AI就业冲击仍属温和，但职业层面的压力正变得难以忽视

概览

Morgan Stanley利用更新至2026年上半年的数据评估AI对美国劳动力市场的影响。结论是总体冲击依然较小，呈现“微观强于宏观”的特征：职业和劳动者层面的证据持续增强，而行业总量就业和招聘数据仍较为混杂。高AI暴露职业的失业率继续上升，其余暴露组大体稳定；这一变化在控制职业周期敏感度后更加突出。

核心观点

第一，高AI暴露职业的周期调整后失业率已比历史关系所隐含的水平高约0.5个百分点，且统计显著性升至90%置信水平。第二，失业恶化同时来自再就业率下降和2025年以来裁员增加，而不同AI暴露组的劳动参与率变化没有明显差异。第三，22至27岁青年劳动者处于调整前沿，高暴露职业中的失业率分化尤其明显。第四，AI正在加快工作任务重组，但2026年上半年报告任务变化的高暴露劳动者占比有所下降，可能反映短期噪声或AI实施速度放缓。第五，行业层面的就业数据与招聘信息尚不足以支持广泛替代叙事，中等暴露行业近期表现甚至强于低暴露和高暴露行业。

分析框架

报告构建AI劳动力扰动追踪框架，综合CPS家庭调查微观数据、劳动者流动统计、任务重新配置指标、行业薪资就业、招聘信息及公司电话会文本。研究按照职业和行业的AI暴露程度分组，并通过回归控制不同群体的历史周期敏感度；主要采用Felten等人于2021年提出的AI暴露指标，同时以Morgan Stanley主题研究团队的替代指标进行稳健性检验。

方法论与常识提炼

• 综合监测框架AI劳动力扰动追踪器

  利用多类劳动力市场指标交叉识别AI相关就业变化

  框架覆盖失业率、劳动者流动、任务变化、行业就业、招聘信息和企业文本，以比较微观与宏观层面的信号。

• 暴露度测量Felten等人（2021）AI暴露指标

  按职业受到AI能力影响的程度划分低、中、高暴露组

  该指标用于报告的主要结果，并辅以Morgan Stanley主题研究团队的替代暴露指标进行稳健性检查。

• 计量分析周期调整残差分析

  控制各暴露组与总体劳动力市场之间的历史周期关系

  研究将各暴露组失业率对总体失业率进行回归，并分析残差，以衡量实际失业率相对正常周期关系的偏离程度。

• 时间序列处理12个月移动平均

  平滑未季调CPS数据的季节性和高频噪声

  由于CPS相关数据未进行季节调整，报告采用12个月移动平均观察不同AI暴露组的持续变化。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• 美国劳动力市场

  AI扰动的核心宏观观察对象

  优势

  总体就业影响仍小，行业就业尚未出现广泛下降，劳动参与率也未呈现暴露组之间的系统性分化。

  劣势

  高AI暴露职业的失业率持续上升，再就业难度增加，且裁员率相对2025年前水平仍偏高。

  对比

  职业与劳动者层面的扰动信号明显强于行业薪资就业和招聘信息所反映的宏观信号。

  风险

  职业层面的弱势若持续扩散，可能推高总体失业率并增加长期失业风险。

• 人工智能主题

  生产率提升与就业替代并存的结构性主题

  优势

  企业讨论仍以生产率和流程效率提升为主，工作任务重组表明AI正逐步进入生产过程。

  劣势

  就业替代的社会成本开始在高暴露职业和青年群体中显现，可能提高监管与政策关注度。

  对比

  任务变化证据较强，但行业总就业和招聘数据尚未验证大规模替代。

  风险

  若AI应用带来的岗位减少快于新岗位创造，主题估值可能面临社会、监管和需求侧风险。

关键数据

• 总体失业率影响上限约15个基点截至2026年6月的粗略估计，高于2025年12月约10个基点；部分差异仍可能由非AI因素造成。
• 高AI暴露职业异常失业幅度约0.5个百分点相对于总体劳动力市场状况和历史周期关系所预测的正常水平。
• 高AI暴露职业就业占比约30%用于将职业组内异常失业折算为总体失业率影响。
• 统计显著性90%置信水平截至2026年上半年，高暴露职业失业残差已超出两个标准误差区间；此前仅在68%置信水平显著。
• 重点受影响年龄22至27岁青年劳动者在高AI暴露职业中的失业率分化明显大于整体劳动力。
• 数据观察期截至2026年上半年报告于2026年8月3日发布。

影响与含义

现有证据尚不支持AI已引发美国劳动力市场的广泛失业冲击，但提示结构性调整可能先在高暴露职业、初入职场劳动者和具体工作任务中显现。若职业层面的分化继续扩大并逐步传导至行业就业，总体失业率和工资增长可能面临更明显压力；反之，若企业继续以流程优化和生产率提升为主要目标，AI对产出效率的正面作用可能在大规模岗位替代之前出现。当前投资与政策判断不宜仅依据行业总量数据，应同时跟踪更细粒度的职业和劳动者流动指标。

风险

• 存在遗漏变量问题，货币政策、关税、移民政策和疫情后招聘正常化均可能造成不同职业之间的分化。
• 报告估算的15个基点是影响上限，并非已被因果识别的纯AI效应。
• 行业层面数据噪声较大，中等暴露行业表现较强，不支持单调的AI暴露与就业恶化关系。
• 非大学学历青年在高暴露职业中的样本较少，相关估计的信噪比较低。
• 任务变化指标无法区分AI对劳动者的增强作用与替代作用。
• 招聘信息下降早于ChatGPT发布，不能简单归因于生成式AI。

后续跟踪

• 高AI暴露职业的周期调整后失业残差是否继续扩大并保持统计显著。
• 高暴露职业失业者的再就业率、失业持续时间和裁员率变化。
• 22至27岁青年劳动者在不同学历组中的失业率分化。
• 高AI暴露行业相对历史趋势的就业增长是否进一步走弱。
• 招聘信息是否从疫情后正常化转为与AI暴露程度相关的系统性下降。
• 企业电话会中生产率提升、岗位替代与岗位创造相关表述的变化。
• 高暴露职业中的任务变化速度是否重新加快或持续放缓。