欧盟人工智能就业过渡框架

首席经济学家办公室 欧洲正进入人工智能转型的全新阶段。在职场、家庭、企业和公共机构中，人工智能开始改变人们获取信息、做出决策以及完成工作的方式。对于欧洲政策制定者而言，这引发了一系列实际的经济问题：哪些职业和地区可能率先发生变化？采用过程在不同部门将有多快？以及哪些选择能够帮助确保收益得到广泛共享？技术正在迅速发展，但经济体不会一夜之间重组。企业需要时间改变流程，工人需要时间适应，机构需要时间做出回应。这就使得同时持有两种观点至关重要：短期影响可能循序渐进，但长期影响可能十分重大。 在OpenAI经济研究机构，我们力求基于不断涌现的证据来推进这场辩论。我们并非仅依赖对人工智能最终可能做什么的预测，而是考察人们当前如何使用这项技术：他们赋予人工智能系统的任务、采用该技术的业务流程，以及可能预示着更广泛劳动力市场变革的早期迹象。我们还着眼于技术能力之外的因素。结果将取决于工人如何使用这些工具、企业如何重塑工作、教育和培训体系如何应对，以及政策制定者和社会伙伴如何引导这场转型。 人工智能的影响不太可能以相同的方式或相同的速度出现在各地。某些任务可能会被自动化，其他任务可能会被增强，而在某些领域，成本降低可能会增加对人类工作的需求。如果欧洲要制定及时、精准且基于实际应用的政策来应对这些变化，那么理解这些差异至关重要。 我们的目标是让早期证据更加显眼和有用。我们正在分享数据、制定框架，并提出政策建议，以帮助工人、企业、教育者和政府为未来的变化做好准备。我们还在继续开发功能更强、更易于使用模型，因为广泛获取至关重要：人工智能经济不应仅由技术专长最丰富或资源最多的人塑造。 自2024年我开始担任此职务以来，人工智能的能力边界发展迅速，许多早期用户已经报告了显著的收益。对比工作场所活动与当前人工智能能力的相关研究表明，这项技术可能影响大量工作。然而，综合劳动力市场的证据仍然不明确，部分原因是采用过程受到组织摩擦的制约。这种不均衡不应导致人们变得自满。随着模型的改进，如今有限或局部的影响可能会变得更加普遍。 本报告为在欧洲背景下思考这一转型提供了一个框架。我们并非将AI接触视为单一指标，而是结合了多个考量因素：AI系统能执行的任务、工作中人类判断和责任仍然核心的部分、随着成本下降需求可能发生的变化方式，以及我们在ChatGPT上观察到的使用模式。综合来看，这些要素有助于区分可能面临近期压力最大的工作、更有可能围绕AI重塑的工作，以及AI能够支持增长的工作。 值此我访问布鲁塞尔并参加欧洲央行峰会之际，我们正式启动这一框架。届时我将与欧洲政策制定者和决策者会面，共同探讨这一重要议题。 我相信这项工作可以成为关于欧盟应对先进人工智能扩散准备情况的深入对话的起点，我们期待在未来几个月内与来自欧盟各公共机构和公民社会的广泛利益相关者进行互动，共同探讨如何引导人工智能的采用，以及如何确保其益处能够惠及整个大陆的工人、企业和社区。 罗尼·查特吉 OpenAI 首席经济学家 关键要点 与美国相比，欧洲的自动化潜力较高份额较小，而重组份额较大，其非即时变化和增长份额则接近美国基准。通过在2600多个ESCO职业中应用AI就业转型框架，我们的欧盟分析表明，12%的就业岗位可能随着AI的发展而增长，14%的就业岗位具有较高的自动化潜力，27%的就业岗位可能面临重组，而47%的就业岗位变化则较为缓慢。 02 欧盟的AI劳动力市场转型在不同成员国之间可能存在差异。卢森堡、瑞典和荷兰在可能随着AI发展而增长的职业中占比最大，而德国、希腊和意大利则在自动化潜力较高的职业中拥有最大的就业份额。这些差异反映了不同的职业结构，而非国家准备情况，并指出了需要国家特定的劳动力市场规划，而非单一的欧盟层面应对措施。 03 人工智能可能增加某些职业的需求，同时减少另一些职业的劳动力需求。为识别那些成本降低可能促进增长的职业，我们估计了每种职业产出需求对价格下降10%的反应程度。