采用生成式 AI 将对美国物流劳动力的各个工作产生不同的影响

快速阅读: 据《华盛顿公平增长中心》最新报道，生成式AI将重塑物流业，高认知任务岗位易被替代，低薪岗位影响较小。政策需平衡创新与就业。

2025年7月10日
作者：克里斯托夫·科姆贝马尔
达斯汀·费伦
安德鲁·巴伯
劳伦斯·阿莱斯

主题：人工智能、技术与经济——就业流动性

生成式人工智能有望深刻重塑劳动力市场，就像以前的自动化浪潮一样，但有明显的不同。与早期的技术（如计算机化，主要自动化常规行政任务）或机器人技术（影响制造业环境中的手工任务）不同，生成式人工智能针对的是认知任务。以GPT-4等商业可用的大语言模型（LLM）为例，生成式人工智能可以执行复杂且非标准化的功能，这些功能传统上依赖于人类判断。这包括实时调度、运输资源的动态重新路由以及在物流运营中解释客户查询等任务。事实上，主要的全球物流公司已经成功利用生成式人工智能来自动化重复性认知任务，从而带来显著的运营效率和响应能力。此外，物流行业的公司还利用生成式人工智能来自动化海关文件处理、简化库存管理并优化货运网络。虽然生成式人工智能可以增强传统的物流流程——从需求预测和供应商谈判到网络设计和合同分析——但其更广泛的影响取决于工人的任务和采用的经济激励。供应链和物流行业内的职业，特别是那些涉及常规但认知密集型任务的职业，如计费、薪酬和数据录入，特别容易受到潜在的颠覆。一个职业受生成式人工智能影响的程度——称为AI暴露度——取决于该职业内任务对自动化或通过生成式人工智能技术加速的敏感性。学者们开发了各种指标，利用不同的方法论和数据来源，包括专家评估、专利相关任务的评估以及基于所需能力的任务分析，以确定AI暴露率。虽然生成式人工智能可以增强传统的物流流程——从需求预测和供应商谈判到网络设计和合同分析——但其更广泛的影响取决于工人的任务和采用的经济激励。供应链和物流行业内的职业，特别是那些涉及常规但认知密集型任务的职业，如计费、薪酬和数据录入，特别容易受到潜在的颠覆。我们的研究发现，美国物流行业内的职业在对生成式人工智能的易感性方面存在明显差异，其中认知密集型的行政职位表现出特别高的易感性。例如，在超过20万名物流经理（包括运营经理、仓库经理、运输经理和类似头衔）中，超过90%的任务都可能被AI驱动的自动化所替代，几乎100%的任务被归类为核心活动，突显出重大失业风险。相比之下，公交车和卡车机械师——这个群体超过7万名工人——则显示出0%的任务暴露度，突显出物流生态系统中AI自动化风险的巨大差距。在这篇文章中，我们探讨了可能塑造生成式人工智能改变美国物流劳动力潜力的机制。特别是，我们讨论了生成式人工智能的采用如何不同地影响各种工人角色，并探讨了对工人的潜在后果，包括哪些职业在被AI扰乱时可能最难过渡到新角色。我们最后讨论了一系列政策含义，概述了如何通过战略性干预确保生成式人工智能采用带来的生产力收益转化为广泛的经济增长，而不是加剧美国劳动力市场的不平等。

美国物流行业劳动力特征

截至2023年5月，运输和仓储行业（或美国劳工统计局术语中的NAICS 48-49）是物流行业的代表性行业，美国约有660万名工人在此行业就业。美国物流行业劳动力特征自2010年以来，该行业经历了持续的就业增长，这是由消费者需求上升和供应链复杂性的增加所驱动的。下表1详细列出了运输和仓储行业的主要子行业，突出显示了它们在更广泛的美国物流景观中的独特作用。（参见表1）

