当前，围绕人工智能与劳动力市场的讨论，多聚焦于哪些职业将率先受到冲击，以及大学学历群体的就业前景将如何变化。相比之下，一个更具基础性、却相对缺乏关注的问题是：人工智能将如何改变支撑劳动者向上流动的职业通道，尤其是那些连接低薪、初级岗位与更高薪岗位的关键通道。来自美国智库布鲁金斯学会“都市研究计划”（Brookings Metro）于2026年4月发布的研究文章《人工智能如何重塑通往优质工作的职业通道》（How AI may reshape career pathways to better jobs）指出，人工智能带来的压力不仅可能作用于某一职业本身，还可能沿着职业通道扩散，进而影响劳动者的经济流动机会、企业获取经验型人才的能力，以及区域经济的长期活力。尤其值得关注的是，文章将分析对象明确聚焦于美国超过7000万名“通过非传统途径获得技能”的劳动者，即所谓STARs，并强调应对人工智能冲击不能停留于抽象的全国判断，而必须回到地方劳动力市场和区域职业通道的具体现实中去。

以下译文仅代表原作者的研究观点与分析立场，不代表编译者或发布平台的立场。

文章聚焦人工智能扩散背景下美国劳动力市场中职业通道的变化，重点考察其对未持有四年制大学学历劳动者，尤其是“通过非传统途径获得技能”的STARs群体的影响。文章指出，当前有关人工智能与劳动力市场的讨论，多集中于具体职业受冲击情况，而对支撑劳动者向上流动的职业通道关注不足。事实上，人工智能影响的并不只是单一岗位，还可能沿着连接低薪岗位、枢纽型岗位与高薪岗位的职业通道持续扩散，进而改变劳动者的经济流动机会、企业获取经验型人才的方式，以及区域经济的适应能力。

基于职业通道分析框架和Anthropic提出的“观测暴露度”指标，文章发现，美国大量STARs已处于较高人工智能暴露环境中，且其赖以实现向上流动的枢纽型职业和目标型职业正面临明显压力。与此同时，不同地区的职业结构、产业基础和人工智能暴露程度并不相同，这意味着职业通道的削弱或重塑将首先表现为地方性问题，而非单一的全国性趋势。文章据此强调，未来劳动力市场应对人工智能冲击的关键，不只是判断哪些岗位会消失，而是识别哪些职业通道正在弱化、哪些技能正在升值，以及地方层面应如何通过协同行动维持劳动者流动、企业人才供给和区域经济韧性。

Justin Heck，Opportunity@Work 研究与数据生产高级总监；Mark Muro，布鲁金斯学会“都市研究计划”（Brookings Metro）高级研究员；Shriya Methkupally，布鲁金斯学会“都市研究计划”高级研究助理；Joseph Siegmund，Opportunity@Work 研究分析师。

当前，围绕人工智能（AI）与劳动力市场的讨论，主要集中于大学学历群体的就业前景，以及哪些具体职业将首先受到冲击。相比之下，人工智能将如何重塑非四年制大学学历劳动者的经济流动机会，以及它如何影响不同职业群体之间而非单一职业之间的转换关系，尚未得到足够重视。同样较少被纳入讨论的，还有这样一个问题：连接不同职业群组的既有职业通道，未来是否仍足以支撑劳动者向上流动、满足雇主的人才需求并带动区域经济增长。

这一问题之所以重要，在于原报告所关注的美国劳动力体系长期以来隐含着这样一个基本判断：当企业用工需求发生变化时，劳动者可以通过职业转换改善自身经济前景，同时适应经济结构调整。由此，一个核心问题浮现出来：人工智能将如何改变美国既有的职业通道，这些变化又将如何影响劳动者的经济流动？

要回答这一问题，那些关注人工智能可能冲击劳动力市场的政策制定者和实践部门，就不能只盯住某些具体职业是否会被替代，而应进一步关注职业通道本身的变化，以及更广泛依赖这些既有通道实现向上流动的劳动群体。

报告正是围绕这一问题展开，重点考察人工智能对职业通道的影响，尤其关注美国超过7000万名“通过非传统途径获得技能”的劳动者（Skilled Through Alternative Routes），即所谓“STARs”。

“STARs”一词由美国非营利组织Opportunity@Work提出，用以指那些未持有四年制大学学历、但通过工作经验、服役经历、学徒制、社区学院教育或其他培训途径获得关键技能的劳动者。报告认为，随着人工智能持续扩散，这一群体可能面临一系列新的挑战，而相关应对很可能需要在区域层面展开。最后，报告还提出了若干亟待持续讨论的重要问题，以供未来几年相关领域进一步回应。