对于工作内容可以数字化交付、具有选择性的或基于项目的职业，成本降低可能使新活动成为可行。而对于工作内容与固定案件量、公共预算、出生率、运输量或法定服务需求挂钩的职业，成本降低不太可能创造大量新的需求。 04 人类参与在欧盟大部分劳动力市场中仍然占据核心地位，但原因各不相同。要理解这一点，我们将人类交付的主要要求分为体力型、监管型或问责型、关系型或框架未识别的其他类型。按 ESCO 职业标题在 2,609 个职业中的占比衡量，其中 49% 被归类为体力型，28% 为监管型或问责型，9% 为关系型，14% 归入剩余类别，即框架未识别出体力、监管或关系型的人类交付要求。这些类别描述了人类持续参与的主要原因；它们并非预测某个职业是否会消失。 05 这些类别并非对劳动力市场变化的预测。相反，我们希望这一框架能够识别出自动化压力、工作重塑以及需求驱动型增长可能出现的领域，为政策制定者、雇主和培训体系提供一个共同的准备基础。 引言 2026年4月，OpenAI的经济研究团队发布了《美国人工智能就业转型框架》。该框架采用结合人工智能影响程度、人类必要性及需求响应的方法论，对美国劳动力市场短期内人工智能带来的就业影响进行映射。本报告在此基础上调整该框架，以映射欧盟成员国劳动力市场短期内人工智能带来的就业影响；附录一描述了欧洲分析的不同之处。其目标并非根据技术影响程度对工作进行简单排名，也非直接预测就业影响。相反，该框架旨在探讨人工智能能力可能如何与三大因素相互作用：人类是否因信任、问责、物理存在或监管等原因而仍然必要；人工智能是否改变了工作组织方式而非直接取代工人；以及成本降低是否足以增加对商品或服务的需求，从而支撑就业增长。 人工智能的能力正迅速提升并全球扩散，但劳动力市场的变化并不总是实时或同等程度地反映这些发展。同样的技术能力可能产生不同影响，具体取决于工作如何组织、谁被法律允许执行，以及服务是否必须面对面提供。在欧洲及世界各地，工作嵌入在许可制度、专业标准、职场规则、公共服务机构以及当地需求模式之中。这些制度性细节对于理解人工智能接触度——衡量人工智能完成职业任务能力的指标——在实践中意味着什么至关重要。 将此框架应用于超过2,600个欧盟职业，表明大约12%的就业岗位可能因人工智能降低成本和增加需求而扩大。约27%的就业岗位更有可能经历重大工作重组，因为人工智能会改变任务、工作流程和劳动分工，但未必会完全取消对工人的需求。另有14%的欧盟就业岗位面临更高的自动化压力，略低于我们在美国识别出的18%的自动化潜力份额。其余47%的就业岗位面临的改变不那么紧迫，要么是因为相关工作较少受到当前人工智能能力的影响，要么是因为人的存在、体力劳动、监管或制度限制，使得短期内难以实现替代。 这些估算应被视为转型压力的地图，而非就业下降的预测。这些类别识别了不同类型的调整：自动化压力可能更直接的岗位；工人可能需要适应重组工作流程的岗位；人工智能可能增加对互补性人类工作的需求的岗位；以及近期影响可能更有限的岗位。从这个意义上说，该框架旨在帮助政策制定者、雇主、教育者和工人组织区分不同类型的劳动力市场变化，而非将“人工智能暴露”视为单一结果。 为将框架扩展至欧盟成员国，该分析利用欧洲官方的技能、能力、资格和职业（ESCO）分类体系以及欧洲统计局的就业数据，将四种转型原型映射到欧洲职业结构上。它结合了官方ESCO职业描述，并加入了针对欧洲背景量身定制的人类需求评估和需求弹性评估。其结果是，从职业层面看，如何通过监管、职业问责制、关怀、物理存在以及市场结构来改变对技术性人工智能暴露的解释。其核心信息是，人工智能能力很重要，但制度决定了该能力有多少能转化为工作、工资和就业。 更充分的证据能为工人、企业和政策制定者提供更多准备时间。我们的职责是识别经济变化可能发生的领域，并使相关信息得到广泛传播。 核心问题：人工智能能力如何转化为劳动力市场变化。 对人工智能和工作的大多数分析都始于接触：一个AI系统能执行哪些任务？