How Exposed Are UK Jobs to Generative AI? Developing and Applying a Novel Task-Based Index
创建于 更新于
摘要
本报告提出了英国就业岗位对生成式人工智能（如大型语言模型）的暴露程度指标GAISI，采用任务为基础的概率评分方法，结合英国技能与就业调查（SES）任务数据构建。研究发现，2023/24年多数工作有一定AI暴露，但高度暴露工作较少；AI暴露带来的薪酬溢价自2017年以来有所下降，且高暴露岗位招聘需求自ChatGPT发布后显著减少，显示出AI对劳动力市场已有明显的置换效应和结构影响[page::0][page::1][page::12][page::13][page::18].
速读内容
GAISI指标构建与任务分类方法 [page::8][page::9][page::10][page::11]
- 通过调用多款LLM（主要为Google Gemini 1.5 Pro）对44个任务类别×25个英国职业组合共1,100个任务-职业单元进行概率式AI暴露评分，分为无暴露（E0）、直接暴露（E1）、集成暴露（E2）、图像处理暴露（E3）四类，阈值设为任务时间节约≥25%。
- 评分在5次重复采样中展现高度一致性（ICC值≥0.94），充分验证可靠性。
- 任务级评分结合SES调查中员工报告的任务重要性权重，汇总至个人和职业层面，体现职业与任务异质性有效融合。
UK劳动力市场中的AI暴露分布与特征 [page::12][page::13][page::14][page::15]
- 工作中约25%的任务被评为直接暴露（E1），另约27%为潜在集成暴露（E2），平均GAISI值为0.40，表明平均岗位可实现6-10%的时间节约。
- 94%的岗位至少包含20%受生成式AI影响的任务，只有13%的工作任务暴露率超过50%，多集中于高技能、科学技术类职业。
- AI暴露与技能水平呈正相关，低技能和体力劳动岗位暴露度较低。
- 教育差异是暴露度的重要决定因子，调查分析发现性别、年龄、种族差异主要由职业排序解释。
AI暴露对人工智能工具采用与劳动力市场信号的预测能力 [page::15][page::16][page::18][page::19]
- 自我报告的AI使用概率显著随GAISI五分位数递增，2024年最高暴露组的AI使用率比2023年增长16个百分点。
- 自2017年以来，AI暴露度整体提升1.8个百分点，主要因职业结构向更高暴露职业倾斜，而非同职业内任务变化。
- ChatGPT上线后，高暴露职业的招聘广告数量较预期下降约6.5%，表明需求减少，显示出置换效应早期迹象。
- AI暴露的薪酬溢价虽仍为正值，但相较2017年显著减弱。
GAISI指标的多维度有效性验证 [page::20][page::21][page::22][page::23][page::25][page::27][page::29][page::30]
- 内容效度：SES任务覆盖了生成式AI影响的广泛工作活动，不平衡暴露分布有效区分暴露与非暴露任务。
- 实质效度：LLM在评估中提供的理由与暴露评分高度相关，解释变量可解释60%方差。
- 收敛效度：GAISI与现有AI暴露指标相关性高（Felten等AI指标相关系数达0.83），而与传统自动化指标显著负相关，表明其捕捉的技术特点不同。
- 预测效度：GAISI对工作岗位AI工具使用的预测能力优于其他指标，提升工人AI使用概率12-14个百分点，且对模型的稳健性强。
- 鲁棒性检验显示不同LLM模型、提示词、权重分配等设计变化下指标稳定，欧美跨国数据应用一致。
社会公正性与偏差检测 [page::31][page::32]
- 剔除职业和任务组成后，GAISI残差对性别、年龄、种族、教育的关联极小（<1%误差方差），表明指标具有较好的后果效度，使用中偏见风险低。
国际视角与扩展应用 [page::47][page::48][page::51]
- 在OECD成人技能调查2023跨国样本中复刻GAISI，发现不同国家间AI暴露中位数和分布一致，多数国家间高暴露岗位位置相近，低暴露岗位差异更大。
