详细内容或原文请订阅后点击阅览
联邦数据收集能告诉政策制定者和研究人员关于美国劳动力市场中AI的什么信息？
要点概述 不可能完美预测人工智能将如何影响美国劳动力市场。政策制定者和研究人员正在努力解决围绕这一主题的重要问题，包括人工智能可能存在哪些新机会以及哪些生计可能会受到侵蚀？这些抵消力量将如何消除，哪些工人可能是[…]联邦数据收集可以告诉政策制定者和研究人员有关美国劳动力市场人工智能的什么信息？首先出现在公平增长上。
来源:华盛顿公平增长中心信息主要发现
概述
要完美预测人工智能将如何影响美国劳动力市场是不可能的。政策制定者和研究人员正在努力解决围绕这一主题的重要问题，包括可能存在哪些新机会，以及哪些生计可能被人工智能侵蚀？这些相反的力量将如何相互抵消，哪些工人可能被落下？在此过程中，工作质量是否会受到影响？
随着人工智能的影响逐渐显现，更多更好的数据是设计政策、实施项目和未来研究的基本基础。联邦政府、研究人员和公众都缺乏详细的、实时的、广泛可用的、公正的数据，来了解人工智能如何影响工人、企业和更广泛的美国经济——这些数据可以为社会项目设计和参与、劳动力发展倡议等提供信息。
显然需要更好地理解和预测人工智能对就业和失业、工作机会、工资和收入的影响。美国以前经历过劳动力市场混乱。在过去五十年里，贸易冲击使数百万工人流离失所，互联网的出现和工厂自动化程度的提高等技术进步也是如此，而应对的数据和政策基础设施被证明是不足的。人工智能驱动的混乱有可能以更大的规模和速度重复这些经历。
本议题简报是三部曲系列的第一篇，该系列通过考察全国工作场所越来越多地采用人工智能这一问题的视角，来审视联邦数据基础设施，检查与失业、工资、工作机会和企业级人工智能采用相关的数据，以及数据存在的缺口。接下来的两篇简报将为改进联邦关于人工智能及其对工人影响的数据收集，以及如何利用这些数据为政策制定、项目实施和研究提供信息提出建议。
我们如何知道谁失业了？
随着人工智能能力和应用的进步，工作场所中的人工智能工具可能会执行越来越多的与工作相关的任务。为了有效应对，政策制定者和研究人员必须了解工作场所采用人工智能在多大程度上导致工人失业。这些信息对于设计有效的政策应对措施至关重要，包括社会项目、劳动力发展和再培训努力，以及针对特定行业的方法。
回答这个问题首先需要能够准确地确定整个美国经济中究竟谁是失业者，而这出奇地难以精确计算。每个月，美国劳工统计局都会发布官方失业率，该数据来源于美国人口普查局的当前人口调查，并附有按年龄、种族和性别划分的人口统计细分。该家庭调查中的失业率涵盖了在调查相关周内没有工作，并且在上个月积极寻找工作的人。因此，失业率不包括那些停止寻找工作或就业不足的人。
此外，月度发布可以给出按行业（如制造业或服务业）划分的失业情况总体印象，但很难进一步细化为跟踪特定职业（如计算机程序员）的就业趋势。调查回应率在过去十年中也下降了，这可能限制其代表性。
美国劳工部就业与培训管理局每周发布失业保险申请数据，这是一个及时的指标，但仅涵盖那些申请失业救济金的人。许多工人没有资格获得福利，包括独立承包商、近期未就业的求职者以及那些已用尽福利的人。申请数据中包含的人口统计信息也因州而异。
雇主通常需要告知工人他们有资格获得失业保险救济金，但这并非总是发生，许多符合条件的工人仅仅因为不知道他们有资格而没有申请。在其他情况下，雇主可能积极阻止工人申请福利以减少他们的纳税义务。劳工统计局估计，在某些年份，大多数失业者没有申请失业保险救济金。
此外，失业率和失业保险申请数据都可能受到许多其他因素的影响，包括自然灾害、经济混乱和季节性趋势。因此，很难将任一统计数据的变动孤立地归因于，特别是归因于与美国经济中许多不同类型工作场所采用人工智能相关的分散趋势。
雇主还向州劳动力机构提交季度工资记录，然后这些记录被发送到人口普查局并处理为纵向雇主-家庭动态项目。LEHD数据集使用社会安全号码将工人与雇主联系起来，人口统计信息部分来源于社会保障局的行政记录。虽然这些数据有4到6个月的滞后，但它们允许研究人员随时间将工人与特定雇主联系起来，包括跟踪工人经历失业期和进入后续工作的过程。LEHD数据集包括行业但不包括职业细节，这限制了它们在跟踪哪些特定工作最受人工智能影响方面的用处。认识到这些差距，越来越多的州已扩大其工资记录以包括额外信息，如职位名称、总工作小时数和工作地点。
