AI出现之后，
就业市场发生了怎样的变化？

2022年11月，ChatGPT问世，这是大众普遍使用的第一个对话式生成式AI。此后出现了以下两场争论。

• AI是否减少了白领岗位？还是说，与一般看法相反，目前还找不到这样的迹象？
• AI让学习和掌握新知识变得更容易，因此对资历浅的劳动者有利？还是反过来，AI让已经掌握熟练知识的使用者能同时处理更多工作，因此对资历深的劳动者有利？

但反对意见也不少，因为这些职业的招聘减少，可能在ChatGPT（AI）出现之前就已开始。

当然也有再反驳。主要论点是，即便招聘总量的减少可以用加息和经济波动来解释，年轻人和初级岗位招聘占比的变化也是在ChatGPT之后才开始的，或者在利率见顶后仍在持续。

韩国国内也陆续有相关研究发表，争论双方的论点与海外相似。

这一系列争论之所以一直持续，根本原因在于ChatGPT出现前后1年内，混杂因素（confounder）格外多。

• 疫情期间IT类职业招聘激增及之后的调整：2020-2021年新冠疫情期间，数字化转型热潮使开发人员招聘先是激增，2022年下半年起开始减少。
• 加息：韩国央行（韩国银行）于2021年8月、美联储于2022年3月开始上调基准利率。
• 投资萎缩与结构调整：作为上述加息的延续，2022-2023年又叠加了风险投资萎缩。

Underscore从韩国最大的招聘平台之一收集了2017年2月至2025年4月的15,073,974条招聘信息。其中，2017年至2019年上半年的信息发布时间过久，早期删除率较高，因此予以排除；分析使用的是发布日期（开始接收申请日）在2019年7月至2025年1月之间的10,413,271条。

我们从每条招聘信息中提取了标题、公司名称、经验条件、学历要求、雇用形式、薪资、工作地点、任职资格、优先条件、开始和截止接收申请的日期、岗位与地区标签等变量。其中，本次分析的核心变量有以下三个。

• 岗位分类：数据中的岗位标签不仅有“IT开发·数据、后端/服务器开发”这样的大类，还以中类信息细分到“语言·框架（Java、Python、嵌入式、固件等）”。借此，我们可以更细致地分析AI出现后就业减少之争的焦点，也就是开发类职业。
• 经验条件：指“新人”“经验不限（含新人）”“新人·经验3年↑”“经验3~10年”这类要求。据此可以计算是否接受新人应聘以及平均工作经验要求。（例：经验3~10年 → 6.5，经验4年以下 → 2）
• 企业识别：利用每条招聘信息附带的企业识别码，我们在发布10,413,271条招聘信息的434,688家企业中，获取了其中77.6%即337,158家公司（按招聘信息计为87%）的行业、业务内容、成立日期和企业形态。我们还利用韩国公平交易委员会的通信销售业者登记簿、金融监督院DART等资料匹配了企业登记号码（BRN），使已获取企业信息的企业中96.7%（占全部企业的75.0%）的经营主体信息，不仅能通过招聘平台提供的企业识别码确认，也能在行政层面得到明确核实。

我们采用Eloundou et al. (2023)的方法测量各岗位的生成式AI暴露度。该研究对美国职业信息网络（O*NET）中约1.9万项具体任务逐一评分，判断使用大语言模型（LLM）能否在保持同等质量的前提下把作业时间缩短一半以上。我们把招聘数据中的1,920个岗位关键词与O*NET职业对应起来，赋予它们岗位暴露度β。

• 1,900余个β值覆盖了全部招聘信息的99.8%。
• 与O*NET职业对应时使用了两种方式。
  • 800个关键词经由韩国雇佣信息院的KNOW职业对应到O*NET职业（其中681个可直接通过KNOW职业代码对应）。其余1,120个先在生成式AI辅助下直接匹配O*NET职业，再由人工审核确定。
  • 找不到对应O*NET职业的关键词（KNOW路径119个，直接匹配35个），用语义最接近的2~3个关键词的β平均值插补。
• 岗位暴露度的评分结果显示，后端开发（0.87）、应用开发（0.87）、出纳（0.78）较高，普通生产工（0.08）、护理助理（0.11）较低，与直觉相符。
• 因此，本报告的图表在测量每条招聘信息的暴露度时，默认采用岗位关键词列表中第一个有β值的关键词。越靠前的标签越能代表该招聘信息的岗位。在随机抽取的100万条招聘信息中，关键词出现在标题里的比例，第一个标签为28%，第二个为16%，第三个为12%，越往后越低。后文还会说明，我们也逐一确认了改用其他汇总方式（全部关键词的平均值、中位数、最大值等）时，结果是否依然成立。
• 职业类别由岗位关键词定义。我们为开发人员（后端/服务器开发、前端、Java等16个关键词）、IT基础设施（H/W、SE）、实体设计（室内、服装、展览）、数字设计、出纳·会计等16个职业类别分别设定了关键词列表（附录），并按照各职业类别关键词在该招聘信息岗位关键词中所占的比重，把招聘信息拆分计入各职业类别。

