AI时代的软件劳动市场：技术重组、岗位层级与职业进入

摘要

美国软件及相关计算机工作的变化，可以概括为招聘收缩后的部分回升、技术需求重新分配，以及职业入口趋紧。Revelio美国计算机职业的月均招聘记录从2022年的130.75万降至2024年的54.65万，2025年回升至87.48万；其在全部招聘中的月度份额年度均值仍由9.30%降至5.35%。AI相关表述和岗位标题更常见，前端、移动端及部分Web框架的相对份额下降；AI与全栈方向内部，入门／实习及初级岗位份额也下降。在固定企业—职业样本中，2022—2024年软件职业早期者的外部任职开始记录减少52.5%，较长工作经历者减少42.6%。这些结果表明，理解软件劳动市场需要同时考察招聘周期、技术构成和职业入口；总量回升之外，入口的恢复状况仍需单独观察。跨职业比较中，早期组相对经验组的额外下降却在较低AI暴露职业中更大，软件经历组的分化也早于ChatGPT推出。因此，本文确立的是需求结构与任职流量的变化，AI对其中各项变化的独立贡献仍有待识别。专业背景、职业转向与实际AI任务使用，是进一步解释这些变化的关键连接。

从需求总量到工作的内容与入口

本文观察各行业中的软件与计算机职业，职业范围包括软件企业及其他行业中的相关工作。 招聘总量和技术文本主要覆盖计算机职业；软件任职分析进一步聚焦开发者、测试人员、Web开发者及程序员。以下美国结果对应各自的招聘与履历样本，中国结果主要用于比较同类来源中的技术变化。招聘发布量、技术提及率、经验要求与任职开始流量共同描述市场调整，但各有自己的观察对象。

AI进入软件生产之后，劳动需求可能沿着多条路径改变。如果部分任务能够以更少的人力完成，企业可能减少相应岗位；如果AI使企业能够开发更多产品、承担新的工作，需求也可能扩大。即使招聘总量不变，企业需要的技术组合和人员层级仍可能发生调整。对职业早期劳动者，影响也取决于技术如何进入工作：工具可能接替一部分入门任务，也可能降低完成复杂任务的门槛。因此，理解AI如何改变软件劳动市场，需要同时追问三个相互联系的问题：企业还需要多少人，需要他们做什么，以及这些工作的入口向谁开放。

软件相关招聘的变化表现为技术方向与岗位层级的共同调整。在美国样本中，计算机职业招聘数量从低谷回升，其在整体招聘中的份额仍低于2022年的水平。招聘内容也出现分化：AI方向的招聘记录份额上升，前端和移动端份额缩小；与此同时，AI与全栈方向内部被标为入门或初级的岗位份额下降。在明确写出经验年限的招聘中，要求不超过两年的岗位份额也下降了。这些结果把需求变化推进到更具体的层面：哪些技术在招聘中变得更常见，这些方向内部的岗位层级如何变化，以及企业表达的进入条件是否同步调整。

人员记录带来一个进一步的经验问题：2022—2024年，软件早期职业组的外部任职开始记录减少52.5%，较长经历组减少42.6%；但在更广职业中，早期组相对较长经历组的额外下降却在较低AI暴露工作中更大。软件中的变化与跨职业任务暴露的简单排序并不重合。

这些发现引出了本文的解释性问题：需求重组与AI之间有什么关系，又如何传递到不同职业阶段的人？本文结合招聘文本与职业履历提供的不同观察：前者呈现企业表达的技能需求和进入条件，后者记录不同职业阶段的人何时开始一段任职。分析首先进入软件工作的技术与层级结构，再利用更广职业之间的AI任务潜力差异，以及企业招聘AI专业岗位的差异，检验变化是否更集中于预期受到影响的工作和人群。主要产品推出前后的完整路径与中美来源内的比较，则帮助判断哪些变化早已开始，哪些在不同环境中重复出现。两类数据提供互补观察，本文并未把某条招聘文本与某个人的任职记录直接连接。

本文区分三项经验测量。岗位层级采用Revelio分类，Entry level / Intern与Junior Level合称“入门／实习及初级岗位”；Associate/Analyst和Manager另列。直接经验要求来自招聘中能够识别的工作年限。个人职业阶段则根据任职开始距履历中最早记录的工作或选定教育结束的时间划分。这三种测量分别描述岗位、要求和人员，后文按其实际含义比较。

一、招聘周期之中，技术需求向不同方向变化

美国计算机职业月均招聘记录从2022年的130.75万降至2024年的54.65万，2025年回升至87.48万。计算机职业占全部招聘的月度份额，其年度均值却从2022年的9.30%降至2025年的5.35%。数量回升体现样本招聘发布活动回升，而计算机职业在整体招聘中的份额仍低于2022年。

计算机职业涵盖软件开发、测试、网络、数据库和支持等工作。图1同时展示其中较窄的软件开发／测试／Web范围，使广义计算机周期与软件需求相互对照。中国曲线按其可用时期单独展示；来源覆盖的改变尤其影响跨国数量水平。

图1 · 美国计算机招聘从低谷回升，其整体招聘份额仍低于2022年

图1｜美国计算机招聘从低谷回升，其整体招聘份额仍低于2022年。月度招聘发布记录；计算机职业为SOC15-12，较窄软件范围为15-1252—15-1254。数量单位为万条，份额分母为各国当月全部职业招聘记录。美国显示2021年1月至2026年6月，中国至2025年6月。竖线标出主要AI产品的公开推出日期。

