圣路易斯联储研究：生成式AI在美国职业与工作任务中的采用广泛但浅层

作者： Alexander Bick , Adam Blandin , David Deming , Tyler Schumacher

要点

两项新的 AI 采用率指标为研究这项技术对美国劳动力市场的影响提供了另一种方式。它们追踪某一职业中实际使用 AI 的劳动者比例，以及从事特定工作任务的人群中使用 AI 完成该任务的比例。
这些基于实时人口调查（RPS）数据的指数显示，AI 的采用已相当普遍。在超过 80% 的职业中，至少 20% 的劳动者使用 AI；在超过 40% 的工作任务中，至少 20% 的劳动者使用 AI。
AI 的采用程度也较浅。在仅 40% 的职业中，至少一半的劳动者使用 AI；在不到 3% 的工作任务中，至少一半的劳动者使用 AI。
这些指数结合起来，能够比按 AI 暴露程度对职业和工作任务进行排名的指标更细致地呈现职场中的 AI 采用情况，因为工作类型未必能明确预测 AI 的采用。
研究结果表明，了解为什么一些劳动者采用 AI、而另一些劳动者没有采用，可能与了解这项技术能够胜任哪些工作同样重要。

自 2024 年 8 月以来，我们的实时人口调查（RPS）一直在追踪有多少美国人使用生成式人工智能（AI）。该调查对美国 18 至 64 岁成年人具有全国代表性。请参阅 2024 年 9 月的《经济纵览》博客文章《生成式 AI 的快速普及》、2025 年 2 月的博客文章《生成式 AI 对工作效率的影响》，以及 2025 年 11 月的博客文章《2025 年生成式 AI 的采用状况》。当前采用率可在我们的AI 采用率追踪器和 FRED 上查看。生成式 AI（下文简称“AI”）的采用率持续上升：2024 年 8 月至 2026 年 5 月，使用 AI 的成年人比例从 45% 升至 62%，将 AI 用于工作的劳动者比例从 33% 升至 45%。

但是，“有多少”劳动者使用 AI，只是决定这项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，还取决于它能完成哪些类型的工作。例如，可参阅 David H. Autor、Frank Levy 和 Richard J. Murnane 于 2003 年发表的研究《近期技术变革的技能内容：一项实证探索》。技术能够接手的工作往往会在劳动力市场中贬值；技术无法完成但仍必须完成的工作则往往会升值。这意味着，要了解 AI 如何改变劳动力市场，首先需要知道它实际在做什么工作。我们的新工作论文（本文对此作了概述）采用首批具有全国代表性的详细工作任务层面 AI 采用率指标，呈现了相关信息。请参阅我们 2026 年的工作论文《生成式 AI 做什么工作？》。生成式 AI 平台的聊天记录为了解 AI 所做的工作提供了另一种途径，但也带来了自身的概念和测量难题。例如，聊天记录通常会被归类为各项任务，却不知道用户的职业。我们在工作论文中讨论了这些难题，但没有在本文中讨论。

我们如何衡量任务层面的 AI 使用情况？

在整个经济中，劳动者要完成种类繁多的工作任务。一个常见的框架是 O*NET，这是由劳工部支持的数据库，其中列出了约 2,000 项详细工作活动——从“撰写研究报告”到“驾驶卡车或其他车辆前往工作地点或在工作地点内行驶”，无所不包。要求 RPS 受访者从这样一份冗长的清单中指出自己执行了哪些工作任务，并进一步说明在哪些任务中使用 AI，显然是不现实的。

我们应对这一挑战的办法，是利用 O*NET 的另一项实用功能：它会评定这 2,000 项活动对特定职业的重要程度。在 RPS 中，我们首先了解受访者的职业。接着，根据 O*NET，我们向受访者展示其各自职业中最重要的 10 项任务，并询问他们执行了哪些任务。最后，我们请那些在工作中使用 AI 的受访者报告 AI 工具经常帮助他们完成哪些任务。

这些数据使我们能够计算采用率指数，回答两个不同的问题。第一，某一职业的劳动者中有多大比例使用 AI？第二，执行某项工作任务的劳动者中有多大比例在该任务中使用 AI？我们的采用率指数基于 2025 年 8 月至 2026 年 5 月期间四轮季度调查中近 14,000 名劳动者的调查结果，揭示了美国 AI 采用现状的重要信息。数据可公开下载。职业和任务层面的 AI 采用率指数可通过 RPS下载。未来的调查轮次将更新这些指数。

AI 采用广泛但程度较浅

下图绘制了详细职业和详细工作任务的 AI 采用率分布。某职业的采用率是指报告在工作中使用 AI 的该职业劳动者所占比例。职业采用美国劳工统计局《标准职业分类》系统的三位数代码定义。某项任务的采用率是指执行该任务并报告在该任务中使用 AI 的劳动者所占比例。任务采用 O*NET 所列的详细工作活动。

这些图表传达了两点：

首先，AI 的采用十分普遍。在超过 80% 的职业中，至少有 1/5 的从业者在工作中使用 AI；超过 40% 的任务采用率高于 20%。AI 并非只局限于少数科技类工作，而是在广泛的劳动力市场活动中提供辅助。
其次，几乎所有领域的 AI 应用都不深入。只有 40% 的职业采用率高于 50%，仅 16% 超过 70%。任务层面的情况更为明显：采用率高于 50% 的任务不足 3%，没有任何任务超过 70%。这带来一个启示：采用率最高的职业中，AI 的使用并非由某一项人人都会使用该技术的任务所驱动；相反，在这些职业中，几乎每个人都会使用 AI，但工作者会将它用于工作中的不同环节。

