← DeepDive DD · 0017 · 2026-06-04
2025 · AI 暴露度 889 个职业 · 5 项研究 · O*NET 标准分类

AI 时代,你的职业
还安全吗?

汇总全球 5 个独立研究的分析数据,将 889 个标准职业的 AI 暴露度量化到 0–100 分。数字越高,说明这个职业的核心技能越容易被 AI 替代或重塑——是你规划职业转型、选择发展方向的数据参考。

≥ 75 · 高暴露
需要主动应对
AI 正在替代这个职业的核心技能。建议提前向 AI 难以替代的方向积累能力:复杂判断、情感连接、创意策略。
50–74 · 中度暴露
保持关注,主动升级
部分工作正被 AI 辅助,短期不会消失但角色会演变。深化专业判断力、跨领域协作能力是关键。
< 50 · 低暴露
相对安全,继续深耕
依赖人类判断、情感连接或物理操作的职业。AI 短期难以完全替代,仍有较大价值空间。
概念起源

这个分数,从何而来?

2013
47%——第一个让全世界恐慌的数字
牛津大学经济学家 Frey 与 Osborne 估算,美国 47% 的工作岗位在未来 20 年面临"被自动化"的高风险。这篇论文被引用逾万次,触发了全球政策界与媒体的广泛讨论——但它衡量的是泛化的"计算机化",而非 AI 能力本身,批评者指出其方法严重高估了风险。Frey & Osborne, 2013
2021 ★
AIOE 诞生——第一个专门针对 AI 能力的职业暴露指数
宾夕法尼亚大学 Felten、Raj、Seamans 在《战略管理杂志》发表 AIOE(AI Occupational Exposure)。核心方法:将 AI Progress Measurement 项目追踪的 10 类 AI 应用能力,通过 mTurk 众包调研映射到 O*NET 的 52 项人类职业能力,首次系统量化"每个职业有多少核心技能正被 AI 覆盖"。指数覆盖 774 个 SOC 标准职业,成为此后所有相关研究引用最多的基础数据集。Felten, Raj & Seamans,SMJ 42:12,2021
2023
用 AI 测量 AI 的影响——"GPTs are GPTs"
OpenAI、MIT、宾大研究者用 GPT-4 逐条标注 O*NET 职业任务,发现 80% 的劳动者从事的职业中,至少 10% 的工作任务可被 LLM 辅助完成;约 19% 的职业有 50% 以上任务受影响。这是第一个"以 AI 的视角衡量 AI 对职业影响"的研究范式,标志着测量方法从专家评分转向模型自标注。Eloundou, Manning, Mishkin & Rock,2023
2024
AIOE 扩展至生成式 AI;微软引入真实使用行为数据
Felten 团队将原始方法论更新至生成式 AI 时代,发布图像生成(IG)与大语言模型(LM)两个扩展版,视觉创意类与知识型职业的暴露度显著上升。同期,微软研究院分析 20 万条真实 Bing Copilot 用户对话,首次以"用户实际使用行为"替代专家先验评分,构建基于覆盖率 × 任务完成率 × 影响范围的综合指标。AIOE-Data/AIOE · Tomlinson, Jaffe et al.,2025
2026 ←
最新一代:任务级 GenAI 暴露测量
加州大学洛杉矶分校 Eisfeldt、Schubert、Taska、Zhang 在研究 GenAI 对企业估值影响时,构建了迄今颗粒度最细的职业暴露数据集——对 840 个职业的每条 O*NET 任务描述逐一评估 GenAI 替代概率,并区分"核心任务"与"辅助任务"。本页综合得分即汇总以上 5 项研究的全局标准化均值,是目前公开可用的最完整横断面测量。Eisfeldt, Schubert, Taska & Zhang,2026
数据源
视图 排序
行业

AIOE 原始版(Felten, Raj, Seamans 2021)

O*NET 52 项职业能力 × 10 类 AI 应用能力加权平均,mTurk 众包评分。全局标准化(0=774种职业中最低,100=最高)。原文 →

AIOE GenAI 图像生成扩展版(Felten 团队,2024)

同方法论,AI 应用更新为生成式 AI(图像生成)。视觉创意类职业暴露度上升。数据 →

Microsoft AI 适用性(Tomlinson, Jaffe et al. 2025)

分析 20 万条真实 Bing Copilot 对话,综合覆盖率×完成率×影响范围,基于真实使用行为。数据 →

AIOE 语言模型扩展版(Felten 团队,2024)

同方法论,AI 应用更新为大语言模型(LM)。专注 GPT 类文本理解与生成能力对职业的影响。数据 →

Eisfeldt GenAI 暴露度(Eisfeldt 等,2024/2026)

O*NET 任务级 GenAI 暴露,区分核心任务与辅助任务,覆盖 840 个 SOC 2010 职业。数据 →

综合均值(5 数据源算术平均)

AIOE、图像版、LM 版、Microsoft、Eisfeldt 的全局标准化得分算术平均(忽略空值)。覆盖数据源越多,综合分越可靠(角标显示参与计算的源数)。

# 职业 AI 暴露得分 风险级别