7 月 24 日我們寫過史丹佛那份 ADP 薪資資料研究，標題是 ChatGPT 問世三年，入門級職缺少了 13%。當時用的是上一個資料切面。
8 月 12 日，同一組作者釋出了修訂版。數字變了，更重要的是，他們第一次給出了解釋。
15% 到 19%，兩年之間
Erik Brynjolfsson、Bharat Chandar 與 Ruyu Chen 用的還是 ADP 的行政薪資資料，看的還是同一件事：ChatGPT 發表之後，就業怎麼按年齡與 AI 暴露度分化。
修訂版列了六條結論。第一條要先擺出來：他們沒有看到全經濟範圍的普遍替代。這句話是原文的第一句，不是免責聲明。
第二條是分化。22 到 25 歲、處在高 AI 暴露職業裡的人，就業比「跟上同齡低暴露組成長率」這個反事實基準低了約 19%。有經驗的工作者身上找不到對應的缺口。
第三條給出了這條線的走勢：2025 年 7 月那個資料切面上，缺口是 15%；到 2026 年 6 月，走到了 19%。這條線不是見頂回落，是繼續往下拉。
絕對水準寫在註腳裡，比比值更直觀。2022 年 11 月到 2026 年 6 月之間，22 到 25 歲、處在暴露度最高那兩個五分位的人，就業人數掉了約 11%；同一個年齡層、處在暴露度最低那三個五分位的人，就業人數漲了約 10%。同齡、同一段時間、相反方向。
第四條講通道：調整主要發生在「少徵人」這一側，不是「多裁人」那一側。
第五條講分布：跌幅集中在 AI 被拿來替代人類任務的職業；在 AI 被拿來輔助人的職業裡，就業持平或者上升，年資越深越明顯。
第六條講價格：目前反應出現在就業上，還沒有出現在本薪上。
新增的那一段：成文知識與手上功夫
這次修訂真正值錢的地方，是作者補上了機制。
他們把知識分成兩類。一類叫成文知識，指那些被寫下來、標準化過、能靠教科書與作業程序教會的東西。另一類叫默會知識，指靠實作、帶教與反覆碰真實場景才能攢下來的東西。
資料落在這條線的兩側：靠成文知識吃飯的職業裡，年輕人的就業在跌；靠默會知識吃飯的職業裡，資深工作者的就業在漲。
作者給的解釋很克制：生成式 AI 特別擅長複現與調用已經被編碼進文字與數位資訊裡的知識，而經驗型知識仍然難以複製。
把這句話落到具體的人身上，含義相當直接。一個 23 歲的人手裡，絕大部分能力都是成文知識——課上學的、教材上寫的、到職訓練裡講的。這正是他被僱用的理由，也正是模型學得最好的那部分。他還沒有攢下任何默會知識，因為默會知識只能靠時間攢，而攢它的那些職位正在減少。
修訂版還提了一個值得單獨記住的發現：女性在職業上的平均 AI 暴露度更高。作者說會繼續追蹤這一項。
作者自己給了三條反駁
這份修訂版比我們 7 月寫的那一版更謹慎，這一點必須說清楚。
先看他們排除掉的解釋。把科技公司與電腦類職業剔掉，分化還在；控制利率上升的暴露度與遠距工作，分化還在；把進出樣本的公司算進來，分化還在；換一套 AI 暴露度的衡量方法，分化還在。美國人口普查局 Tucker 2026 那份工作論文用政府行政資料，按年齡與產業跑出來的原始形態也大體一致。
再看他們自己列的三條警告。第一，把教育程度考慮進去之後，高暴露與低暴露年輕人之間的差距會縮小。第二，生成式 AI 普及之前就已經能看到一些同方向的趨勢。第三，ADP 樣本裡估出來的缺口，比全國性抽樣調查基準要大，而且差異集中在教育、醫療與公共行政三個產業。
還有一條更技術性的：他們改進資料管線之後，原始形態類似，但那些考慮了企業整體徵才變化的估計，對設定選擇更敏感了。作者的原話是，這讓「多少是 AI 造成的」與「ADP 樣本能不能推廣到整個經濟」兩個問題都變得更值得追問。
這不是一份自己往前衝的論文。作者明確說，不把這篇或者任何單篇研究當成 AI 勞動市場效應的定論。
放進這一年的其他證據裡看
這份修訂版最有用的位置，是它跟另外兩組數字放在一起的時候。
7 月 5 日我們寫過 入門級職缺少了 35%，聯準會卻說不怪 AI：徵才端的入門職缺確實在塌，但聯準會的研究沒能把它歸到 AI 頭上。7 月 21 日的 律所和顧問業的入門職，兩年半少了 35%給的是產業切面，法律與顧問這兩個最典型的成文知識產業，入門層塌得最深。
這三組數字現在能拼成一句話：入門職缺在減少，減少集中在成文知識密集的職業，而把這件事歸因到 AI，仍然沒有人做出來。
7 月 15 日那篇 200 位經濟學家、16 個諾獎，湊出四句「可能」寫的也是同一件事的另一面：這個領域的共識聲明裡，動詞全是「可能」。史丹佛這次的修訂版，是同一種謹慎，只是它至少把機制往前推了一格。
對一個 23 歲的人意味著什麼
先說這份研究沒說的：它沒說 AI 搶走了你的工作。作者反覆強調這是描述性形態，不是因果估計。
再說它說了的。
第一，塌的是徵才那一側，不是解僱那一側。已經在職的人受影響小得多。所以現在換工作，比在原職位待著要貴，這個價差是新的。
第二，暴露度不看產業，看你做的那件事是成文的還是默會的。同一個「分析師」的頭銜，做標準化報表的與做客戶關係判斷的，在這條線的兩側。挑工作的時候，問的應該是「這份活裡有多少是能寫進作業手冊的」，而不是「這個產業會不會被 AI 衝擊」。
第三，AI 被用來替代還是輔助，決定了整個職業的方向。在輔助型職業裡，年資深的人就業還在漲。這不是一句安慰話，是六條結論裡的第五條。
第四，趕緊攢默會知識。帶教、跟真實客戶打交道、處理沒有標準答案的意外——這些以前叫「新人磨練」，現在是這條線上唯一穩的一側。麻煩在於，提供這類磨練的職位，正是塌得最快的那批。這個矛盾這份論文沒有解，也不假裝解了。
最後一件事值得記進行事曆。史丹佛數位經濟實驗室這次同時上線了 AI 經濟指標專案，其中的金絲雀看板會每月更新論文裡的關鍵結果。也就是說，從現在開始，這個缺口是月度資料，不再是一年一次的論文。下一個數字什麼時候到、往哪個方向走，會比這一次的 19% 更能說明問題。
