"AI暴露度"六大研究方法

"AI暴露度"这一被广泛引用的概念，实际上并不存在统一定义，而是至少涵盖三类性质迥异的测量方法：基于Anthropic和微软Copilot真实聊天日志的"揭示性使用"数据、基于专家评级和AI自我评分的"理论/预测"数据（如Felten AIOE和Eloundou研究），以及基于Ramp企业信用卡记录的"企业实际支出"数据。三类方法回答的问题截然不同——人们实际在用AI做什么、AI理论上能做什么、企业真金白银在为AI买什么单——却常被媒体和市场简单混用为同一个"AI暴露度"数字。

理论暴露度（AI"理论上能胜任"的工作范围）通常远大于实际使用暴露度，二者之间的巨大鸿沟意味着，任何基于理论潜力得出的"AI将迅速取代大量岗位"式结论，都可能系统性高估短期冲击速度，因为技术从"理论可行"到"实际大规模采用"之间存在组织惯性、实施成本等现实摩擦。尤其值得警惕的是，Eloundou研究让GPT-4自行为任务打分的方法，隐含着AI模型可能对自身能力产生系统性乐观偏差的风险，不宜直接作为劳动力市场预测的可靠依据。

评估AI相关股票和宏观叙事时，应优先参考"企业实际支出"（如Ramp数据）等更贴近真实商业决策的证据，而非单纯依赖理论潜力评估，才能更准确判断当前AI资本开支周期的可持续性，避免被表面精确、实则方法论模糊的"暴露度"数字所误导。