随着人工智能持续扩散，职业通道（career pathways）的重要性正进一步凸显。一旦这些通道被削弱甚至中断，劳动者失去的不只是当前岗位，还包括未来实现职业晋升和收入提升的机会；对企业而言，这也意味着培养成熟人才的稳定来源被削弱。

对劳动者而言，这一点之所以重要，在于其经济流动很大程度上受既有岗位中所积累技能的影响。大量研究表明，劳动者更有可能通过职业转换进入那些与当前岗位在技能要求上具有较高相似性的高薪职业。从整体上看，这些相互衔接的职业转换构成了所谓“职业通道”，即劳动者通过一系列岗位不断积累技能、沉淀经验，并获得更高收入机会的路径。职业通道的质量和稳定性，直接影响劳动力市场中的经济流动空间。

对STARs而言，这类职业通道尤为关键。对于未持有四年制大学学历的劳动者而言，能否实现经济流动，很大程度上取决于其技能能否在职业转换中被识别、认可，并转化为进入新岗位的条件。

近期，美国非营利组织Opportunity@Work对STARs在不同职业类型和就业序列中的流动情况进行了分析，并根据各类职业在职业通道中通常发挥的作用，将其划分为三类。该研究综合工资水平、劳动者职业转换情况以及职业之间的技能相似性等数据，识别出三类关键岗位：一是为 STARs 提供较易进入起点的“起点型职业”（Origin occupations）；二是同时连接低薪和高薪岗位的“枢纽型职业”（Gateway occupations）；三是作为向上流动常见去向的高薪“目标型职业”（Destination occupations）（见图1）。需要说明的是，这一分类反映的是不同职业通常对应的流动机会结构，而非一条固定不变的职业阶梯。

在这一框架中，枢纽型职业具有关键作用：它既能帮助劳动者从低薪岗位获得即时的收入提升，又能使其积累进一步进入高薪目标型职业所需的技能，同时也是企业获取成熟经验型人才的重要来源。数据显示，STARs占枢纽型职业劳动者的62.3%，这表明，这类岗位不仅是STARs实现向上流动的关键节点，也是企业培养和获取经验型人才所依赖的重要通道。

以客户服务代表岗位为例，这类枢纽型职业通常可以从多种起点型职业进入，例如前台接待员、银行柜员、收银员和快递员；与此同时，它又能帮助劳动者积累进一步转向高薪目标型职业所需的技能，例如人力资源助理和销售代表等。

由起点型职业通往枢纽型职业、再延伸至目标型职业的职业通道，在过去40年中构成了美国劳动者实现向上流动的重要路径。总体而言，过去10年间，已有超过2300万名STARs通过跨职业转换，进入通往更高工资岗位的职业通道。

人工智能对单一职业的影响，往往不会停留在岗位本身，而会沿着整条职业通道扩散。岗位之间并非彼此割裂，而是通过技能要求和职业转换关系相互连接，构成一条条支撑劳动者向上流动的通道。也正因此，一旦其中某个关键岗位发生变化，其影响往往不会止于岗位本身，而会沿通道向前后两端传导。尤其是那些承担连接作用的枢纽型职业，一旦受到冲击，就可能明显削弱劳动者进入更高薪岗位的机会。

以客户服务代表岗位为例，如果人工智能显著改变这一岗位的工作内容，甚至使其中部分职能被自动化，那么接待员、文员等起点型职业劳动者原有的上升通道也可能随之收窄，通向薪资与工时记录文员、人力资源助理等目标型职业的既有路径也会受到影响。换言之，人工智能带来的变化并不只是某个岗位的调整，而可能波及整条职业通道。对劳动者而言，这关系到能否沿着既有路径实现经济流动；对企业而言，这关系到能否持续获得可进入、可培养、并逐步积累经验的人才来源。

为考察人工智能在这些职业序列中的影响，报告采用Anthropic提出的“观测暴露度”（observed exposure）指标。该指标结合模型能力与 Claude 大语言模型的真实使用数据，估算某一职业中可由人工智能完成或辅助完成的任务占比。需要说明的是，这一指标并不直接预测岗位增减，而是用于衡量人工智能对工作的总体介入程度，无论这种影响最终表现为增强还是替代。

基于这一指标，报告发现，美国STARs群体及其赖以实现向上流动的职业通道，正面临不容忽视的压力。约有1560万名STARs处于高人工智能暴露岗位，约占全美7000万名STARs的五分之一；这部分劳动者同时占美国所有高人工智能暴露劳动者的43%。此外，另有2300万名STARs被界定为“低适应能力”群体，即在面对岗位流失和转向新工作时，其承压与转换能力相对有限，这部分群体占全美低适应能力劳动者的68%。

