SANTISMM Labs · AI 与工作

受 AI 影响最深的职业

AI 能做什么与实际在做什么——涵盖 22 个职业组，展示截至 2026 年 6 月的现实差距。

数据截至 2026 年 6 月Anthropic 经济指数 · Eloundou 等 · ILO · OECD · IMF

要严谨地讨论“受 AI 影响最大的工作”，必须区分三件事：模型在技术上能完成某项职业的多少任务（理论能力）、如今在实际工作中真正使用了多少 AI（观测覆盖率），以及对就业和工资的净影响。本页面重现并扩展了 Anthropic 针对 22 个 SOC 职业组的雷达图：潜力与实践之间存在巨大的系统性差距——以及更广泛的证据所揭示的深层含义。

20%40%60%80%100%管理商业与金融计算机与数学建筑与工程生命与社会科学社会服务法律教育与图书馆艺术与媒体医疗从业人员医疗辅助保护性服务餐饮与服务场地维护个人护理销售办公与行政农业建筑施工安装与维修生产运输

悬停或点击某个类别以查看其数据。

Anthropic 仅公布了受影响最深的 7 个职业组（以及推导出的建筑与工程组）的准确观测值。其余职业组则是基于文献中定性区间做出的透明估算，显示为空心标记并标注为“估算值”。

按职业组排名

22 个 SOC 大类。按 AI 能做什么（理论）、目前实际在做什么（观察）或两者之间的差距进行排序。

排序方式
#职业组理论观察差距机制
1计算机与数学
94.3%
35.8%
58.5%辅助与加速
2办公与行政
90%
34.3%
55.7%任务替代
3商业与金融
94.3%
28.4%
65.9%辅助与加速
4销售
62%
26.9%
35.1%任务替代
5法律
89%
20.4%
68.6%任务替代
6艺术与媒体
83.7%
19.2%
64.5%任务替代
7教育与图书馆
61.7%
18.2%
43.5%潜在潜力
8管理
91.3%
9%*
82.3%潜在潜力
9生命与社会科学
77%
6%*
71%潜在潜力
10社会服务
50.5%
5%*
45.5%潜在潜力
11医疗从业人员
59.9%
5%*
54.9%潜在潜力
12建筑与工程
84.8%
4.2%
80.6%潜在潜力
13生产
19%
2%*
17%对 LLM 具韧性
14医疗辅助
28.5%
1.5%*
27%对 LLM 具韧性
15保护性服务
31.6%
1.5%*
30.1%对 LLM 具韧性
16安装与维修
18.4%
1.5%*
16.9%对 LLM 具韧性
17运输
12.1%
1.5%*
10.6%对 LLM 具韧性
18餐饮与服务
16.9%
1%*
15.9%对 LLM 具韧性
19个人护理
18.2%
1%*
17.2%对 LLM 具韧性
20场地维护
3.9%
0.5%*
3.4%对 LLM 具韧性
21农业
15.7%
0.5%*
15.2%对 LLM 具韧性
22建筑施工
16.9%
0.5%*
16.4%对 LLM 具韧性

* 估计的观察值（非官方发布）。“差距”为理论值减去观察值（以百分点计）：即 AI 可以覆盖的范围与目前实际覆盖的范围之间的空间。

暴露度最高的单一职业

按观察到的覆盖率——即 Claude 的实际使用情况。计算机程序员以 74.5% 位居榜首。

  1. 1计算机程序员
    74.5%
  2. 2客户服务代表
    70.1%
  3. 3数据录入员
    67.1%
  4. 4病历专家
    66.7%
  5. 5市场研究与营销分析师
    64.8%
  6. 6批发与制造业销售代表
    62.8%
  7. 7财务与投资分析师
    57.2%
  8. 8软件 QA 分析师与测试员
    51.9%
  9. 9信息安全分析师
    48.6%
  10. 10计算机用户支持专家
    46.8%

在另一端： 约有 30% 的劳动者实际观察到的覆盖率几乎为零——其中包括厨师、摩托车修理工、救生员、调酒师、洗碗工和更衣室服务员。

增强与自动化

AI 在真实对话中的使用方式，而不仅仅是它是否可以被使用。

57%
43%
增强自动化

Anthropic 经济指数（2025 年）。自动化（“指令性”）份额随着时间的推移而上升——在 Claude.ai 上从 27%（2024 年 12 月）上升到 39%（2025 年 8 月），在企业级 API 上约为 77%。

暴露度是潜力，而非命运

蓝色和红色曲线之间的差距（通常为 50-70 个百分点）意味着替代并不会立即发生：目前的使用绝大多数是增强，且受影响的劳动者中尚未出现明显的失业率上升。需要关注的数据是红色曲线是否会向蓝色曲线攀升。