表1

在这些子行业中，就业主要集中于少数几个关键职业。重要的是，AI暴露的影响可能集中在这些职业中。表2提供了运输和仓储行业中就业人数最多的职位的概览。（参见表2）

表2

正如表1和表2所示，美国物流行业包含多种子行业和职业——有些在不同行业中异质，如飞行员，而其他则是跨行业的，包括货物和材料搬运工。生成式人工智能对这些职业的影响将根据每个工作的主要任务而有很大差异。我们接下来探讨这种AI暴露。

定义AI暴露

在本报告中，我们借鉴了OpenAI的蒂娜·埃隆杜及其合著者在其2024年工作论文“GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models”中开发的新颖AI暴露度衡量方法。在那篇论文中，作者引入了一种创新方法，使用生成式人工智能本身——特别是大语言模型——直接评估任务级别的暴露度。这种方法根据任务是否可以显著加速（称为直接暴露）或需要互补的AI启用软件工具以实现显著的生产力提升（他们称之为LLM+暴露）来对任务进行分类。这一广受引用的AI暴露框架隐含地考虑了不同任务的重要性，通过区分核心任务和补充任务，但他们的模型并未明确处理任务频率——这可能会限制其在代表自动化决策背后的完整经济激励方面的准确性。我们认为，暴露程度应与职业任务的总数（或花费的时间）成比例。鉴于这一观察，我们修改了埃隆杜及其合著者提出的暴露度指标，通过按任务频率加权现有任务暴露度测量值来捕捉任务频率。这种方法根据任务是否可以显著加速（称为直接暴露）或需要互补的AI启用软件工具以实现显著的生产力提升（他们称之为LLM+暴露）来对任务进行分类。

AI暴露在美国内陆物流劳动力中

我们的分析始于通过职业信息网络（O*NET）记录的物流职业工作者执行的详细任务列表。O*NET全面记录了这些任务，包括它们对工作表现的相关重要性、每项任务执行的频率，以及每项任务是“核心”还是“补充”。核心任务是职业主要职责的核心，而补充任务则起支持作用，但并不那么基本。自动化核心任务与补充任务之间的区别至关重要，因为研究表明，自动化核心任务通常对职业稳定性和就业结果有更大的影响。同样，各种学者指出，任务频率是区分职业任务AI暴露的重要因素。任务频率直接影响自动化的累计经济回报，因为它突出了产生显著生产率增益的重复性任务。因此，将任务频率与任务重要性和核心/补充分类结合起来，可以得出一个更稳健、具有经济意义的AI暴露评估。

图1

下面展示了职业内任务重要性与任务频率之间的关系，显示任务频率表现出显著的独立变化——尽管也显示出它与重要性正相关。（参见图1）

任务频率直接影响自动化的累计经济回报，因为它突出了产生显著生产率增益的重复性任务。

图1

我们利用频率加权的AI暴露度指标，根据O*NET报告的频率数据，按每年估计执行次数对任务进行加权，计算AI暴露度。这种方法提供了一个更具经济基础和实际相关性的衡量标准，与美国供应链和物流职业的实际自动化激励高度一致。这种改进的暴露度指标可以更好地识别最易受到生成式人工智能驱动变化的任务和角色，从而支持主动的政策制定和战略性劳动力规划。

物流行业职业影响的生成式AI提供了一个更具经济基础和实际相关性的衡量标准，与美国供应链和物流职业的实际自动化激励高度一致。这种改进的暴露度指标可以更好地识别最易受到生成式人工智能驱动变化的任务和角色，从而支持主动的政策制定和战略性劳动力规划。

了解生成式AI在物流行业内的职业影响需要对特定角色和运输模式进行详细分析。在物流行业，有特定的职业类别，包括卡车和水路运输、航空运输的支持活动以及仓储和存储等。对于这些类别中的每一个，我们计算了AI暴露度分数，这些分数来自上述修改后的AI暴露度方法，并按任务频率加权。（参见表3）