- 白领高暴露低分散特征在国际样本中延续，职业归属是AI曝光差异的主要中介因素。
- 欧洲多国2014-2025年就业数据显示，GPT引发高暴露职业的就业尚无显著下降，整体趋势平稳。
综上，GAISI构建科学、测量严谨，能够准确反映生成式AI对英国及国际劳动力市场潜在影响，为政策和学术研究提供重要量化工具和分析框架。[page::33][page::47][page::50]
深度阅读
详尽分析报告：《How Exposed Are UK Jobs to Generative AI? Developing and Applying a Novel Task-Based Index》
---
1. 元数据与概览
报告标题： How Exposed Are UK Jobs to Generative AI? Developing and Applying a Novel Task-Based Index
作者及其所属机构：
- Golo Henseke¹, Rhys Davies², Alan Felstead², Duncan Gallie³#, Francis Green¹, Ying Zhou⁴§
- ¹ University College London
- ² Cardiff University
- ³ Nuffield College, University of Oxford
- ⁴ Surrey Business School, University of Surrey
版本及发布日期： 30/07/2025
主题： 探讨英国劳动力市场中各类职位对生成式人工智能（尤其是大型语言模型，LLMs，如ChatGPT）的暴露程度。
核心论点与贡献：
本文提出一个名为Generative AI Susceptibility Index (GAISI)的任务级别指数，用以衡量英国工作中各职位被生成式AI暴露的程度。GAISI依托大型语言模型对工作任务可被AI辅助的概率判断，并与英国Skills and Employment Surveys（SES，技能与就业调查）中工人自报的任务数据相结合。该指数聚焦于生成式AI相较于现有生产力工具，能至少缩短25%任务完成时间的工作活动份额。报告表明几乎所有英国工作岗位在2023/24年度都或多或少受到AI影响，但只有少数岗位高度暴露。GAISI相较于现有指标具有更强的预测能力和更高的可靠性，且初步证据显示AI造成的岗位替代影响可能已超过其生产力提升效应[page::0,1,2]。
---
2. 逐节深度解读
2.1 引言 (Introduction)
- 关键论点：
- 生成式AI（尤其是LLMs）在劳动力中的普及迅速，截至2024年第二季度约有24%的英国工人使用了AI工具。相比20世纪80年代末计算机的推广速度，AI采用速度更快。
- 生成式AI独特之处在于具备生成文本、图像、音频等能力，且可直接辅助高级认知任务，进入此前被视为难以自动化的知识工作领域。
- 现有的AI暴露指数多基于美国ONET职业框架，未充分考虑岗位内任务细分差异，限制了对劳动力市场影响的精准评估。
- 本文创新引入了GAISI，通过LLM自动评分结合英国SES微观数据，实现了更细粒度的任务-岗位级暴露度测量。GAISI关注生成式AI带来的边际生产率提升，以25%任务时间节约为阈值。
- 具体贡献包括自动任务分类、有效验证策略，以及对英国劳动力市场的应用实证[page::1,2]。
- 推理依据与假设：
- 以Eloundou等(2024)为基础，构建用于UK数据的量化指标。
- 采用概率分布形式反映任务的多样暴露水平，覆盖直接利用LLM(如ChatGPT)和整合使用辅助工具场景。
- 认定25%任务时长缩减为有效界限，认为这一水平已能带来显著劳动成本节省。
- 数据： SES调查数据中工人对44项广泛任务重要性的自我评价，为构建任务重要性权重提供基础。
---
2.2 文献综述 (Previous Literature)
- 任务导向方法论： 引用Autor等（2003，2013）对技术对劳动力影响的任务细化分析，强调技术多半替代任务而非整个职业。
