生成式人工智能与就业：全球职业受影响程度精编指数

Attribution 4.0 国际 (CC BY 4.0)https://doi.org/10.54394/HETP0387© 国际劳工组织 2025这项工作根据知识共享署名 4.0 国际许可协议授权。详见：https:// creativecommons.org/licenses/by/4.0/用户被允许根据许可证的详细条款进行再使用、分享（复制和再分发）、改编（混合、转换并在原作基础上进行创作）。用户必须明确将材料来源归功于国际劳工组织，并标明是否对原始内容进行了修改。在使用翻译、改编或其他衍生作品时，不得使用国际劳工组织的徽标、名称和标志。在本许可项下产生的任何不能友好解决的争议应按照联合国国际贸易法委员会仲裁规则（UNCITRAL）进行仲裁。双方应受由此仲裁作出的仲裁裁决的约束，该裁决应被视为该争议的最终裁决。第三方材料– 此知识共享许可证不适用于包含在本出版物中的非国际劳工组织版权材料。如果材料归属于第三方，使用该材料的用户仅负责向权利持有人清理权利以及就任何侵权主张负责。归因– 用户必须表明是否进行了更改，并必须按照以下方式引用作品：Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., Troszyński, M.生成式人工智能与就业：职业接触精细化全球指数ILO Working Paper 140.日内瓦：国际劳工局，2025年。© ILO。适应– 如果对本作品进行改编，必须同时附上以下免责声明及署名：这是国际劳工组织（ILO）版权作品的改编版。该改编版未经ILO准备、审查或认可，不应被视为官方ILO改编版本。ILO对内容的准确性和完整性概不负责。责任完全由改编作品的作者承担。关于权利和许可的详细信息，请联系：rights@ilo.org关于国际劳工组织（ILO）出版物和数字产品的详细信息，请访问：www.ilo.org/publns.ISBN 9789220421840 (print), ISBN 9789220421857 (web PDF), ISBN 9789220421864 (epub),ISBN 9789220421871 (html). ISSN 2708-3438 (print), ISSN 2708-3446 (digital)ILO出版物中使用的名称，这些名称与联合国惯例一致，以及其中材料的呈现，均不表示任何意见翻译– 如果翻译本作品，必须添加以下免责声明并注明出处：这是对国际劳工组织（ILO）一部受版权保护作品的译文。本译文未经ILO准备、审查或认可，不应被视为官方的ILO译文。ILO对其内容与准确性概不负责。责任完全由译文作者承担。 授权发布：卡罗琳·弗雷德里克森，研究部总监国际劳工组织工作论文可在以下网址找到：www.ilo.org/global/publications/working-papers建议引用：提及公司名称和商业产品及过程，并不表示国际劳工组织（ILO）的认可，且未提及任何特定公司、商业产品或过程，并非不认可的表现。：国际劳工组织（ILO）工作论文总结了正在进行的ILO研究的结果，并旨在激发有关工作领域一系列问题的讨论。欢迎对这份ILO工作论文提出意见，可以通过以下方式发送gmyrek@ilo.org.本出版物中表达的意见和观点是作者的意见和观点，并不一定反映国际劳工组织的意见、观点或政策。ILO在任何国家、地区或领土的法律地位及其当局，或关于其边界或边界的划定方面的任何主张。参见：www.ilo. org/disclaimer.关于国际劳工组织出版物和数字产品的信息可在以下网址查找：www.ilo.org/research- and-publicationsGmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K.,Troszyński, M. 2025.生成式人工智能与就业：职业接触精细化全球指数, 国际劳工组织工作文件140（日内瓦，国际劳工组织）。https://doi.org/10.54394/HETP0387 摘要关于作者Konrad Rosłaniec是NASK-PIB分析与研究部门的研究员。Paweł Gmyrek是国际劳工组织（ILO）研究部门的一名资深研究员。Filip Konopczyński是NASK-PIB分析与研究部门的主任。Janine Berg是国际劳工组织研究部门的高级经济学家。Agnieszka Ładna 是NASK-PIB分析和研究部门的经理。Karol Kamiński是NASK-PIB分析研究部的高级研究员。在全球范围内，每四位劳动者中就有一位从事涉及某种程度通用人工智能（GenAI）的职业。全球就业岗位中有3.3%属于最高暴露类别，尽管女性就业（4.7%）与男性就业（2.4%）之间存在显著差异。随着国家收入水平的提高，这种差异也随之增大（在高收入国家中，梯度4地区的女性占比为9.6%，男性占比为3.5%），同时整体暴露度也在增加（最不发达国家中总就业岗位的11%vs 高收入国家的34%）。由于大多数职业包含需要人工输入的任务，通用人工智能（GenAI）最可能带来的影响是职业的转型。将我们改进后的指标与国家层面微观数据相结合，能够精确预测此类转型，为开展社会对话和制定有针对性的政策响应以管理这一转变奠定基础。本研究更新了国际劳工组织（ILO）2023年全球生成式人工智能（GenAI）职业暴露指数，纳入了该技术的最新进展以及用户对GenAI工具日益增长的熟悉度。我们采用波兰职业分类体系中的29,753项任务的有代表性样本，并对1,640名归属于每个一位数ISCO-08分组中的就业人员进行了调查，收集了关于2,861项任务自动化潜在可能性的52,558个数据点。