接触是重要的起点，但它并不能告诉我们一个职业将面临自动化、围绕更少的人类责任进行重组，还是随着成本降低而因新需求而扩大。这些结果取决于工作的交付方式以及市场和制度如何做出反应。 我们的AI职业转型框架超越了简单介绍，它将技术能力与人类需求及需求弹性相结合。我们的框架将职业分为四类：1）具有更高自动化潜力的工作；2）将进行重组的工作；3）可能随着AI发展而增长的工作；4）变化相对较小的工作。这些类别描述了可能的近期转型路径；它们并非就业损失的预测。 本报告扩展了最初在美国开发的框架。我们利用官方职业描述、映射的任务证据以及欧洲制度环境，将针对欧洲量身定制的生存必需品类别、需求弹性估计以及直接和规模生产率效应分配给2,609个ESCO职业。 近期欧洲的证据进一步强化了这种更精细视角的必要性。例如，欧洲央行对2025年SAFE企业调查数据的分析发现，使用人工智能的企业平均而言并未相对非使用者减少就业；而目前，那些大量使用人工智能或投资人工智能的企业更有可能招聘员工。 欧盟的框架如何运作 该框架将技术能力与决定工作是否实现自动化、重组或扩大的经济和制度条件相结合。 我们尽可能遵循原始框架；然而，由于这完全是不同的就业分类体系和劳动力市场环境，因此有必要进行修改。直接应用美国框架会隐含地假设美国与欧洲的职业、就业结构和劳动力市场制度之间存在一一对应关系——而这一假设并未得到数据的支持。欧洲分析依赖于ESCO，必须考虑到27个成员国之间职业定义、许可制度和就业构成的差异。因此，在方法论上，我们将技术暴露视为框架中最可转移的部分，同时使用欧洲的职业描述和制度环境重新估计人类必要性和需求弹性。然后，使用这些欧洲特定的估计值来为每种职业分配其转型路径。 三个问题组织了分析： ● 技术曝光度探讨人工智能执行该职业任务的能力范围。● 人类必要性探讨监管、问责制、物理存在、关怀或关系是否将工人置于交付的核心。● 需求弹性探讨成本降低是否足以扩大商品和服务的数量，以抵消节省劳动力的生产力收益。 随后，该职业等级评估会将已映射的美国参考标准，与基于ESCO描述和欧洲机构具体信息而制定的欧洲定制分类进行比较。 核心问题：人工智能能力如何转化为劳动力市场变化 框架概述 该框架将欧洲就业划分为四个近期路径。 人们仍然必要 人工智能可以改变一个职业大部分的任务，但并不需要移除提供该服务的人。 人类交付分类旨在探究为何劳动者对职业产出至关重要。个人可能需承担法律或专业责任、提供身体照护或监督、运用情境判断力，或维持服务本身所包含的关系。每项职业将被归入最终四大类之一：监管或问责制类、关系类、体力类，或无法归入上述任何类别的剩余类别。当多种渠道适用时，体力类优先，其次为监管或问责制类，最后为关系类。仅偏好人际互动的客户选择不予考虑。 在所测量的2,609种职业中，按ESCO头衔占比计算，49%被归类为体力劳动型，28%为监管或问责制型，9%为关系型，14%则归入剩余类别，该框架未为人类执行指明体力、监管或关系方面的要求。这些类别利用每个角色的信息来识别工人为何对执行至关重要，这并不意味着其他形式的人类参与不存在。 人们仍然必要 图1 每个点代表一个由2025年欧洲就业模型定位的ESCO职业。百分比是模型化2025年欧洲就业的就业权重份额。 教学和临床护理都保留了核心的人本角色，但原因不同。对于中学教师而言，主要类别是人际关系：人工智能可以帮助准备课程、评估或个性化材料，但教学、课堂管理和信任仍依赖于人。对于普通护理护士而言，主要类别是身体接触：人工智能可以支持文档记录和信息整合，但床边护理、检查、治疗实施以及对患者安全的责任仍然需要由人承担。共同的结果并非这些职业以相同方式得到保护；而是每份工作中的不同部分都维系着持续的人本参与。 欧洲机构直接对这些分类产生影响。律师、语言学家以及海关和税务官员主要属于监管/问责类别，因为多语言法律解释、边境执法和行使公共权力必须归属于一个可