AI让招聘缩水了吗？两项联储研究为何答案不同

AI可能已经减少部分高自动化暴露岗位的招聘，但不能据此断言整体招聘放缓主要由AI造成。一项研究捕捉到德州特定企业和职业的渐进收缩，另一项研究则未在美国整体招聘轨迹中识别出生成式AI带来的独立新拐点。

这两个答案并不真正冲突。它们观察的地域、企业范围和时间窗口不同，对AI暴露度的处理也不同：前者更容易发现局部、连续的结构调整，后者要求招聘差距必须在生成式AI普及后才明显扩大，才能支持更强的因果解释。

两项研究测量的是招聘需求，不是岗位存量

两项分析都以在线职位发布量观察企业的招聘需求。职位发布不等于最终录用、在岗人数、失业人数或裁员人数；同一个职位可能重复发布，也可能在没有录用的情况下撤销。

因此，“招聘信息减少”和“现有岗位已经消失”是两个不同结论。这类在线职位库对经常通过网站招人的职业更有代表性，对农业、建筑、楼宇维护和个人服务等岗位覆盖不足，其估计也不能原样外推到中国大陆、香港或新加坡。

地域：德州研究主要观察一个州，全国研究则覆盖整个美国。产业结构、企业构成和技术采用速度不同，局部变化可能在全国平均值中被稀释。
观察单位：德州研究比较同一行业内不同职业，也追踪整个分析期持续出现的企业；全国研究主要比较不同暴露组的职业轨迹，并检查高暴露职业中的初级和高级职位。
企业筛选：平衡面板只保留持续出现在样本中的企业，有助于判断存续企业是否主动缩减招聘，却无法完整呈现企业进入与退出带来的变化。
暴露度处理：德州模型把可自动化任务占比作为连续变量，全国事件研究则用门槛划分高、低暴露职业。连续指标更容易捕捉渐进差异，分组指标更适合检验两组总体轨迹是否出现断点。
因果门槛：德州研究关注高低暴露岗位后来是否分化；全国研究还要求这种分化不能只是早已存在的趋势。

真正需要比较的不是哪一个百分比更醒目，而是研究如何构造“如果没有生成式AI，招聘本来会怎样”的对照。特定企业调整招聘结构，与全国层面尚不能识别独立的AI冲击，完全可以同时成立。

达拉斯联储的德州分析把职业暴露度与Lightcast季度招聘信息相连：相对于低暴露岗位，高暴露岗位的发布量到2023年末约少5%，到2025年第一季度约少8%；持续存续的高暴露企业到2024年中少发布约5%至6%的职位，到2026年初的相对降幅扩大至约8%至9%。

这些数字不是“德州全部岗位减少了同样比例”。职业—行业模型衡量的是可自动化任务占比相差10个百分点时的相对变化，企业面板比较的则是暴露程度不同的存续企业，两者的分母和解释范围并不相同。

平衡面板排除了“结果完全由高暴露企业退出样本造成”的简单解释，也付出了样本范围收窄的代价。它不能完整回答新企业是否从成立之初就采用更少用工的模式，也不能把投资周期、疫情后的招聘修正或企业战略等因素全部排除。

职位构成的变化提供了与自动化机制相符的补充迹象：高暴露企业不仅减少发布量，剩余招聘也转向较难自动化的任务。不过，职业暴露并非随机分配，因此“与AI暴露同步变化”仍不等于每一份减少的招聘都由AI直接造成。

纽约联储的全美事件研究把暴露度不低于0.2的职业列为高暴露组，并追踪2018年至2025年的招聘轨迹；高暴露职业的相对弱势在ChatGPT于2022年末发布前已经出现，之后没有清晰的新增断点，初级与高级职位也未形成持续分化。

这种方法把事前趋势设为因果判断的门槛。如果高、低暴露职业在事件发生前已经沿不同轨迹变化，事件后的差距就不能全部归因于生成式AI。准确结论是招聘信息很少显示独立、额外的AI驱动降幅，而不是AI绝对没有产生任何影响。

较长的观察窗口有利于发现旧趋势，但分组也可能淡化集中在少数职业或企业中的变化。任务结构和实际采用程度不同的职业被归入同一组后，局部影响可能在总体轨迹中变得不明显；连续暴露度以及行业内部比较对渐进分化更敏感。

Anthropic对观察暴露度的说明显示，这一指标结合O*NET职业任务、LLM理论能力和Claude实际使用情况，对工作相关及偏自动化的用途赋予更高权重，再按照各项任务所需时间汇总到职业层面。

高暴露度意味着一份工作中有较多任务可能被AI执行或加速，不表示整份工作可以被删除。现场操作、人际责任、审批、跨团队协调和风险承担等环节，都可能限制从任务自动化到岗位替代的传导；Claude的使用记录也不能代表所有模型、企业部署方式和地区。

判断研究能否用于自己的行业，应观察几组相互印证的信号：

对在线招聘普遍、AI已经进入生产流程且工作任务容易拆分的行业，德州结果是局部招聘需求下降的早期证据；对线下任务较多、采用程度有限或招聘弱势早于AI部署的行业，全美结果支持更谨慎的判断。现有证据更接近“影响首先集中在部分任务、职业和企业”，而不是“所有行业正在按相同比例缩招”。