Report Snapshot
894O*NET 职业
4因果管道门
5位移阶段
AI×职业 · 模型白皮书 · 2026
ACDP 模型技术白皮书
AI Career Displacement Progress：用“四扇门”因果管道框架，度量 894 个美国职业在 AI 位移进程中卡在哪一步。
SECTION 01
报告导言
AI Career Displacement Progress
四扇门因果管道框架（G1–G4 四扇门）：度量 AI 对 894 个美国职业的位移进程
版本 1.0 | 2026 年 6 月 | Maverick Research
- 分析单元：894 个 O*NET 职业（853 个已评分 + 41 个未评分）
- 数据截止：2026 年 6 月
- 方法论参考：OECD/JRC《Handbook on Constructing Composite Indicators》(2008)
SECTION 02
摘要
ACDP（AI Career Displacement Progress）是一个进程指标，度量特定职业在 AI 驱动的位移管道中已经走到了哪一步。它不预测“概率”或“时间表”，因为这两者在认识论上不诚实。它回答的是一个更具操作性的问题：AI 替代这个职业的进程，目前卡在哪一步？
模型覆盖 894 个美国 O*NET 职业，通过四扇门加市场信号（技术可行、任务覆盖、经济激励、制度准入，加上作为结果的市场信号）构成因果管道，逐门检查。每个职业被判定为五个阶段之一，并标注阻挡其进入更高阶段的具体“门”。
| 指标 | 值 |
|---|---|
| 覆盖职业数 | 894 |
| 门（维度） | 4（G1–G4） |
| 外部对照 | 外部市场信号（不参与计算） |
| 阶段 | 5 |
| 对阈值敏感 | 129 |
核心发现：近七成职业（68.6%）仍卡在前两道门。技术可行（实验期 35.2%）或任务覆盖（渗透期 33.4%），大部分人有充分的准备时间。另有 17.1%（153 个）职业四门全开、进入新均衡阶段：替代的技术、任务、经济、制度前提都已具备，职业核心定义开始动摇。这些职业是否在劳动力市场上真正完成替代，由外部市场信号事后比对验证。
SECTION 03
设计哲学：为什么需要 ACDP
2.1 现有工具的共同缺陷
市面上关于“AI 对就业影响”的量化工具，多数存在三个问题。
第一，终点论断。它们给出一个概率数字（如“自动化概率 51%”），但不告诉你这个数字的构成是什么，是技术能力已经到位但制度在挡路？还是技术根本没到？同一个 51%，背后的脆弱结构和应对策略可能完全不同。
第二，时间幻觉。有些工具预测“2028 年会被替代”或“未来 10 年内消失”。这种预测在社交媒体上有传播力，但在方法论上站不住脚，它需要对技术进步速度、企业采用曲线、监管政策演变和劳动力市场惯性做出精确的联合预测，而这四者中任何一个的预测误差都足以使结论失效。
第三，单维度压缩。多数工具把不同性质的证据，比如技术能力、任务暴露度、经济成本、制度壁垒、市场信号等等，混入到一个加权平均值，丢失了“进程卡在哪一步”的结构性信息。
2.2 ACDP 的设计选择
ACDP 做了不同的选择：它是一个进程指标（progress indicator），而不是概率预测。
ACDP 把 AI 替代一个职业的过程想象成一条管道，管道上有四扇门，依序排列。顺序是固定的，不能跳跃。原因是每扇门的打开，都以前一扇门的打开为前提。模型从左到右逐门检查，第一扇没通过的门就决定了这个职业停在哪个阶段。而市场信号不是门，是四扇门打开之后的市场结果，用就业和薪资的实际变化，确认并分级位移是否已经发生，还是假借“AI之名”的错误信号。
核心信念：告诉用户“现实处境的具体结构是什么”，比告诉用户“你有 51% 的概率被替代”更有用。
这四扇门，分别对应就业替代的四个核心问题：
- 技术可行。AI 的基础能力真的接近人类了吗？
- 任务覆盖。基础能力达标后，AI 真的能完成具体任务了吗？
- 经济激励。任务覆盖后，对雇主来说，AI 替代在经济上真的划算吗？
- 制度准入。制度、法规、证照等制度因素，真的允许替代发生吗？
G1
技术可行
阈值 35
→
G2
任务覆盖
阈值 31
→
G3
经济激励
阈值 37
→
G4
制度准入
阈值 40
┊
市场信号
外部对照
不参与计算
悬停或点击任一扇门，查看它把守的问题与对应阶段。
图 1：ACDP 因果管道，四扇门依序排列，市场信号是四扇门打开后的市场结果
SECTION 04
因果管道：四扇门与市场信号的计算策略