失业保险申请和工资记录数据侧重于“雇员”，这是一个在联邦和州法律中有不同定义的法律类别。许多工人被雇主错误地归类为独立承包商，因此无法获得失业保险。独立承包商和平台工人在美国劳动力中占越来越大份额，因此以失业保险为重点的数据来源可能低估了易受人工智能驱动混乱影响的工人数量。
《工人调整和再培训通知法》要求较大的雇主就大规模裁员和工厂关闭提供提前通知。这些数据与州和地方政府共享以促进支持服务，但不与联邦政府共享。它们也不包括远程工作者、较小雇主的工人和独立承包商。
广泛研究失业可以揭示劳动力市场困境集中的地方，包括哪些行业、职业和地区受影响最大。然而，鉴于推动失业的因素众多，将这些变化具体归因于人工智能的采用仍然困难。（见图1。）
图1
我们如何了解工资和收入发生了什么？
就业只是美国劳动力市场故事的一部分。了解工人报酬和工作质量同样至关重要。人工智能有可能影响工作时间、不同职业的薪水，以及所谓的平台或零工工人的报酬——包括从事网约车和送餐服务工作的人，以及在线数字自由职业任务中的人。了解谁的收入在变化以及如何变化，可以揭示人工智能如何加剧收入不平等，并有助于制定针对性的计划来应对未来的挑战。
劳工统计局每季度发布关于当前人口调查样本子集的收入信息，包括按年龄、种族和性别划分的人口统计细分。但这些数据是自我报告的，长期跟踪工人收入的能力有限。该调查也不区分雇员和独立承包商，很难识别或跟踪薪酬动态，如人工智能对特定职业的工资压力。该机构定期进行当前人口调查的临时工人补充调查，其中包括关于临时工作和独立承包商的数据。
每个月，劳工统计局还发布当前就业统计，其中包括平均每小时收入的信息。与调查家庭并依赖自我报告收入的当前人口调查不同，CES数据通过工资记录直接调查雇主，因此对于给定工作的收入衡量更精确。然而，CES调查不包括人口统计或职业数据，这限制了它在识别或跟踪特定工作或人群趋势方面的用处。
劳工统计局还进行国家薪酬调查，用于按行业和职业生成薪酬和福利数据。该调查不覆盖独立承包商，地理和人口统计细节有限。
然后是BLS国家纵向调查，该调查在多个时间点收集特定群体个人的劳动力市场活动信息。这些调查可以显示人们在教育、培训和就业方面的终身趋势。按设计，这些调查侧重于一个群体，因此可能难以将研究结果推广到其他世代。
人口普查局的LEHD项目也包括收入数据，允许进行更长期的跟踪。与失业数据类似，这些数据公开可用之前有大约4到6个月的滞后。尽管存在这种延迟，LEHD数据是允许研究人员跟踪特定工人收入随时间如何变化的少数来源之一，包括他们在雇主之间流动时。
每年，人口普查局发布美国社区调查，其中包含更详细的人口统计信息。但由于该调查要求受访者报告过去12个月的总收入，它无法捕捉年内收入趋势。劳工统计局每年还发布其职业就业和工资统计，其中包括按行业和职业划分的工资。OEWS调查雇主而非工人，并且不捕获那些被归类为独立承包商的人。
美国财政部的国内税务局也从纳税申报中收集关于工资和收入的数据。这些数据可能需要一年或更长时间才能用于研究，但从IRS 1099申报中得出的数据包括独立承包商报告的收入信息，使其成为重要资源，尽管存在这种延迟。
越来越多的州已开始要求在招聘广告中公布薪资范围。国家劳动力交易所是由全国州劳动力机构协会和直接雇主协会维护的在线招聘广告数据库，每天更新，并包含许多这些招聘信息的薪资信息。然而，NLx数据库仅捕获在线发布的职位，薪资范围不一定反映实际工资，这意味着这些数据提供的薪资和收入补偿情况不完整。
各州也收集自己的工资和收入数据。收集的数据类型因州而异，且并非所有州工资调查数据都与联邦政府共享。这种不一致性使得比较各州之间的工资趋势或仅凭州级数据构建全国图景变得困难。