- 区别于以往自动化技术： 生成式AI定位于知识密集型认知任务，且易于员工自行采用，可能引发比以往更快的岗位替代。
- 现有技术暴露指标的不足： 多为美国数据，缺乏任务内异质性处理，可能高估自动化风险（Arntz等2017）。
- 生成AI的独特特征： 可能带来快速的替代冲击与迟滞的生产率增长之间的时间错配，需要细化任务层面的暴露衡量。
- 最新进展： 以Eloundou等（2024）为代表，使用LLMs完成任务暴露判定，区分直接暴露与潜在暴露，但未实现概率式分值，且忽略现有生产力工具效益。报告基于此进一步完善GAISI设计[page::3,4,5]。
---
2.3 数据描述 (Data)
- SES介绍： SES是一项自1980年代以来每五年进行一次、样本具有代表性的英国就业人员调查，含详尽的任务、技能和技术使用信息。
- 任务结构： 2023-24年SES包含44项工作活动，涵盖12大类任务，包括手工、认知、情绪、管理等多维度。任务重要性评分采用1（必需）到0（无关）五分制，具有良好结构和跨时期一致性。
- 职业与任务交叉： 按英国SOC 2010的25个二位子大类职业划分，形成1100个职业-任务组合样本，确保考虑职业背景中任务执行情境差异。
- 任务重要性统计： 调查中工人平均执行约26个“必需”任务，类别间重要性差异明显，如协作最高（平均0.80），管理最低（0.26）[page::5,6,7,8]。
---
2.4 GAISI的构建 (Construction of GAISI)
- 任务级暴露评分：
- 采用多个LLM（主要为Google Gemini 1.5 Pro，后备OpenAI GPT-4o和Gemini 2.5 Pro）自动评定任务-职业组合在四个暴露等级上的概率分布：
- E0：无效暴露（AI无显著节省）
- E1：直接暴露（LLM单独使用节省≥25%时间）
- E2：潜在暴露（LLM结合辅助工具节省≥25%时间）
- E3：图像识别辅助暴露
- 评分重复5次取平均，温度设为0.2保证判定稳定性。
- 确立25%为阈值，相比Eloundou等的50%，更适合反映细致边际生产率提升。
- 聚合方法：
- 利用SES自报的任务重要性权重，将职业-任务暴露概率加权后求和，归一化为任务权重加权比例，从而构成个体层面的GAISI值。
- 使用折扣因子0.5对E2和E3潜在暴露权重折半处理，反映部分工具集成的现实可能性。
- 指标范围： GAISI值在0-1之间，反映职位中任务受生成式AI提升的整体比例[page::8,9,10,11]。
---
2.5 英国劳动力市场中的AI暴露图谱 (Mapping the Reach of Generative AI in Britain’s Workforce)
- 任务暴露统计：
- Gemini 1.5 Pro五次评分结果表明，平均有25%任务被评为E1直接暴露，24%为E2潜在暴露，E3图像暴露极少(约1%)，合计约50%的工作任务可因生成式AI获益。
- 岗位暴露跨工作者表现：
- 平均GAISI约为0.40，反映典型工作任务中40%具备显著AI提升潜力，对应6%-10%的总体时间节约。
- 94%的岗位至少有20%的任务暴露于生成式AI，呈现高度普适性。
- 仅13%的岗位任务暴露超过50%，多职位主要呈现内部时间调配而非全面替代特征。
- 高技能职业（如ICT专业人员、科研管理岗位）暴露度最高，低技能岗位暴露度明显较低。
- 工人群体之间差异：
- 性别、年龄、种族差异通过职业排序解释大半，教育差异最显著（研究生与中学毕业生之间GAISI差约10个百分点）。
- AI实际使用情况：
- 根据2023-24年SES数据，AI使用概率与GAISI正相关。顶端五分位工人在2023年底AI使用率达32%，2024年上升至48%；低端五分位保持7%，表明任务驱动的AI采纳模式。
- 时间趋势：
- 2017-2023年间，GAISI整体上升1.8个百分点，增长主要源于劳动人口向AI暴露度较高职业的结构性转移，而非单职业任务内容变动。
- AI暴露任务仍保持溢价待遇，2017年内职溢价约4.9%，跌至2023年4.4%，显示价格溢价出现轻微衰退。
