| 报告提出 observed exposure，用于衡量 AI 替代风险。 |
第 2 页，关键发现 |
E089 |
exposure_measure |
| observed exposure 结合了理论 LLM 能力和真实世界使用数据。 |
第 2 页，关键发现；第 5 页，指标说明 |
E089 |
exposure_measure |
| 与增强型或非工作用途相比，该指标对自动化使用模式和工作相关用途赋予更高权重。 |
第 2 页，关键发现；第 6 页，方法说明 |
E089 |
automation_weighting |
| 报告结合三类数据源：O*NET 任务数据、Anthropic Economic Index 使用数据，以及 Eloundou et al. (2023) 的任务级暴露度估计。 |
第 4 页，暴露度测量 |
E089 |
data_sources |
| 被评为仅凭 LLM 即可完全完成的任务，占观察到的 Claude 使用的 68%；被评为不可行的任务占 3%。 |
第 4 页，图 1 说明 |
E090 |
observed_usage_vs_capability |
| 在此前四份 Economic Index 报告中，97% 的已观察任务落入 Eloundou et al. 评为理论可行的类别。 |
第 5 页，暴露度测量正文 |
E090 |
observed_usage_vs_capability |
| 在计算机和数学类职业中，理论 LLM 渗透度指标覆盖 94% 的任务，而 Anthropic 的 observed exposure 指标覆盖 33% 的任务。 |
第 7 页，图 2 讨论 |
E090 |
theoretical_vs_observed_exposure |
| 在报告列出的最高暴露职业中，计算机程序员的 observed exposure 为 75%。 |
第 8 页，图 3 讨论 |
E090 |
occupational_exposure |
| 客户服务代表出现在报告列出的最高暴露职业中。 |
第 8 页，图 3 讨论；第 14 页，讨论 |
E090 |
occupational_exposure |
| 数据录入员的 observed exposure 为 67%。 |
第 8 页，图 3 讨论 |
E090 |
occupational_exposure |
| observed exposure 每增加 10 个百分点，与 BLS 2024-2034 年就业增长预测降低 0.6 个百分点相关。 |
第 9 页，BLS 预测讨论 |
E091 |
projected_job_growth |
| 在 ChatGPT 前的 CPS 基线期，最高暴露四分位劳动者为女性的概率比零暴露劳动者高 16 个百分点。 |
第 9 页，图 5 讨论 |
E091 |
worker_characteristics |
| 在 ChatGPT 前的 CPS 基线期，最高暴露四分位劳动者平均收入比零暴露劳动者高 47%。 |
第 9 页，图 5 讨论 |
E091 |
worker_characteristics |
| 报告发现，自 2022 年末以来，高暴露劳动者的失业率没有系统性上升。 |
第 2 页，关键发现；第 11 页，图 6 讨论 |
E091 |
unemployment |
| 对 22-25 岁劳动者而言，进入最高暴露职业的新入职率下降约 0.5 个百分点，而进入低暴露职业的新入职率维持在每月约 2%。 |
第 12 页，年轻劳动者招聘讨论 |
E092 |
young_worker_hiring |
| 与 2022 年相比，ChatGPT 发布后的平均估计显示，22-25 岁劳动者进入高暴露职业的求职成功率下降 14%。 |
第 13 页，图 7 讨论 |
E092 |
young_worker_hiring |
| 报告称，25 岁以上劳动者没有出现类似下降。 |
第 13 页，图 7 讨论 |
E092 |
age_difference |