李嘉+张丹丹：面对AI冲击，为什么新加坡表现出更强的就业韧性？

题记：本文原标题为“从岗位暴露到企业应用：中、新劳动力市场中的人工智能渗透路径比较”，作者李嘉为新加坡管理大学经济学院院长、李光前经济学讲席教授；张丹丹为北京大学国家发展研究院副院长、经济学教授。首发于财新网。

自 2022 年底 ChatGPT 横空出世以来，生成式人工智能（Generative AI）以前所未有的速度渗透进各行各业。这场技术革命一方面激发了对生产率跃升的广泛期待，另一方面也引发了全球劳动力市场中日益加剧的“替代焦虑”。

现有研究中，美国劳动力市场由于数据可得性高、研究积累深厚，已成为相关实证分析的“前沿阵地”；但对于亚洲经济体，尤其是制度环境、产业结构和技能体系差异显著的国家，系统性的比较研究仍然明显不足。而恰恰是这种跨国比较，才能帮助我们更清晰地理解：人工智能并非以同一种方式作用于所有劳动力市场。

我们此前的研究（张丹丹等，2025）基于中国大型招聘平台的百万级招聘广告数据，通过将岗位需求拆解为具体“任务”，并评估这些任务被大语言模型替代或重构的可能性，构建了职业层面的 AI大语言模型（AI-LLM）暴露度指标。研究发现，在中国劳动力市场中，受大语言模型技术冲击最大的主要是白领职业，如会计、编辑、销售等，其招聘需求已出现明显下降。技术进步在这一过程中更像是一个“严苛的过滤器”：一方面加速清洗白领岗位中高度常规化的任务，另一方面显著抬高了高暴露度岗位的招聘门槛，使企业对学历与工作经验的要求更加苛刻。

然而，技术冲击并非必然导向同一种“替代路径”。当我们将视角转向数字化程度更高、服务业高度集中、跨国公司总部云集的新加坡时，看到的是不同的图景。新加坡的经济结构具有高度代表性：几乎不存在农业，制造业规模有限，绝大多数就业集中在服务业，尤其是商业管理、法律、会计、IT 与金融等高度专业化领域。

由新加坡管理大学与北京大学组成的研究团队，系统分析了新加坡 2012 年 1 月至 2025 年 10 月间超过 1500 万条招聘广告数据。该数据覆盖了过去 13 年新加坡全部用人单位（近 8 万家）的招聘行为，使我们能够完成中国抽样招聘数据难以实现的分析任务——即从企业层面直接刻画 AI 技术在真实生产经营活动中的渗透情况。

由于新加坡数据的完整性优势，我们得以采用两类互为补充、但测度层级不同的指标来刻画人工智能在劳动力市场中的渗透路径。一方面，通过基于岗位任务结构构建的 AI-LLM 暴露指数，识别不同岗位在技术上受到 AI 冲击的潜在风险；另一方面，通过基于招聘广告反推企业行为的 AI Integrator（AI集成）指标，刻画企业是否已将 AI 系统性嵌入其真实生产与经营流程。前者侧重岗位层面的“可替代性”，可汇总至职业、行业、地区乃至整体劳动力市场；后者则侧重企业层面的“实际应用”，反映 AI 从技术能力向组织能力转化的程度。以下对这两种路径分别进行分析。

基于招聘信息的分析：AI 替代潮的中新差异

我们首先完全沿用中国劳动力市场研究中的方法框架，构建了新加坡的 AI-LLM 暴露指数。具体而言，我们将每一条招聘广告中的岗位需求拆解为若干具体任务，并逐一评估这些任务受到大语言模型和 AI 技术影响的潜在程度，最终在岗位层面形成可比的 AI-LLM 暴露度指标。

一个看似反直觉却极为关键的发现是：尽管 AI 技术在过去几年中快速演进，新加坡劳动力市场整体却保持了相对稳定。尤其是在新发布的招聘岗位中，AI-LLM 暴露指数长期维持在较高且平稳的水平。这表明，不同类型任务在招聘需求中的结构性占比，并未因 AI 的加速扩散而发生剧烈波动，市场正在以一种相对温和的方式吸收技术冲击。

