AI对早期职业工作者就业造成不成比例冲击
斯坦福大学数字经济实验室研究显示，自生成式AI广泛采用以来，22-25岁早期职业工作者在AI暴露度最高职业中的就业出现显著下降，而30岁以上有经验工作者就业保持稳定或增长。研究使用ADP薪资记录等数据，控制企业层面冲击后，发现年轻工作者在软件开发、客户服务等高暴露职业中相对就业下降约13%-16%。
这些职业的任务多为可编码、重复性强的工作，AI能有效自动化或辅助，导致入门级岗位招聘减少。相比之下，非AI暴露职业中年轻工作者就业反而上升。研究表明，经验成为关键竞争优势，AI更多替代而非增强初级劳动力。
来源：公开信息
ABAB AI 解读
这一就业分化反映AI技术替代在劳动力市场中的任务层级效应。入门级角色高度依赖结构化、可重复任务，而生成式AI通过规模化数据训练能快速内化这些流程，降低企业对新手劳动力的边际需求。资深工作者则凭借上下文判断、异常处理和跨领域协调等隐性知识，形成对AI的互补优势，导致同一职业内年龄段就业轨迹出现明显分层。
从历史长周期看，这种模式对应技术范式转换中人力资本重估的典型路径。类似工业革命早期机械化对非熟练劳动的冲击，或计算机时代对文书工作的替代，AI正加速从“任务自动化”向“角色重构”的过渡。年轻工作者面临入门通道收窄，而经验积累的价值被放大，这在生产率提升的同时，改变了阶层流动的早期筛选机制。
在制度与财富分配层面，AI暴露职业的就业收缩强化了人力资本回报向经验和适应能力的集中。企业通过AI工具扩展资深员工产出，减少对大规模入门招聘的依赖，导致资本在劳动力市场的分配向存量人才倾斜。若这一趋势持续，可能延长年轻一代积累经验的周期，影响长期收入曲线和技能代际传递，同时推动教育与培训体系向AI互补能力倾斜。核心在于，企业如何在自动化与人力互补间平衡激励，最终决定生产率增量在不同年龄与经验层级间的分布格局。