- 劳动力需求变动：
- ChatGPT推出后，高AI暴露岗位招聘需求急剧下降，至2024-25年显现出岗位减少约6.5%的趋势，表明替代效应可能超过生产率带来的就业增长。
- 高暴露岗位在2025年5月预估减少74,000个招聘岗位，反映对劳动力市场冲击的规模[page::12,13,14,15,16,17,18,19]。
---
2.6 GAISI测量性质评估 (Evaluation Principles and Results)
- 理论框架与指标定义：
- 采用Messick（1995）的效度综合框架，强调内容效度（任务覆盖）、实质效度（理论动作链接）、结构效度（测量一致性）、外部效度（与现有指标对比及预测力）、推广性（跨模型、跨数据的稳健性）和效应效度（测量偏倚）六维评估。
- 评价基于LLM多模型评分的一致性（ICC）、任务内容覆盖率、LLM解释文本编码分析、多指标相关和预测力检验。
- 关键假设包括：暴露定义基于25%任务时间节省，评分为概率分布，潜在暴露半权重叠加。
- 可靠性（ICC分析）：
- Gemini 1.5 Pro五次评分重复性极高，平均评分ICC达0.99，单次评分也在0.94以上，展现极强内部一致性和稳定性。
- 内容与实质效度：
- SES任务覆盖约30%工作时间，涵盖手动、认知、情感及管理多领域，基本涵盖AI暴露潜力任务。
- 绝大多数任务能区分无暴露（E0）与直接/潜在暴露（E1/E2），表现出良好的内容区隔能力。
- LLM给出的任务解释合理对应各类认知技能，比如文本生成、知识检索、信息分析、规划调度等，且这些解释对GAISI数值有显著解释力（计量模型解释力60%），体现实质效度。
- 外部效度：
- GAISI与Felten等（FRS）AI暴露指标高度相关（ρ=0.83）。与专门针对LLM的FRS指标也有强相关（ρ=0.77），但与早期自动化指标（Frey & Osborne，Webb机器人等）负相关，体现区别性和针对性。
- 多元回归分析进一步验证GAISI在控制其他自动化指数后仍显著，与数字技术使用的关系保持稳定。
- 预测AI自报使用情况，GAISI的边际效应最大（约12-14个百分点增幅），AUC达0.73，优于现有指标，显示较强预测力。
- 推广性与稳健性：
- 通过提示变化、LLM模型替代（GPT-4o、Gemini 2.5 Pro）和折权调整检验指标稳定性均表现良好。
- 将GAISI方法理应用于经OECD SAS 2023国际数据，指标表现高度一致，表明良好推广潜力。
- 效应效度（残差偏差检验）：
- 在扣除职业和任务重要性信息后，残差与工人性别、年龄、种族、教育关联极低（<1%测量误差），说明索引偏差较小，适合政策引导。
总结以上，GAISI在统计与理论上均表现为一个可靠、有效且具预测能力的生成式AI暴露测量工具[page::20,21,22,23,24,25,26,27,28,29,30,31,32]。
---
3. 图表深度解读
图1：GAISI 分类流程图（第11页）
- 内容描述： 流程图清晰描绘了从44个通用任务划分至12个类别，结合25个职业组，生成1100个职业-任务组合，经LLM评分产出四类别暴露概率分布，最后结合SES任务重要性数据计算工人层面暴露得分。
- 解读： 该图说明暴露度指数不仅考虑任务特质，也融合职业上下文，实现了任务与职业的细分交叉赋权，为任务级别生成式AI暴露评估提供基础。
- 作用： 支撑论文方法论创新点，展示测量的系统性、细粒度和数据融合优势。
-
---
表3：生成式AI暴露分布（第12页）
- 内容描述： 展示基于Gemini 1.5 Pro模型5次评分的四个暴露等级分布，E1（直接暴露）约24.5%，E2（潜在暴露）约23.8%，两者合计接近一半任务受AI影响。
- 趋势分析： E0(无暴露)占约50.6%，体现多数任务AI不可或难辅助；E1和E2均保持稳定且相近比例，表明直接与整合型AI暴露并重；E3图像暴露极低。
- 文本联系： 与文本中指出的AI对任务提升潜力的定量化吻合，支持生成式AI在工作中具广泛但多为部分暴露状态的观点。
---
表4：工作任务层面AI暴露描述（第13页）