四扇门（G1–G4）构成线性传导管道，依序排列、不能跳跃，每扇门依次回答一个具体问题；市场信号不是门，而是四扇门打开后可供对照的市场结果，用于区分真实的就业替代与“以AI为名”的虚假信号。
符号约定：S1–S5 表示五个阶段；G1–G4 表示四扇门；D{门}-{序}（如 D2-1、D4-3）表示某扇门内的子指标（数据维度）；M-1…M-3 表示外部市场信号的子指标（不参与计算）。门 Gn 的得分由其子指标 D{n}-* 加权合成，并与阈值比较决定是否通过。
| 维度 | 实际问题 | 分析粒度 | 论证方向 | 阈值* |
|---|---|---|---|---|
| G1 技术可行 | AI 基础能力接近人类了吗？ | 能力域（ability） | 潜力分析：AI 最多能做到什么 | 35 |
| G2 任务覆盖 | AI 能完成具体任务了吗？ | 任务（task） | 潜力分析：任务上真正能做多少 | 31 |
| G3 经济激励 | AI 就业替代在经济上划算吗？ | 职业 | 过滤器分析：值不值得做 | 37 |
| G4 制度准入 | 制度、法规、证照等制度因素，允许就业替代发生吗？ | 职业 | 过滤器分析：允不允许做 | 40 |
| 市场信号（外部对照，不参与计算） | 就业和薪资已经开始变了吗？ | 职业 | 结果验证：是否真的发生了 | —（外部） |
表 1：四扇门定义与阈值（G1–G4 为门，参与计算；外部市场信号为模型外的对照数据，仅用于事后验证，不进入评分与阶段判定）；
*阈值设定详见§7.2 阈值。
「证据类型」说明每个维度的分数代表哪一种知识、该如何解读：潜力类（G1、G2）告诉你"能不能"，是前瞻上限，高分不等于已替代；过滤类（G3、G4）告诉你"会不会推进"，是筛选条件；结果类（市场信号）告诉你"是否已发生"，是事后验证。管道顺序正是按「潜力 → 过滤 → 结果」排列。
每扇门的得分都由其子指标（D{门}-*）经统一预处理（见 §4.2：变换 → winsorize → 0–100 归一化 → 方向统一）后加权合成，再与阈值比较决定是否通过。以下为四扇门各自的计算策略。
Gate Strategy 01
3.1 G1 技术可行的计算策略
子指标：D1-1（OECD 9 个能力域的 AI 达成度 × O*NET 49 项 abilities 的职业重要性权重）。G1 在能力域（ability）层面操作，度量 AI 的“天花板”。前沿 AI 在各能力域的达成率与该职业所需能力的匹配程度。单一子指标归一化到 0–100 即为 G1 得分，阈值 35。G1 是潜力上限：得分高只代表“能力够得着”，不代表已可替代。
Gate Strategy 02
3.2 G2 任务覆盖的计算策略
子指标：D2-1 Anthropic 任务渗透估计（权重 0.6）+ D2-2 Frey-Osborne 自动化概率（0.4）。G2 在任务（task）层面操作，度量“实际可达”。该职业有多少日常任务能被 AI 端到端替代。两子指标各自归一化后加权合成 G2 得分，阈值为 31。
Gate Strategy 03
3.3 G3 经济激励的计算策略
子指标：D3-1 工资中位数 p50（权重 0.6）+ D3-2 就业量 2024（0.4），两者先做 log(x+1) 变换再归一化后加权求和（非相乘）。G3 度量“用 AI 替代是否经济划算”：高薪职业替代收益大，低薪职业替代激励弱，低薪反而成为一种保护。但 G3 同时计入就业量（D3-2，权重 0.4）——庞大的就业军团意味着可省下的总薪资更大，会抵消低薪个体的保护。所以“低薪护城河”只在就业规模不大时成立：医疗誊写员、电话营销员这类低薪且规模有限的职业 G3 远低于门槛、被经济门拦下；而前台接待员、零售销售员单薪同样很低，却因就业规模极大，G3 反而越过门槛。阈值为 37。
Gate Strategy 04
3.4 G4 制度准入的计算策略
子指标：D4-1 许可覆盖率（0.15）+ D4-2 许可壁垒强度（0.2）+ D4-3 错误后果（0.35）+ D4-4 物理临近（0.3）。G4 度量“AI 进入该职业的制度通道畅通程度”，方向统一为得分越高、阻力越小（许可与保护性情境指标做反向），阈值为 40。
数据来自 Knee Center Occupational Regulation Database，覆盖 345 个受监管职业 / 155 个 SOC 代码的跨州许可覆盖率与壁垒强度。不在许可库中的职业视为“无已知许可要求”，G4 = 满分（完全通行）。
3.5 外部验证策略
外部市场信号不参与模型计算，而是作为模型外的对照层：模型用四扇门预测"替代的前提是否已具备"，外部市场信号用就业和薪资的实际变化检验"替代是否真的发生了"。
