AI & Labour Market March 2026

"理论能做"与"现实已用"之间的裂缝

基于 Anthropic 2026 年 3 月研究及用户提供图表线索,对 AI 在不同职业类别中的潜在覆盖与真实落地差距进行系统解读

这张图最值得看的,不是哪些职业蓝色面积大,而是哪些职业蓝色很大红色却很小。前者表示"理论上大语言模型可以覆盖的任务比例",后者表示"现实里已经观察到的专业使用覆盖"。这不是一张"职业死亡名单",而是一张"AI 扩散摩擦地图"。

Theory
94%
计算机与数学类理论可覆盖任务占比
Anthropic 研究
Reality
33%
计算机与数学类现实观察覆盖
Claude 使用数据
Gap
61pp
该职业簇的理论-现实落差
差值最大的技术类
Exposure
75%
程序员岗位覆盖度
最暴露职业之一

先把图读对:这不是"替代率",而是"两层暴露"

图中的两条面积线,本质上对应两个层次:

  • 理论 AI 覆盖范围 -- 如果只看模型能力,某职业中有多少任务原则上可以被大语言模型提速或完成。
  • 观察到的 AI 覆盖范围 -- 在真实专业使用数据中,这些任务到底已经被使用到什么程度,且更偏向自动化而非单纯辅助。

核心洞见 -- 理论能力不是经济影响。真正影响劳动力市场的,是模型被嵌入工作流、被授权、被审计、被调用,并对真实任务产生替代或重构。

因此,这张图的真正主题不是"AI 会不会",而是"AI 已经在哪些职业中被接上电"。

这张图透露出的四个深层信号

1. 知识工作最先被重构,不是因为更重要,而是因为更可文本化

高蓝值区域集中在管理、商业与金融、计算机与数学、法律、教育、艺术与媒体、办公室与行政。这些职业有一个共同点:核心任务大量依赖文本、规则、解释、信息检索、写作、沟通、计划与文档。它们天然适合聊天式 AI 介入。

微软 2025 年对 20 万条 Copilot 工作对话的研究也得到相似结论:AI 最常被用于收集信息、写作、解释、提供建议,而适用度最高的职业群体正是知识工作、办公室与行政支持以及销售等信息沟通型岗位。

2. 蓝红差值越大,越说明"能力已到,系统未到"

如果某职业蓝色很高、红色很低,不应草率解读为"AI 做不到"。更常见的解释是:流程没有接通、权限没有放开、行业系统没有打通、组织没有真正推动、合规和责任链条太重。

McKinsey 2025 报告指出,企业扩展 AI 的主要障碍不是员工不愿意,而是领导层推进不足;几乎所有企业都在投资 AI,但只有极少数认为自己已经成熟。问题不在 demo,而在规模化落地。

问题不在 demo,而在规模化落地。蓝红差值越大的行业,越是"基础设施债"而非"能力债"。

3. 高责任行业会慢,但不会缺席

法律、医疗、金融、工程等行业通常呈现高理论暴露、低现实落地。这不是例外,而是规律。因为这些行业的共同属性是:错误代价高、需要审计、依赖专业系统、经常涉及现实世界闭环。聊天框可以碰到表层任务,但要进入主流程,必须有权限体系、知识底座、审批机制、审计日志与结构化系统连接。

4. 真正先受压的,往往是白领岗位中的标准化子任务

研究并没有直接证明高暴露职业已经出现系统性失业激增,但它确实显示:越高暴露的职业,未来就业增长预期略弱,年轻人进入高暴露职业的招聘也出现放缓迹象。现实世界通常不是"岗位瞬间消失",而是先冻结增量,再拆分任务,再改变岗位结构。

