OpenAI发布就业报告指出，AI不会引发失业潮，反而可能创造更多工作岗位。报告覆盖900余种职业，显示AI对就业市场冲击复杂，部分岗位面临被替代风险，但从业者已在用AI承接更大工作量。46%的职业受AI影响极小，24%的岗位可能缩减规模但核心环节仍需人工，12%的职业如软件开发将因AI普及迎来岗位扩张。报告强调，当AI让任务产出更廉价、快捷时，市场对该服务的总需求会呈指数级增长，足以抵消减员压力。AI正重塑工作与生活，其渗透速度超出预期，带来一系列紧迫问题。面对更强大模型，OpenAI提出"AI就业转型框架"，融合AI能力、人类必要性、成本降低后需求变化及AI实际使用情况四个维度，将工作分为高自动化风险、近期变化较少、因AI增长和将要重组四类，揭示AI与就业变化之间的复杂关系。

与国内同行普遍拥抱AI不同，海外游戏从业者对AIGC的抵触与焦虑几乎从未消退——美术、QA、配音演员乃至程序员，这些岗位始终是裁员浪潮的重灾区。

但就在这种悲观情绪蔓延之际，OpenAI却发布了一份出人意料的就业研究报告——结论颇具颠覆性：AI非但不会引发失业潮，反而可能创造更多工作岗位。

报告英文原文链接：

https://cdn.openai.com/pdf/the-ai-jobs-transition-framework_report.pdf

这份覆盖900余种职业的研究显示，AI对就业市场的冲击远比想象中复杂。虽然部分岗位面临被替代的高风险，但这些领域的从业者已经在用AI承接更大的工作量，失业率反而低于其他职业。

报告还指出：46%的职业（如教师、家政人员）受AI影响极小；24%的岗位虽可能缩减规模，但核心环节仍需人工主导；而12%的职业（如软件开发）则将因AI普及迎来明显的岗位扩张。

报告指出：“当AI让某项任务（如写代码）的产出变得更廉价、更快捷，市场对该服务的总需求往往会呈指数级增长，足以抵消效率提升带来的减员压力。目前，高风险职业的从业者实际发挥出的AI潜力，还不到理论值的四分之一。”

以下是Gamelook整理编译的报告内容：

AI正在重塑我们的工作与生活，其渗透速度之快已超出许多人的预期。随着个人与组织的能力边界被持续拓展，一系列紧迫的问题也随之浮现：AI对劳动力市场的真实影响究竟是什么？冲击将首先降临在哪里，又将在何时到来？我们又该如何确保这场AI转型能够惠及每一个人？

AI能力正以前所未有的速度跃升，早期采用者已率先尝到红利。多项研究将工作任务与AI现有能力逐一比对，指向了立竿见影且波及广泛的经济影响。但与此同时，整体劳动力市场的实际反应依然参差不齐，有时甚至相互矛盾，折射出新技术普及过程中惯有的摩擦与阻力。这并不意味着我们可以掉以轻心——AI能力推进之猛，更大范围的冲击随时可能到来。

面对持续涌现的更强大模型，OpenAI希望帮助个人和组织理解并提前应对这场转型。为此，本报告提出了一套超越传统"AI暴露度"测量的分析框架，并以来自ChatGPT的真实使用数据加以验证。这一框架融合了四个维度：AI在哪里具备能力；人类在哪里仍不可替代；成本降低后需求会如何变化；以及AI实际上正被用于哪些任务。四个维度叠加，勾勒出一幅更清晰的近期图景——哪些工作最可能率先承压，哪些更可能被重新设计，哪些则有望迎来增长。

引言

现有的大多数AI劳动力市场分析，都从同一个问题出发：哪些工作最容易受到AI冲击？这是一个重要的起点，但远不够用。"暴露度"只能告诉我们AI在技术上触及了哪些领域，却无法单独判断哪些工作在近期最有可能被自动化取代、被重新设计，或因此得到扩张。

三年前，OpenAI研究人员发表了那篇研究AI潜在劳动力市场影响的标志性论文。此后，AI能力的跃升已大幅提速，且随着更强模型的持续推出，这一势头只会加剧。然而，AI对劳动力市场的实际影响依然不均衡，难以准确量化——即便是在AI已能胜任大量任务的岗位上，人类至今仍是主导者。

本报告提出的"AI就业转型框架"，将三个维度融合在一起：技术暴露度、人类必要性与需求弹性，并以ChatGPT的实际使用数据加以验证。研究覆盖900余个职业、约1.537亿个岗位（占美国就业总量的99.7%），为我们呈现出更清晰的近期图景。当然，从长远来看，许多职业的边界本身是可变的，技术的进一步演进也将持续重新定义"人类必要性"的内涵。

运用这一框架，我们将工作分为四类：

高自动化风险工作（18%）：面临更高的短期自动化风险

近期变化较少的工作（46%）：不太可能经历近期明显变化

因AI增长的工作（12%）：可能因AI而扩大规模

将要重组的工作（24%）：任务构成转变，但仍需人工参与关键环节，整体就业规模可能收缩

换言之，许多高度暴露的工作，与其说面临"即将被取代"的风险，不如说更可能走向重组或扩张。值得注意的是，实际AI使用情况在各类别之间差异悬殊——被框架识别为最具自动化风险的职业，ChatGPT使用频率约是受冲击较小工作的3倍。即便AI在受影响较小的岗位同样具备相当能力，这一差距依然存在。能力与使用之间的落差，恰恰揭示了单纯依赖暴露度测量的局限：有能力，不等于正在改变。

强大AI时代，人类的关键角色

即便AI承担的底层认知工作越来越多，许多职业的核心仍由人类把持。这往往是客观现实所决定的——体力劳动、人际关系或受监管的责任，都有硬性的人工需求。我们用"人类必要性"衡量这种需求强度，并将每个职业归入三类：

