详细内容或原文请订阅后点击阅览
生成式 AI 能完成哪些工作？
本专栏最初发表于圣路易斯联邦储备银行网站 https://www.stlouisfed.org/on-the-economy/2026/sep/what-work-does-generative-ai-do 要点：自 2024 年 8 月以来，我们的实时人口调查（RPS），一项全国性 r……
来源:华盛顿公平增长中心信息本专栏最初发表于圣路易斯联邦储备银行网站 https://www.stlouisfed.org/on-the-economy/2026/sep/what-work-does-generative-ai-do
要点：
自 2024 年 8 月以来，我们的实时人口调查（RPS），一项对 18 至 64 岁美国成年人的全国代表性调查，跟踪了多少美国人使用生成式人工智能（AI）。生成式 AI——以下简称为“AI”——的采用持续攀升：2024 年 8 月至 2026 年 5 月间，使用 AI 的成年人比例从 45% 上升到 62%，为其工作使用 AI 的工人比例从 33% 上升到 45%。
但“多少”工人使用 AI 只是决定该技术对劳动力市场影响的一个因素。新技术对不同群体就业和工资的影响还取决于它能做什么类型的工作。技术可以接管的工作往往在劳动力市场中失去价值；技术不能做但仍必须完成的工作往往增值。这意味着理解 AI 如何改变劳动力市场需要首先知道它实际做什么工作。我们的新工作论文，在本博客文章中总结，使用首个全国代表性的详细工作任务层面 AI 采用衡量标准呈现这一信息。
我们如何衡量任务层面的 AI 使用？
在整个经济中，工人执行各种各样的工作任务。一个常见框架是 O*NET，一个劳工部赞助的数据库，包含约 2,000 项详细工作活动的列表——从“准备研究报告”到“驾驶卡车或其他车辆到或在工作现场”。要求 RPS 受访者从如此长的列表中识别他们执行哪些工作任务以及其中哪些使用 AI，根本不可行。
我们对这一挑战的解决方案是利用 O*NET 的另一个有用特征：它评价这 2,000 项活动对给定职业的重要性。在 RPS 中，我们首先引出受访者的职业。接下来，我们向受访者展示根据 O*NET 其各自职业中最重要的 10 项任务，并询问他们执行哪些。最后，我们要求在工作中使用 AI 的人报告 AI 工具定期帮助他们完成的任务。
这些数据允许我们计算回答两个不同问题的采用指数。首先，给定职业的工人中，多少比例使用 AI？其次，执行给定工作任务的工人中，多少比例使用 AI 完成该任务？我们的采用指数基于 2025 年 8 月至 2026 年 5 月四个季度波次调查的近 14,000 名工人，揭示关于美国 AI 采用状态的重要见解。数据可公开下载。
AI 采用广泛但浅
下图绘制了详细职业和详细工作任务中 AI 采用率的分布。
这些图传递两个信息：
AI 采用最高和最低在哪里？
按 AI 使用对职业排名并不太令人惊讶。计算和专业职业采用最高：计算机和信息研究科学家（87.3%）、信息安全分析师（85.4%）和网络与计算机系统管理员（82.4%）。计算机程序员、公共关系专家、个人财务顾问和首席执行官都接近或超过 80%。最受协助的任务是认知和信息密集型的：阅读文件收集技术信息（61.3%）、准备研究报告（60.7%）和分析数据识别趋势（57.5%）。
在动手或面对面工作的职业中采用最低：动物护理员（5.3%）、接待员和信息文员（7.6%）以及执业 practical 和职业护士（10.4%）。任务数据说明原因。在没有报告 AI 使用的任务中，有驾驶卡车、向顾客展示菜单、协助从业者进行医疗程序、从患者采集生物标本和准备治疗区。这些结果部分反映传统智慧：目前，AI 在屏幕上工作，不能驾驶卡车或抽血。
什么预测 AI 采用？
一种流行研究方法按职业和任务对 AI 的“暴露度”排名。我们的采用数据只是强化现有暴露预测吗？
答案部分是，部分不是。暴露评分在预测哪些职业和任务显示更高采用率方面做得相当好。例如，一些暴露预测解释了职业和任务间 AI 采用差异的大约一半。
然而，我们记录了几个预测暴露和实际采用 sharply 不同的案例。围绕敏感记录建立的职业采用远低于预测；例如，医疗秘书和行政助理以 16.8% 的比率使用 AI，而预测为 61%。开处方医疗治疗或检查文件准确性和合规性等任务也是如此，隐私规则和错误成本 loom large。
另一方面，计算机和办公机器维修工（75.7%）、特殊教育教师（70.9%）甚至洗衣和干洗工人（49.0%）采用 AI 的比率大约是常见暴露衡量标准预测的两倍。这些工作要求手动或面对面工作，但也需要 AI 可以协助的信息收集、规划和沟通。研究法律和法律先例或制定商业和营销计划等工作任务也是如此。当工人对工作如何完成有 latitude 时，他们 often 似乎找到评分未预料到的用途。
最后，虽然暴露评分在对职业或任务采用率排名方面做得相当好，但它们是给定个人是否采用 AI 的差预测器。上图说明原因：在大多数职业和任务中，一些工人采用 AI 而大多数不采用，所以知道工人做什么——这是暴露评分所反映的全部——对那个特定工人是否采用 AI 并不那么 informative。
真正告诉我们很多的是工人是谁。具体而言，我们发现一些工人系统性地比其他人对更多任务使用 AI，即使我们比较执行类似任务的工人。年龄、教育和性别等人口特征解释这些差异很少。相反，我们的证据表明 AI 采用的重要决定因素是从经验中学习。例如，使用生成式 AI 至少六个月的工人将其用于更多工作任务，而工作任务使其可能采用者的工人也更可能在工作中使用 AI。这一证据与昂贵学习或实验的故事一致：一旦工人在一个领域投资学习如何使用 AI，他们更可能在其他地方使用它。这一机制表明，随着更多工人熟悉技术并在更多工作领域使用它，AI 的 footprint 将继续加深。
展望未来
我们的职业和任务层面采用指数为研究 AI 对生产力、工资和就业的影响提供了新输入。我们的发现还带有更广泛教训：理解为什么一些工人采用 AI 而另一些不采用，可能与理解该技术能做什么同样重要。随着采用继续加深，指数将让我们不仅跟踪多少工人使用 AI，还跟踪它做什么工作。
你觉得这些内容 informative 和 engaging 吗？获取更新，随时了解美国经济不平等和增长！