2026 年 6 月，斯坦福数字经济实验室与 ADP 研究院联合发布 Canaries Dashboard，就业仪表盘按年龄和职业追踪使用 ADP 薪资服务的固定企业样本。到 4 月的数据表明，在 AI 更可能参与完成任务的职业中，22 至 25 岁员工的就业下降更明显。
这项工作延续了 Erik Brynjolfsson 团队 2025 年 8 月的论文。研究当时发现，高 AI 暴露度职业中的年轻员工就业出现相对下降，随后引发争论：这种差异有多少来自 AI，又有多少与利率、科技行业过度招聘、远程办公和疫情后的调整有关。Google 和 Apollo Global Management 等机构的经济学家提出了不同解释。
新仪表盘将按月更新，为这些讨论提供持续数据。其固定样本在 2022 年 11 月约有 460 万名成功匹配职业代码的雇员，覆盖 730 余种职业。Canaries 意为“金丝雀”，项目借用矿井预警的意象，强调它关注的是可能出现的早期信号。数据来自薪资记录，但样本并不代表整个美国劳动力市场。
年轻员工的就业变化，因职业 AI 暴露程度而不同
根据 6 月研究说明，从 2022 年 11 月到 2026 年 4 月，22 至 25 岁员工在最高 AI 暴露职业组中的就业按年化计算下降 3.8%，最低暴露组则年化增长 2%。这里的“暴露度”衡量 AI 可能影响职业任务的程度，不能直接等同于该岗位已被 AI 替代。
这两个组的年化增速相差 5.8 个百分点。具体到职业，年轻软件开发者和客服代表的就业明显下降，较低暴露的家庭健康护理助理则出现增长。这表明，即使处于相同年龄段，员工面对的就业变化也可能很不一样。
最新一年与整个观察期的结果需要分开看。研究说明的图 1 显示，截至 2026 年 4 月，22 至 25 岁最高暴露组的就业同比下降约 4.2%，最低暴露组也同比下降约 1.7%。这意味着年轻员工的压力并不限于高暴露职业，但后者降幅更大。Brynjolfsson 对《Fortune》说：“不管它是什么，它没有消失。”
总体变化较小，按年龄拆分后差异更明显
把所有年龄段加总，看到的变化会小得多。
截至 2026 年 4 月，最高 AI 暴露组的就业同比下降约 0.2%。若改看 2022 年 11 月以来的整个观察期，最高暴露组就业年化增长约 1.1%，最低暴露组增长约 2%。两组长期都在增长，不能把最新同比下降与此前整个时期的增长混为一谈。
仪表盘的作用，是把总量拆成更具体的年龄与职业组合。ADP 首席经济学家 Nela Richardson 在 ADP 研究院博客中指出，总体层面的变化较温和，按职业阶段观察时，差异则更明显。
22 至 25 岁员工仅占仪表盘基线样本约 7%。这一较小群体的就业下降，可以与其他年龄段的增长同时发生。因而，政策制定者在看总体就业或失业率时，还需要观察初入职场者的招聘与流动机会，避免遗漏分布上的变化。
图 1 还给出了其他年龄段的全职业同比变化：31 至 34 岁员工就业下降约 1.7%，35 至 40 岁员工则增长约 2%。这组比较描述各年龄段整体就业，并非单独统计高 AI 暴露职业。年轻人能否进入知识型职业、积累经验，是这些数据提出的后续问题。
初级任务更易自动化，是一种可能的解释
一种可能的机制是，AI 先改变任务的分配，再影响招聘需求。信息检索、摘要生成、日程安排、格式处理等工作，常由初级员工承担，也较容易交给软件处理。资深员工积累的岗位经验和判断力，可能提供一定缓冲。但不同公司的分工并不相同，年龄本身不能代替对工作内容的分析。
Richardson 强调区分“自动化”和“增强”：前者是用户把任务完全交给 AI，后者是人机协作完成任务。两种用法可能影响不同的劳动需求。研究因而进一步观察，在 AI 使用更偏向自动化的职业中，年轻员工的就业是否发生不同变化。
Canaries Dashboard 使用 Anthropic Economic Index，按职业层面的自动化与增强使用比例分组。结果显示，自动化占比越高的职业，年轻员工就业指数更可能下降，或增长较弱；增强占比与就业趋势则没有明显的单调关系。它支持进一步研究任务替代机制，但尚不能据此断定“增强型使用一定增加就业”。
控制利率、远程办公等因素后，研究分歧仍然存在
研究团队对几种主要解释做了稳健性检验。
6 月研究说明称，控制利率变化和远程办公因素、剔除科技行业后，年轻员工与 AI 暴露度相关的就业差异仍然存在。Brynjolfsson 在《Fortune》采访中也谈到，采用不同样本划分后仍能观察到这一模式。这提高了结果的可信度，但并不等于已经排除所有其他解释。
