ChatGPT使任务完成时间减少40%、输出质量提高18%，但内容创作自由从业者受雇和报酬显著下降——生成式AI对劳动力市场的影响正在变得具体而矛盾。易君健与周子煜这篇论文系统梳理了职业暴露度测算、田野实验和企业微观证据，揭示了一个关键发现：高技能职业（年收入8万美元以上）对生成式AI的暴露程度更高，传统“高技能=安全”的公式正在被改写。Eloundou等人发现80%职业超20%任务暴露于LLM，王林辉等估计中国约19%劳动就业面临高替代风险，程式化非认知交互型职业组群超50%。企业微观证据与宏观就业极化之间的分歧，指向了任务—技能框架对主体决策描述不足的理论缺口。
职业暴露度的三类测算方法
Brynjolfsson和Mitchell依赖专家主观判断构造定性标准；Frey和Osborne使用机器学习，专家标记70个职业后训练模型预测全体，估计约47%美国就业岗位面临高风险。Felten等人从AI进展数据建立AI-职业能力映射，不依赖直接主观评分但依赖映射判断。针对中国，王林辉等使用CLDS数据，基于专利检索和实际自动化案例在任务层面评估，发现约19%劳动就业面临高替代风险，程式化非认知交互型职业组群超50%。
生成式AI的暴露度特征——高技能职业首当其冲
Eloundou等人发现允许同时使用LLM和其他辅助工具时，80%职业超20%任务暴露，超50%职业有超50%任务暴露，近20%职业超90%任务暴露。特别地，原本高技能职业（年收入8万美元以上）暴露程度显著更高。Felten等人强调高教育、高收入和白领工作暴露度更高，女性就业比例较高的职业与暴露度正相关、男性相反。Pizzinelli等人跨国比较发现发达经济体面临比新兴市场更高暴露度，女性和高学历工人在职业上面临更大AI暴露度。
生成式AI的生产率效应与就业影响
Noy和Zhang的田野实验发现ChatGPT使任务完成时间平均减少40%、输出质量提高18%，工人效率差异性因ChatGPT使用而缩小。Brynjolfsson等人发现AI辅助使客服生产力平均提高15%，经验较少和技能较低者受益更大。但Hui等人发现内容创作自由从业者受雇情况和劳动报酬出现显著下降，顶尖自由职业者可能受到不成比例影响。Makela和Stephany发现AI互补性技能需求增加50%，替代性技能需求下降，净影响为正。陈琳等人在中国线上招聘平台发现AI降低常规职业需求但增加非常规认知型职业需求，催生新兴职业和岗位。
企业微观与宏观证据的分歧
企业层面微观证据（Aghion等在法国发现自动化对劳动力需求有积极影响）与宏观就业极化证据之间的矛盾，暴露出任务—技能框架的不足——对劳动力市场参与者决策行为的描述不足。论文通过启发性案例展示了企业技术采纳决策异质性如何导致微观与宏观层面不一致：当参数合适时，即使完全对称的企业也可能出现异质性技术采纳，微观上部分企业对被替代技能需求下降、部分反而上升，宏观上加总需求仍下降。