这一趋势与中国形成了鲜明对比（图1）。在大语言模型普及之前，中国劳动力市场的 AI-LLM 暴露水平虽略低于新加坡，但整体差距并不显著；而在 2023 年之后，中国新招聘岗位的 AI-LLM 暴露指数却出现了明显下降。这很可能意味着，大量易被 AI 替代的岗位已经在中国率先完成了“出清”。相反，新加坡并未出现类似的指数下滑，显示其劳动力市场在面对 AI 冲击时展现出更强的结构韧性。

图 1：2018 年 1 月—2025 年 10 月中国与新加坡月度招聘岗位的 AI-LLM 暴露指数

数据来源：智联招聘，lightcast。

基于企业的分析：2023 年前后的“造”与“用”之变

如果说 AI-LLM 暴露指数主要回答的是“哪些岗位在技术上更容易受到 AI 冲击”，那么基于企业招聘行为构建的AI集成指标，则更直接反映了企业是否、以及在多大程度上，已经将 AI 技术嵌入其真实的业务流程之中。

在新加坡，招聘数据中对 AI 相关人才的需求变化，能够较为清晰地反映企业在 AI 研发与应用层面的转型路径。基于招聘广告文本，我们将含有 AI 关键词的岗位需求划分为四类：

第一类是 AI 使用者（AI User），即在日常工作中使用大语言模型工具完成写作、总结、代码辅助或客户服务等任务的岗位；

第二类是 AI 集成者（AI Integrator），即负责构建、运营或将 LLM 深度嵌入企业业务流程的岗位；

第三类是同时具备上述两类特征的复合岗位；

第四类是 “其他 AI”岗位，主要包括招聘模型实验室中的基础模型预训练研究人员、研究科学家，以及从事通用机器学习或自然语言处理（NLP）算法研发的技术岗位。

在 2018—2021 年间，新加坡的 AI 人才需求主要集中在“其他 AI”领域，即以“造模型”为核心的研发型岗位。这一需求在 2021 年后明显回落，直到 2023 年才重新回升，但整体仍未超过此前的历史高位（见图2）。

真正的结构性转折出现在 2023 年初。此后，“AI 使用者”和“AI 集成者”两类岗位需求显著增长，且后者增长尤为迅速。越来越多企业开始在核心业务流程中系统性引入 AI，部分行业中，发布过 AI 集成相关岗位的企业比例已接近 4%。这类岗位并不要求从零训练大模型，而是强调通过 RAG（检索增强生成）、微调或 API 接口，将现有大语言模型深度嵌入具体业务场景。

图 2：2011 年 9 月—2025 年 10 月新加坡用人企业月度 AI 相关人才需求

数据来源：智联招聘，lightcast。

如何跨越“替代”的阵痛？

新加坡的经验表明，AI 并不必然引发大规模失业。当技术应用从单纯“替代人力”转向“业务集成”与“全员赋能”时，反而可能创造新的就业空间。对中国而言，跨越“替代”的阵痛期，至少需要在三方面持续发力：

第一，加速应用生态的构建。推动 AI 从模型研发走向场景落地，鼓励企业围绕具体业务流程培育“AI 集成者”岗位。

第二，推动技能培训体系转型，从传授固定知识转向培养“调用 AI 解决问题”的能力，从培养循序渐进型创新转向培养能够驾驭不确定性的颠覆性创新人才。

第三，构建劳动力市场的动态监测体系，从刻画潜在 AI-LLM 对岗位替代风险的“暴露指数”，进一步拓展到反映企业真实 AI 使用和渗透程度的 AI 集成指标，为分析劳动力市场结构调整提供持续、可操作的政策抓手。

参考文献：

张丹丹等，2025，“大语言模型人工智能技术对中国劳动力市场的潜在影响研究”，《管理世界》，2025.41(7):59-72

文章来源：财新网