总量变化之下，企业表达的技术需求并不同步。2021—2025年，美国计算机招聘中Python提及率由13.56%升至18.09%，TypeScript由2.68%升至3.64%；Java由14.72%降至13.25%，C#/.NET由8.29%降至7.62%。JavaScript/Node由14.57%升至15.26%。React、Vue和Angular在2021—2025年分别由7.62%、1.54%、5.57%降至5.78%、1.04%、3.70%。连续路径比起止点更能显示这些变化的转折。正文连续季度图统一使用截至2026年6月的完整季度；附录另列2026年1—8月的部分年度汇总，作为单独延伸。

图2 · 语言与框架的提及率并不同步变化

图2｜语言与框架的提及率并不同步变化。美国计算机职业匹配招聘记录，2021Q1—2026Q2。分子为至少一次提及相应语言或框架的记录数，分母为全部匹配记录，单位为百分比。各标签可以重叠；主图展示常见语言与Web框架，补充面板保留全部15类语言及相关生态标签和6类框架，以及中国样本路径。

职位标题提供了另一种观察：企业正在寻找何种工作方向的人。2022年上半年至2025年上半年，中国招聘板的前端标题占比由8.4%降至4.5%，移动端由3.0%降至2.4%，ML/AI由0.9%升至3.4%。美国LinkedIn来源的对应变化为2.2%至1.5%、2.7%至1.3%、0.5%至2.8%；美国其他来源的变化方向相同。前端、移动端与AI方向的分化因而出现在不同来源中。

全栈则呈现更明显的波动。美国全栈标题年度占比在2021年为3.21%，2024年升至3.86%，2025年回落至2.44%。这条路径与AI标题份额较持续的上升不同，说明不同技术方向在招聘记录中的相对位置有不同变化。

图3 · 前端和移动端标题份额下降，ML/AI标题份额上升

图3｜前端和移动端标题份额下降，ML/AI标题份额上升。计算机职业匹配招聘记录；连续季度路径按来源分别绘制。固定比较使用共同窗口2022H1—2025H1，蓝绿色上箭头表示份额上升，橙色下箭头表示下降。分母为各来源当期全部匹配记录。全栈及全部技术方向的完整路径一并保留。

时间上，招聘收缩与技术变化跨越多个AI产品阶段。Copilot从2021年预览到2022年全面开放，ChatGPT于2022年11月推出，GPT-4于2023年3月推出；Claude Code的预览和全面开放分别在2025年2月与5月。共同日历把不同技术的转折放在同一坐标上。排除推出季度、比较前后各四个完整季度，ChatGPT窗口的LLM提及率增加0.58个百分点，Python变化−0.06、JavaScript/Node变化−2.16、Java变化−1.38个百分点；Claude Code全面开放窗口的对应变化为+2.75、+0.08、+1.59、−3.81个百分点。后一个窗口中AI表述变化更大，而语言方向仍然分化。这些日历比较描述相邻时期的变化，产品推出、普及和企业采用具有不同时间尺度。

二、技术重组也发生在岗位层级与进入条件之中

一种技术方向的招聘记录份额上升，其内部各层级的份额也可能重新分配。如果企业建设新能力主要需要已有专业积累的人，该方向的招聘份额上升可能伴随其内部较高岗位层级占比增加；如果工具降低任务门槛，入门岗位也可能随之增加。技术方向内部的层级构成因此是连接工作内容与职业入口的直接观察。

2021Q1—2025Q2，美国全栈标题中，入门／实习及初级岗位占比由68.17%降至44.76%；ML/AI方向由53.38%降至25.82%；前端由64.16%降至56.00%。全栈和AI方向的变化明显大于前端。AI标题的招聘记录份额上升与其内部入门岗位份额下降同时出现，显示技术方向的相对位置与岗位层级构成可以同时变化。

图4 · 全栈与AI方向内部，入门／实习及初级岗位份额下降

图4｜全栈与AI方向内部，入门／实习及初级岗位份额下降。美国计算机职业，季度。主图分母为相应技术方向的全部匹配招聘记录，分子为其中标记为Entry level / Intern或Junior Level的记录。统一使用0—100%纵轴。补充面板分别展示全部技术方向、来源内路径，以及各岗位层级内部的技术方向份额；后者分母为该层级全部匹配记录。

另一方面，AI表述出现在不同岗位层级中。美国计算机招聘中LLM／生成式AI提及率从2021年的0.02%升至2023年的0.53%、2025年的4.62%。分层路径显示，这种表述增加并非只发生在单一岗位层级。它与明确命名AI岗位的招聘记录份额上升共同说明，AI相关词汇正在更广泛地进入企业表达需求的方式。

图5 · 不同岗位层级的招聘描述都更常提及LLM／生成式AI

图5｜不同岗位层级的招聘描述都更常提及LLM／生成式AI。美国计算机职业，2021Q1—2026Q2。每条线的分母为该岗位层级的全部匹配招聘。LLM／生成式AI面板的分子为命中该类词汇的记录；机器学习／深度学习面板的分子为命中机器学习或深度学习词汇的记录。两面板分别计算，各自可以包含同时命中另一类词汇的帖子。岗位层级依次为入门／实习及初级、Associate/Analyst、Manager及其他分类。补充面板展示语言和框架在各岗位层级中的连续提及率。