监管与问责必要性：工作要求持证者批准或做出决策，或必须由人对结果负责；

关系必要性：服务的价值依赖于信任、关怀、说服、教育或人际连接（主要取决于当下人们的偏好，可能随时间演变）；

物理必要性：职业要求在现实世界中从事体力劳动，包括上门护理、现场检验或体力操作。

这正好解释了为何暴露度无法直接对应自动化风险。教师在课程规划或内容生成上或许面临高暴露，但关系与制度的双重锚定依然强大——孩子们需要真实的老师。护士在文档整理和信息综合上可能同样高度暴露，但物理操作与问责责任仍是核心——患者需要护士亲身在场。

不过，人类留在岗位上并不等于劳动力市场一成不变。即便是"人类必要性"很高的职业，若AI大幅提升了工人生产力，而商品或服务的整体需求无法同步扩大，就业压力依然会来。这些"必要性"本身也会随时间演变：机器人技术的进步会松动体力必要性，社会偏好的转移则会影响关系必要性。

需求弹性，即价格变动时需求随之变化的幅度，是连接生产力与就业的关键纽带。若AI降低了某种商品或服务的供给成本，相关职业的就业走向并非一目了然。价格下降往往带动消费上升，有时甚至会推动受影响行业整体扩大招聘规模。OpenAI认为，这是AI长期影响劳动力市场的潜在关键变量——尽管其展开速度目前尚不明朗。

AI就业转型框架：四类职业命运

综合上述维度，框架围绕四个核心问题展开：

AI能够承担该工作中有意义的任务比重吗？

若AI降低了提供服务的有效成本，需求是否能够扩大到足以吸收生产力提升带来的增量？

在剩余任务中，人类是否仍然是工作交付、判断、问责或体力执行的核心？

AI是否已经在这些任务中被有意义地实际使用？

依据这一框架，职业被划入四种可能的转型前景：

高自动化风险工作：暴露度高、人类必要性弱、需求扩张不足或不确定，无法抵消就业减少效应（约占18%）。

将要重组的工作：暴露度高且人类必要性强，但需求弹性不足以吸收生产力增量。工人仍不可或缺，但整体人数可能减少（约占24%）。

因AI增长的工作：暴露度高，且需求反应足够强烈，更低的有效成本可能提升使用率、可及性或质量调整后产出（约占12%）。

近期变化较少的工作：当前暴露度、必要性与弹性的组合，尚未明确指向某种主导的近期结果（约占46%）。

这一框架的价值在于，它能够还原那些在单纯暴露度测量中被淹没的差异。即便在暴露度最高的职业内部，工作之间在人类必要性和需求弹性上也存在显著差异。因此，许多高度暴露的工作，更适合被理解为重新设计和规模扩张的机会，而非即将到来的自动化替代；而另一些则更像是"未来风险"，技术潜力还未被实际采用追上。

此前关于"能力悬垂"的研究（以及Massenkoff和McCrory 2026年的最新研究）已经揭示，AI的实际使用明显落后于AI的实际能力。通过汇总匿名化的消费者工作相关ChatGPT使用数据，我们在职业层面进一步印证了这一判断。

在每一个职业大类中，当前实际使用均落后于理论潜力。部分领域的AI应用正在加速渗透，尤其是法律、教育和办公/行政类工作；而餐饮准备与服务等领域，由于AI现有能力与工作内容本身关联度较低，即便是理论上AI能够胜任的任务，实际使用率也依然偏低。

各类别的"能力悬垂"（AI理论潜力与实际使用之间的差距）如下所示：

高自动化风险工作：实际暴露23.8%，理论暴露90.0%，差距66.2个百分点；

因AI增长的工作：实际暴露22.7%，理论暴露72.4%，差距49.7个百分点；

将要重组的工作：实际暴露14.9%，理论暴露67.1%，差距52.3个百分点；

近期变化较少的工作：实际暴露6.4%，理论暴露27.4%，差距21.0个百分点。

值得关注的是，从2024年第一季度到2026年第一季度，在被预测为"近期变化较少"职业中就业的人群，失业率上升幅度反而最大，达+0.6个百分点；而"高自动化风险"和"将要重组"两类群体的失业率仅各上升了+0.3个百分点。这说明，尽管AI与就业变化之间存在某种关联，但要在宏观劳动力市场层面清晰地建立这种因果联系，目前仍十分困难。局面可能随时骤变，这正是为何这些职业值得持续密切追踪，也是为何政府应当投入资源改善职业测量体系——唯有如此，公众才能真正理解、评估并有效回应AI对劳动力市场的冲击。

结语

暴露度只是分析的起点。真正有行动价值的信号，来自暴露度与人类必要性、需求弹性的交叉组合。正是这三者之间的相互作用，决定了AI究竟是会压缩劳动需求、改变工作内容，还是推动经济活动的整体扩张。

在这一框架中，职业暴露度帮助我们识别哪些岗位与AI能力存在交集，但它目前与就业变化的相关性并不强。实际使用与理论暴露之间的差距，区分了真正的"免疫"与尚未扩散的"迟滞"。人类必要性与需求弹性则有助于解释：为何某些职业可能长期以人类为主导；为何另一些可能出现编制压缩；以及为何还有一些会随成本下降、服务扩大而实现增长。

我们对未来的预测能力是有限的，长远的劳动力市场走向尤其难以推断。但在较短的时间维度上，这一框架应当有助于描绘劳动力市场可能的演进路径，并为政策制定提供参考——推动一场更平顺、更以人为本的AI转型，或许正是当下最值得着力的方向。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】