表3

从表3中明显可以看出，美国物流行业内的不同运输方式——例如货运卡车运输、水路运输和管道运输——在生成式AI中断的暴露度上存在显著差异。货运卡车运输，以其动态路线、实时调度和频繁的文件要求为特点，尤其在行政角色中显示出很高的生成式AI暴露度。相比之下，涉及更多专业手工任务和较少频繁重复的认知活动的水路和管道运输，显示出相对较低的即时易感性——尽管预测性维护和监测任务仍然是有前景的AI应用。值得注意的是，铁路、货运和物流服务——尤其是货运运输安排服务和报关服务——在我们分析的所有物流行业中表现出最高的暴露度。超过75%的任务可能减少50%或更多，这个行业在未来十年内可能会在保持其生产力水平的同时减少总就业人数，并提高盈利能力。虽然一些职业在采用提升生产力的技术创新后可能维持就业水平，但整个行业的广泛干扰不可避免地会导致劳动力流失。

物流行业工人的AI暴露后果

虽然AI暴露对公司在降低劳动力成本和提高生产力方面有显著好处，但对工人（特别是处于脆弱角色的工人）的负面影响包括潜在的失业和工资抑制。图2下面介绍了这一维度，展示了不同行业中平均年收入与LLM暴露度的变化。（参见图2）

图2

图2中的蓝色气泡揭示了货运和地面货运子行业中的显著分化。一方面，卡车司机——目前最大的职业，雇佣了超过100万人——收入相对较低，面临相对较低的AI暴露度，这意味着自动化技术潜力有限或经济激励不足。另一方面，一个规模较小但收入显著更高的物流管理人员群体——如运营、仓库和运输经理，仅在这个行业中就有超过10万名员工——位于LLM暴露指数的顶端，超过90%的任务可能受到AI的影响。这种对比强调了在同一子行业中，企业可能会避免自动化低薪、低暴露度的角色，而会积极针对高薪、高暴露度的管理职位进行AI驱动的生产力提升——以及随之而来的失业或工资压力风险。

到目前为止，我们的分析主要集中在工作场所任务的直接自动化上，但间接接触人工智能也值得考虑。例如，负责仓库运营和调度的行政助理人员。即使仓库装载工的直接人工智能暴露程度有限，行政人员越来越多地使用人工智能驱动的软件来优化库存位置和运输顺序。预测模型可以确保经常订购的商品被放置在靠近装卸作业区的位置，从而显著减少仓库装载工的取货时间。因此，由于其他地方引入的溢出效应，没有直接任务自动化的职业的生产力可以显著提升。这揭示了评估行业内人工智能自动化的两种角度：一种是通过自动化工人的任务来减少对该工人类型所需的工作时间（或释放工人的产能），另一种是通过自动化提高任务执行的质量，从而实现效率提升。

职业特定的AI应用脆弱性

现在我们已经展示了物流子行业和职业之间的人工智能暴露差异，接下来我们将探讨特定职业可能面临自动化以及因此面临人工智能应用的脆弱性。深入研究两个在物流行业中高度暴露于人工智能的职业有助于揭示潜在的脆弱性。在物流行业中高度暴露于人工智能的两个职业是客户服务代表和调度员（除警察、消防和救护车外）。这两个职业在我们的暴露指数中都获得了最高值——100%——这意味着它们的所有典型任务都暴露于基于大型语言模型的技术方案。这使得这些职业在采用人工智能后极易受到职位流失或工资损失的影响。

首先让我们来看客户服务代表的例子。物流客户服务代表2023年，客户服务代表的典型收入为每年中位数39,680美元，与同类职业相比，这一收入较低。如果被取代，这些工人相对更有可能转到工资水平相近的工作。然而，如果人工智能带来的取代冲击影响到类似的职位，这些转变选择可能会同时受到制约，给受干扰的客户服务代表带来显著的工资和就业压力。（参见图3。）