- 内容描述： 结合SES调查，4674名样本加权后，直接LLM暴露任务占比均值0.26，潜在暴露0.27，GAISI均值0.40。
- 意义解读： 表明典型岗位约40%任务具备超出现有工具的生成AI提升潜质，极大提升了对AI影响度的细粒度量化理解。
- 风险与不确定性指示： 潜在暴露部分较大，说明部分效率增益需依赖后端系统集成，实际落地存不确定性。
---
图2：GAISI在岗位中的分布（第14页）
- 内容描述： 累积分布直观显示94%的岗位至少有20%的任务暴露，13%的岗位暴露超过50%。
- 趋势说明： 绝大多数岗位呈现中度暴露，真正高度AI依赖岗位较少。
- 政策启示： 说明生成式AI对劳动市场影响应注重任务内时间重分配而非全面岗位替代。
-
---
表5：不同技能水平和职业的GAISI均值（第14-15页）
- 内容描述： 高技能职业GAISI均值最大（约0.474），手工或低技能职业最低（约0.236）。ICT专业、研究经理等科技岗位暴露最高，体力劳动岗位暴露最低。
- 逻辑联系： 反映生成式AI主要影响认知密集型职业，与传统以机械自动化替代体力劳动形成对比。
---
图3：不同群体GAISI平均值差异（第15页）
- 内容描述： 呈现男性女性、年龄段、族群、教育水平等分组的GAISI均值。差异主要由职业分类导致。
- 含义解析： 教育分化尤为显著，技术素养及职位选择影响AI暴露水平。
---
图4：GAISI五分位数与人工智能使用概率（第16页）
- 内容描述： 明显看到AI使用概率随GAISI增加而线性升高，2024年高暴露五分位AI使用率达到近50%。
- 政策意义： 证明GAISI指标与劳动者实际的人工智能采用紧密相关，验证指标预测效力。
---
图5：2017-2023年生成式AI暴露及职业结构变化（第17页）
- 内容描述： 左图显示GAISI整体提升，源于职业结构改变而非单职业内部任务变化；右图显示高初始GAISI职业就业份额增长更快。
- 解释： 证明了劳动力市场中生成式AI暴露随着职位结构变化而上升，非简单任务重新划分结果。
---
图6：AI暴露与英国招聘需求的动态关系（第19页）
- 内容描述： 自ChatGPT发布后，AI高暴岗位招聘广告数量显著降低，跌幅最大达23%左右，疫情影响相比更短暂且幅度较小。
- 整体分析： 早期明确的岗位替代迹象，与报告中劳动力需求减少观点相符。
---
图7：12大任务类别暴露等级热图（第23页）
- 内容描述： 手工、情感、协作主要无暴露(E0)，写作类任务集中在直接暴露(E1)，部分管理和专业任务有较高潜在暴露(E2)。
- 含义： 展现SES任务集覆盖与任务暴露多样性的平衡，有效支持GAISI的区分能力。
---
图8：不同任务类别对应的AI功能诉求热图（第25页）
- 内容描述： 不同任务组侧重解释为文本生成、知识检索、分析、规划等能力，而管理群体现多维度综合功能需求。
- 解读： 与生成AI的技术功能定位相符，强化实质效度。
---
图D1：国际比较生成式AI暴露分布（第47页）
- 描述： 各国家劳动力市场中，生成式AI暴露得分相对均衡，瑞士、英国等发达经济体略高，差异主要体现在低暴露尾部。
- 结论： 生成式AI暴露的国际普遍性和不同经济体间的结构性差异可被GAISI捕获。
---
图D2：跨职业大组的暴露分布（第48页）
- 描述： 管理者、专业人员暴露度高且分布集中，体力和操作工暴露度低且分布松散，反映生成式AI主要影响白领认知技能型岗位。
- 启示： 白领岗位面临普遍且一致的AI工作特性变革风险。
---
图D3：欧洲国家高低AI暴露职业就业趋势（第51页）
- 内容： 高AI暴露职业就业保持微弱增长，低暴露职业就业受到疫情及其他因素影响呈下降趋势，发布GPT未引起显著趋势转折。
- 政策提醒： 中短期来看，生成式AI对整体就业规模的影响尚不显著，但结构性调整已在慢慢体现。
---
4. 估值分析
本报告非财务估值报告，不涉及企业或资产估值模型。目前报告聚焦于基于任务的AI暴露度指数构建及其在劳动力市场层面的描述性、预测性分析，因此无具体估值方法论内容。
---
5. 风险因素评估