雇主直接写出的工作年限提供更接近进入条件的测量。在识别到经验年限的美国计算机招聘中，要求不超过两年的份额，LinkedIn来源从2022H2的16.4%降至2025H1的12.1%，其他来源从21.7%降至15.3%。这些来源的年限识别覆盖率分别由55.6%变为47.0%、35.8%变为51.5%，因此结果针对写明且能识别年限的招聘。

岗位名称与年限要求有实质差别。基于抽样文本的规则识别诊断中，Junior Level岗位的要求年限中位数为4年，只有23%要求不超过两年。由此，技术方向内部的初级标签份额与低经验要求份额，是两项互补结果。特定语言或技术方向是否提高了直接年限要求，以及使用这些技术的人是否更早或更晚进入职业，仍需要技术标签与年限、人员经历的联合测量。

三、软件任职记录收缩，职业暴露比较进一步检验变化集中在哪里

软件职业早期人员的年度任职记录降幅更大

招聘要求呈现的是企业寻找什么样的人，职业履历则让我们进一步观察哪些人开始了一段工作。这里的软件任职范围包括软件开发者、软件质量保证分析师与测试人员、Web开发者，并额外包含计算机程序员（Computer Programmers）；招聘数量图的较窄软件范围只包含前三类。这里先从软件工作本身出发，把每次任职开始时、距履历中最早记录的工作约三年以内的人，与记录了更长工作经历的人分开，追踪两组外部任职开始的数量。外部任职包括履历中的首次工作记录，以及从另一家已知企业转来的任职。每条记录表示一段工作的开始；同一个人可以在不同时间出现多次。

2022—2024年，在固定企业—职业范围中，软件早期组的年度任职开始记录由9,328降至4,433，减少52.5%；较长经历组由50,972降至29,281，减少42.6%。更广计算机职业的对应降幅为45.5%和40.8%。软件样本中两组记录均减少，早期组的年度降幅更大。

这种分化在2022年前已经出现：2019—2021年，软件早期组年度记录从13,102降至9,403，较长经历组从42,618升至48,250。因此，2022年是完整年度比较的锚点，早期组的相对走弱并非由这一日期开始。

完整时间路径显示明显的半年起伏。以2022年上半年或下半年为起点、比较到2025年上半年，会改变软件两组降幅的相对排序。采用同季比较，2022H1—2025H1早期组减少55.7%，较长经历组减少48.9%；完整年度结果与此方向相同。2025年的记录另作为延伸展示，以保留对补录时差的关注。

图6 · 2022—2024年，软件早期职业组的外部任职开始记录下降更多

图6｜2022—2024年，软件早期职业组的外部任职开始记录下降更多。美国固定企业—职业样本；软件为开发者、测试人员、Web开发者及计算机程序员（SOC15-1251—15-1254），计算机为15-12。两组按任职开始距最早已记录工作的时间划分。左图为样本记录条数，右图将各组2022年半年度均值设为100。展示2019H1—2024H2完整路径，2025H1以虚线延伸。软件是计算机职业的子集。

固定任务暴露使软件案例获得跨职业参照

前面的结果分别描述技术内容、岗位要求与人员任职。解释这些变化，需要把AI与招聘周期、企业组织调整等可能因素放在一起考察。一次普遍的招聘收缩，也可能让企业减少入门岗位、提高经验要求；企业更频繁地在招聘中提到AI，则既可能反映新的业务需求，也可能来自技能表述的变化。AI相关解释因此需要接受一个更具体的检验：日常工作中，任务更容易被这类工具加速的职业，是否呈现了不同的招聘与任职走势？

为此，本文引入职业AI暴露评分。这个评分从职业所包含的任务出发，评估大语言模型及其相关工具在保持工作质量的情况下，缩短任务完成时间的潜力。分数越高，表示该职业的任务具有越大的潜在时间节省空间。它为工作内容与AI能力之间的关系提供一个固定比较尺度；企业实际使用工具的程度，则是另一项需要观察的特征。通过任务来评分，也使招聘文本很少提到AI、但工作本身可能被AI显著加速的职业进入比较。[1,2]

扩大职业范围有一个明确目的：检验软件工作中的变化，是否还具有跨越具体技术方向的共同任务特征。在这里使用的固定分组下，任职样本中的软件及其他计算机职业都处于高暴露组。加入其他职业，才能同时观察较低任务暴露的工作，为软件案例提供参照。如果较高AI任务潜力伴随着需求相对减少，类似变化应当在其他高暴露职业中也留下痕迹；如果AI主要通过扩大业务或重新组合技能来影响招聘，职业间的变化则可能更加分化。

在招聘构成中，美国LinkedIn来源的高暴露职业份额从2022H2的59.4%降至2025H1的33.2%；中国招聘板同期从69.7%变为70.7%，但此前已从2021H1的76.6%下降。相同起止日期的比较，显示两国的变化并不同步；保留前期又表明，中国的下降早于2023年。这里变化的是招聘分布在固定高暴露职业中的份额，而非职业评分本身。

图7 · 美国高暴露职业招聘份额下降，中国经历较早下降与随后回升

图7｜美国高暴露职业招聘份额下降，中国经历较早下降与随后回升。全职业、全部岗位层级；美国LinkedIn来源与中国招聘板分别计算。分母为当期能够映射职业评分的招聘记录，高暴露组为固定评分分布的最高三分之一。主图以2022H2为共同基点，显示份额变化的百分点，两国共用−30至+10尺度；补充图保留0—100%的水平视图与职业条件比较。