二者的关系是预测 vs 验证：
- 当某职业四门全开（新均衡）且 外部市场信号也显示就业/薪资明显下行 → 模型预测与市场一致，归因置信度高。
- 当四门全开但 外部市场信号尚未变化 → 替代条件已具备但市场还没反应，是"待验证"区。
- 当 外部市场信号大幅变化但四门未全开 → 就业变化可能非 AI 驱动（Low Attribution Confidence），需行业证据排查其他原因。
SECTION 05
数据源与评分方法
4.1 数据源清单
严格去重原则：每个数据指标只归属一个维度。
| 代码 | 所属门 | 数据指标 | 来源 | 覆盖率 |
|---|---|---|---|---|
| D1-1 | G1 | OECD 9 域 AI 达成度 × O*NET 49 abilities 重要性权重 | OECD AI Capability Indicators (2025) + O*NET | 100% |
| D2-1 | G2 | acdp_anthropic_task_penetration_mean_2026 | Anthropic 任务渗透估计 | 87% |
| D2-2 | G2 | acdp_frey_osborne_probability | Frey & Osborne (2017) | 88% |
| D3-1 | G3 | onet_wage_annual_p50 | O*NET / BLS OES | 99.7% |
| D3-2 | G3 | bls_oews_2024_employment | BLS OEWS 2024 | 97% |
| D4-1 | G4 | d4_licensing_coverage_share_2025 | Knee Center Database | ~25% |
| D4-2 | G4 | d4_licensing_barrier_intensity_2025 | Knee Center Database | ~25% |
| D4-3 | G4 | d4_work_context_consequence_of_error | O*NET Work Context | ~99% |
| D4-4 | G4 | d4_work_context_physical_proximity | O*NET Work Context | ~99% |
| M-1 | 外部市场信号 | bls_oews_trend_change_2022_2024_pct | BLS OEWS 趋势 | 97% |
| M-2 | 外部市场信号 | acdp_salary_signal_trend_derived | ACDP 派生 | 99% |
| M-3 | 外部市场信号 | acdp_anthropic_job_forecast_latest | Anthropic 预测 | 88% |
表 2：完整数据源清单（D1-1…D4-4 为四扇门子指标，参与计算；M-1…M-3 为外部市场信号子指标，不进入评分）。
4.2 预处理与归一化
预处理顺序固定为五步：
- P1 单指标变换：薪资、就业量做 log(x+1) 变换；
- P2 单指标归一化：对每个指标独立做 1%/99% winsorize，再用 winsorize 后边界做 min-max 归一化到 0–100。
- P3 方向统一：许可覆盖率、壁垒强度、差错后果、物理临近性、就业变化趋势和就业预测做反向（100 - x），使所有指标方向一致：值越高，位移进程越深。
4.3 维度权重
维度间权重通过多 LLM 结构化投票确定，最终由研究者裁决锁定，反映管道的因果结构：
| 维度 | 权重* | 角色 |
|---|---|---|
| G1 技术可行 | 12.8% | 前提条件，但不是主因 |
| G2 任务覆盖 | 38.5% | 管道核心，任务能不能被替代是整条管道的中心 |
| G3 经济激励 | 25.6% | 过滤器，技术可行不等于经济合理 |
| G4 制度准入 | 23.1% | 制度壁垒通常变化以年或十年为单位 |
表 3：四扇门维度权重（合计 100%）
*权重计算详见 §4.3多 LLM 投票 + 重归一化。
4.4 评分公式
ACDP_Score = 0.128 × G1' + 0.385 × G2' + 0.256 × G3' + 0.231 × G4'
缺失值处理：维度内若部分子指标缺失，对可用子指标权重做职业内重新归一化。若某一维度全部子指标缺失，则该维度记为 NA。Stage 判定要求 G1' 至 G4' 四门均可用；否则该职业标记为 Unscored（41 个职业因 G1–G4 数据不全未评分）。