另外，我们还就“各企业所属行业的核心产出能否由生成式AI直接完成”，也就是企业的生成式AI暴露度，让OpenAI的GPT-5.6 Astra和Anthropic的Claude Opus 5两个模型按相同标准评分，构建了企业暴露度（A），一并量化。

• 两个模型评分结果的相关系数为0.983，相当高。
• 与岗位暴露度一样，结果符合直觉：应用软件开发（0.93）、广告代理（0.89）较高，普通诊所（0.07）、餐饮业（0.05）较低。

为了在招聘平台数据之外与实际就业结果对照，我们还收集并分析了韩国雇佣信息院每月公布的《雇佣保险统计现状》（按行业大类统计的新参保人数和按年龄统计的参保人数）。不过该资料以行业大类为单位，只能看到信息通信业整体，无法像招聘数据那样了解细节，因此仅作辅助使用。

1不只是IT，办公室与专业类岗位整体的新人招聘占比都在2022年后下降。

• 开发人员、数字设计、出纳·会计的新人招聘与有经验者招聘同时减少，而IT基础设施、实体设计、市场营销、销售则是有经验者招聘增加，只有新人招聘减少。2024年新人招聘占比与2022年相比，开发人员为-10.3个百分点，IT基础设施为-13.8个百分点，实体设计为-12.7个百分点，销售为-9.7个百分点，（作为对照组的）蓝领为-2.6个百分点。
• 只看到这里，蓝领的新人招聘率几乎没变，其他办公类职业则似乎以ChatGPT出现的2022年为分界点，看起来像是AI的因果效应。但是……

2开发人员新人招聘数量从2022年夏季开始明显下降。

• 2024年月均新人招聘数量与2022年相比，开发类为-43%，数字设计为-34%，IT基础设施为-24%，蓝领为-4%。
• 与作为对照组的蓝领相比，可以观察到明显的下降，因此有理由“怀疑”这是AI效应。但下降的分界点与加息期重叠，很难清楚地区分多少来自经济波动、多少来自AI。而且，变化开始的分界点2022年夏季，明明是在ChatGPT出现之前半年。
• 当然，与这一问题无关，“开发人员招聘减少的原因在于初创企业投资萎缩和科技企业资金紧张，与AI无关”的说法，在我们的数据中得不到支持。与蓝领相比，科技企业（如Naver、Kakao）的开发人员新人招聘减少约48%（p<.001），同期非科技企业（如GS建设、文化广播公司MBC、SM娱乐等）的开发人员新人招聘也减少了24%（p<.1）。

3与蓝领相比，新人招聘显著减少的职业类别只有开发人员和数字设计两个。

下图用双重差分方法（PPML），把ChatGPT公开后各职业类别招聘数量的变化与对照组蓝领作比较。每个方块代表5%，实心方块表示统计上显著的变化，虚线方块表示不显著的变化。

• 只有开发人员（-33.5%，p<.01）和数字设计（-20.6%，p<.05）两个职业类别出现显著差异，这两个职业类别也通过了安慰剂检验（以ChatGPT出现之前的2021年7月为“虚构处理时点”所做的统计检验）（开发人员-9.8%，p值0.352；数字设计+3.7%，p值0.783）。
• 教育（-16.6%，p<.1）处于临界水平，但在安慰剂检验中已呈现-21.7%（p<.001）的下降，看来是ChatGPT之前就有的趋势。
• 有经验者招聘在任何职业类别中都与蓝领没有显著差异。

4开发人员新人招聘的减少与企业规模、成立年限无关，最明显的是中小企业。

• 上图把开发人员新人招聘的减少按企业类型拆分，与对照组（蓝领）作比较。
• 所有类型的企业都出现了减少，但统计上显著的，按规模划分是中小企业（-35%），按成立年限划分是成立不满20年的企业（-30%）。
• 与“难以获得投资的初创企业停止招聘初级员工”这一常见说法不同，初创企业开发人员新人招聘率的变化为-11%，与蓝领没有显著差异。

5为获得更有力的“佐证”，我们查看了实际的雇佣保险数据，同样确认了年轻人就业的减少。

• 信息通信业29岁及以下的就业在2022年下半年达到峰值后，3年来持续下降。
• 相反，在同一信息通信业中，30多岁和50岁及以上的就业反而增加。
• 而在制造业，29岁及以下年轻人的就业没有变化。

仅凭企业发布的招聘信息数量，无法清楚区分上述各个混杂因素的效应，主要有两个原因。

• 结论随比较对象而变。与蓝领相比，开发人员新人招聘的降幅显著更大（-33.5%），但与同属IT类的IT基础设施（H/W、SE）相比，差异（-18.9%）并不显著。
• 混杂因素在相近的时间出现，而且都朝着削弱新人招聘意愿的方向起作用。加息、2021年招聘热潮后的调整、风险投资萎缩，和AI一样，都会让企业相对于有经验者更不愿意招新人。