图3

客户服务中的职位流失似乎很可能会发生，因为核心任务如“通过电话或当面与客户交流，提供产品或服务的信息，接收或输入订单，取消账户，或获取投诉详情”和“记录客户互动或交易，记录查询、投诉或评论的细节以及采取的行动”在生成式人工智能广泛可用和可及之前就已经在电话和虚拟支持线路中被自动化了。现在，客户服务中的人工智能自动化只是支付众多可用服务之一的问题。不幸的是，对于这些工人来说，他们下一个潜在的职业可能不是免受未来自动化影响的安全港。当我们计算平均暴露水平（根据历史职业转换比例加权，或预期在可能的替代职位集合中的暴露水平）时，我们发现美国经济中与客户服务相关的统计工人有95.22%的人工智能暴露。虽然这个数字低于我们对客户服务代表找到的100%，但它并不低到让这些其他工人感到自己不会受到进一步的干扰。即使这些工人偏离传统的职业路径，相似的职业往往比全国平均水平更加暴露。（参见图4。）

图4

因此，自动化解决方案的广泛采用可能导致这一职业群体的不稳定。如果生产率的提升不会导致劳动力需求的补偿（每个任务的工人较少，但要完成的任务数量更多），那么我们可能会预期工资下降的压力，因为工人们争夺有限的工作机会。

物流调度员

我们的第二个例子职业是调度员（除警察、消防和救护车外），他们在2023年的中位工资为46,860美元。调度员的工资与同类职业相当。（参见图5。）

图5

我们预计那些因技术冲击而被迫从一个职业转到另一个职业的工人会进入一个工资处于或低于当前收入百分位的新职业。换句话说，我们期望在一个职业中处于第90百分位的工人会在新职业中获得低于第90百分位的收入水平，因为他们在新职业中的经验相对较少。如果是这样的话，图5表明在这个特定职业中收入分布顶端的被取代工人在职业转换后可能面临维持其收入水平的重大挑战。调度员的收入通常高于客户服务代表，但他们已经面临自动化。这使得他们的被人工智能取代在技术上同样可行，并且从雇主的角度来看，甚至更具激励性，因为潜在的工资节省更大。此外，调度员的工作质量对公司在内部同事的生产力影响更大，相较于客户服务代表而言。这意味着质量是一个重要的指标需要考虑。如果生成式人工智能技术产生的结果比人类差，这些影响将被放大，导致组织内部产生连锁反应。同样，如果生成式人工智能证明优于人类调度员，那么潜在的节省可能超过被取代工人的补偿，因为关联员工从改进的协调中获得效率收益。重要的是，对人工智能造成的错误的容忍度会因环境而异，取决于失败成本与所犯错误性质之间的关系、现有的人类错误率以及识别和可能纠正错误的可行性。这种差异可能存在于不同的行业中——例如，驾驶飞机对错误的容忍度低，而在仓储中则不同——也可能因任务在价值链中的位置而异。例如，交付中的错误可能既因生产力损失又因影响客户体验而造成高昂的成本，而最佳存储中的错误可能仅通过生产力影响成本。与客户服务代表一样，调度员也面临着转向暴露程度较低的人工智能工作的挑战，尽管调度员的情况略好于客户服务代表。我们的研究表明，与调度员相似的工作也高度暴露于人工智能，尽管不像调度员那样暴露程度达到100%。（参见图6。）