- 主要风险识别：
- 任务覆盖不足：SES任务覆盖工作时间约30%，遗漏部分细分任务可能带来GAISI估计的偏差。
- 指数折权和阈值选择：25%时间节省临界值较为主观，折权0.5也属于假设，尽管敏感性分析验证了稳健性。
- 数据时间滞后与技术进展差异：LLM评分基于2023-2025知识截止点，生成式AI技术演进速度快，可能使现有指数滞后。
- 人工智能具体应用和行业扩散：AI集成度和行业差异导致潜在暴露程度和生产率实现存在不确定性。
- 测量偏见和刻板印象*：尽管报告通过残差相关分析检测了性别、年龄、种族、教育的潜在偏见，发现量化影响微弱，但仍需关注。
- 影响评估： 这些风险可能导致GAISI对某些职业或群体的AI暴露度判断偏高或偏低，影响政策制定和劳动力市场预测准确性。本文通过广泛的有效性测试和稳健性验证降低了这些风险影响。
- 缓解策略： 利用多种数据集、不同模型、多次评分降低噪音，敏感性分析调整参数，报告公开评分方案以利进一步优化[page::20,21,31,32]。
---
6. 批判性视角与细微差别
- 优势：
- 在任务层级而非职业层级进行AI暴露定量创新，精细捕捉劳动内容差异。
- 结合人类自报任务数据和LLM自动评分，提升了测量的代表性和客观性。
- 多维度效度检验（内容、实质、外部等），且提供了模型和数据稳健性分析。
- 关注潜在暴露与实际AI使用差异，赋予政策和理论应用价值。
- 局限与待改进之处：
- SES任务覆盖度有限（仅约30%工作时间覆盖），这限制了GAISI对全部劳动内容的捕捉。
- 25%节省阈值具备一定的任意性，不同行业、岗位间效率增益敏感度不同，可能影响跨领域比较。
- 潜在暴露权重设定为0.5的折权系数虽基于数据验证，但现实扩散情况难以准确预判。
- LLM评分基于此前训练数据，可能带来信息交叉或先验偏见，尤其涉及隐含的职业定型刻板印象。
- 目前尚未充分考虑新兴任务的生成，任务创造可能影响劳动需求、超出现有任务定义范畴。
- 国际适用性虽有初步验证，跨国异质性因素需进一步深入研究。
- 内部一致性： 报告整体结构严密、一致，清晰解释了方法论框架与假设，未发现根本性自相矛盾之处。
---
7. 结论性综合
本文系统开发和验证了一个基于任务的生成式人工智能暴露指数——GAISI，利用LLM对SES任务-岗位组合概率式赋分，结合工人自报任务重要性权重，构建出细粒度、跨职业的AI任务暴露度指标。结果显示：
- 生成式AI对英国就业岗位影响广泛，94%的岗位至少部分受影响，然而只有约13%的岗位任务高度暴露。
- AI暴露程度随岗位技能要求提升，认知密集型高技能岗位受影响最大，呈现与传统自动化截然不同的技术影响路径。
- 近些年AI暴露水平增长主要由劳动市场结构性变化推动，即劳动力向高AI暴露岗位流动。
- AI暴露岗位仍享有一定的工资溢价，但该溢价在2017至2023年间轻微下降，表明AI技术对技能需求产生竞争压力。
- ChatGPT推出后，高暴露岗位招聘需求显著下降，岗位空缺减少，初步证据表明生成式AI的替代效应已显现且超过生产率带来的就业增长。
- GAISI展现出极高的测量可靠性、优异的内容与实质效度、高度的预测准确性及跨模型、跨数据的稳健性，优于以往基于美国数据的指标，具有广泛政策应用价值。
- 国际数据验证表明GAISI在不同国家劳动市场中表现一致，体现良好的国外推广潜力。
- 评价中发现指数较少受到人口统计学偏见影响，保障了指标的公平性与政策适用性。
综上，GAISI为理解生成式AI对劳动力市场影响提供了强有力的新工具，揭示了生成式AI技术极大地重塑了英国乃至更广泛地区的劳动力结构和就业动态，并为未来相关研究和政策制定奠定了坚实的实证和方法论基础[page::0-33,40-51]。
---
总体评价
本篇报告在生成式AI影响经济和劳动力结构的研究前沿，结合社会调查微观数据与前沿AI技术评估方法，实现了创新性的任务级别AI暴露度量化。其细致的有效性和可靠性分析，齐备的数据源应用，以及对后续实际劳动市场影响的早期实证监测，均体现该项工作在学术和政策领域的高价值与参考意义。
---
若需针对报告中某一部分或表格作更深入细节解析，欢迎继续询问。