基于这些考虑，我们设定了两个分析方向。

• 第一，在控制多种混杂因素的同时，准确测量以ChatGPT为代表的生成式AI的出现对劳动力市场的因果（causal）影响。为此，我们放弃了按时间简单比较职业类别或行业差异的做法，改为固定同一企业×时点×职业大类（fixed effect）作统计分析。
• 第二，用每条招聘信息要求的工作经验年限代替招聘信息数量作为主要变量。如果AI替代初级员工的假说成立，工作经验要求可能是比单纯的招聘数量更重要的指标。

以下是我们据此发现的韩国劳动力市场的六项主要变化。

1AI出现前的3年里，主要办公类岗位的工作经验要求变化不大，ChatGPT出现后开始上升。

• 2019年至2022年，开发人员招聘要求的工作经验平均约为3.7年。疫情期间新人招聘减少到一半以下，之后招聘规模激增时招聘数量增加一倍多，而这一要求年限在此期间几乎没有变化。
• 但ChatGPT出现后，这一数值从2022年12月的4.07年、2024年全年平均的4.82年，一路升至2025年1月的5.18年。与对照组蓝领相比，这一规律更加明显（+0.66年；p<.001）。
• 其他办公室与专业类岗位也以2022年为低点一同上升，但IT基础设施和实体设计在ChatGPT之前就已呈现与蓝领不同的趋势，销售与蓝领的差异则不显著。

• 不过，像这样逐个考察职业类别，或随意设定“主要职业类别”的概念，可能会受研究者认知偏差的影响，得出扭曲的结论。因此，我们不再看各职业类别的平均值，转而分析每条招聘信息中出现的各个岗位的生成式AI暴露度，得出了更中立、也更明确的结论。

2生成式AI能替代的工作越多的岗位，工作经验要求上升得越多。

• 如前所述，我们为约2,000个岗位关键词赋予了岗位暴露度值。分析后发现，生成式AI暴露度与ChatGPT出现后2年间工作经验要求的上升之间，存在非常清晰的相关关系。
• 不过，仍有人可能质疑这一结果。生成式AI暴露度高的岗位主要集中在IT企业这类本身暴露度就高的公司，因此可能无法区分受AI影响的是“岗位”，还是大量雇用这类员工的“行业”。通过下面的分析，我们也否定了这种可能。

3即使比较同一公司×时点的招聘信息，生成式AI暴露度与工作经验要求的上升也成正比。

• 如果只比较同一家公司在同一个月、同一职业大类内发布的招聘信息（fixed effect），公司的资金状况、结构调整、利率和景气对该公司的影响、整个行业的走势等，都可以在统计上加以控制（control）。
• 结果显示，生成式AI暴露度高1个标准差的岗位，ChatGPT之后工作经验要求仍多上升0.073年（p<.01）。暴露度最高的五分之一岗位与最低的五分之一岗位之间，工作经验要求的差距到2024年扩大到约5个月。
• 为检验统计稳健性（robustness），我们把ChatGPT出现之前的2021年7月设为“虚构处理时点”做安慰剂检验，结果没有出现这种差异（+0.009年）；剔除全部IT类职业和IT企业后再分析，差距仍保持在+0.055年。
• 时间点也很明确。从上图可以看到，按生成式AI暴露度划分的工作经验要求差距，从ChatGPT公开几个月后的2023年春季起在10%的水平上显著，从2023年9~11月起在5%的水平上显著，到2024年扩大到+0.08~+0.11年。考虑到企业引入AI需要一定时间，出现这样的时间差相当符合直觉。
• 生成式AI暴露度高一个标准差（1SD）的岗位，可接受新人应聘的招聘占比下降0.77个百分点（p<.01），在面向有经验者的招聘中，要求年限也上升了0.088年（p<.01）。也就是说，招聘市场发生了变化：企业比起新人更青睐有经验者，在有经验者中也更青睐资历更深的人。

4利率、招聘热潮、技能水平、公司所属行业的差异，都无法解释这一差距。

5这一系列变化在IT开发·数据领域最明显，在营业·销售·贸易等IT以外的办公室与专业类岗位中也有出现。

• 把167个职业中类按同一标准（工作经验要求+0.5年以上、新人占比-5个百分点以下、新人招聘比有经验者招聘多减少20个百分点以上、ChatGPT之前无变动）排序，全部通过的7个中类（SE系统工程师、S/W、信息安全、后端/服务器开发等）都属于IT领域。
• 当然，IT岗位只是效应最大的领域；初级员工招聘减少、对有经验者需求上升的现象，在生成式AI暴露度高的办公室与专业类岗位中普遍存在。

6从时间上看，招聘信息中工作经验要求的上升，早于年轻人就业的下降。

• 上图把前文介绍过的分行业《雇佣保险统计现状》中“信息通信业29岁及以下参保人数”的变化，与我们招聘数据中的“开发人员招聘的工作经验要求”放在一起。
• 开发人员招聘的工作经验要求先行上升，从2022年下半年的3.76年升至2023年上半年的4.10年；信息通信业29岁及以下的就业则在2022年下半年见顶，从2023年开始下降。不过数据点不多，建议仅作参考。