AI 与劳动力市场再分配的进一步实证结果

本文记录了人工智能如何影响美国劳动力市场的存量与流量。我们结合CPS和JOLTS数据，并分别采用来自OpenAI和Lightcast的人工智能暴露度与采纳度指标，按人工智能的暴露度与采纳程度构建了劳动力存量、劳动者流动以及市场紧张度。自大型语言模型问世以来，人工智能暴露度与采纳度较高的劳动者在求职率和岗位转换率方面的降幅均大于其他群体，而其在职期间的任务切换频率则显著高于其他群体。人工智能对名义工资增长和工作时长的正向效应在大型语言模型出现后的时期明显减弱，这表明由大型语言模型引发的再配置主要通过企业内部的任务重组与劳动投入结构的调整来实现，同时对最易受人工智能影响的劳动者的需求也有所减弱。为量化大型语言模型带来的再配置压力，我们构建了个体层面的招聘难易度与离职难易度指数，并发现自2023年以来，求职前景的分化程度显著上升，这一变化主要由人工智能相关因素驱动。根据按人工智能暴露度与采纳程度分解得出的失业流入与流出的趋势成分，以及基于结构性失业的理论模型推算，自然失业率自大型语言模型问世以来估计上升了约0.1至0.2个百分点，但这一估计存在较大的不确定性。

以上内容摘自Hie Joo Ahn和Nicholas A. Carollo的论文《一篇新的NBER会议论文》。相关信息参见包容性生产力网络和亚历克斯·伊马斯。

该文章首发于人工智能与劳动力市场重新分配的进一步成果，原载于边缘革命。