Pew Research AI 就业调查发现：全球恐惧正压过 AI 的承诺

Pew Research 在 37 个国家记录到一个引人注目的矛盾：人们预计，人工智能消灭的工作岗位将多于其创造的岗位。Pew Research 的 AI 就业调查发现，在所研究的 37 个国家中，有 34 个国家的受访者抱持这一预期。担忧不仅涉及就业，也延伸至收入不平等，以及 AI 是否会总体改善生活。

这项国际调查在 2026 年 2 月 8 日至 5 月 13 日期间访问了 36 个国家的 42,151 名成年人。Pew 还单独调查了美国的 8,607 名成年人，使研究覆盖范围达到 37 个国家。这些发现出炉时，近期有关自动化快速推进的多项警告尚未进一步加剧公众讨论。

这并非又一份针对陌生技术焦虑的快照。AI 公司将其系统描述为能够拓展人类能力、创造新经济机会的生产力工具。公众看到的却是另一种结果分配：雇主获得效率收益，劳动者则承担被替代的风险。

这种分歧正是核心问题。人们可以认可 AI 的实用性，同时怀疑其收益是否会惠及自身。除非企业和政府回应这一担忧，否则技术应用的推进速度可能快于公众认可的形成速度。

全球 AI 调查究竟改变了什么

这项调查将零散的自动化焦虑转化为可衡量的国际性趋势。

最重要的结果在于其地理覆盖范围之广。在 37 个受访国家中，有 34 个国家的受访者预计 AI 将导致就业岗位净减少。净减少意味着，该技术消除的职位多于经济因其发展而创造的职位。

这种共识之所以重要，是因为所研究国家的劳动力市场差异巨大。它们的工资水平、社会保障、产业结构以及对数字技术的接触程度并不相同。然而，公众预期的方向却惊人地一致。

这项调查报道还考察了 AI 是否会改善日常生活，以及它将如何影响收入不平等。这些问题将就业恐惧与一个更广泛的担忧联系起来：究竟谁掌控收益。

即使 AI 应用并未造成大规模失业，这些恐惧也足以影响行为。劳动者可能避开那些他们认为前景不确定的职业。学生可能重新考虑与高暴露任务相关的学位。管理者在引入系统时，若无法解释其对人员配置的影响，也可能面临阻力。

这些发现也令一种关于熟悉度的常见假设变得更复杂。对 AI 了解更多，并不会自动带来更强的信心。当人们认识到生成式系统能够在写作、编程、分析、图像和客户服务中做到什么时，往往会变得更加担忧。

这种反应不同于对技术的简单恐惧。受访者正在评估一个可见的经济命题。企业可以使用能够完成部分人类工作任务的系统，但劳动者不会自动获得由此节省成本的权益。

该调查在发布前数月完成。因此，它并未捕捉实地调查结束后出现的每一项警告、产品发布或就业公告。这一时间点令结果更具影响力，而非相反。在最新一轮公众讨论之前，恐惧就已十分普遍。

这项调查并未证明 34 个国家将出现就业岗位净减少。它衡量的是预期，而非就业结果。然而，预期会影响信任、消费行为、职业选择、劳资谈判和政治压力。

样本结构需要谨慎说明。国际部分覆盖了 36 个国家的 42,151 名成年人。单独的美国样本则包括 8,607 名成年人。一份调查摘要在报道覆盖 37 个国家的结果时，列出了这些组成部分。

这一区别避免了两种错误。该研究并非只访问了整个 37 国群体中的 42,151 人。它也并非通过一套完全相同的抽样流程衡量每个国家的人口。

Pew 的发现通过确立可信度问题的规模，改变了 AI 讨论。行业不再只是试图说服持怀疑态度的专家或劳工倡导者。它面对的是一个已经将 AI 与更少就业岗位联系起来的国际公众。

Pew Research AI 就业调查描绘出信任赤字

人们似乎不太担忧 AI 是否有效，而更担忧它有效时谁会受益。

这种区别至关重要。一项技术可以具备能力、被广泛使用并具有经济价值，却依然不受欢迎。公众信任取决于其成本和收益如何分配。

AI 开发者强调生产力，因为生产力可以支撑更高的产出和工资。然而，这条链条中包含若干并非技术本身能够决定的选择。雇主决定将节省的成本用于提高薪酬、缩短工时、新增招聘、降低价格，还是扩大利润率。

因此，劳动者是通过组织决策来体验 AI 的。一名被要求使用助手的员工，或许能腾出时间完成更高质量的工作。另一名员工则可能因管理层预计自动化能够填补缺口，而接手离职同事的工作量。