早期组的额外下降，在较低暴露职业中更大

任职记录进一步把职业阶段放入比较。2022—2024年，高暴露职业早期组由159,417条降至104,070条，减少34.7%；较长经历组减少33.0%。较低暴露职业的早期组由158,960条降至99,351条，减少37.5%，较长经历组减少22.1%。因此，在完整年度的原始计数中，早期组相对较长经历组的额外下降，在较低暴露职业中更大。

这项差别具有时间变化。高暴露组在2022H1—2024H1的早期记录降幅小于较长经历组，在2022H2—2024H2却更大；较低暴露组的早期降幅在两段同季比较中均更大。完整路径与年度锚点共同限定了结论：各组记录普遍收缩，跨职业差异呈现异质性，且并非每一时期都具有相同排序。

图8 · 年度计数中，早期组相对较长经历组的下降在较低暴露职业中更大

图8｜年度计数中，早期组相对较长经历组的下降在较低暴露职业中更大。美国全职业固定企业—职业样本；高暴露为固定职业评分最高三分之一，较低暴露为其余三分之二。计数图与各组2022年半年度均值＝100的指数图并列。2019—2024年为完整路径，2025H1单独延伸。曲线为未经模型调整的观察记录。

企业内部，暴露越高的职业中早期组相对变化更强

两组人的任职开始记录可以同时下降，较高暴露职业中的早期组相对较长经历组却仍可能比其他职业更强。因此，要检验职业入口是否受到特别挤压，需要同时完成两层比较：先比较同一类工作中两种经历组的变化，再比较这种组间差异是否随职业AI暴露提高而加大。如果高暴露工作中的职业入口受到更强挤压，应该看到早期组相对较长经历组的变化在这些工作中更弱。

观察到的分组总量，还会受到企业扩张收缩及各组职业构成的共同影响。下一步因此进入企业内部，考察同一企业中不同职业的两种经历组任职记录如何变化。比较时，把企业对某一经历组的整体扩张收缩，以及同一企业某个职业中两组共同经历的变化区分出来。这使比较更接近一个具体问题：在同一组织的用人调整中，职业AI任务潜力越高，职业早期者是否承受更大的相对收缩？这一条件比较与前面的原始路径相互补充。

图9的零线表示相对于2022H2，早期与较长经历组之间的变化差异没有进一步随职业暴露改变。正值表示暴露越高，早期组相对较长经历组的变化越强；负值表示越弱。纵轴采用加一对数计数，即先将记录数加一，再取自然对数，因而数值不是人数或招聘份额。合并模型比较2019H1—2022H2整个前期与2023H1—2025H1后期，按工作经历划分的系数为+0.028（标准误0.007），按教育结束时间划分为+0.026（0.007）；图中单期系数则仅以2022H2为参照。下文趋势敏感性区间针对后期五个单期系数的等权平均，三者并非同一数值汇总。结果方向与“高暴露职业的早期组受到额外相对挤压”的预测相反。

图9 · 控制企业内部共同变化后，职业暴露与早期组的相对变化呈正关联

图9｜控制企业内部共同变化后，职业暴露与早期组的相对变化呈正关联。美国全职业外部任职记录；两面板分别按距最早已记录工作约三年、距选定教育结束约三年划分。纵轴为职业暴露每增加一个标准差，早期相对较长经历组的变化差异；单位为加一对数计数。空心基点表示2022H2参照，竖线为近似95%区间。模型使用2019H1—2025H2，图示至2025H1；2025延伸以不同线型表示。

这项条件结果的解释需要前期信息。工作经历口径的前期联合检验p=.001，教育口径为.149；允许一定程度的前期趋势偏离后，平均交互区间分别包含零。由此，结果支持该样本中的正向条件关联，尚不足以确定AI带来的独立因果变化。排除计算机职业后的工作经历系数仍为+0.029，表明这个跨职业结果并非软件职业所特有。

岗位分类给出另一个需要保留的观察：将入门／实习及初级岗位与Associate/Analyst、Manager岗位相比，同类企业内部外部任职模型的合并系数为−0.018（0.008）。标签与工作经历的方向差异提出测量与组织配置问题；统一记录、权重与比较窗口之后逐步替换定义，才能量化各因素的作用。相关路径、前期差异及其他规格放在补充分析中。

四、企业建设AI能力与岗位层级调整

职业的任务潜力并不等于企业已经改变了工作方式。同样的技术能力，可能被不同企业用于削减任务、扩大业务或重新组织团队。为观察组织层面的变化，本文另考察一组随后开始招聘生成式AI或对话式AI工程岗位的企业。这类招聘提供企业建设相关能力的迹象，也提出一个与前文不同的问题：在同一段日历时期，这些企业较低岗位等级与较高岗位等级的任职开始记录，是否比其他企业发生了更大的相对变化？前文关注同一家企业中不同职业的人员配置，这里关注不同企业的岗位等级结构。[3]

研究关注的AI岗位招聘企业组包括2023Q1—2025Q1首次发布上述AI工程岗位的1,066家企业，2023年前已出现此类招聘的495家企业排除。统一以2023Q1作为后期起点，比较它们与其他样本企业的变化。若建设AI能力伴随入门岗位的相对缩减，预期会看到入门／实习及初级岗位相对Associate/Analyst、Manager岗位的任职记录，在这些企业中下降更多。