系统总是先吃新人的午饭,老兵只是在旁边看着盒饭变小。

分职业簇解读:哪些地方最值得盯

职业簇 图上特征 解读 下一步最可能发生什么
管理 / 商业与金融 / 办公室与行政 蓝高,红已起势但仍明显落后 最典型的信息流程型工作,最容易从"问答辅助"升级到"流程接管" 从汇总、草拟、跟进、报表生成,走向跨系统事务流自动化
计算机与数学 蓝极高,红也相对更高 代码天然可验证、反馈快、工具接口清晰,率先成为 AI 原生工作场 从代码补全,走向测试、审查、调试、重构、文档、运维协同
法律 蓝高,红低于想象 检索、摘要、草拟、整理适合 AI;代理、判断、责任承担仍受限制 法律研究与文书工作流先被重塑,执业核心环节仍需要人承担责任
教育与图书馆 蓝中高,红仍偏低 教学支持、资料整理、个性化辅导适合 AI,但组织采纳和质量控制影响速度 先在备课、测评、助教、内容辅导里深化,再进入课程运营
艺术与媒体 蓝高,红中低 生成效率高,但商业价值分化严重;低端生产被压价,高端策划更值钱 内容流水线自动化增强,创意总控、世界观设计、人设一致性成为新稀缺
医疗卫生 / 建筑与工程 蓝不低,红明显偏低 潜力存在,但进入主流程需要专业系统、合规和责任链条支撑 先从摘要、编码、知识支持、规范检索切入,再逐步嵌入专业软件
农业 / 建筑施工 / 安装维修 / 餐饮 / 个人护理 蓝低,红更低 现场性、身体性、环境不确定性高,短期不容易被聊天式 AI 直接覆盖 更多被调度、培训、视觉识别、设备辅助等间接方式影响

这张图真正揭示的商业机会

从产品视角看,最有价值的不是"哪里蓝色最大",而是"哪里蓝红落差最大且单任务价值高"。这些区域意味着:模型能力大致够用,但行业还没真正把它接进生产系统。

垂直 Agent + 行业软件

法律、财税、金融运营、医疗文书、工程规范等领域,价值不在通用聊天,而在接入权限、知识库、审批流、表单系统、ERP/CRM、审计日志与回写能力。

例外处理与责任链设计

AI 最擅长处理高频标准件,人类更适合处理低频异常件。谁能把"自动处理"与"异常升级"设计清楚,谁就能把红色面积往外推。

流程级 ROI,而非模型秀肌肉

市场已经过了单次问答惊艳期。下一阶段价值来自减少多少人工触点、缩短多少周转时间、压低多少错误率、释放多少人时。

高合规行业的"可信执行层"

在高责任领域,模型不是终点,审计、可追踪、权限隔离、证据链、版本控制才是入场券。没有这层,AI 只是个会说话的实习生。

对个人的含义:风险不在职业标题,在任务结构

这张图不支持"某职业整体死亡"的粗暴判断。它更支持另一种更精确也更残酷的判断:同一职业内部,最先被挤压的是那些高度标准化、可文本化、可流程化、可审计的子任务。

因此,未来更稀缺的不是"会不会用 AI",而是以下几类能力:

  • 把模糊问题定义清楚
  • 把复杂流程拆成可执行工序
  • 判断何时信任自动化,何时强制人工接管
  • 跨系统拼接流程,而不是只会在一个工具里提问
  • 对结果负责,而不是只对输出文本负责
一个岗位的护城河,不再是"我会做这件事",而是"我能设计、监督、纠错并承担这条工作流的责任"。

红色会继续扩张,但决定速度的不是模型 alone

沿着这张图的线索往下挖,结论非常清楚:

  • AI 对工作的影响正在从"理论可做什么"转向"哪些任务已经嵌入真实工作流"。
  • 最先被深度重构的是高信息密度、强流程化、可审计的白领工作,而不是所有白领岗位整体消失。
  • 最大的商业机会位于蓝红差值最大的行业,尤其是需要行业软件集成、权限控制、责任闭环的垂直领域。
  • 真正决定扩散速度的,不只是模型能力,还包括组织治理、流程重构、法规责任、系统互联与 ROI 证明。

换句话说,这张图不是"AI 已经吞掉了哪些职业"的战报,而是"哪些职业已经出现在吞噬轨道上,但还卡在制度、系统和流程摩擦里"的星图。

参考来源

  1. Anthropic, Labor market impacts of AI: A new measure and early evidence, 2026-03-05. anthropic.com/research/labor-market-impacts
  2. Microsoft Research, Working with AI: Measuring the Applicability of Generative AI to Occupations, 2025-07-10. microsoft.com/research
  3. Microsoft Research Blog, Applicability vs. job displacement: further notes on our recent research on AI and occupations, 2025-08-21. microsoft.com/research/blog
  4. International Labour Organization, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025-05-20. ilo.org/publications
  5. McKinsey, Superagency in the workplace: Empowering people to unlock AI's full potential, 2025-01-28. mckinsey.com

AI Occupational Exposure -- Deep Analysis Report

Maurice | [email protected]

Generated 2026-03-06 | Data sources: Anthropic Research, Microsoft Research, ILO, McKinsey