两种情况可能同时出现在同一家公司。这使得有关 AI 改善工作的宽泛承诺难以评估。实际结果取决于人员配置政策、岗位设计、培训和管理激励。

收入不平等问题正体现了这种分配难题。如果高收入劳动者利用 AI 提升自身价值，而常规岗位劳动者面临替代，技术就可能扩大既有差距。对模型、计算基础设施、数据和分发渠道的所有权，可能加深这一鸿沟。

国际货币基金组织估计，AI 可能影响全球近 40% 的工作岗位。根据其劳动力市场分析，在发达经济体中，这一暴露比例将升至约 60%。暴露并不意味着每一份受影响的工作都会消失。

一些暴露岗位可以变得更具生产力。另一些则可能失去任务、工时、议价能力或入门级机会。区分工作暴露与岗位消失至关重要，但这并不能消除风险。

Pew Research 的 AI 就业调查衡量了公众如今如何判断这种不确定性。在多数国家，受访者预计负面的就业影响将占主导。行业的乐观叙事尚未说服他们作出不同判断。

其中一个原因是，收益往往显得抽象，成本却显得切身。生产力增长是一个全经济范围的概念。取消职位空缺、减少自由职业合同，或自动化客服队列，都会立即影响具体的人。

另一个原因在于控制权。劳动者很少能选择用于评估其绩效、分配任务或决定人员配置的系统。即使工具有用，若应用过程缺乏协商，也可能引发怀疑。

知识工作者面临相关挑战。AI 可以加快研究和起草，但也可能使证据分散在聊天记录、文档和应用程序之中。当自动化工作流程增多时，维护一个可搜索的知识库有助于保留来源和决策记录。

然而，更好的个人组织并不能解决就业问题。劳动者无法单凭个人力量弥补每一项结构性变化。信任赤字关乎制度性承诺，而不只是个人适应能力。

雇主需要说明哪些任务将发生变化、如何衡量生产力，以及节省的时间是否会改变员工人数。政府需要提出可信的培训、收入支持、竞争和劳动者保护方案。

没有这些细节，人们听到的是机会承诺，同时也看到了降低劳动力成本的明显激励。他们的怀疑并非拒绝创新，而是对一项不完整经济契约的回应。

AI 生产力承诺遭遇岗位设计的现实

核心竞争在于：AI 是增强劳动者能力，还是成为减少劳动力的路径。

增强意味着技术帮助一个人完成既有工作，或承担更具价值的任务。替代则意味着软件完成了足够多的工作，以至于雇主需要更少的人。大多数部署同时包含这两种元素。

客服助手可以起草回复，由人工核查复杂案例。这是任务层面的增强。如果同一团队随后无需新增招聘便能服务两倍客户，那么该组织便以软件替代了未来的劳动力需求。

第二种影响很容易被忽视。就业压力并不总是通过戏剧性裁员出现。它可能表现为招聘放缓、职位空缺不再补招、应届生招聘规模缩小，或独立工作者获得的合同减少。

入门级工作尤其值得关注。初级员工往往从研究、摘要、文档编写、测试和基础生产任务开始。生成式 AI 可以快速完成其中一部分工作。

企业可能会让初级员工承担更复杂的职责。它们也可能因为资深员工能产出更多，而减少招聘新人。前一种路径培养人才；后一种路径则可能削弱培养未来专家的人才管道。

国际劳工组织将生成式 AI 暴露主要视为转型问题，而非整个职业自动消失。其全球就业指数根据当前系统能够完成的任务来评估职业。

相比询问 AI 是否会取代某个职业，任务层面的分析提供了更好的框架。一份工作由多种活动构成，需要不同的知识、责任、关系和身体行动。当前系统很少能够承担这一完整组合。

然而，部分自动化仍可能重塑就业。如果软件处理了具有意义的一部分任务，雇主就能围绕剩余工作重新设计岗位。他们也可能提高工作强度，要求每位员工监督更多自动化产出。

在这种环境下，质量控制成为核心。生成式系统可能产出看似自信但错误的内容、不完整的推理、不安全的代码或缺乏依据的说法。即使机器生成了初始输出，人类审查者仍需承担责任。

这种责任伴随着成本。劳动者必须具备足够的理解能力，才能发现故障、保留证据，并知道何时不应信任自动化。生产阶段节省的时间，可能部分重新花在核验上。

生产力衡量可能忽视这种隐性劳动。一家公司可能计算起草速度的提升，却不衡量修正时间或下游错误。它可能庆祝处理时间缩短，却忽视客户难以联系到能够解决异常问题的人员。

经济合作与发展组织也区分了“暴露于自动化风险”和“立即被替代”。其就业展望考察了自动化如何影响就业质量、技能和议价能力，以及就业水平。

这些维度有助于解释公众焦虑。人们关心的不只是有没有工作，还关心工资、稳定性、自主性、晋升机会，以及绩效体系是否公平对待他们。

对 AI 的乐观判断依然有其合理性。新工具可以减少繁琐的行政工作，让专业知识更易获取，并帮助小团队尝试过去需要更大预算才能开展的项目。新的产品和职业也可能随之出现。