图6

如果各行各业以不同的速度采用自动化，被取代的工人可能在几年内多次被取代。每次都会使相似工作的竞争更加激烈，因为越来越多的工人争夺收入分布的底部。更糟糕的情况是许多相似行业同时采用自动化技术。物流公司采用生成式人工智能的经济和运营激励一家公司决定在物流领域采用生成式人工智能，就像在任何其他行业一样，最终是由经济和运营激励驱动的。物流运营通常是劳动密集型的，涉及大量与货物移动和管理相关的劳动力成本。因此，有相当大的经济激励去部署人工智能来自动化高频、常规任务——比如文件处理、跟踪和库存管理——尤其是在劳动力构成运营成本重大部分的行业。劳动力成本还可以进一步影响人工智能的采用决策。物流行业中的高薪职位，如运输经理或供应链分析师，通常涉及高度适合人工智能工具的认知任务。自动化或增强这些任务可以为公司带来显著的成本节约和生产率提升。相反，低薪职位通常提供较少的即时激励进行人工智能的采用，不仅因为这些职位通常涉及不太容易自动化的任务，而且由于即时的经济回报有限。此外，保留这些低薪职位的员工可以通过生产率溢出效应提高整体效率，反映了传统的资本-劳动力互补性。一个相关的定量例子展示了人工智能辅助对客户服务代理处理时间的不同影响，这取决于任务的复杂性。研究人员发现，人工智能显著提高了中等不常见问题的效率，表明通过减少每次交互的劳动力成本可以带来巨大的好处。相反，人工智能对非常常规或极少见的问题影响很小，这暗示了一些情况，其中人工智能的实施和维护成本可能超过公司的收益。因此，物流领域人工智能采用的投资回报率同样取决于具体任务特征和人工智能在短期内可能实现的相应效率提升，考虑到对人工智能长期技术潜力的不确定性。人工智能采用的一个重要障碍来自公司内部或外部的抵制。内部，抵制可能来自决策者本身，他们可能因选择是否采用人工智能而影响他们可用的工作范围和数量。同样，低薪工人更可能由工会代表，工会将为其反对人工智能采用可能带来的任何不利影响而发声。

生成式人工智能采用的政策和监管考量

政策制定者在管理由生成式人工智能引发的美国劳动力市场动荡方面面临重大挑战。有效的监管框架必须在促进创新和生产率增长与保护就业和确保公平结果之间取得平衡。政策制定者可以考虑的一个选项是建立全面的工人过渡政策，包括强有力的再培训和技能提升计划。虽然现有的文献强调了针对培训计划的重要性，以帮助被取代的工人掌握符合新兴劳动力市场需求的技能，但最近的分析对此持谨慎态度，指出传统再培训努力的有效性证据混杂。因此，政策制定者应确保这些再培训计划经过深思熟虑的设计，基于证据，并专门适应解决人工智能驱动的失业所带来的独特挑战。此外，报告因人工智能采用而发生的就业变化的透明度标准至关重要。开发标准化框架可以促进系统收集和传播有关因生成式人工智能而导致的职位流失、职位创造和职业需求变化的数据。这种透明度有助于政策制定者和利益相关者准确监测生成式人工智能的影响，从而实现及时和明智的干预。相关地，政策制定者也可以利用现有的美国劳工统计局数据收集方法或开发新的指标，以识别人工智能引起的职位动荡的早期预警信号。近期文献强调了分析职位发布以检测技能需求的变化和与人工智能暴露相关的潜在脆弱性的实用性。此外，借鉴现有项目的经验，如贸易调整援助计划，这是一个由美国劳工部管理的联邦倡议，为因进口商品增加而被取代的工人提供培训、再就业服务和收入支持，可以为设计人工智能特定项目提供有价值的见解。这种方法对于创建鼓励企业透明分享就业影响数据的激励措施特别有用，而不会无意中促使高管或股东为了短期收益加速人工智能的采用。此外，鼓励企业采用增强人力而非替代人力的AI技术的政策有助于缓解就业损失。工人的技术采用决策权有助于推动这些激励措施。鼓励投资于提升人类生产力的AI技术，如预测分析和工作流程自动化工具，而不是完全取代人力角色，这有助于维持就业水平并提升生产率。在这一领域可能的政策杠杆包括：专注于特定类型的技术投资的税收抵免，强调增强人力的生产率增长；以及再培训计划（例如，加快高风险工人的职业转换，或帮助工人获得技能以拓宽潜在转换选项，从而增加他们对技术颠覆的适应能力）；以及与薪资目标相关的特定税收抵免，例如将资本投资与工资提升挂钩。监管政策也必须考虑生成式人工智能带来的竞争动态。数据正日益被视为有效利用生成式人工智能的关键辅助资源。促进对相关数据的公平获取的政策，如公共数据资产或互操作性标准，以及减轻数据所有权和处理中的垄断倾向的政策，如促进基于市场的计算资源采购，可以确保更广泛的经济利益，并防止既有企业的固有优势。确保AI采用者之间的竞争环境可以使价格承受下行压力，从而对劳动力市场产生积极影响。最后，基于对职业特定的AI暴露的详细分析进行的战略区域和行业特定的经济规划至关重要。政策制定者应主动识别脆弱社区和职业，通过直接干预、经济多样化举措以及在较少受AI颠覆影响的行业创造就业机会的刺激措施来提供有针对性的支持。物流相关职业的就业地理集中度使得区域战略更加紧迫。例如，BLS数据显示，某些州的运输、仓储和分销经理数量远高于其他州的，这可能使这些当地的劳动力市场更容易受到具有相关技术暴露的职业的冲击。整合这些政策考量有助于政府和利益相关者应对由生成式人工智能带来的复杂劳动力市场动态，促进美国物流行业的包容性增长和劳动力韧性。