结果符合这一方向：全职业任职记录的企业组交互为−0.120（0.011），截至2024Q2为−0.113（0.011），计算机职业子样本为−0.150（0.011）。这些是包含内部变动的加权任职记录，测量的是岗位层级结构。它们与前节按个人经历划分、研究外部任职的结果，具有不同人群定义和比较对象。

图10 · 随后招聘AI工程岗位的企业，入门／实习及初级岗位任职记录相对走弱

图10｜随后招聘AI工程岗位的企业，入门／实习及初级岗位任职记录相对走弱。美国企业比较；参照组为其他样本企业，人群对照为Associate/Analyst与Manager岗位。点为企业组、岗位层级与共同后期的交互系数，横线为近似95%区间，单位为加一对数计数。全窗口为2019Q1—2025Q4；另列截至2024Q2与计算机职业结果。完整季度路径见补充图。

企业组在2023年前已经存在变化差异，全部职业任职路径的前期联合检验p=.0076。企业又按后来出现的招聘行为分组。因此，这项结果将组织层面的岗位结构调整呈现出来，而企业选择、同期业务变化和实际工具采用之间的贡献仍需进一步区分。将该企业分组与个人工作经历放入统一样本，是连接组织层级和职业阶段的下一步。

招聘与任职记录呈现不同幅度的职业变化

最后，需要把企业发布的需求与人员开始任职的记录放在一起。招聘帖出现在寻找人手的阶段，履历中的任职开始则记录一段工作经历的起点；两者既不是一一对应，也未必同时变化。如果只依赖其中一种记录，对劳动市场调整的判断可能不同。本文因此在相同的企业与职业单元中，分别考察招聘记录和任职开始记录与职业AI暴露的关系。

美国面板包含61,054家企业和744个职业。在控制企业整体半年变化后，2023H1—2025H1相对此前时期，入门／实习及初级岗位招聘记录的暴露梯度为−0.108（0.016），任职开始为−0.035（0.009），任职减招聘的加一对数计数差为+0.073（0.011）。在这一条件比较中，高暴露职业的招聘记录相对走弱幅度超过任职记录。

这一结果说明，需求发布与任职开始会给出不同的职业变化幅度。发布渠道、重复招聘、一帖多岗、内部移动和履历补录都可能参与形成差异。本文比较的是企业—职业层面的记录变化；具体岗位是否招满，需要招聘与入职的逐条连接。就业人数还涉及任职结束和人员重叠，个人获得工作的概率则需要相应求职人群作为分母。[4]

结论：招聘部分回升，技术需求重组，职业入口趋紧

软件相关招聘经历了明显收缩，而随后回升并未恢复到原来的相对规模。 美国计算机职业2025年月均招聘记录为87.48万，仍低于2022年的130.75万；整体招聘份额也从9.30%降至5.35%。这表明样本中的招聘发布活动有所恢复，但计算机工作在招聘中的相对位置仍弱于2022年。它回答的是企业表达了多少招聘需求，就业存量还需结合在职和离职记录考察。

企业表达的技术需求正在重新分配，AI方向份额上升的同时，其内部入门岗位份额下降。 Python和LLM／生成式AI的提及率上升，React、Vue、Angular的提及率下降；按来源比较，ML/AI标题份额上升，前端和移动端份额下降。与此同时，2021Q1至2025Q2，ML/AI方向内部的入门／实习及初级岗位份额从53.38%降至25.82%，全栈从68.17%降至44.76%。这使技术转向的职业含义更加具体：一个方向在招聘中更常见，其入口层级却可能变得更窄。这里的上升与下降都是相应记录集合中的比例变化。

进入条件和人员任职记录分别显示了职业早期者面临的调整。 在能够识别年限的美国LinkedIn-only招聘中，要求不超过两年的份额从2022H2的16.4%降至2025H1的12.1%；其他来源也下降。软件职业2022—2024年的早期组任职开始记录由9,328条降至4,433条，较长经历组由50,972条降至29,281条。前一项描述雇主要求，后一项描述已经记录的工作开始；两类观察共同支持职业入口趋紧的判断。它们尚未追踪同一批毕业生的求职过程，因此52.5%的记录降幅并非求职成功率的降幅。

AI与这些变化的关系，需要解释具体技术、企业和人员之间的连接。 软件早期组在2019—2021年已出现相对较长经历组的下降。扩展到其他职业后，早期组的额外收缩在较低任务暴露组中更大；企业内部条件比较也未呈现“暴露越高，早期者相对收缩越大”的普遍关系。另一方面，随后招聘AI工程岗位的企业中，较低岗位等级的任职记录相对走弱。这些结果检验不同的比较对象：职业任务潜力、企业能力建设和个人经历。这使解释的重点落在招聘周期、组织调整与AI使用方式各自如何影响软件工作，以及它们如何共同改变职业入口。

入口收缩之后，不同专业和职业的人去了哪里？

软件任职开始减少，可能伴随毕业生流向其他职业、已有劳动者转向数据或AI工作，也可能伴随更长的求职等待。区分这些路径，才能判断技术需求的变化究竟改变了哪些人的职业选择。本文已有的履历分析区分职业阶段与内部、外部任职开始，尚未估计教育专业到职业、或原职业到新职业的流向；上述路径构成进一步研究需要区分的解释。