不过，这些收益并不能解决分配问题。企业可以在不与员工分享价值的情况下提高生产率。一个行业可以增长，同时每单位产出雇用更少的人。

该调查中的悲观情绪要求雇主通过可观察的决策来证明 AI 是在增强而非替代人力。培训预算、内部流动、工资增长和稳定招聘，比泛泛而谈人的潜力更能提供有力证据。

这些数字暂时无法告诉我们什么

该调查捕捉到了一种强烈预期，但无法确定 AI 对就业的最终净影响。

民意调查衡量的是某一时刻的信念，并不预测技术能力，也不会计算未来创造的岗位。受访者对“AI”这一宽泛术语的理解也各不相同，它可能涵盖许多不同的系统。

有人可能想到聊天机器人、自动驾驶汽车、工业机器人、推荐算法或职场监控。每种技术对工作的影响都不同，其监管要求和采用成本也各不相同。

国家层面的比较带来了更多不确定性。受访者所在经济体的就业保护、教育体系、人口结构和主导产业各不相同。“失业”的含义也可能因这些条件而异。

这项实地调查也早于之后的发展。重大裁员、安全事故、生产率提升或新法规出台后，观点可能发生变化。随着时间推移重复提出相同问题，比将一次结果视为永久结论更有参考价值。

因此，Pew Research 的 AI 就业调查应被视为一项信任指标。它表明，目前多数国家的公众预计就业将出现负向净变化。它并不能证明这种结果已经发生。

劳动力统计数据的变化速度也慢于产品普及。企业可以在数周内引入 AI，而官方职业数据可能需要数月甚至数年才能显示变化。经济周期进一步增加了归因难度。

如果雇主在经济低迷时期裁员，AI 可能是原因之一、辅助工具，或只是一个方便的解释。如果招聘放缓但产出上升，自动化可能正在发挥作用，却不会出现在裁员数据中。

新岗位的创造同样难以衡量。AI 可以带动对模型评估、安全工作、数据运营、集成、合规和专业服务的需求。一些职位即使保留熟悉的名称，其日常任务也可能发生重大变化。

历史比较只能提供有限指引。早期技术消除了某些任务，同时创造了产业并提高生产率。它们也造成了痛苦的转型，削弱了特定社区，并且不均衡地分配了收益。

AI 与许多早期工具不同，因为它瞄准了众多行业中的认知任务。同一个底层模型可以协助程序员、营销人员、律师、分析师或客服人员。软件分发使这些能力能够迅速扩散。

但能力不等于采用。组织还要面对数据限制、集成成本、法律风险、安全要求和可靠性问题。许多演示在受控环境中的表现优于在复杂运营系统中的表现。

该调查也无法揭示受访者在不同政策下会接受什么。如果雇主保障再培训、保护工资或分享生产率收益，人们可能会更积极地看待 AI。在经历不透明的自动化决策后，他们也可能变得更加怀疑。

另一个不确定性涉及工作之外的生活。AI 可以支持医学研究、无障碍服务、教育和翻译，同时也会带来欺诈、监控和错误信息风险。受访者可以认可一种用途，却拒绝另一种用途。

这种组合使简单标签具有误导性。预计岗位会被摧毁的人并不一定反对 AI。这个人可能经常使用 AI，同时要求防范其经济后果。

怀疑性的解读不应向任一方向过度延伸。公众恐惧并不能证明大规模失业不可避免。行业乐观主义也不能证明被替代的劳动力会顺利流入更好的岗位。

证据必须将具体系统与实际人员配置、工资、产出和就业质量联系起来。在这些证据积累之前，信心十足的预测仍不如透明报告有用。

雇主和政府如今承担举证责任

该调查给掌控采用决策的机构施加了压力，因为劳动者无法独自设计这场转型。

AI 公司面临最显著的传播挑战。它们常将模型描述为助手或协作者。然而，客户购买这些产品，部分原因正是它们承诺降低成本、提高产出。

这种商业逻辑并不意味着岗位流失不可避免。但它确实创造了一种公众传播很少直接回应的激励。如果一个团队能够完成更多工作，领导者必须决定是扩大产出，还是减少劳动力需求。

雇主可以让这一决定变得清晰可见。他们可以公布部署目标，识别受影响的任务，征询员工意见，并报告自动化是否改变了人员配置。他们可以将试验项目与用于就业决策的系统区分开来。

