系统综述：AI 已造成可观测的劳动力替代，非仅转型

一项遵循 PRISMA 2020 指南的系统综述汇总了 2020 年以来 94 项关于 AI 与劳动力市场的实证研究，结论显示：可观测的劳动力市场数据已呈现出与「AI 驱动的替代」相一致的迹象，而非仅仅停留在「任务转型」层面。

研究方法：聚焦观察而非预测

作者在 Scopus、Web of Science、EconLit、SSRN、IEEE Xplore、Google Scholar 六大数据库中进行系统检索，从 1,847 条初始记录中筛选出 94 项研究进行定性综合，42 项用于定量数据提取。该综述刻意区分「预测」与「观察」：仅纳入 ChatGPT 等大语言模型（LLM）部署之后、已实际发生的招聘量、工资、就业水平与任务结构变化，而非基于任务内容的自动化潜力推算。这一证据标准更严格，但能提供预测类研究无法替代的实证基础。

核心发现：招聘收缩与工资溢价并存

综合各项研究后，综述报告了以下收敛证据：

• 2022 至 2024 年间，高收入经济体的入门与中级软件开发、内容创作岗位招聘量下降 14%–41%（各研究区间为 −14% 到 −41%，中位数 −23%）；作者强调这是非重叠研究设计下的观察跨度，应理解为量级示意而非荟萃分析的合并估计值。
• 具备 AI 增强能力的劳动者获得 15%–22% 的工资溢价。
• 行业影响呈异质性：基础设施、安全、质量保障等岗位与开发者岗位收缩并行扩张。
• ChatGPT 发布后，在线劳动力市场上可自动化创意任务的发布量下降 2%–21%。

整体格局呈现工资极化、资历贬值与地理不均衡的特征。

替代集中在常规认知任务与初级岗位

综述指出，替代效应集中在常规认知任务与初级岗位，发展中经济体因高度依赖认知服务外包，可能同时通过直接暴露与间接需求侵蚀两条渠道承受不成比例的冲击。然而作者也明确承认现有数据存在显著局限：观察窗口过短、工人层面结局数据稀缺、非正规劳动与非英语市场覆盖不足，这些都构成未来亟需投入的研究缺口。

方法论局限与研究展望

作者在文中反复提醒，14%–41% 等数字并非合并点估计，而是不同研究设计与地理范围下的观察跨度，解读时应理解为「效应量级」的示意。此外，现有实证工作普遍面临识别挑战——如何将 AI 驱动的替代从疫情冲击、周期性波动与长期趋势中剥离出来，仍是该领域最棘手的方法论难题。综述最后呼吁加强对工人层面结局、非正规劳动以及非英语劳动力市场的实证投入，以填补关键数据空白。