AI未引发全面失业，青年入职缺口扩大至19%

2026年8月25日，一篇职业入口解读再次把美国年轻人的就业分化推到讨论中心：22至25岁劳动者在高AI暴露职业中的就业，已比跟随低暴露同龄人增速时应有的水平低约19%。这不是19%的年轻人已经失业，也不是全经济范围的就业崩塌。

这次讨论基于Stanford Digital Economy Lab与ADP Research合作更新的美国私人部门工资单研究。8月12日发布的修订说明称，研究没有发现与AI相关的广泛就业位移；青年差距主要表现为招聘减少，而非解雇或离职增加，但数据本身不能证明19%的落差有多少由生成式AI造成。

19%衡量相对落差，不是青年失业率

19%是两组就业路径之间的相对缺口。研究的问题是：如果高AI暴露职业中的22至25岁就业与低暴露职业中的同龄人保持相同增速，到2026年6月应达到什么水平。实际结果比这一参照水平低约19%，而2025年7月数据版本中的同口径缺口为15%。

实际就业水平与相对缺口也不是同一个指标。2022年11月至2026年6月，两个最高AI暴露组中的22至25岁就业约下降11%，三个较低暴露组中的同龄人就业约增长10%。19%来自研究的比较方法，不能把两边的变化简单相加，也不能套用到所有毕业生、所有初级职位或美国全部青年人口。

“高AI暴露”同样不等于岗位已经被机器取代。它表示职业任务更可能受到生成式AI影响，是研究用来划分职业组的指标；它既可能对应任务自动化，也可能对应AI对员工能力的补充。

总量与年龄分组呈现了不同图景。ADP Research的7月工资单更新显示，2026年7月高AI暴露职业就业同比增长0.1%，最低暴露职业增长1.1%；但22至25岁劳动者总体就业同比下降1.3%，其中高暴露职业下降3%，最低暴露职业基本持平。

高暴露职业中的22至25岁就业已经连续34个月收缩，这轮下降始于2023年10月。26至30岁群体也出现分化：高暴露职业同比下降2.1%，最低暴露职业增长1.8%。这些数字说明压力集中在职业起步阶段，但并非只存在于一个精确年龄点。

这也解释了为什么总体就业可以保持平静：经验较丰富的员工没有出现相同幅度的缺口。企业若保留现有人员、减少初级招聘，存量岗位短期内仍能稳定，合并所有年龄层的总量指标却会遮住逐渐收窄的职业入口。

人员流动数据把机制指向少招年轻人。高AI暴露职业中的青年招聘下降，并未伴随解雇、主动离职或其他人员流出显著增加。受到更直接影响的因此不是已经在岗后被集中清退的人，而是尚未进入这些职业的人。

这类变化比公开裁员更难察觉：岗位可能不是被明确取消，而是从未进入招聘流程。不过，工资单记录只能观察员工何时进入或离开雇主，不能读取每家公司为何减少招聘。数据支持“招聘放缓是主要调整渠道”，却不能证明企业都因采用AI而取消了原定岗位。

如果初级招聘长期偏弱，影响可能延伸到人才梯队，因为新人通常通过入门任务积累经验并转向更复杂的职责。但这是从当前招聘模式推导出的潜在后果，现有研究尚未测量企业未来会缺少多少中高级人才。

青年就业下降主要集中在AI实际用途更偏向自动化人类任务的职业。在AI更多用于补充员工能力的职业中，就业大体持平或增长，经验更丰富的劳动者尤其稳定。因此，职业是否接触AI只是第一层分类，AI在工作中替代任务还是增强能力同样关键。

修订研究还观察到，依赖“编码知识”的职业对年轻人更不利。这类知识可以写入教材、流程和文档，较容易被生成式AI复制和应用；依靠实践、辅导及反复处理真实情境形成的“默会知识”则更难复现，相关职业中的资深员工表现更稳。

这仍不能推出“所有办公室初级岗位都会消失”。同一职业可以同时包含自动化与增强型任务，企业的采用方式也会变化。现有证据只支持分组层面的差异，不能预测每个具体职位必然缩减。

研究者将结果界定为描述性指标，而非AI影响的因果估计。年龄梯度、时间变化以及下降集中在自动化倾向较强的职业，都与AI参与其中的解释相符；排除科技企业和计算机职业，或控制利率与远程工作暴露后，主要分化仍然存在。

但谨慎有明确依据：控制教育程度后，高暴露与低暴露青年之间的差距缩小；部分职业的走势在生成式AI广泛采用前已经分化；ADP分析样本估算的落差也大于全国调查基准，差异集中在教育、医疗和公共管理领域。数据流程更新后的原始趋势方向相似，但控制企业整体招聘变化的估计对模型设定更敏感。

目前可以确认的是，美国没有出现与AI相关的全面就业位移，22至25岁劳动者在高暴露职业中明显落后，差距主要通过招聘放缓形成，自动化型与增强型岗位的走势也不同。尚待后续月度工资单、全国调查和独立研究回答的，是AI究竟贡献了多少差距，以及这一模式会继续扩大、趋稳还是逆转。