SECTION 06
阶段判定规则
ACDP 使用混合方案：加权平均复合分数（ACDP Score 0–100）+ 管道逻辑覆盖规则（Pipeline Override）。阶段判定基于管道逻辑，不直接基于总分排名。
五阶段对应四扇门：每越过一扇门即向前推进一个阶段，第一道没过的门决定职业停在哪一阶段；四门全开即进入终点阶段。
| 阶段 | 名称 | 判定条件（第一道没过的门） | 门的状态 |
|---|---|---|---|
| S1 | 实验期 Experimental | G1' < 35（G1 未过） | 技术门没过，意味着AI 基础能力还没覆盖该职业核心，替代更多停留在对未来的预测上。 |
| S2 | 渗透期 Infiltration | G1 过，G2' < 31 | 技术门已过、任务门没过，意味着AI 能力到位，但能端到端替代的任务比例还不够，覆盖率低。 |
| S3 | 压缩期 Compression | G1–G2 过，G3' < 37 | 任务门已过、经济门没过，意味着任务技术上可替代，但替代的经济账还不划算，如低薪保护。 |
| S4 | 重构期 Restructuring | G1–G3 过，G4' < 40 | 经济门已过、制度门没过，意味着只差制度准入，政策法规、证照、责任机制是最后一道闸。 |
| S5 | 新均衡 New Equilibrium | G1–G4 全过 | 替代的技术、任务、经济、制度前提全部具备，意味着职业核心定义开始动摇。 |
表 4：四扇门 → 五阶段判定规则
5.1 门逻辑与阻挡门（Blocking Gate）
若职业未进入更高阶段，模型记录第一个未通过的门。阻挡门回答的问题是：这个职业的 AI 替代进程，具体卡在哪一步？
在四扇门模型里，卡在哪道门就直接对应哪个阶段。
比如，牙医被 G1 挡住 → 实验期：AI 的基础能力在精细手动操作域中连能力门都没到。护士被 G2 挡住 → 渗透期：AI 有认知能力基础，但护士的任务包含大量身体接触、临床判断和人际互动，能端到端替代的任务比例太低。医疗誊写员被 G3 挡住 → 压缩期：AI 能力到了、把口述转成病历文本的任务也大半能替代，但薪资太低、就业规模有限，企业用 AI 替代省下的钱覆盖不了部署成本，低薪反而成了一种保护。（注意：同样低薪、但就业规模极大的前台接待员、零售销售员，因 G3 计入就业量而越过经济门、落在新均衡——低薪护城河对“大军团”职业失效。）
5.2 外部验证标注（外部市场信号对照）
模型阶段由四扇门决定；外部市场信号作为外部对照，用于事后验证模型预测与市场实际是否一致。验证标注附加在 Stage 之上，不改变 Stage 判定本身：
| 标注 | 条件（模型阶段 × 外部市场信号） | 含义 |
|---|---|---|
| AT-1 一致确认 | 新均衡（四门全开）且 外部市场信号显示就业/薪资明显下行 | 模型预测与市场一致，归因置信度高 |
| AT-2 待验证 | 新均衡（四门全开）但 外部市场信号尚未变化 | 替代前提已具备，市场还没反应，所在观察区 |
| AT-3 低归因 | 外部市场信号大幅下行但四门未全开（G1–G4 任一未过） | 就业变化可能非 AI 驱动，需行业证据排查其他原因 |
表 5：外部验证标注体系（基于模型阶段与外部市场信号的一致性）
当前全量样本的标注分布：AT-2 待验证 27 个、AT-3 低归因 50 个；尚无职业落入 AT-1 一致确认（即“四门全开且外部市场信号已明确显示就业/薪资下行”的职业目前为 0，其余职业未触发标注）。这与数据集 attribution_annotation_codes 字段一致。
SECTION 07
全量分布结果
| 阶段 | 名称 | 英文名 | 职业数 | 占比 |
|---|---|---|---|---|
| S1 | 实验期 | Experimental | 315 | 35.2% |
| S2 | 渗透期 | Infiltration | 299 | 33.4% |
| S3 | 压缩期 | Compression | 85 | 9.5% |
| S4 | 重构期 | Restructuring | 1 | 0.1% |
| S5 | 新均衡 | New Equilibrium | 153 | 17.1% |
| — | 未评分 | Unscored | 41 | 4.6% |
表 6：ACDP 四扇门模型全量 Stage 分布