更值得关注的是，STARs实现经济流动所依赖的职业通道本身也在承受压力。正如图2所示，人工智能不仅可能改变单个职业的工作内容，也可能重塑连接这些职业的流动路径。

• 约有1100万名STARs处于高人工智能暴露的枢纽型职业之中，其中仅6类枢纽型职业就集中了近800万名高暴露劳动者。许多人集中在文书和行政类岗位，而这类岗位往往又以女性劳动者为主。这意味着，一批原本承担“跳板”功能、支撑劳动者继续向上流动的关键岗位，正面临更大的不确定性。

  
  

• 与此同时，在目标型职业中，约有1290万名劳动者处于高人工智能暴露状态，约占该类职业全部劳动者的三分之一，其中包括销售代表、会计与审计人员、财务经理等岗位。如果这些岗位的稳定就业基础被削弱，大量劳动者原有的职业晋升空间也将随之收窄。

  
  

• 进一步看，枢纽型职业与目标型职业之间的职业通道中，只有51%不属于高人工智能暴露状态。这表明，支撑劳动者由中间岗位迈向高薪岗位的既有通道，已有相当部分处在人工智能扩散带来的压力之下。

需要说明的是，人工智能暴露并不必然意味着岗位流失。人工智能既可能增强劳动者的工作能力，也可能替代部分甚至全部工作任务，最终结果取决于技术如何部署，以及企业如何采用。在某些情况下，人工智能甚至可能强化职业通道中的部分岗位。例如，报税员、计算机支持专家以及部分管理类岗位，可能借助人工智能加快学习过程、支持迭代式问题解决，并在文字和分析性工作中获得更及时的反馈。这种“增强效应”反而可能扩大STARs进入高薪枢纽型职业和目标型职业的机会，因为它有助于弥合知识差距、缩短技能距离，并降低职业转换过程中的摩擦。人工智能如果作为协作工具使用，在很多情况下可能催生新的任务、新的工作，并提升人类专业能力的价值。

但与此同时，人工智能在工作场所中的扩散也可能带来自动化和岗位替代，而这种影响还会沿着相互连接的职业通道持续扩散。低工资岗位一旦受到自动化冲击，原本通向更高薪岗位的既有路径就可能被削弱；而高工资岗位若发生变化，也可能失去原有的人才来源。虽然这些风险对所有劳动者和雇主都会产生影响，但STARs很可能是受冲击最明显的群体之一。一方面，他们在职业上往往与人工智能高度接触；另一方面，他们通常也是最难应对岗位流失和职业重置风险的人群。近期研究显示，一个值得警惕的趋势正在显现：不少高暴露劳动者同时也缺乏足够的适应能力。对STARs而言，这种脆弱性尤为突出。受限于储蓄水平、技能结构、居住地和年龄等因素，他们在遭遇非自愿失业后往往更难完成调整。数据显示，约有350万名STARs同时处于“高人工智能暴露”和“低适应能力”状态，占这一双重脆弱劳动者群体的67%。

接下来会发生什么，取决于人工智能如何部署，也取决于雇主、劳动力体系和政策制定者如何回应。如果人工智能更多被用于辅助劳动者、拓展技能发展空间，并强化不同岗位之间的连接，那么它就有可能巩固职业通道，扩大向上流动的机会。相反，如果人工智能的采用方式只是将劳动者从关键岗位上挤出，却未能同步建立新的职业通道，使其能够积累技能并从低工资岗位迈向高工资岗位，那么劳动者和雇主共同依赖的职业通道就可能整体弱化。在这种情况下，劳动者的晋升空间将进一步收窄，企业的人才储备也会随之变薄，更多劳动者将难以找到进入高薪岗位的现实路径。

经济流动并不是抽象发生的，而是具体发生在不同地区的劳动力市场之中，并且在地区之间呈现明显差异。其原因在于，塑造劳动力市场机会的制度安排和资源配置，本质上具有鲜明的区域属性。职业通道的形成和维系，依赖企业、培训机构、中介组织以及劳动力发展体系之间的协同，而这些要素大多集中在地方层面。与此同时，约有73%的美国劳动者居住地与工作地位于同一县域，这意味着，职业通道的强弱在很大程度上取决于当地的职业结构及其对应的人工智能暴露水平。

尤其值得注意的是，STARs最为依赖的许多职业通道，主要集中在大都市地区，而这些地区所面临的人工智能暴露程度并不相同。由此，高暴露枢纽型职业中STARs的集中程度在区域之间出现了明显差异，也带来了并不相同的地方性劳动力挑战。

• 从整体分布看，STARs大量集中于行政、文书和客户服务等枢纽型职业，而这些岗位在观测暴露度指标下往往具有较高的人工智能暴露水平，尤其在美国东北部和“阳光地带”（Sun Belt）更为突出。下图所展示的，正是各地区高暴露枢纽型职业中STARs的占比情况。

  
  