证据实际表明了什么

能力不等于采用。

知识型工作在理论能力上得分高达 80-94%，但观察到的实际覆盖率仅为其中的一小部分（计算机与数学：94% 对比 36%）。数据治理、遗留系统、责任归属以及人机协同（human-in-the-loop）审查减缓了从“能够做”到“实际做”的转变。

这一次是白领工作。

与以往的自动化浪潮不同，现在的暴露度集中在收入更高、受教育程度更高的办公室工作中。Anthropic 暴露度最高的四分之一人群的收入高出约 47%，且女性比例高出 16 个百分点——这是由文职和行政角色中的职业隔离所驱动的。

增强目前仍占据主导地位。

实际使用中，增强约占 57%，自动化约占 43%，尽管自动化的份额正在攀升。同一项任务既可以由人类加速完成，也可以委托给模型；目前天平仍然向加速倾斜。

关注青年招聘这一“金丝雀”预警信号。

虽然尚未出现明显的总体失业效应，但在 ChatGPT 推出后，受影响职业中 22-25 岁人群的月度求职成功率下降了约 14%——这是最强烈的早期预警信号，独立研究也证实了这一点。

替代与重构。

文职、数据录入和一线支持面临直接的任务替代。软件、分析、财务和法律则大多在进行重构——即通过副驾驶（copilot）和任务委托，而非全盘替代——这使得入门级岗位受到挤压。

收敛只是一种假设。

Anthropic 预计实际使用会向理论能力靠拢，但这只是关于采用率的假设，而非实证结果。对于许多职业来说，这种差距持续的时间可能比软件行业要长得多。

宏观图景

来自主要权威机构的头条预测。这些是具有很大不确定性的模拟场景，而非已实现的结果。

80% / 19%
受波及的任务（美国劳动力）

约 80% 的美国劳动者可能有 ≥10% 的工作任务受到大语言模型（LLM）的影响；约 19% 的劳动者可能有 ≥50% 的任务受到影响。

OpenAI · UPenn (2023)
≈3亿
全球受波及的全职工作岗位

生成式 AI 可能会使相当于 3 亿个全职（FTE）工作岗位面临自动化风险；并可能为全球 GDP 带来高达约 7% 的潜在提升。

Goldman Sachs (2023)
40% / 60%
受波及的工作岗位（全球 / 发达经济体）

全球约 40% 的工作岗位受到 AI 的波及——在发达经济体中这一比例约为 60%，在低收入国家中为 26%。

IMF (2024)
净增 7800 万
到 2030 年净增的新工作岗位

到 2030 年将创造 1.7 亿个工作岗位，同时有 9200 万个岗位被取代——这意味着劳动力市场将面临 22% 的结构性流转。

WEF (2025)
+13 万亿美元
到 2030 年对年度 GDP 的影响

到 2030 年，美国高达约 29.5% 的工作时间可能会实现自动化；约 1200 万美国人将面临职业转型。

McKinsey (2023–24)
四分之一
受到一定程度波及的劳动者

全球有四分之一 of 劳动者所从事的职业受到一定程度的生成式 AI（GenAI）波及；其中 3.3% 处于受波及程度最高的类别，且女性比例偏高。

ILO (2025)

由于数据源和方法（任务细则、能力指数、使用日志）存在差异，这些数据不具有直接可比性，应作为情景预测来理解。

方法论与数据源

该雷达图重现了 Anthropic 的《AI 对劳动力市场的影响：一种新衡量标准与早期证据》（Massenkoff & McCrory，2026 年 3 月）中的图 2。蓝色曲线是来自 Eloundou 等人的《GPTs are GPTs》（2023/2024）的理论能力 β；红色曲线是 Anthropic 的实际观测覆盖度指标，该指标基于数百万次真实的 Claude.ai 和 API 对话，并映射到美国 O*NET 数据库中的约 800 种职业和约 17,000 项任务。

所有 22 个类别均已确认理论 β 值。Anthropic 仅公布了受波及最严重的 7 个类别的精确观测值；“建筑与工程”类别是根据其声称的约 5% 的实际与理论比率推导得出的。对于其余类别，我们使用了基于 OECD、ILO、IMF、WEF 和麦肯锡文献中报告的定性区间进行锚定的透明估算值——这些估算值均被明确标记为“估算”，绝不作为官方数据呈现。

由于实际观测指标仅基于 Claude 的数据构建，它可能会低估真实的受波及程度（遗漏了 ChatGPT、Gemini、Copilot 及嵌入式工具），而理论 β 反映的是 2023 年初的技术水平，可能低估了当今的前沿能力。不同方法论之间存在分歧是设计使然：受波及程度代表的是潜在影响，而非实际岗位取代。

主要数据源

由 SANTISMM 根据公开研究汇编。数据已作四舍五入处理；估算值已进行标记。受波及程度衡量的是潜在的任务重合度，而非实际的岗位流失——所有权威机构均强调转型而非全面取代。