结论

本文评估了生成式人工智能在美国物流和供应链部门的潜在影响，突出了关键的定量发现，并明确了对政策和行业利益相关者的含义。我们的分析表明，美国物流部门内的职位表现出截然不同的人工智能自动化风险特征。在超过20万名物流经理——包括运营经理、仓库经理、运输经理等类似头衔——中，超过90%的任务容易受到人工智能驱动的自动化影响，几乎所有这些任务都被归类为核心活动，这表明存在显著的失业风险。相比之下，公交车和卡车机械师——人数超过7万——几乎面临0%的任务暴露，这凸显了在整个物流生态系统中技术潜力和自动化经济激励之间的巨大差距。这些发现强调了需要细致入微的、针对特定职位的劳动力干预措施和生成式人工智能技术的战略采用。重要的是，物流行业内的各个子行业在人工智能暴露方面也表现出显著差异。例如，货运运输显示出特别高的脆弱性，而仓储和存储则面临相对较低的易感性。职业集群内部以及不同薪资范围内的流动性进一步加剧了工人转型的复杂性，因此需要有针对性的政策回应，以解决潜在的失业问题并确保可持续的职业发展路径。政策制定者还必须考虑应对被取代工人长期收入损失的措施。全面的政策，包括工资保险、过渡性收入支持以及针对性的再培训和提升技能计划，对于缓解经济困难至关重要。未来的研究应继续跟踪人工智能采用后的就业结果和生产率变化，以完善这些政策策略并提高其有效性。

关于作者

克里斯托夫·科姆贝马尔是卡内基梅隆大学工程与公共政策系的助理研究教授，他的研究重点是技术对劳动力技能和组织结构的影响。他最近的工作探讨了生成式人工智能对多个行业劳动的影响及产业转型。他还是Valdos Consulting的首席执行官和主要合伙人，专注于技术经济建模，以支持市场、技术和劳动力战略。

劳伦斯·阿莱斯是卡内基梅隆大学泰珀商学院的经济学教授。他于2008年获得明尼苏达大学经济学博士学位，并获得罗马Tor Vergata大学物理学学士学位。他的研究重点是税收政策设计以及技术变革对劳动力的影响。

达斯汀·费伦是Valdos Consulting的高级工程师，提供复杂系统分析、劳动力和服务供应链以及可扩展分析软件解决方案的专业知识。他拥有系统工程背景和丰富的行业经验，为公共和私营部门客户提供有关管理劳动力转型和技术整合的建议。

安德鲁·巴伯是Valdos Consulting的高级经济学家，专长于经济建模、劳动力市场分析以及新兴技术（如生成式人工智能）的影响。他的研究评估了公共部门倡议、劳动力准备情况和激励兼容的政策解决方案，支持政府和行业努力应对技术颠覆。

(以上内容均由Ai生成)