这个分布是 ACDP 的第一个核心发现：近七成职业（68.6%）仍卡在前两道门。35.2% 卡在技术门（实验期），33.4% 卡在任务门（渗透期）。也就是说，对大多数职业，要么 AI 的基础能力还没覆盖到，要么能端到端替代的任务比例还不够。所以，大部分人有充分的准备时间。
第二个发现：17.1%（153 个）职业四门全开、进入新均衡。技术、任务、经济、制度四重前提都已具备，职业核心定义开始动摇。需要强调的是，"四门全开"是模型对替代前提是否齐备的判断，不等于市场上已经完成替代；后者由外部市场信号事后验证（见 §3.3、§5.2）。这些职业集中在文本处理型白领（技术写作、编辑、公关专员）、行政支持型白领（秘书、簿记员、法律助理）和高暴露服务业（客服代表）。
第三个发现：重构期（卡在制度门）只有 1 个职业。这反映制度准入门（G4）很少单独成为最后阻力。绝大多数职业没有执照壁垒，一旦技术、任务、经济三门都过，制度门通常也已敞开。制度壁垒真正起保护作用的，是少数持证职业。
这唯一的案例是建筑与楼宇检查员（Construction and Building Inspectors, 47-4011.00）：它技术、任务、经济三门都过，却因 G4=33.2 卡在制度门。因为美国多数州对建筑检查员（尤其政府雇员）有法定执照/认证要求（据 BLS 职业展望手册），制度壁垒成为它进入新均衡前的最后一道闸。
SECTION 08
面效度验证
从 894 个职业中选取 50 个大众熟知的职业进行常识检验。选择逻辑：优先选取高辨识度职业，以就业量为补充。其中 39 个被赋予明确的“合理阶段区间”，兼作 §7.2 阈值校准的专家锚点；其余 11 个仅用于结果核对。
7.1 关键验证案例
| 职业 | 阶段 | Score | 阻挡门 | 判断 |
|---|---|---|---|---|
| Electricians | S1 实验期 Experimental | 35.79 | G1 | ✓ 模型只追踪 AI，不追踪机械自动化，技术门即止步 |
| Cashiers | S1 实验期 Experimental | 50.81 | G1 | △ 有效边界案例，自助收银属机械自动化 |
| Registered Nurses | S2 渗透期 Infiltration | 33.83 | G2 | ✓ 有认知能力基础，但身体接触/临床判断/人际任务难替代，卡在任务门 |
| Software Developers | S2 渗透期 Infiltration | 53.06 | G2 | ✓ 代码生成 ≠ 职业替代，卡在任务门 |
| Customer Service Reps | S5 新均衡 New Equilibrium | 67.76 | 无（四门全开） | ✓ 四门全开；与 BLS 就业下降的外部市场信号一致 |
| Writers and Authors | S5 新均衡 New Equilibrium | 60.42 | 无（四门全开） | ✓ 文本重型职业，四重前提齐备 |
| Technical Writers | S5 新均衡 New Equilibrium | 78.45 | 无（四门全开） | ✓ 样本中最高分，方向合理 |
| Judges | S5 新均衡 New Equilibrium | 56.51 | 无（四门全开） | ⚠ 优先复核案例，可能高估；外部市场信号待验证 |
表 7：面效度关键案例（四扇门模型）
7.2 阈值
四扇门阈值为 G1=35、G2=31、G3=37、G4=40。阈值以 39 个大众熟知职业的"合理阶段区间"为专家锚点校准确定，使判定结果与常识一致（38/39 个锚点落在预期区间内）。稳健性见 §8。
SECTION 09
稳健性测试
8.1 测试设计
Monte Carlo 敏感性测试参数：5,000 次迭代；对四扇门 G1–G4 的阈值（±5 分）与权重（±10%）做扰动；随机种子 20260422。
8.2 结果摘要
| 扰动场景 | 被标记为敏感的职业数 | 平均 Stage 跳变率 | P95 跳变率 |
|---|---|---|---|
| 仅阈值扰动 | 126 | 6.08% | 39.62% |
| 仅权重扰动 | 8 | 0.57% | 0.00% |
| 联合扰动 | 129 | 6.27% | 39.66% |
表 8：Monte Carlo 敏感性测试结果（四扇门模型）
解读：模型对权重变化高度稳健（仅 8 个职业敏感），但对阈值变化较敏感（126 个）。这符合预期：门逻辑中，阈值附近的职业天然不稳定。129 个联合敏感职业占已评分职业的 15.1%，其余 724 个（84.9%）的判定在所有扰动下保持稳定。
8.3 最敏感的职业
| 职业 | 当前 Stage | 联合敏感率 | 阈值敏感率 |
