人工智能与程序员就业：证据汇编

莱兰德·D·克莱恩*保罗·E·索托* 2026年3月20日 摘要 我们评估了LLM至今是否对整体劳动力市场产生了可辨别的影響。我们聚焦于计算机编程密集型职业，这受到数据支持，显示编码是LLM最易受影响的任务之一。通过将O*NET与CPS链接，我们发现自ChatGPT推出以来，编码人员的总体就业增长急剧减速。使用行业层面冲击的新控制变量，我们表明减速并非归因于编码人员受到增长放缓行业的冲击，反而表明编码人员在ChatGPT推出前后经历了职业特定的冲击。近年来，编码人员的就业持续增长，但增长速度远低于2022年之前。我们通过考察经历了职业特定或行业层面冲击的职业的历史例子来验证行业层面的控制变量。我们还提供了关于不同AI暴露度量之间一致率的统计数据。 1 引言 最近人工智能领域的进展引发了关于劳动力市场可能即将出现或已经发生的颠覆性变革的猜测。彭博社断言，“人工智能招聘暂停正式开始，并且知名科技评论员推测，根本性的变革可能就在1-2年之内。1 此类情形对政策制定者来说将构成严峻挑战；本文我们将现有数据应用于此问题。 最近发布的实际应用AI数据表明，计算机编程是生成式AI的主要应用之一。Anthropic经济指数（AEI，Handa 等人 2025) 发布了关于人们如何使用Anthropic的旗舰聊天机器人Claude的数据，Claude是OpenAI的ChatGPT的主要竞争对手。这与以下事实一致：编码助手是这些工具中应用较为成功的之一。受此——以及其他以下证据的启发，我们聚焦于编码密集型职业。我们的观点是，如果生成式AI要实质性影响就业市场，其影响首先应该在这里显现。 我们使用职业信息网络（O*NET）数据来确定计算机编程是重要技能的职业。我们追踪CPS中“编码者”的月度就业情况。我们的分析本质上是一种事件研究；我们探究在2022年11月ChatGPT推出后，从事编码密集型工作的就业趋势是否有明显变化。 简单的回归分析表明，自ChatGPT发布以来，程序员就业增长确实放缓。在控制了行业层面的冲击（下文将讨论）后，这一现象更为明显。当我们控制影响行业就业但不会影响其构成的因素时，我们发现程序员就业年增长率现在比ChatGPT发布前大约低3%。这一估计的解释存在一些限制：其他问题中，我们没有控制人工智能对总体的影响。 劳动力需求或价格、职业任务混合可能正在发生改变，这种变化可能夸大了对编码技能组的影响，同时可能为编码者在其他职业中的良好匹配提供了充足的空间。然而，结果表明，AI对某些群体的就业产生了可测量的、可能具有重大影响的作用。 我们采取的一个重要步骤是基于行业曝光度，为编码人员开发反事实就业系列——即在没有由LLMs引起的特定职业冲击下的编码人员就业——我们通过行业就业增长的职业分解来得出反事实：我们探讨哪些就业波动归因于行业层面的因素，哪些是特定职业的冲击。反事实变量是行业内就业增长率的总和，按行业内编码人员分布加权。这是职业增长的行业间部分；它告诉我们，如果编码人员的就业在每个行业中保持为行业增长和收缩的常数份额，那么编码人员的就业将如何变化。直观和关键识别假设是，行业层面的冲击（如产品需求的变化和行业TFP的变化）应该同比例地增加和减少行业就业——不影响构成——而特定职业的冲击将改变行业内部就业的构成。将反事实与信息行业内的实际编码人员就业进行比较表明，编码人员就业放缓的部分归因于行业层面的动态，而不是特定职业的冲击，尽管仍有相当一部分归因于特定职业因素。3 除了关于编码员就业增长和反事实属性的 主要结果之外，我们还发现了一些其他有趣的事实。例如，尽管编码员在各个行业中广泛分布，但大约40%的编码员在计算机系统设计及相关服务（NAICS 5415）工作。这个行业包括许多软件/IT承包商活动。令人惊讶的是，典型的编码员并不在硅谷的科技公司工作，也不是初创公司，也不是在其他行业的内部开发人员，而是在做合同 软件开发。