许多这些来源都有局限性。大多数来源缺乏工作时间数据，使得无法区分收入变化是源于工资率削减还是工时减少。此外，来源（除了当前人口调查的年度社会和经济补充调查）不捕获非工资报酬，如健康福利和退休金，以及其他重要的工作质量方面。由于这些原因，很难获得工人薪酬的整体情况。
此外，这些来源不容易连接起来以绘制工人薪酬的综合图景。它们各自使用不同的方法，使得个体层面的关联困难。纵向雇主-家庭动态项目为跟踪工人随时间收入变化提供了最坚实的基础，但获取与CPS人口统计细节、NLx招聘信息或税务记录相关联的纵向数据可能很困难。这些挑战使得难以确定人工智能的采用是否专门在推动薪酬变化，或跟踪个体工人的收入如何因其所处企业的人工智能驱动混乱而演变。（见图2。）
图2
我们如何知道存在哪些工作机会？
随着人工智能改变工作的性质，了解可用工作的范围很重要，包括可能失业或难以找到新工作的工人可获得的工作。政策制定者和工人需要及时了解哪些公司在招聘以及招聘哪些职位。
NLx每天更新实时在线招聘信息，直接来自公司网站和州就业银行。这是工人寻找当前可用职位的最佳来源之一，但不包括通过推荐、内部晋升、口碑或非正式网络填补的职位。研究人员已将这些数据与详细的职业任务数据集结合使用，以大规模从招聘信息中提取关于技能、任务和工具的结构化信息，研究人员可通过NLx研究中心获取这些数据。
劳工统计局还发布其职位空缺和劳动力流动调查，该调查提供每月行业级别的职位空缺、雇佣和离职估计，包括按地区和州划分。然而，JOLTS数据不提供职业特定细节，其约16,000家机构的样本相对较小。NLx研究中心每月基于JOLTS和NLx数据生成职位空缺估计。
了解存在什么工作——不仅仅是当前的职位空缺——需要不同的数据来源。当前就业统计调查基于雇主工资记录提供按行业划分的月度就业人数。CPS数据通过提供按职业和人口统计群体划分的月度就业人数来补充这一点。美国社区调查每年提供类似的职业和人口统计细节，具有更丰富的地理细分，有助于了解特定类型工作的集中地点。对于更详细的职业数据，职业就业和工资统计调查提供按职业和行业划分的年度就业人数。这些来源共同可以显示按行业、职业、地理位置和工人人口统计集中的工作岗位，但没有单一来源涵盖所有这些维度。
美国劳工部还发布临时工作签证项目的数据，包括针对特定职业的H-1B签证。这些数据包括职位名称、职业代码、工资和工作地点。虽然公开可用且有助于了解对高技能专业职业的需求，但这些数据仅涵盖雇主寻求工人的职位，并不代表更广泛的劳动力市场需求。
劳工统计局还发布年度就业预测，预测职业在10年时间范围内预计如何增长或萎缩。这种前瞻性视角对于劳动力发展项目可能特别有价值，这些项目旨在预测机会将在哪里出现，而不仅仅是对当前状况做出反应。然而，作为预测而非实时衡量，这些数据并非旨在捕捉人工智能驱动变化发生时的速度或时间。
与工资和收入数据一样，各州劳动力机构收集的关于工作的信息因州而异。注册学徒计划是各州法律要求向美国劳工部学徒办公室报告的项目，提供了一致的信息来源之一。一些州通过州级调查收集自己的职位空缺数据，但这些信息未汇总到集中的联邦数据库中，限制了其在理解全国招聘模式方面的用处。
私营公司也编制和销售招聘信息数据。这些数据集可能很大，并包含关于技能、职业和工资的结构化信息，但它们有显著的局限性。收集、清理和构建数据的方法通常是专有的，无法进行独立验证。此外，还存在越来越多的虚假招聘信息问题——公司发布但从未打算填补的职位——在2024年的一项分析中，占在线招聘信息的18%至22%。
了解构成这些工作的任务也很重要，以便工人能找到与其技能组合相匹配的机会，劳动力发展倡议能更好地针对培训和教育活动。由美国劳工部就业与培训管理局赞助的O*NET项目涵盖900多个职业档案，包括标准化的技能、能力和职业要求。
研究人员已使用O*NET任务描述来估计哪些职业和任务可能最受人工智能影响。即使O*NET可用于可靠地做出替代预测，O*NET在跟踪人工智能驱动变化方面也有显著局限性：每个职业的更新频率较低，平均样本仅71个观察值；该数据集并非为纵向研究设计；部分数据收集可追溯到2006年。
总的来说，这些来源可以提供一幅关于招聘发生地点以及雇主正在寻求什么技能的图景。然而，没有单一来源能够可靠地实时跟踪人工智能采用如何重塑对特定职业的需求，或识别公司何时通过自然减员减少工作岗位。（见图3。）
