人工智能大模型在以一种离奇的方式改变就业市场

去年 3 月 GPT4 出圈，当时猜白领工作越受到影响，而体力劳动难以受到影响。现在已经过去一年半时间，按理说就业市场上已经有所反应了。城市数据团使用从 2023 年 1 月到 2024 年 4 月底的中国所有招聘平台的招聘数据，通过就业市场的需求结构变化来推测人工智能对工作的影响，结果就非常出人意料。

首先为了定义工作是否容易被人工智能大模型替代，需要把工作拆解，比如记者这个职业：

1，撰写评论、专栏或其他文章。

2，分析和解读从各种渠道获取的新闻资讯。

3，调查重大突发新闻事件。

4，调研新闻背景资料，确保信息的完整性和准确性。

5，……

评判标准就是有人工智能大模型之后，完成相同质量的工作时间能否缩短一半，能的话就是完全暴露，打 1 分，完全不能，打 0 分，不能被大模型直接解决，但可以依靠大模型基础上的应用等节约时间，那就打 0.5 分。记者这个工作：

1，撰写评论、专栏或其他文章 —— 1 分

2，分析和解读从各种渠道获取的新闻资讯 —— 1 分

3，调查重大突发新闻事件。——0 分，人工智能大模型不能去调查新闻

4，调研新闻背景资料，确保信息的完整性和准确性 ——0.5 分，现在人工智能搜索的准确度和便捷性比以前混着一堆垃圾信息的搜索引擎方便多。

常理来说，任务总量不变的情况下，分数越高，暴露越大，人工智能越能取代人类，招聘需求就会下降。也就是 “大模型替代劳动力”。

但是现实是这样的：

城市数据团依照 openai 给出的一个评分标准，给各项工作做了一个评分，然后计算各项工作在 2023 年 1 季度和 2024 年 2 季度时在所有招聘岗位中的占多少比例，并计算两个时间段的比例差异。

实际情况如下图所示：

结果很出乎意料。大模型暴露率最低的那些工作任务，占比下降反而较快。比如 “操作焊接设备”、“打磨金属表面” 等任务的大模型暴露率非常低，但在所有岗位任务中占比下降较多。

在图表的右边，“编写操作流程文档”、“撰写运营报告”、“根据客户需求，撰写广告文案或宣传推广材料” 等，虽然这些任务在大模型的观点中是属于高度暴露，最容易被替代的，他们却出现了不同程度的占比上升。

将任务组合成具体的职业，其结果也没有改变。见下图：

上图的每一个点代表一个职业，横轴代表该职业的大模型暴露率，纵轴代表该职业在总招聘中的占比从 2023 年 1 季度到 2024 年 2 季度的变化。两者之间存在统计上 0.1% 水平内显著的正相关关系。越暴露，需求越提升。

在上图的最右上角，包括程序员、内容作者、web 开发人员、数据库架构师等职业赫然在列，虽然这些职业的任务完成确实能够被大模型加速，但他们的需求仍旧上升了。

现实和猜想完全相反，大模型暴露率越高的任务和职业，不仅没有被替代，反而需求提升了。

依照招聘中更多数据分析可得到以下结论，

事实 1：中等规模的企业，暴露率高的职业需求提升更快。

事实 2：暴露率越高的职业，工资下降越快，在中等规模的企业中下降更快。

事实 3：职业和任务的集中程度，在高暴露率的职业和中等规模的企业中下降最快。

举个例子来说明这种情况：

某公司，中等规模，员工 300 有余。在 2023 年 1 季度时，该公司招聘了 10 个岗位，包括 4 名市场人员，3 名销售人员，3 名设计人员。

在 2024 年 2 季度，该公司招聘了 13 个岗位（中等规模企业的招聘增加了），包括 3 名市场人员，3 名销售人员，4 名设计师，2 名程序员，1 名内容作者（高暴露率的职位有了更高的需求）。值得注意的还有两点。

第一，该公司新招的程序员和内容作者，工资要低于同等规模企业类似职业的平均工资（中等规模企业的高暴露率职位工资更低）。

第二，这个企业新招聘的程序员，内容作者以及增加招聘的一名设计师，相对于同等规模企业的类似岗位，工作职责会更 “杂”。比如原本的程序员只需要编写代码，但在这家公司的程序员还需要和销售人员交流需求，还需要面对客户，他们的任务变得更多了（高暴露率岗位的岗位职责更复杂）。

人工智能大模型降低了探寻和试错的成本，将实现想法的路径，大幅缩短了。这给中等企业创造了需求，使得暴露率高的岗位需求增加，但工资被减少，然后工作的任务更杂了。和当初的猜想完全不一样。

来源：拿铁加辣 微信号：jcgs233