请注意，该行业不属于常用作 tech 行业代理信息的行业类别（北美行业分类代码NAICS51）。 除了，我们还明确比较了生成式人工智能暴露指标从Eloundou 等人(2024）和Handa 等人(2025大量研究生成式人工智能的文献主要依赖这些指标，但很少进行明确比较。我们发现，尽管双方都同意程序员是最容易暴露于风险的职业之一，但在指标上却存在明显的分歧。 在转向数据和结果之前，明确论文的范围非常重要。一个重要的问题是，我们应该期待LLMs（大型语言模型）对编码就业产生什么影响。LLM驱动的编码助手似乎在生产中是编程人员的补充：编码助手通过让编程人员更快地完成任务来提高他们的边际生产率。如果编码服务的需求缺乏弹性，这可能导致就业下降，因为需要更少的编码人员来满足需求。另一方面，编码服务的弹性需求可能导致编码就业增加，因为更高效的编码人员能够为低成本编码服务一个更大的市场。这种影响在长期内似乎比在短期内更可能出现，因为企业有时间适应和开发新产品。事前来说，我们不清楚我们生活在哪个世界中，尽管有一些关于这个话题的研究。哼——隆,2021;阿克莫格鲁和洛比宁,2026从长远来看，其他重要的维度包括新工作的引入和职业任务的重组（阿克莫格鲁和雷斯特雷波,2019 LLMs可能导致引入新的编码密集型产品，其他职业的个人也可能开始进行LLM辅助的编码任务。这意味着AI对编码就业的短期和长期影响都是实证问题。 相关地，我们的关注焦点在于将生成式AI视为特定职业的冲击。我们更重视那些容易受到影响的职业，这在一定程度上迫使我们忽视了其他方面，比如由使用LLM的程序员自动化的公司业务流程。我们认为，AI的初期影响最有可能表现为特定职业的冲击，因为更大的 规模自动化和新业务的开发需要时间。虽然这些边际效益在长期内可能占据主导地位，但在这个扩散过程的早期阶段，它们可能并不具有参考价值。我们也不能解决一般均衡效应，即自动化提高了所有工人的生产力和劳动力需求。这些问题很重要且难以解决，超出了本文的范围。 2 文学 尽管对未来生产力的影响尚不确定，生成式人工智能正展现出成为通用技术（GPT）和发明发明方法（IMI）的迹象，这可能会对生产力增长产生更持久的影响。Baily 等,2025工作场所的AI采用率也一直在稳步上升。Bonney等. 2024,Bick 等人 2024,Crane等人2025)，并且研究表明许多工作都面临着生成式人工智能的挑战（见Eloundou 等人 2024并且Felten等人2023这些发现引发了关于生成式人工智能对宏观经济影响的疑问，例如，参见以下内容：阿赛莫古鲁(2025）和Korinek和Suh(2024). 关注劳动力市场，胡姆卢姆和韦斯特加德(2025）在工人工资和就业方面，发现生成式人工智能的应用留下的印记很少，而布瑞恩霍夫森等人(2025）在暴露于人工智能的最广泛职业中，发现年轻工人的就业人数相对于老年工人呈下降趋势。我们的工作在很大程度上是互补的，我们旨在确定总就业人数变化对于一个大型、高度暴露的职业，尽管Bryn-jolfsson 等人(2025识别更大范围受影响职业的就业年龄构成中的相对变化。布瑞恩霍夫森等人(2025)能够从他们专有的数据中包括公司层面的控制，而我们使用的公共CPS则不可能做到，尽管我们开发了有用的行业级控制。我们的观点是，首要问题是劳动需求（在特定的职业群体中）是否因为AI而增加或减少。有更广泛的文献正在讨论这个问题及相关话题，包括Lichtinger 和 Hosseini Maasoum(2025),艾克哈特和戈德施莱格(2025),吉贝尔等人(2025),Is- cenko 和 小麦(2026),布瑞恩霍夫森等人(2026),多明尼克和李(2025),Atkinson and Yamco(2026),Ahn和Carollo(2026)，并且马森科夫和麦克罗瑞(2026) 文献主要关注研究者开发的间接生成式AI暴露度量方法。