研究说明本身也列出不同结论：有研究在丹麦发现相似的年龄差异，却未发现其与企业鼓励采用 AI 有关；另有研究认为，初级岗位招聘占比的变化可由远程办公暴露解释。Brynjolfsson 与 MIT 经济学家 Daron Acemoglu 对 AI 生产率提升幅度也持不同判断。按《Fortune》采访，两人仍在讨论共同点，并都主张让 AI 更好地补充人类劳动。
固定企业样本便于持续比较，也限制了覆盖范围
Canaries Dashboard 提供了较细的年龄与职业交叉数据，是官方劳动统计的补充。美国劳工统计局（BLS）的月度就业报告通常在次月发布，并非普遍延迟数月；两者的区别主要在数据来源、职业细分和样本设计。
理解仪表盘，可以从三个方面入手：
第一，数据源。 ADP 每月薪资数据涉及超过 2,600 万名美国员工。仪表盘从中选取一个五年平衡企业样本，约 25,000 家企业在 2022 年 11 月雇佣了 460 万名能够匹配职业代码的员工。固定企业便于持续比较，也排除了企业进入、退出或更换薪资服务商的部分变化，因此不适合直接外推整个美国劳动力市场。
第二，更新频率。 仪表盘按月更新，便于观察趋势是否延续、反转或扩展至其他群体。Brynjolfsson 认为，持续数据有助于减少对零散个案的依赖，让研究者和政策制定者更早看到值得追踪的问题。
第三，按任务暴露程度分组。 仪表盘使用 Eloundou 等人（2024）的职业 AI 暴露评分，划分五个组，并结合 Anthropic Economic Index 的使用模式。评分描述技术可能影响哪些任务，就业指数描述样本实际发生的变化；二者之间的相关性，是后续因果研究的线索。研究团队也指出，目前的暴露指标尚未计入 AI 降低价格后可能带来的需求变化。
再培训项目需要把技能选择与真实岗位需求对照
这些数据也与同期的再培训讨论相关。它们可以帮助项目选择重点观察的群体，但并不直接告诉人们哪一种培训一定有效。
6 月 25 日，前美国商务部长 Gina Raimondo 与前印第安纳州州长 Eric Holcomb 联合发起跨党派非营利组织 RAISE US。组织称，计划筹集 10 亿美元多年资金承诺，已落实超过一半，初期与阿肯色、康涅狄格、马里兰和犹他四州合作。Amazon、Microsoft、Anthropic 和 OpenAI Foundation 是主要合作方，Bank of America 支持其先进制造业学徒计划。顾问包括 Paul Ryan、Stephen Schwarzman、Liz Shuler，以及经济学家 David Autor、Erik Brynjolfsson 和 Raj Chetty。
Raimondo 在《Fortune》采访中警告，大规模失业可能冲击美国社会和民主制度。她主张在推进 AI 技术的同时，为劳动者提供转岗支持。这是对未来风险的判断，项目仍需通过试点检验培训和就业衔接的效果。
按月更新的仪表盘可以帮助这类项目观察不同职业和年龄群体的就业变化，再与培训内容、雇主需求及学员去向对照。自动化占比与就业下降的相关性提示，项目需要关注具体任务如何变化；培训是否有效，则要看学员能否获得并保住工作。
数据显示了早期就业压力，尚未终结因果争论
Canaries Dashboard 把容易被总体数据掩盖的年轻员工就业变化呈现出来。它记录了固定企业样本中，高 AI 暴露职业与初期职业阶段就业下降之间的联系。AI 的净就业影响有多大、哪些变化由 AI 导致，仍需要更多数据和研究设计来判断。
如果年轻人减少的工作机会原本承担着培训和积累经验的功能，那么影响可能延伸到之后的职业发展。31 至 34 岁群体的全职业同比就业下降约 1.7%，也值得继续观察，但不能把这个数字直接解释为 AI 冲击正在向上一个年龄段扩散。
Brynjolfsson 还在《Fortune》采访中谈到，他与西北大学经济学家 Bob Gordon 进行了一场为期十年的生产率赌约，并认为自己已经领先。这反映了他对技术进步的乐观判断，而就业仪表盘处理的是另一个需要持续测量的问题：生产率变化如何分配到不同劳动者身上。
接下来的月度更新将显示，年轻员工的就业差距是否继续扩大，哪些职业开始恢复，以及新需求能否抵消部分任务自动化带来的压力。把这些变化与企业的实际 AI 使用、招聘和培训记录联系起来，才能更清楚地解释背后的原因。