教育专业与职业之间的连接，需要按毕业群体比较计算机、数学统计、电子工程等背景进入各类工作的分布，并记录首次工作出现的时间和履历覆盖。职业之间的连接则需要同时保留上一份与下一份工作的职业分类，区分继续从事软件开发、转向数据／AI或管理，以及转出计算机工作。现有分析使用教育结束时间划分职业阶段，使用上一家企业识别外部变动；这些信息本身不足以还原专业与职业流向。教育专业字段的可用性和覆盖质量仍待核实，已有的职业记录则为后续职业转移分析提供基础。

从任务潜力走向实际使用：Signals能补充什么？

本文的AI暴露评分描述固定的任务潜力。OpenAI Signals v3.0提供另一类观察：个人版ChatGPT的工作消息被归入165类O*NET中间工作活动，并按国家、季度发布2025Q1—2026Q3的分布。这使研究可以进一步追问，实际使用更集中的任务，对应的招聘与人员进入是否呈现不同变化。Signals与Revelio的联合分析仍待开展。[7]

连接的桥梁是职业的任务构成。O*NET将职业任务映射到详细工作活动，再连接到中间工作活动；据此可以为每个职业构造与Signals任务分布对应的指标。一个职业涉及多种活动，一项活动也属于多个职业，因此需要明确映射权重，并检验不同权重下的结果。这样的指标描述职业任务与ChatGPT使用分布的联系；职业采用率则需要该职业使用者人数及劳动者总数。[8]

Signals统计的是工作消息内部的活动份额，排除企业版与Codex，并采用自动分类、稀疏类别处理与隐私噪声。对软件研究，这些范围尤其影响对真实编程工具使用的覆盖；国家可比性也需核查实际发布范围。2025年起的时间序列适合考察后续任务使用与招聘变化的联系，对本文2022—2024年的收缩只提供后续观察。要解释职业入口的改变，仍需将任务使用、招聘要求与人员去向分别测量，再检验它们之间的关系。[7]

研究局限与进一步研究

覆盖与记录时差。 招聘来源及职业履历覆盖并不代表整个劳动市场。中国来源退出和来源构成变化影响跨国比较；美国文本可用率也随时间提高。职业早期者可能较晚建立或补录履历，2025记录尤其需要更长观察。覆盖与历史快照资料有助于区分实际变化和记录过程。

测量之间的连接。 最早已记录工作可能遗漏此前经历，或包含实习；教育结束可能反映重返教育，且约29.77%的经历样本缺少可用教育日期。岗位分类、直接要求年限与个人经历回答不同问题。技术方向与直接年限、技术与人员经历的联合测量尚不足，本文的互补观察没有识别某种语言直接改变哪类人的职业进入。

采用与识别。 职业评分测量固定任务潜力；AI专业岗位招聘反映建设能力的迹象。实际采用强度、工具使用方式及其他业务变化仍需直接测量。若干设计的前期差异、趋势敏感性和未来行为分组限制了因果归因。软件内部连续暴露与个人经历的条件交互、跨国可比的经历交互，以及企业组与个人经历的共同样本比较，是进一步分析的明确方向。

流量与存量。 任职开始是记录流量，招聘是需求发布。就业存量、离职、留任以及求职成功概率需要不同的观测集合。将这些结果连接起来，才能说明短期招聘调整如何累积为长期职业机会。

方法概要

招聘描述分析针对计算机职业SOC15-12，按招聘ID系统抽样，美国约1/50、中国约1/20。语言、框架和技术方向采用文本二元标签，每条记录对同一标签最多计一次；提及率分母为全部匹配记录。技术方向内部岗位份额与岗位层级内部技术份额使用各自相应的记录集合，标签之间允许重叠。年限指标分母限于识别到工作年限的招聘。来源比较中，LinkedIn-only仅有LinkedIn标记且无其他来源标记；中国招聘板组至少具有智联、51job或猎聘之一的标记且无LinkedIn标记；other为其余记录，包括LinkedIn与其他来源并存的混合记录。

履历经历分析按用户抽取五分之一，保留其记录以界定职业阶段，再汇总美国企业—职业—半年计数。外部开始包括第一段已记录任职及上一已知母公司不同的任职。主比较固定在2019H1—2022H2至少有十条外部开始的企业—职业组合，共102,115组；2019H1—2025H2共6,608,490条记录。教育口径保留4,640,947条。年度计数由完整两半年相加，指数以各组2022年两半年均值为基准，不作季节调整。

职业暴露采用Eloundou等的GPT-4 beta任务评分，聚合到六位SOC后在798个有评分职业中标准化；高组取固定最高三分之一。职业构成图、连续暴露条件模型和二元企业组模型分别报告。模型结果使用加一对数计数；固定效应、样本限制、聚类、准确阈值与敏感性检验见补充方法。

附录一：技术需求与经验要求

下表列出15类语言及相关生态标签、6类框架标签的提及率。美国2026年为1—8月；中国列至2024年，保留合并来源描述，跨国来源内的技术栈比较见正文图3。单位为命中该标签的匹配记录数／全部匹配招聘记录数×100。标题及描述标签均可同时命中多项，列和没有总量意义。