Eloundou 等人(2024）和Felten 等人(2023通过让人类（或LLM）判断单个任务的AI暴露度来计算暴露度。索托(2025通过电话会议记录估计公司层面的AI使用情况。这些方法很有用，尤其是在工具较新时更有价值，但现在我们从人类经济指数中获得了关于使用的实际数据。Handa 等人 2025）这些数据是我们的起点。我们在比较方面超越了大部分文献。Handa 等人(2025暴露指标到Eloundou 等人(2024）并且表明尽管存在重大分歧，双方都认为编码职业风险极高。4 与...类似Chandar(2025我们的方法论基于公开数据提供了关于人工智能相关就业趋势的及时阅读。我们论文的另一项贡献是开发了一种对行业级冲击的控制方法，这在公司级数据不可用时尤其有用。行业级控制使我们能够将特定职业的冲击（这是我们关注的重点）与可能相关的周期性或长期行业因素清楚地分开。该控制方法基于简单的within-between分解，类似于那些由……戴维斯和哈尔蒂旺格(1992),贾莫维奇和萧(2020) 以及其他人，尽管据我们所知，我们的应用程序是原创的。 A separate literature (e.g.,艾斯菲尔特等人(2023)))) 以金融市场为视角，审视生成式AI。他们发现市场预期拥有更多暴露于外的劳动力的企业未来会创造更多价值。同样，Wiles和Horton(2025我们发现，尽管人工智能技术可以降低公司招聘的私人搜索成本，但很少有证据表明这会导致劳动力市场效率的提高。 汤姆林森等人(2025) 还分析了现实世界中的LLM应用，在他们的情况下是Bing Copilot工具。我们怀疑他们记录的使用模式可能主要受以下事实的影响： 工具已被整合到搜索引擎中，因此很多查询的类型是“寻找信息”。然而，我们的方法同样适用于他们的数据。 3 动机与程序员作为一个职业群体 在本节中，我们首先提供证据表明编码人员可能是最容易接触到生成式人工智能的职业群体，接着构建了编码人员的定义。 3.1 人类经济指数 Anthropic 是最大的 LLM 训练公司之一，其 Claude 模型与 OpenAI 和 Google 提供的模型具有竞争力。从 2025 年 2 月开始，Anthropic 开始发布“Anthropic 经济指数”，该指数提供了对 Claude 模型查询组成的有关数据。5 数据按照O*NET任务组织；Claude会收到用户的查询（以隐私保护的方式）并询问哪个O*NET任务与其最匹配。由此产生的数据集显示了在与Claude交互中最常见的任务是哪些。6 图像1通过广泛的职业群体展示，Claude查询与该职业任务相关的份额（红色）以及该职业在劳动力中的份额（蓝色）。令人震惊的是，计算机和数学职业占Claude查询的超过1/3，尽管它们只占劳动力总数的3.4%。Handa 等人(2025显示这些查询本质上都与计算机编程相关。这个简单的事实激励我们在本文的其余部分专注于编码：编码者显然是一个高度接触的群体。这同样也与调查数据一致：邦尼等人(2024）和Bick 等人(2024)，在计算机和数学职业以及信息和专业及商务服务业领域的使用率最高。 请注意，我们没有关于工作相关查询流向其他LLM工具（如ChatGPT或Gemini）组成的数据。Claude在消费者市场的份额似乎比主要竞争对手小，但对于商业用户来说，差距似乎更小。7 然而，从一阶角度来看，这些模型的性能在供应商之间是相似的，因此我们应该预期大致相似的模式会保持不变。8 马森科夫和麦克罗瑞(2026显示，随着更新的Anthropic数据和更新后的方法论，计算机程序员和 软件开发人员继续面临高度风险。独立于AEI数据，Bick 等人(2024显示计算机/数学职业具有最高的生成式人工智能采用率，并且邦尼等人(2024我们发现信息行业在人工智能应用方面排名最高。 3.2 哪些职业属于“编码者”？ 确定计算机编程是一项高度敏感的技