能力。退而求其次，将数据保留在数据库中，采用大模型驱动的 text2sql 方案（类似 chatBI）同样面临三个难以回避的挑战：

针对这些需求，我们打造了 NeuGBI：底层采用 NeuG 图数据库，原生支持多跳关联查询；查询层运用端到端无偏采样技术，复杂查询也能实现秒级响应；分析模型基于 Hypergraph 重构，天然适配连续性分析和中间结果复用。在此基础上，我们封装了大模型可调用的探索式分析 Skill，使大模型能够在海量复杂数据中自主完成开放式探索——自行分解问题、驱动引擎、读取结果，并决定下一步的探索方向。

理论讲解再多，不如实际动手验证。接下来我们就用 NeuGBI 在 Revelio 数据集上完整复刻整个分析流程，看 NeuGBI 自主得出的结论与哈佛论文是否吻合。

了解完为何选择 NeuGBI，接下来看 NeuGBI 如何逐步拆解这个分析任务，这里我们设定的核心问题是“大模型对美国就业的冲击有多大？”。

面对“大模型对美国就业的冲击有多大？”这一提问，NeuGBI 不会直接给出简单结论，而是先将其分解为若干可查询的具体问题，例如：大模型出现前后，美国整体就业有何变化；不同职业和不同地区的变化是否存在差异；初级岗位和高级岗位的变化是否不同等。这里我们重点关注两条核心分析路径。

第一条路径：观察大模型出现前后对美国就业的总体影响。在发现美国整体就业记录呈下降趋势后，继续深入分析不同职业和各州的具体情况。

第二条路径则围绕哈佛论文的核心论点：若初级岗位降幅显著高于高级岗位，则进一步拆分至不同职业和不同职级，探究初级岗位中究竟是哪些群体在减少。

探索式分析的核心逻辑正是如此：根据上一轮结果，决定下一步的查询方向。

第一步，NeuGBI 查询了大模型出现前后美国的就业状况。

2021 至 2025 年间，总就业记录从约 2100 万降至约 1000 万。由于 Revelio 的数据覆盖率随时间有所波动，绝对数值不能直接等同于实际就业人数，但这一趋势至少表明：数据中确实出现了明显的收缩现象。

仅观察美国整体就业趋势还不够，我们尚不清楚下降主要集中在哪些职业领域。因此下一步，NeuGBI 沿着职业维度继续深入查询。

受篇幅所限，这里我们展示大模型对计算机相关职业（如软件开发、系统工程、Web 开发等）的影响。计算机相关职业的招聘人数从 2022 年到 2024 年下降了 31%（2025 年数据尚不完整），招聘职位数则下降了 64%。

这一数据表明美国计算机相关职业的招聘整体呈下滑态势，但尚不清楚这种下降是否仅集中在部分区域。所以下一步，NeuGBI 继续查看各州的分布情况。

这里 NeuGBI 探索了计算机相关职业在美国各州的就业分布。图中呈现的是招聘数量较多的主要州，可以观察到大多数州的计算机相关招聘均呈下降趋势。这说明下降并非仅限于某一州，而是在多个主要州都能观察到类似现象。

至此，NeuGBI 从不同职业和不同地区维度分析了大模型对美国就业的影响。但当前结果仍不够充分，因此接下来 NeuGBI 转向另一条分析路径：大模型对初级岗位和高级岗位的影响是否存在差异？

在这一步，NeuGBI 分析了大模型对初级岗位和高级岗位的不同影响。

结果显示，并非所有岗位都呈现同等幅度的下降。按记录数计算，初级岗位下降了 29.4%，高级岗位仅下降 5.8%。换言之，从总就业占比来看，高级岗位反而从 2022 年的 35% 上升至 2025 年的 43.6%。这并非高级岗位数量增加所致，而是初级岗位降幅更大，使得高级岗位占比相对提升。

这一结论与哈佛论文的研究发现一致：初级岗位收缩更为明显，高级岗位相对稳定。

但这个答案仍不够细化。因为初级岗位本身包含新人级和初级。这里的数据只能说明“初级岗位在下降”，却无法明确究竟是哪一类在下降。

因此这里 NeuGBI 决定继续向下拆分，查看在具体职业中，不同职级的变化是否存在差异。

这里 NeuGBI 继续深入查询，探究大模型对不同职业和不同职级岗位的影响。我们重点关注软件开发职业。

结果非常清晰：在软件开发岗位中，真正出现显著下降的是 L2，而非整个初级岗位。具体表现为：

也就是说，从粗粒度来看似乎是初级岗位在下降；但拆分后会发现，L1 并未出现明显下滑，真正拖累初级岗位整体表现的是 L2。

这类查询极为复杂。因为它需要将不同岗位、7 个职级以及 5 个年份的数据进行聚合，这种细粒度的查询极具挑战性。得益于 NeuGBI 的采样方法，我们能够快速洞察数据变化趋势，并继续深入查询。

至此，我们才真正将这个问题追查到底：“初级岗位在收缩”这一说法并不够准确。至少在软件开发岗位中，初级岗位的降幅明显大于新人级。

回顾整个分析过程，复刻工作由 NeuGBI 自主完成：在 60GB、3 亿条美国就业记录上得出了与哈佛论文一致的主要结论——初级岗位下降更为明显，高级岗位相对稳定；并在软件开发岗位上进一步挖掘出论文中未涉及的更细粒度结论：真正大幅减少的是初级岗位（L2），新人级和其他级别相对稳定。

NeuGBI 在此的价值也非常明确：它让我们能够先验证一个粗略结论，再继续向下拆分。一条路径观察整体就业、计算机相关职业和主要州的变化；另一条路径聚焦初级岗位和高级岗位，再细化至具体职业和职级。对于这类一开始不确定答案所在位置的问题，这种逐步深入查询的能力比单次查询更有价值。

Reference