技术摘要：谁在使用人工智能？平台选择与职业人工智能暴露度的测量

1. 问题：源自平台的暴露度测量中的非经典测量误差

关于人工智能（AI）与劳动力市场的实证文献，正日益从测量潜在的 AI 能力（例如专家评分、专利匹配）转向通过 Anthropic 的 Claude、OpenAI 的 ChatGPT 和 Microsoft Copilot 等平台的对话日志来测量观测到的AI 使用。虽然这种转变使测量更接近揭示出的行为，但作者认为，这些日志构成了一个非概率样本。

核心问题在于，源自平台的暴露度得分（$E_{o,p}$）混淆了两个不同的组成部分：

1. 真实的职业暴露度（$E_o$）： 在某个职业的任务组合中，AI 可以替代或补充工人输入的比例。
2. 平台选择（$\psi_{o,p}$）： 相对于整体劳动力，该职业在平台用户群中被过度代表或代表不足的程度。

由于 AI 平台的用户群系统性地偏向高技能、高工资职业（例如计算机和数学类），而远离服务和体力劳动职业，由此产生的暴露度测量继承了这种选择偏差。作者将此形式化为非经典测量误差，其中误差项与感兴趣的真实变量相关。因此，使用这些测量值的回归系数并不能识别 AI 暴露度的结构性就业弹性；相反，它们反映了真实暴露度与平台用户特定职业构成的混合体。

2. 方法论

概念框架

作者将源自平台的代理变量定义为：
$$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$$
其中：

• $\psi_{o,p}$ 是职业间选择参数（平台对话份额与劳动力就业份额之比）。
• $\eta_{o,p}$ 是职业内任务选择残差（在处于平台上的条件下，任务表现的差异）。
• $u_{o,p}$ 是经典噪声。

由于 $\psi_{o,p}$ 是可观测的（通过平台日志和劳工统计局的就业份额），作者提出了一种劳动力重新加权程序，以消除职业间成分：
$$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$$
在保持排序条件（即职业内选择偏差使系数的方向与职业间选择偏差的方向一致）下，基准估计值和重新加权估计值定义了结构性就业弹性的部分识别区间。

实证设计

该研究在 2015–2024 年美国社区调查（ACS）面板数据上采用了双重差分（DiD）设定，包含 1310 万个“人 - 年”观测值，按六位标准职业分类（SOC）划分。

• 处理变量： 2022 年后的指示变量与十种不同的源自平台的暴露度测量值的交互项。
• 变体： 这十种测量值包括：
  • Massenkoff 和 McCrory (2026) 综合指数的三种变体（基准、劳动力重新加权和 Wave 5 AEI 权重）。
  • Anthropic Claude.ai 消费者数据的五个波次（2024 年 12 月–2026 年 2 月）。
  • Anthropic 企业 API 数据的两个波次。
  • Microsoft Copilot 适用性得分（原始值和重新加权值）。
• 控制变量： 人口统计特征、州、年份以及六位 SOC 固定效应。

诊断测试

1. 跨平台离散度： 使用不同的平台输入估计相同的 DiD 设定，以观察系数的不稳定性。
2. 同一供应商渠道替代： 比较同一供应商（Anthropic）的消费者渠道与企业渠道，以隔离用户群构成效应，同时保持模型和评分标准不变。
3. 事件研究： 检验处理前趋势，以区分测量偏差与真实的处理效应异质性。
4. 跨领域结果： 分析平台排名与非劳动力结果（例如健康、教育）之间的相关性，以证明平台可见性与社会经济地位相关。

3. 主要结果

系数的不稳定性

在保持实证设计不变的情况下，仅改变平台输入会导致估计的就业效应发生巨大变化：

• 幅度： 在十种变体中，2022 年后的就业系数变化幅度达 1.9 倍。
• 符号反转： 在同一供应商（Anthropic）内部，从消费者渠道切换到企业渠道，会在每次观测到的发布中反转就业系数的符号。消费者渠道产生负向且显著的系数，而企业渠道产生正向且不显著的系数。
• 时间不稳定性： 即使在同一个渠道（Claude.ai 消费者）内，随着用户群构成因产品发布（例如 Claude Code）而发生变化，系数幅度在不同波次间也发生了显著变化（例如从 -0.12 到 -0.22 个百分点）。

重新加权的效应

劳动力重新加权显著减弱了估计效应，证实基准估计主要由平台选择驱动：

• Anthropic 综合指数： 重新加权使就业系数减弱了 93%，使其在统计上与零无法区分。
• Microsoft Copilot： 由于 Copilot 的用户群更接近劳动力人口统计特征，重新加权使系数减弱了 42%，尽管其仍然显著。
• 跨职业回归： 在 Massenkoff 和 McCrory (2026) 的设定中，将暴露度与劳工统计局（BLS）的就业预测联系起来，重新加权将估计的负相关关系从 -0.70 个百分点降低到 -0.38 个百分点，这意味着当用劳动力构成替代平台构成时，已发表幅度中的 45% 消失了。

部分识别界限

利用基准估计值和重新加权估计值作为端点，作者构建了结构性就业弹性的部分识别区间。对于 Massenkoff 和 McCrory 综合指数，该区间表明，暴露度增加一个标准差，预计会导致十年期就业增长率下降 0.38 至 0.70 个百分点。该区间的宽度（0.32 个百分点）代表了可观测的职业间平台选择的贡献。

分布性影响

平台可见性与社会经济优势高度相关：

• 在平台上过度代表的职业（例如计算机和数学类）拥有更高的工资和教育水平。
• 在平台上代表不足的职业（例如食品准备、交通运输）工资较低，残疾率较高。
• 政策模拟： 假设有一笔 100 亿美元的再培训基金，若根据平台暴露度进行分配，将有 39% 的资金流向高工资、高教育程度的职业，而这些职业若按劳动力加权分配则不会被识别为暴露群体。

4. 贡献与意义

本文对文献做出了四项主要贡献：

1. 识别特定的测量误差： 它形式化了源自平台的 AI 暴露度中固有的非经典测量误差，表明该误差是基于该测量旨在捕捉的同一职业层面任务结构进行选择的结果。
2. 实证诊断： 它提供了证据，证明平台来源、产品渠道和发布波次从根本上改变了下游系数，即使回归设计是固定的。
3. 校正程序： 它引入了一种劳动力重新加权程序和部分识别界限，将这种不稳定性转化为可估计的组成部分，使研究人员能够界定结构性弹性。
4. 分布分析： 它证明了平台选择与工资、教育和职业优势相关，这意味着基于日志的暴露度排名可能会系统性地低估经济脆弱群体的风险，因为这些群体在平台数据中的风险较不明显。

关于重要性的声明

作者并不声称平台日志毫无信息量。相反，他们论证平台数据对于活跃用户中的任务强度具有高度信息量，但对于非用户、在平台上代表微弱的工人以及从观测到的“职业 - 平台”对中转移的任务而言，信息量较少。

本文结论指出，基于使用的测量值比劳动力中的替代更直接地恢复了观测用户中的增强。对于政策应用（例如再培训、职业咨询），相关的对象是面临风险的劳动力中的暴露度，而不是当前平台用户中的暴露度。作者主张，使用源自平台的暴露度进行的应用研究应：

• 报告劳动力重新加权的对应值。
• 测试对平台来源的敏感性。
• 区分任务能力、工人采用率以及采用后的使用条件。

如果没有这些区分，测量暴露度的变化可能反映的是不同职业间的平台采用模式，而不是底层 AI 适用性的变化。