哪些职业的 AI 采用率最高和最低？

按 AI 使用情况对职业进行排名，结果并不太令人意外。计算机和专业类职业的采用率最高：计算机与信息研究科学家（87.3%）、信息安全分析师（85.4%）以及网络和计算机系统管理员（82.4%）。计算机程序员、公共关系专员、个人理财顾问和首席执行官的采用率也都接近或超过 80%。AI 辅助最多的任务以认知和信息处理为主：阅读文档以收集技术信息（61.3%）、撰写研究报告（60.7%）以及分析数据以识别趋势（57.5%）。

在需要动手或面对面工作的职业中，AI 采用率最低：动物护理员（5.3%）、接待员和信息文员（7.6%），以及执业实用护士和执业职业护士（10.4%）。任务数据说明了原因。在没有报告使用 AI 的任务中，包括驾驶卡车、向顾客介绍菜单、协助执业医务人员进行医疗操作、采集患者生物样本以及准备治疗区域。这些结果在一定程度上印证了常见看法：目前，AI 在屏幕上发挥作用，却无法开卡车或抽血。

哪些因素能预测 AI 采用率？

一种常见的研究方法是按职业和任务对其 AI“暴露度”进行排名。我们的采用数据是否只是印证了现有的暴露度预测？

答案有一部分是肯定的，也有一部分是否定的。暴露度评分在预测哪些职业和任务的采用率较高方面表现尚可。例如，有些暴露度预测可以解释职业和任务间 AI 采用率约一半的差异。

不过，我们记录了若干预测暴露度与实际采用率明显不符的情况。围绕敏感记录开展工作的职业，其采用率远低于预测值；例如，医疗秘书和行政助理使用 AI 的比例为 16.8%，而预测值为 61%。医疗治疗方案的开具、检查文档的准确性与合规性等任务也有类似情况，因为隐私规定和错误成本在这些领域影响很大。

反过来，计算机和办公设备维修人员（75.7%）、特殊教育教师（70.9%），甚至洗衣和干洗工作人员（49.0%）采用 AI 的比例都约为常见暴露度衡量指标预测值的两倍。这些工作需要动手或面对面开展，但也涉及信息收集、规划和沟通，而 AI 可以为此提供帮助。研究法律和法律先例、制定商业和营销计划等工作任务也是如此。当工作者能够自主决定工作方式时，他们似乎往往能找到评分未能预见的用途。

最后，虽然暴露度得分在对不同职业或任务的采用率进行排序方面表现尚可，但它们并不能很好地预测某个特定个体是否会采用 AI。上面的图表说明了原因：在大多数职业和任务中，一些劳动者会采用 AI，而多数人不会，因此，了解劳动者从事什么工作——这正是暴露度得分所反映的全部信息——并不能充分说明这个特定劳动者是否会采用 AI。

真正能告诉我们很多信息的是劳动者本身。具体而言，我们发现，即使比较从事类似任务的劳动者，有些人也会系统性地将 AI 用于更多任务。年龄、教育程度和性别等人口特征只能解释这些差异中的一小部分。相反，我们的证据表明，AI 采用的一个重要决定因素是从经验中学习。例如，使用生成式 AI 至少六个月的劳动者，会将其用于更多工作任务；工作任务使其更有可能采用 AI 的劳动者，也更有可能在工作之外使用 AI。这些证据符合一种成本高昂的学习或试验过程的解释：一旦劳动者投入精力学习如何在一个领域使用 AI，他们就更有可能在其他领域使用它。这一机制表明，随着更多劳动者熟悉这项技术并将其用于更多工作领域，AI 的影响范围将继续扩大。

展望未来

我们按职业和任务划分的采用指数为研究 AI 对生产率、工资和就业的影响提供了新的数据。我们的发现还带来一条更广泛的启示：理解为什么一些劳动者采用 AI、而另一些人不采用，可能与理解这项技术能做什么同样重要。随着采用程度不断加深，这些指数将使我们能够追踪的不只是有多少劳动者使用 AI，还包括 AI 承担了哪些工作。

注释

参见 2024 年 9 月的《On the Economy》博客文章“生成式 AI 的快速普及”、2025 年 2 月的博客文章“生成式 AI 对工作效率的影响”，以及 2025 年 11 月的博客文章“2025 年生成式 AI 采用状况”。当前采用率可通过我们的AI 采用跟踪器和 FRED 查询。
例如，参见 David H. Autor、Frank Levy 和 Richard J. Murnane 于 2003 年发表的研究“近期技术变革的技能内容：一项实证探索”。
参见我们 2026 年的工作论文“生成式 AI 承担什么工作？”。生成式 AI 平台的聊天记录为了解 AI 承担什么工作提供了另一扇窗口，但也带来了自身的概念和测量挑战。例如，聊天记录通常会被归类到各项任务中，却无法确定用户的职业。我们在工作论文中讨论了这些挑战，但在这篇博客文章中没有讨论。
按职业和任务划分的 AI 采用指数可通过 RPS 下载。随着未来调查轮次开展，这些指数将会更新。
某一职业的采用率是指该职业中报告在工作中使用 AI 的劳动者所占比例。职业采用美国劳工统计局标准职业分类系统的三位数代码定义。某项任务的采用率是指从事该任务且报告在工作中使用 AI 的劳动者所占比例。任务来自 O*NET 列出的详细工作活动。