|---|---|---|---|
| Court, Municipal, and License Clerks | 压缩期 Compression | 70.8% | 70.6% |
| Robotics Technicians | 压缩期 Compression | 68.0% | 67.0% |
| Audio and Video Technicians | 渗透期 Infiltration | 55.9% | 55.1% |
| First-Line Supervisors of Housekeeping | 新均衡 New Equilibrium | 51.2% | 52.9% |
| Industrial-Organizational Psychologists | 压缩期 Compression | 49.9% | 48.0% |
表 9：联合敏感率最高的 5 个职业（四扇门模型）
这些数字应被理解为“判定的置信度指标”，而不是“模型的缺陷”。70.8% 的敏感率意味着：如果阈值和权重在合理范围内微调，该职业有近七成可能被判为不同 Stage。对于这类边界职业，用户应把 Stage 视为参考区间而非精确定位。
SECTION 10
与现有工具的差异
| ACDP | Will Robots Take My Job | The Great Displacement | 传统学术模型 | |
|---|---|---|---|---|
| 输出 | 四扇门 × Stage × 阻挡门 | “自动化概率 51%” | “2028 年被替代” | 任务暴露度百分比 |
| 可操作性 | 告诉你卡在哪一步 | 一个数字，然后呢？ | 过度简化 | 需要专业解读 |
| 维度拆分 | 4 门独立评分 + 外部市场信号外部对照 | 单一指标 | 未公开 | 1–2 维 |
| 制度因素 | G4 独立维度 | 不考虑 | 不考虑 | 偶尔提及 |
| 归因控制 | 管道一致性 + 标注 | 无 | 无 | 统计回归 |
| 更新成本 | SQLite→Python→HTML | 一次性 | 不透明 | 论文周期 |
表 10：ACDP 与现有工具对比
ACDP 告诉用户“你处境糟糕的具体结构是什么，技术能力、任务替代、经济激励、制度准入和市场信号分别走到哪里”。这比一个孤立的概率数字更有决策价值。
SECTION 11
局限性与未来方向
10.1 当前局限
Unscored 不是缺陷。 ACDP 的 Stage 判定要求四扇门 G1 至 G4 全部可用。在 894 个职业中，41 个 Unscored 的主要原因是 G2（Anthropic 任务渗透估计和 Frey-Osborne 概率）的覆盖率分别为 87% 和 88%，导致部分职业在 G2 上没有数据。Unscored 的含义是“我们不知道”，不是“安全”。
G1 的概念缺口。 当前 G1 使用 O*NET 52 个 abilities 中的 49 个。Social interaction 无职业级直接 ability proxy；听觉相关 3 个 abilities 未纳入 G1 核心。
G4 许可数据的分布结构偏极端。 d4_licensing_coverage_share_2025 大量集中在 0，更多反映“是否进入许可样本”而不是连续梯度。
外部市场信号仍是粗粒度。 其 salary_signal_trend_derived 只有 3 档且分布存在 ceiling mass，作为对照信号的分辨力有限，后续需细化。
概率预测和时间预测在认识论上不诚实。 ACDP 不做“2028 年被替代”或“自动化概率 72%”的预测。这是刻意的设计选择，不是技术不足。
10.2 未来方向
- G2 缺失补齐。 优先补齐 Web Developers、Information Security Analysts 等重点未评分职业的 G2 数据来源。
- G4 制度松动追踪。 第二层设计已预留：追踪 FDA AI 审批、各州 AI 法律服务立法、行业协会 AI 使用指南等信号。
- 时间序列化。 当 OECD AI Capability Indicators 更新或 BLS 数据刷新时，重新执行全流程（归一化审查 → 面效度复核 → 敏感性测试 → 阈值校准），观察 Stage 迁移。
- 非美国市场扩展。 当前模型基于美国 O*NET 职业体系。中国职业分类体系、欧盟 ESCO、日本厚生劳动省职业分类等体系的适配需独立评估。
SECTION 12
附录
A 门内子指标权重完整表
| 代码 | 所属门 | 指标 | 权重 |