文本样本按帖子ID系统抽取，美国约1/50，中国约1/20，再与标题、描述匹配。每项描述标签在清洗后的文本中作二元关键词匹配，重复出现同一关键词仍计一次；未观察到相应文本命中的匹配记录保留在分母中。匹配采用中英文关键词；Go、C和Swift另约束语言语境。小样本人工阅读用于修正规则；这些规则识别诊断没有提供代表性人工金标准下的准确率。

美国全栈标题占比（2021至2026年前八月）依次为3.21%、3.19%、2.64%、3.86%、2.44%、2.74%；后端为1.48%、1.57%、1.03%、2.41%、1.27%、1.07%；数据工程为2.45%、2.50%、2.29%、2.64%、2.25%、2.48%；DevOps／云／运维为7.20%、7.51%、5.91%、6.34%、5.87%、6.34%；桌面端为0.05%、0.05%、0.05%、0.05%、0.04%、0.06%。标题方向的变化也有明显异质性。

按来源的低经验要求比较，分母为识别到年限的帖子。LinkedIn-only的年限识别率从55.6%变为47.0%，other从35.8%变为51.5%。中文招聘板标题中的初级关键词占比，2022H2为3.2%，2025H1为3.1%；这是覆盖较窄的标题表达指标。

2023年美国低资历标签占比由37.0%升至47.5%时，相应招聘数量由96.6万降至80.6万，3级标签招聘由91.6万降至39.6万。份额变化主要来自职业内部（约9.9个百分点），职业间构成约0.7个百分点；排除前20家企业后仍由38.2%升至48.1%，季节调整后约有9个百分点变化。这些比较说明份额上升可由其他层级更快收缩形成。

文本覆盖也随时间变化。以全部匹配招聘记录为分母，美国较长描述的覆盖率由2021年的83.87%升至2026年前八个月的99.24%；中国由2021年的70.02%降至2024年的53.97%。提及率使用全部匹配招聘记录，包含未观察到文本命中的记录，因此文本可用程度的变化可能贡献于提及率变化。年度职业份额9.30%与5.35%是各年12个月职业招聘份额的算术均值，并非年度招聘总数相除。

基于规则识别的抽样文本诊断使用美国约292,346条抽样招聘，约51%识别到年限。标签1、2、3、4级的年限中位数分别为2、4、5、5年；标签2级仅23%要求两年以内。按标签与直接年限计算的初级份额，季度变化相关系数为0.04。

AI事件比较排除发布季度，使用前后各四个完整季度。

附录二：职业暴露、国家与时间

暴露主指标为Eloundou GPT-4 beta，替代指标包括人工beta、Felten语言模型暴露、原AIOE和图像暴露。主指标与这些指标的相关性分别约为.88、.81、.83、.72，因此原AIOE是替代构念，而非与语言模型暴露无关的安慰剂。

全资历职业梯度模型控制职业×来源和来源×半年固定效应，按职业聚类。美国LinkedIn-only包含781个职业，中国招聘板723个职业。完整共同窗口如下；基期是归零参照，不是估计为零且无误差的观察。

中国招聘板

中国LinkedIn来源（受退出影响的补充比较）

美国LinkedIn-only

中国标签交互另列如下。职业设计控制职业×季度、标签×季度、职业×标签；企业设计另控制企业×季度。结果反映各自选定来源与企业样本，单站标签断点使其不承担跨国职业早期变化的解释。

51job在2022末至2023初、智联和猎聘在2023后期出现单站标签跳变，幅度约35—50个百分点；同时标题初级词占比未发生相应变化。中国招聘板标题初级词在2022H2和2025H1分别为3.2%和3.1%，只覆盖较窄的标题表达。

附录三：职业暴露与经历交互

企业名单依据2021年1月至2022年10月招聘选取；主要外部任职面板要求企业×职业对在2019H1—2022H2至少10条抽样外部任职。估计前共有102,115对。任职经历口径事件面板6,608,490条记录，教育口径4,640,947条，标签口径6,092,803条；这些是至2025H2的记录数，合并估计止2025H1。

“距最早任职不足三年”使用距已记录最早开始日的时长；“教育结束不足三年”使用任职开始前后允许范围内最近一次教育结束日期，缺日期者不进入该比较。标签1–2与3–4比较排除5–7级，因此分组变化也改变适用人群。

企业内模型为：

其中f为企业、o为职业、g为经历组、t为半年。事件模型用各半年的交互替代合并后期；标准误按职业聚类。事件模型拟合至2025H2，以下展示全部前期与截至2025H1的后期；基期2022H2，展示截断不改变原拟合窗口：

任职经历不足三年

教育结束不足三年

首次已记录任职

资历标签1–2

合并模型与事件模型采用不同参数化，均为未加权OLS。合并模型比较完整前期与后期，事件模型以2022H2为基准。2023H1—2025H1五个事件系数等权平均的敏感性为：

RM将后期未处理趋势偏离的相邻期变化限制在前期最大相邻变化的指定倍数内；SD限制趋势偏离的曲率。二者是不同假设，不按数值大小直接比较。敏感性平均目标最后一个2025H2系数权重为零。

标签口径的其他设计与诊断：

招聘职业模型2021Q1—2026Q2，后期从2023Q1起、增量从2025Q3起；任职职业模型2019Q1—2025Q4。前者基期2022Q4，后者2022Q3；企业招聘事件基期2022Q3。不同模型基期与频率分开标示。职业任职标签的平均后期Honest区间，SD0为[−.103,−.065]，RM=.5为[−.301,.144]。企业招聘平均后期常规区间[−.142,.125]，RM=.25为[−.252,.340]。

