数据来源比结论更值得先看
这类研究最容易出问题的地方是数据。这份用的不是问卷或招聘网站抓取，而是 ADP 的行政工资单记录——发薪时真实产生的数据，覆盖数百万美国工人，逐月更新到 2026 年 6 月。同一套数据还支撑着实验室与 ADP Research 合办的 Canaries 面板，覆盖约 460 万工人、七百多个职业。 正因为口径是工资单，「少招」这个判断才立得住：新入职记录减少和离职记录增加在数据里是两件事，作者看到的是前者。换句话说，不是公司把年轻人裁了，而是那扇门开得比以前小。
「没有崩塌」和「入门变难」同时成立
六条事实里第一条是：没有全经济范围的岗位崩塌。这一条经常在传播中被丢掉，但它很重要——Brynjolfsson 本人也说过「AI 就业末日」不太可能发生。真正在发生的是分布上的变化：年龄上集中在 22–25 岁，职业上集中在 AI 能替代任务的那一类，而 AI 起补充作用的岗位反而在涨，尤其对有经验的人。薪酬没怎么动，调整走的是人数这一条路。 作者列的限制也别跳过：这是描述性指标而非因果估计；ADP 样本里的效应比全国调查基准更明显；有一部分分化趋势在生成式 AI 普及之前就已经存在。19% 是一个相对差距，不是「岗位少了 19%」。
对国内读者的现实含义
数据是美国的，直接套到国内会出错——行业结构、毕业生规模、招聘周期都不一样。可迁移的是结构性判断：如果入门岗位承担的恰好是最容易被工具吃掉的那部分任务（模板化的代码、初级客服、基础数据整理），那么「先做两年杂活再上手」的成长路径就在变短甚至消失。 对求职的人，值钱的部分从「能完成任务」转向「能判断任务做得对不对」——审阅模型输出、定位问题、把模糊需求拆成可验证的步骤，这些恰好是 AI 目前做不稳的环节。对招人的团队，砍掉初级编制是当期最省的选择，但三年后没有中级可用，那笔培养成本只是被推迟了，并没有消失。
via: 斯坦福数字经济实验室论文页《Canaries in the Coal Mine?》、Canaries 数据面板、Ars Technica 报道