管理者还需要保护人工复核。要求员工在没有足够时间或权限的情况下批准 AI 输出，是在没有控制权的情况下赋予责任。这种安排将风险向下转移，而管理层则获取生产率提升的成果。

培训也需要同样的精准度。一门简短的提示词课程，无法让人准备好应对其入门级任务正在消失的职业。有效培训必须将劳动者与组织实际计划保留的岗位联系起来。

政府承担着不同的责任。它们需要及时的劳动力数据，以区分裁员、招聘减少和任务重组。它们还需要在岗位替代演变为紧急情况之前就生效的政策。

竞争政策至关重要，因为 AI 基础设施昂贵且高度集中。如果少数群体控制模型、云端算力和分发渠道，生产率收益可能会积聚在资本最雄厚的公司手中。

教育政策同样重要，因为劳动者需要广泛的数字判断力，而不只是熟悉某一个界面。模型产品变化很快。验证能力、领域专业知识、沟通能力和问责能力在不同工具之间仍然具有价值。

社会保障很重要，因为即使经济最终创造出新工作，转型期间仍会出现缺口。人们无法用对未来职业的预测来支付当前开支。福利和再培训必须在转型过程中发挥作用。

劳动者代表机制也会影响结果。员工往往了解哪些任务可以安全自动化，哪些任务需要情境判断。让他们参与可以提高部署质量，同时减少猜疑。

公众对不平等的担忧应当塑造这些应对措施。不能只以全国总产出或企业收益来评判一场转型。工资分配、就业质量、区域影响和培训机会都应纳入同一评估。

企业应使用可比较的指标报告 AI 采用与就业之间的关系。有用的指标包括职位空缺、入门级招聘、承包商支出、内部调动、工作时长和人均产出。

没有任何单一指标能够终结这场争论。员工人数可以保持稳定，而工作负荷却不断加重。生产率可以上升，而工资停滞不前。新岗位可以出现，但机会仍可能只限于拥有高级资质的劳动者。

透明度仍能缩小主张与结果之间的差距。它能让劳动者、投资者和政策制定者评估，增强人力是否如承诺般真正发生。

Pew 的发现表明，自发的乐观主义已不再足够。寻求公众支持的机构必须展示人们如何分享收益，以及它们将如何管理伤害。

三个信号将检验全球对 AI 岗位流失的恐惧

辩论的下一阶段将由招聘数据、劳动者结果和重复的公众测量决定。

第一个信号是 AI 易受影响职业中的入门级招聘。毕业生岗位、初级专业职位和常规数字化工作，为检验替代效应提供了早期测试。这些工作包含许多生成式系统能够协助或自动化的任务。

如果这种下降持续存在，尤其是在产出保持稳定的情况下，就会强化该调查的悲观解读。招聘稳定但职责重新设计，则会支持增强人力的观点。研究人员应将易受影响岗位与面临类似经济条件的职业进行比较。

第二个信号是生产率收益是否惠及劳动者。工资增长、工作时长缩短、晋升率和雇主资助的培训，可以显示人们是否分享了价值。仅靠更高产出无法回答这个问题。

如果工资和流动机会随着 AI 采用而上升，公众信心就有理由改善。如果产出上升，而报酬和机会停滞，对不平等的担忧将获得更有力的证据。

第三个信号是未来调查结果的方向。Pew 的研究为 37 个国家提供了广泛的基线。重复提出可比较的问题，可以揭示直接体验究竟会减轻恐惧，还是让恐惧变得更加具体。

情绪应与行为一并解读。即使信任下降，采用率仍可能上升，因为劳动者和消费者可能缺乏实际选择。因此，仅凭使用统计数据无法证明社会接受度。

在就业证据指向其他方向之前，这一涵盖 34 个国家的模式仍将具有重要意义。它发出了一个警告：技术进步与公众合法性正在沿着不同轨道前进。

开发者应关注买方是否要求围绕可问责的人工复核设计系统。企业客户应在考察模型表现的同时审视人员配置后果。劳动者应询问采用 AI 如何改变自己的角色、评估和晋升。

政策制定者应抵制宿命论和自满。AI 导致的岗位流失并非命中注定，但向更好工作无痛转型也同样不是。机构所做的选择会塑造两种结果。

Pew Research 的 AI 就业调查向每一家部署这些系统的组织提出了一个实际问题：什么证据能够让劳动者相信，AI 正在改善他们的未来？公布这些证据、分享收益并纠正有害部署，将构成可信的回答。没有这些行动，公众将继续根据其最清晰感知到的激励来判断 AI：用更少的人完成更多的工作。