人工智能对就业市场的影响正引发广泛讨论，不同研究机构在评估职业被替代风险时，得出的结论存在显著差异。美国经济学者近期通过分析职业任务的可替代性，构建了“风险暴露评分”体系，试图量化各行业受人工智能冲击的程度。该体系基于美国劳工部职业任务数据库，将职业拆解为具体任务单元，评估人工智能执行这些任务的效率优势。例如，烘焙师的核心任务包括揉面和烘烤，而金融分析师需要评估企业财务状况，不同任务被人工智能替代的可能性各不相同。
当前评估职业风险的方法主要分为三类，但均存在局限性。人工评分易受主观因素影响，不同评估者对同一职业的判断可能截然不同；基于企业人工智能使用情况的打分方式，往往仅反映特定平台的应用现状，难以代表整个行业；依赖人工智能模型进行评分时，模型本身的训练数据偏差和技术缺陷也会导致结果失真。这些方法在数据覆盖面、客观性和时效性等方面均存在改进空间。
美国全国经济研究所最新研究显示，不同人工智能模型对职业风险的评估存在明显分歧。研究人员向ChatGPT-5、“双子座2.5”和“克劳德4.5”等主流模型提出相同问题，发现它们对会计、广告经理等职业的风险判断差异显著。例如，ChatGPT与“双子座”在约四分之三的案例中达成共识，但仍有四分之一的评估结果相左。这种分歧不仅源于模型算法差异，还与职业领域的人工智能应用深度密切相关。
金融分析师等职业的案例颇具代表性。作为较早大规模应用人工智能的行业，金融领域产生的训练数据被广泛用于模型开发，这种“数据循环”现象导致模型对该职业的评价存在偏差。当模型训练数据与评估对象存在重叠时，评估结果可能高估或低估实际风险。研究人员指出，这种技术闭环效应在数据密集型行业尤为突出，需要引起特别关注。
针对评估方法存在的缺陷，学者建议采用多模型交叉验证的方式提高结果可靠性。通过整合不同模型的评估结果，可以部分抵消单一模型的偏差。同时，需要深入调查人工智能在各行业的具体应用场景，明确模型执行的具体任务类型。例如，同样是金融领域，人工智能在风险评估和客户服务环节的应用方式截然不同，这种差异化应用需要更细致的分类研究。只有结合技术实现路径和行业应用特征，才能构建更具参考价值的职业风险评估体系。