• 例如，在东北部，一些州府所在都市圈，如纽约州奥尔巴尼（32.8%）、宾夕法尼亚州哈里斯堡（32.6%）和罗得岛州普罗维登斯（30.1%）都表现出较高比例的STARs集中于高暴露枢纽型职业。这在很大程度上是因为，当地职业通道较多依赖行政和文书类岗位，而这些岗位本身与人工智能工具的交互程度较高。

  
  

• 相比之下，“阳光地带”都市圈的人工智能暴露程度更高，反映出当地快速扩张的服务型经济中，有大量STARs集中于办公室支持类岗位。佛罗里达州若干都市圈尤其突出，例如棕榈湾（35.5%）、开普科勒尔（34.7%）、杰克逊维尔（33.0%）、北港—萨拉索塔（32.7%）、奥兰多（32.2%）和坦帕（32.2%）等地，高暴露枢纽型职业中的 STARs 占比均处于较高水平。

  
  

• 而在中西部，一些都市圈的整体暴露程度则相对较低。例如，辛辛那提（24.1%）、密尔沃基（24.0%）和得梅因（26.0%）的高暴露枢纽型职业占比相对较小，这可能与当地枢纽型职业更多集中于运营和物流类岗位有关。

这些数据和地图共同表明，维持未持有四年制大学学历劳动者的向上流动，不能仅依赖全国层面的统一判断，而必须建立扎根地方、因地制宜的应对机制。而这件事的紧迫性正在上升：一旦地方职业通道被削弱，劳动者将更容易滞留在低工资、低晋升空间的岗位上，而企业在本地获取合适人才的难度也会随之增加。长期来看，这种摩擦不仅会制约地方劳动力发展，还可能削弱区域经济活力，并降低地方经济适应技术变革的能力。

正因如此，报告强调，美国各州和各地区都需要尽快思考，在联邦政府支持下，如何确保人工智能能够强化而非削弱本地职业通道。

展望未来，人工智能给劳动力市场带来的核心挑战，未必只是哪些劳动者或岗位会率先受到冲击，更在于它将如何重塑连接低薪、初级岗位与高薪岗位之间的职业通道。一旦这些通道收窄甚至中断，受到影响的就不只是个体劳动者，还包括依赖稳定人才来源的企业，以及依靠劳动力持续流动支撑增长的区域经济。

要制定真正契合现实的应对策略，相关领域接下来必须认真回答几项紧迫问题。

人工智能的采用程度在不同职业、不同职业通道、不同企业和不同地区之间差异很大，同时，各类机会在职业通道中的分布也可能呈现明显的地方差异。因此，需要放在区域背景下考察：哪些职业通道仍运行良好，哪些正在形成新的晋升路径，哪些则已出现弱化甚至断裂。

抽象的技能分类体系，很难为劳动者、教育者和地方决策者提供足够具体的指引。更值得追问的是：在人工智能嵌入型岗位中，雇主真正看重哪些具体技能？这些技能能否通过工作实践和短期培训获得，还是仍然被正式学历和资格证书所垄断？既有职业通道是否仍能让 STARs 在实践中逐步积累并有效展示这些技能？

人工智能带来的风险不仅在于眼前的岗位冲击，也在于如果通向中层和高层岗位的通道被削弱，未来五到十年内，地方经济可能面临更严重的经验型人才短缺。因此，有必要进一步识别：是否已经出现某些“高路径”模式，使人工智能的应用能够改善岗位质量、支持劳动者学习，并维持经验积累的人才通道？又有哪些激励机制、政策安排和企业做法有助于形成这种结果？相关经验又如何在更大范围内被总结和复制，以避免未来出现技能和经验的双重瓶颈？

没有任何一家企业、单个培训机构或某一级政府，能够独自对支撑经济流动的职业通道负责。要有效回应人工智能带来的风险和机会，必然需要跨系统、跨主体的协同行动。这就要求进一步思考：劳动力体系、企业、教育机构与政策制定者之间，究竟需要什么样的协调机制？又需要建设怎样的数据基础设施，才能更早识别职业通道的弱化趋势，并及时回应劳动者和企业的双重需求？

从这个角度看，真正的问题并不只是人工智能究竟会提升效率，还是会替代劳动者,二者很可能都会发生。更关键的是，当前围绕人工智能采用所作出的短期决策，是否会以牺牲未来的经济流动和人才供给为代价。今天围绕岗位设计、招聘方式和技能培养所作出的选择，将决定未来各地区面对的，是更广泛的劳动者机会，还是更严重的流动堵点。因此，系统评估职业通道的健康状况，并探索如何维持其运转，已成为一项迫切而关键的任务。

https://www.brookings.edu/articles/how-ai-may-reshape-career-pathways-to-better-jobs/