附录四：招聘AI专业岗位的企业比较

代理A表示首次出现指定AI工程岗位在2023Q1—2025Q1；共同Post从2023Q1起。模型为：

处理单位是企业代理组，标准误按企业聚类。事件交互仍按日历季度，而非距离各企业首次AI岗位的时长。前期联合检验使用2021Q1—2022Q3七期，相对基期2022Q4；任职结果样本本身起于2019Q1。

任职全窗口止2025Q4，招聘止2026Q2。计算机子样本是SOC15-12。分组单独DiD在全任职样本中分别为低资历−.104(.016)、高资历+.016(.015)，但其企业和季度固定效应不同于DDD控制，分别解释。

附录五：招聘与任职记录的连接

样本要求企业职业对在2021H1—2022H2至少20帖和5条任职开始，形成346,699对；事件面板止2025H2，合并后期2023H1—2025H1。任职计数未加权，含内部移动。结果分别为log(1+P)、log(1+H)和二者差，控制企业职业与企业半年固定效应，按职业聚类。

低资历差值前趋势p=.005；不同E、排除staffing和来源限制为敏感性比较。首次任职与全部资历招聘的差值+.110(.012)，比较对象不同，不解释为岗位填补率。

职业评分与经历划分的准确规则

职业暴露为Eloundou GPT-4 beta（E1 + 0.5E2），先将八位职业评分等权汇总到六位SOC，再对798个有评分职业标准化。高暴露采用严格大于0.5296998437304036的标准化评分，原始beta阈值约0.44240874068460273；分类使用完整精度，266个职业属于高组。任职固定样本中实际出现256个高组职业、427个较低组职业，所有计算机职业都在高组。职业评分在观察期内固定，人员经历组并不各自拥有不同的任务暴露分数。

工作经历早期组采用开始日期距最早已记录开始日小于1096天；教育口径采用距选定教育结束小于1096天，允许选取任职开始后182天内结束的最近一次教育，缺日期者排除。岗位标签1、2分别为Entry level / Intern与Junior Level；3、4分别为Associate/Analyst与Manager。描述图中的其他组含未进入前三个分类的记录，不能统一解释为高级管理者。首次记录口径比较档案第一段任职与已知跨母公司任职。

软件二元指示的招聘模型以SOC15-1251—15-1254相对其他职业比较岗位等级差异，区别于个人经历模型及描述性SOC15-12范围。后期系数−0.193（0.135），2025Q3后增量−0.189（0.050），前趋势F=321.88；完整前期路径说明软件岗位分类差异早已发生变化。该模型的结果不构成软件内部连续暴露与个人经历的交互。

合并标签系数与单期路径的比较基准

外部任职标签模型的合并系数为−0.018（0.008），但后期相对2022H2的单期系数多接近零或为正。2019H1和2020H1的系数已分别比2022H2高0.042和0.056，后期相对整个2019—2022年前期走弱，可以与相对2022H2略高同时出现。合并模型止于2025H1，事件模型拟合至2025H2；这解释比较基准的差异，并非对合并系数进行数值分解。

完整年度与同季记录比较

下表为工作经历口径的样本计数。早期指距最早已记录工作约三年以内，较长经历指约三年及以上；高与较低暴露沿用固定全职业阈值。软件15-1251—1254与计算机15-12为嵌套范围。

参考文献

[7] OpenAI Economic Research (2026). ChatGPT’s expanding world of work，2026-10-26；Signals v3.0数据与方法。

[8] O*NET Resource Center. O*NET数据库与工作活动映射：Tasks to DWAs及GWAs to IWAs to DWAs。

[1] Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384, 1306–1308. https://doi.org/10.1126/science.adj0998 。Felten, E., Raj, M., & Seamans, R. (2021). Strategic Management Journal, 42, 2195–2217. https://doi.org/10.1002/smj.3286 。语言模型扩展：https://doi.org/10.48550/arXiv.2303.01157 。

[2] 数据：Revelio招聘与职业履历。Rambachan, A., & Roth, J. (2023). A more credible approach to parallel trends. Review of Economic Studies, 90(5), 2555–2591. https://doi.org/10.1093/restud/rdad018 。方法参数与目标见附录三。

[3] Hosseini Maasoum, S. M., & Lichtinger, G. (2025). Generative AI as seniority-biased technological change: Evidence from U.S. résumé and job posting data. 工作论文。https://doi.org/10.2139/ssrn.5425555 。本文采用较窄的AI工程岗位指标、共同后期及任职开始结果，比较设计与原研究的具体估计对象分别理解。

[4] Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. 工作论文。https://siepr.stanford.edu/publications/working-paper/canaries-coal-mine-six-facts-about-recent-employment-effects-artificial 。薪资单就业存量、年龄与本文履历流量、经历的定义不同。

[5] 产品时间：Copilot预览，2021-06-29；Copilot GA，2022-06-21；ChatGPT，2022-11-30；GPT-4，2023-03-14；Claude Code预览，2025-02-24；Claude Code GA，2025-05-22；GPT-5，2025-08-07。

[6] 职业分类：美国劳工统计局2018 SOC：15-1251为Computer Programmers；15-1252为Software Developers；15-1253为Software Quality Assurance Analysts and Testers；15-1254为Web Developers。