图3
我们对单个企业采用人工智能了解多少？
理解人工智能采用如何影响工人还需要知道哪些公司已采用人工智能以及他们如何使用它。事实证明，这也难以很好地衡量。
NLx上的招聘信息可以根据提到特定技术或技能的职位描述，给出单个企业需求的指示。这可能是一个重要指标，但它仅捕获招聘信息中提到的与人工智能相关的技能，这是一个间接信号，不能反映公司完整的人工智能支出、采用或部署计划。
人口普查局每隔一周发布商业趋势和展望调查，该调查向企业提出一个是或否的问题，询问他们是否已采用人工智能以及是否计划在明年采用。由于这是一个二元衡量标准，它不捕获企业如何使用人工智能或使用到什么程度。
每年，人口普查局还发布年度商业调查，最近已包含更多关于企业人工智能采用的详细问题。然而，这些问题在不同周期中不一致，限制了对特定企业采用情况的纵向跟踪。2023年年度商业调查询问企业技术采用是否改变了其工人的数量或技能，但未区分不同类型的人工智能或自动化，使得难以理解哪些具体技术正在推动劳动力变化。
即使存在人工智能采用数据，它们也未与工人层面的结果（如就业或工资）相关联，使得几乎不可能将企业层面的人工智能采用与工人结果联系起来。商业趋势和展望调查和年度商业调查的采用数据未与纵向雇主-家庭动态数据、工资记录或其他工人层面的结果相关联，即使这两个数据集都位于人口普查局内。NLx招聘信息数据也未与BTOS或ABS的采用回应相关联，因此公司的自我报告人工智能使用无法与其招聘活动联系起来。
国际上也有针对人工智能采用的特定研究。经济合作与发展组织2024年对包括美国在内的六个国家6,000多家公司的调查发现，算法管理工具——部分或完全自动化管理职能（如下达指令给工人以及监控或评估他们）的软件——已在美国公司中广泛应用，90%的受访公司已采用至少一种此类工具。
一些公司也发布人工智能采用调查，但这些调查使用不同的方法、样本和定义，使得比较几乎不可能。私人调查也可能反映进行这些调查的公司的利益，这凸显了联邦政府数据收集的重要性。
研究人员主导的努力——如实时人口调查，由美国大学联盟自2020年以来持续进行的美国住户调查——旨在填补这一空白。该调查旨在补充当前人口调查和美国社区调查，并且自2024年以来，已包含关于工作场所采用生成式人工智能的问题。虽然实时人口调查提供了有价值的工人层面信息，但这种私人资助的努力必然没有政府管理调查的规模。此外，即使在调查工人时，他们也可能对其雇主已采用的人工智能工具没有完整的了解，这限制了工人调查在捕捉公司层面决策方面的能力。（见图4。）
图4
结论
本议题简报中提出的所有问题的核心是因果关系。企业采用人工智能如何影响工人的就业和失业、薪酬、工作流失和工作机会？正如本简报所示，没有一个单一数据来源能够回答这个问题，无论是联邦的还是其他的。
这些差距是显著且被广泛认可的。根据2014年《劳动力创新与机会法》成立的劳动力信息咨询委员会，负责就劳动力信息需求向美国劳工部长提供建议，已呼吁改善美国劳动力市场数据的联邦基础设施。劳工部已宣布计划与劳工统计局、人口普查局和美国商务部经济分析局合作建立一个AI劳动力研究中心，以定期分析人工智能的采用、被人工智能取代的工作，以及人工智能对劳动力的工资影响。
美国国会也注意到了。《劳动力透明度法案》和《AI劳动力PREPARE法案》都是两党法案，将制定新的联邦数据收集要求，以应对人工智能对劳动力市场的影响。
本系列的下一份议题简报将在此基础上提出具体建议，以改善联邦关于人工智能和工人的数据。
—Mary Beech是华盛顿公平增长中心的访问研究员，也是Workshop的政策顾问和研究员，专攻人工智能和新兴技术。此前，她曾在拜登政府担任美国劳工部工人和技术政策主任，领导应对人工智能和新兴技术对工人权利和生计影响的倡议。在此之前，她担任白宫科技政策办公室技术部门幕僚长和高级政策顾问，以及美国劳工部员工福利安全管理局幕僚长。
您觉得这些内容有信息量且引人入胜吗？获取更新并了解美国经济不平等和增长的动态！