|---|---|---|---|
| D1-1 | G1 | OECD AI capability × O*NET abilities | 100% |
| D2-1 | G2 | Anthropic task penetration | 60% |
| D2-2 | G2 | Frey-Osborne probability | 40% |
| D3-1 | G3 | Annual median wage (log) | 60% |
| D3-2 | G3 | Employment count (log) | 40% |
| D4-1 | G4 | Licensing coverage share | 15% |
| D4-2 | G4 | Licensing barrier intensity | 20% |
| D4-3 | G4 | Consequence of error | 35% |
| D4-4 | G4 | Physical proximity | 30% |
表 A1：四扇门门内子指标（数据维度 D{门}-{序}）权重
外部市场信号由三项子指标构成（M-1 就业变化 2022–2024 50%、M-2 薪资信号趋势 30%、M-3 Anthropic 就业预测 20%），仅用于外部验证（见 §3.3），不参与模型评分。
B 数据质量分级
| Tier | 含义 | 归属指标 |
|---|---|---|
| A（直接观测） | 政府统计、O*NET 原始数据 | BLS 薪资/就业/趋势, O*NET Work Context |
| B（模型估计） | 学术模型或 AI 公司估计 | G1 composite, Anthropic task penetration, Frey-Osborne, Anthropic forecast |
| C（派生数据） | 基于其他指标推导 | salary_signal_trend_derived |
表 B1：数据质量 Tier 定义
职业级质量分数：Quality_Score = (n_A × 3 + n_B × 2 + n_C × 1) / (n_total × 3) × 100。分数 ≥80 标记为 Robust，60–80 为 Adequate，40–60 为 Provisional，<40 为 Insufficient。
全量分布：Robust 59（6.6%）、Adequate 770（86.1%）、Provisional 64（7.2%）、Insufficient 1（0.1%）。
C 理论锚点
| 维度 | 核心参考文献 |
|---|---|
| G1 | OECD AI Capability Indicators (2025); Moravec's Paradox; Morris et al. (2023) Levels of AGI |
| G2 | Eloundou et al. (2023); Frey & Osborne (2017); Webb (2020); Autor, Levy & Murnane (2003) ALM |
| G3 | Acemoglu & Restrepo (2019) displacement-productivity tradeoff; so-so automation |
| G4 | Kleiner (2015) 职业许可理论; Acemoglu & Restrepo 制度摩擦; Knee Center Database |
| 外部市场信号 | BLS 就业统计; Acemoglu & Restrepo 经验分析 |
表 C1：理论锚点
D 用户行动指引
| 阶段 | 名称 | 建议 |
|---|---|---|
| S1 | 实验期 Experimental | AI 对你的职业影响有限。保持关注，不需要恐慌。 |
| S2 | 渗透期 Infiltration | AI 已经能影响你的部分工作。了解哪些技能可能被替代，考虑技能升级方向。 |
| S3 | 压缩期 Compression | 你的职业面临真实的替代压力。开始规划转型路径。 |
| S4 | 重构期 Restructuring | 你所在职业的就业市场已经出现变化。制定具体转型计划和时间表。 |
| S5 | 新均衡 New Equilibrium | 你所在的职业正在系统性萎缩。尽快执行转型。 |
表 D1：各 Stage 用户行动建议
ACDP Model White Paper v1.0 Maverick Research | 2026 Where consensus ends, judgment begins.