随后，我们将这些数据与一项调查以及多轮德尔菲式专家讨论的结果进行了比较。基于这一过程，我们构建了一个超越国家特定性的任务自动化知识库，并利用该知识库开发了一个能够预测ISCO-08技术文档中任务分数的AI助手。我们的2025年评分在四个逐步增加的暴露梯度修订框架中呈现，并附带一套关于就业份额受GenAI影响的全球新估计。文职职业继续拥有最高的暴露水平。此外，一些高度数字化的职业暴露程度有所增加，突显了GenAI在专业和技术角色的专业任务处理能力上的扩展。Marek Troszyński是NASK-PIB分析和研究部门专家，同时也是华沙Civitas大学的助理教授。 23目录Tasks and occupations in the 6-digit system in PolandXX 1 文献中的自动化任务导向方法 11引言任务自动化潜力的评估XXXXXX3.1. 初始算法预测3.2. 人类评估任务的选择3.3. 调查设计与招募3.4. 调查设计局限性3.5. 任务自动化潜力调查摘要01关于作者01缩略语07 3.5.1. 样本属性3.5.2. 参与者对生成式人工智能的接触：筛选问题3.5.3. 任务自动化潜力的评估 0912141415171819192223 27303740464848616271专家验证调查XX 6 调整所有调查分数 34XX 10 修订后的全球就业估计 43致谢调查子样本调整结论职业分类的变更参考文献 68调整后的全球生成式人工智能敞口指数附录1. 4位数字ISCO-08职业的暴露2. 4.2 节的采样公式。3. 调查问卷X7 对所有ISCO-08和6位职业的合成任务级分数进行预测35 89XXXXXXX 图列表图1. 各国基于收入和人口相似性（A）以及互联网接入（B）的比较12图2. 3个LLMs的合成自动化分数分布，按ISCO-08一位数分类14图3. 调查中的年龄和性别分布与波兰劳动力调查（LFS）数据（就业人员）的比较20图4. 调查中职业群体的分布情况，与波兰劳动力调查（LFS，就业人员）和预期样本（表2）的比较21图 5. 波兰调查参与者与 LFS 中就业人员相比的职位和性别分布21图 6. GenAI 的使用频率，按一位数 ISCO-08 分类22图7. 对工作区域影响的预期23图8. 对个人当前工作影响的预期——个人得分分布23图9. 按性别和职业组（1位数字ISCO-08）的任务级得分分布24图 10. 作为 GenAI 熟悉程度和评分任务函数的得分——个人得分的分布25图11. 评分阶段的模式27图12. 用于任务语义聚类审查的树状图示例28图13. 调查和专家的任务级评分，与AI仲裁评分进行比较30图14. 按职业群体划分的调整后得分比较：GPT-4o与Gemini31图15. 主要调查中2861项任务的调查分数、专家评估和最终调整34图16. AI敞口梯度：ISCO-08 4位职业代码37图17。人工智能敞口：2025年与2023年的比较，ISCO-08 4位数字职业分类40图18. 2023年至2025年梯度4中职业接触的变化。41图19. 2023年至2024年间平均分数变化最大的四位数职业（ISCO-08）42图20. 有可能接触生成式人工智能的职业全球估计（按性别划分的就业百分比）43 表格列表表 1. 波兰分类体系与 ISCO-08 中职业任务的构成13表2. 问卷调查样本选择16表3. 核心调查问题17表4. 问卷调查与专家评分之间的调整和理由样本（最大向上和向下修订的示例）31表5. 生成式人工智能的暴露梯度：定义与解读38表 A1. 根据暴露梯度划分的 ISCO-08 职业48 箱子清单文本框 1. 任务自动化评估的示例问题18文本框2。调查受访者的引言提示19文本框3。LLM提示的概念结构（用于GPT-4o的Python代码）35 缩略语AIAPIATM机CAWICEDLASCEECEPSGBBGPT-4GPT-4oGUSHICICTILOIMFISCO-08ITITC-ILOLFS发展中国家LLMMLMOLNASK-PIB O*NET职业信息网络（美国劳工部）PIEPolski Instytut Ekonomiczny (波兰经济研究所)SD标准差SGH波兰主商业学院 (华沙经济学院)美国 / US / USA美利坚合众国英国United KingdomUNLP国立拉普拉塔大学 引言XX我们分析的第一步基于波兰国家6位职业分类，该分类包含近30,000项任务。这使任务数量在ISCO-08结构的基础上增加了十倍，并能够基于比ISCO-08系统更更新的职业和任务集，对任务自动化潜力进行精细评估。由于波兰的6位职业分类与4位ISCO-08保持一致，因此职业得分可以编制在4位层面，从而实现与ILO (GBB) 2023年估计值的直接比较和更新。此外，本研究通过结合人类与AI的综合优势，并增加专家验证层，改进了GBB的方法论框架。具体而言，我们针对波兰当前就业的1,640名人士，按ISC0-08一位数分组，对与其职业群体相关的代表性任务样本进行自动化潜力排序。第二步中，我们组织了国家与国际专家混合团队，对先前调查中评估的大量任务样本进行详尽审核，通过迭代过程验证或调整自动化评分水平。鉴于我们维护与ISC0-08的层级关联，且侧重技术可行性而非特定国家背景，通过整合本地与国际专家意见，我们构建了一套系统能够更精确预测GenAI技术下个体职业任务的自动化潜力，包括国际层面。为此，我们将人类评分输入AI模型，生成反映人类判断的评分，涵盖近30,000项波兰2500个六位职业编码相关的任务。随后，我们使用同一AI预测器重新生成ISC0-08中由GBB（2023）提供的任务评分，从而调整国际劳工组织2023年指数，该指数现得益于人类与人工智能的双重输入自2023年预估发布以来，通用人工智能（GenAI）领域出现了进一步的技术进步，