Access Partnership：2026 AI 时代劳动力数据就绪度洞察报告：搭建智能化人力规划基础（英文版）（42页）.pdf

核心结论速览： AI对劳动力市场的影响速度远超现有数据系统的追踪能力：AI主要在工作任务层面而非职业层面重塑工作形态。研究表明，到2027年全球约四分之一的工作岗位将受到冲击，预计新增6900万个工作岗位、流失8300万个岗位。 当前劳动力数据系统普遍存在"测量工作而非技能"的根本缺陷：大多数国家的劳动力调查仍围绕ISCO等职业分类体系组织，能回答"谁在哪里工作"，但无法回答"工人实际做什么、使用什么技能、AI如何改变任务"。 FLAIR框架下21国评估显示：无一国家在所有六个维度上达到最高成熟度：每个国家至少在某一维度达到前沿或接近前沿水平，但没有任何国家具备端到端的AI就绪劳动力数据架构。 71%的国家能发布中长期劳动力预测，但无一采用AI赋能的或任务级情景建模：现有预测仍停留在传统职业层面，无法捕捉AI驱动的职业内任务变化和技能替代效应。 仅4国（21国中）提供开放的、机器可读的、API赋能的微观级劳动力数据集：但底层技术已在许多国家的其他统计领域成熟运行，表明从静态报告向动态可扩展访问模式的转型趋势。 公共-私营数据合作正在兴起，但整合仍然有限：在多数情况下，私营数据（如在线招聘信息）仅进入仪表板或试点项目，未被纳入官方劳动力统计数据。 分类体系更新周期严重滞后于技术变化速度：ILO的ISCO于2008年发布，下一轮修订预计在2030年人口普查周期；ESCO每2-5年更新一次，而技能需求按季度或年度变化。研究背景与全景图谱。AI重塑劳动力市场的速度与规模。人工智能已从专业化应用扩展到各行各业的广泛使用，从根本上改变了工作的组织和执行方式。与"AI将消灭职业"的简单叙事不同，AI主要在职业内部的任务层面发挥作用——自动化那些可编码的常规性活动，同时补充复杂的认知和人际任务。这意味着，即使处于同一职业的工人，因其任务组合和技能熟练度的不同，也可能面临截然不同的AI影响。与此同时，AI不仅改变现有工作，还在创造全新的职业类别。AI训练师、AI伦理学家、可解释性专家、提示工程师等岗位在几年前尚不存在，如今正快速涌现。在线招聘数据揭示了数字和AI相关技能的持续重组与演变，展示了各职业和地区对能力需求的实时变化。然而，当前的劳动力数据系统难以跟上这些变化。职业分类等制度架构的核心要素通常以多年甚至十年为周期更新，而技能需求按季度或年度演变。这种结构性错位在官方统计中造成了"工作如何演变"与"如何测量和管理工作"之间的固有滞后。像"大语言模型工程师"或"区块链开发者"这样的AI驱动新角色在当前分类体系中要么不存在、要么定义不清。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。劳动力数据系统五大核心局限。局限一：缺乏捕捉工人技能的颗粒度。当代劳动力市场信息系统的核心局限在于它们测量的是"工作"而非"技能"。劳动力调查（LFS）和行政报告等核心统计流程围绕ISCO、ISIC、NAICS等职业和行业分类体系组织。这些框架能够对就业、失业、工资和工作时长按职业和行业进行一致报告，但不直接观察工作内部执行的技能或任务。统计记录能提供"谁在哪里工作"的可靠数据，但对"使用了什么能力"或"技术扩散后工作内容如何变化"的证据有限。美国劳工统计局已承认这一差距，指出仅凭职业数据不足以作为技能的代理指标，尤其是对认知能力而言。专用技能框架（如欧洲的ESCO和美国的ONET）提供了丰富的技能、知识和任务描述，但国家劳动力指标很少将微观数据直接链接到这些分类体系。OECD的技能就业数据库试图通过组合多个数据源来推断短缺情况，但仍存在测量和代表性问题。局限二：更新周期过慢，无法满足AI时代的政策需求。大多数职业分类系统的多年更新周期与技术变化速度根本不同步。ILO的ISCO于2008年发布，下一轮修订预计在2030年左右。ESCO框架每2-5年更新一次，最近一次发布于2024年5月。韩国标准职业分类（KSCO）于2024年更新——距2017年上次修订时隔7年，而2017年修订本身距2007年已时隔10年。OECD的研究强调，对在线招聘信息的自动网页抓取能够实现劳动力市场数据的快速收集，提供对行业和职业趋势以及技能和工作经验要求的及时洞察。传统调查和登记方法仍不可或缺，但其季度或年度发布周期和数月的数据发布延迟，使政策制定者难以实时追踪技能需求的快速变化。局限三：国家体系与全球标准不一致。全球主要职业分类体系建立在不同的组织逻辑之上。ILO维护的ISCO围绕职业所需的能力水平构建；而美国SOC围绕工人执行的具体任务和活动组织。这种不一致给劳动力规划带来了实际问题。虽然存在ISCO与美国SOC之间的对照表，但两者基于不同的原则——能力导向与任务导向——使得完全协调变得困难。局限四：预测能力的空白。多数国家劳动力市场信息系统主要是描述性的——提供就业、失业和工资的事后快照，对预测技术变革将如何重塑职业和技能需求几乎没有预测能力。预测能力普遍不足，通常局限于中期的劳动力供给预测或行业需求估计，无法捕捉AI驱动转型核心的职业内动态和技能替代效应。局限五：数据可访问性受限。许多劳动力数据系统难以访问或跨领域整合。虽然ILOSTAT或OECD Data等国际平台提供对主要指标的开放访问，但许多国家数据集被锁定在聚合的PDF或表格中，缺乏机器可读性或实时互操作性。ILO的劳动力市场信息系统工具包强调了数据可访问性对于利益相关者无缝共享和交换劳动力市场信息的必要性，但在实践中，可访问性差异显著。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。FLAIR框架与21国评估全景。FLAIR框架的六个维度。本研究引入了一个劳动力数据成熟度框架，用于对标21个国家在六个维度的AI就绪度：预测就绪度（Forecasting Readiness）、劳动力市场颗粒度（Labor Market Granularity）、可访问性（Accessibility）、互操作性（Interoperability）、整合度（Integration）和实时响应性（Real-time Responsiveness）——缩写FLAIR。每个维度按1-4级评分： 预测就绪度：1级=仅有描述性统计；2级=短期预测（1-2年）；3级=中长期预测（3年以上）；4级=AI赋能的前瞻工具、任务级情景建模。 劳动力市场颗粒度：1级=聚合职业类别（ISCO 1-2位）；2级=职业级数据（ISCO 3-4位）；3级=包含任务级或部分技能描述；4级=含强度/熟练度级别的详细任务和技能数据。 可访问性：1级=受限、无公共访问；2级=仅公共报告；3级=开放微观数据；4级=完全开放、机器可读、API赋能、跨系统集成。 互操作性：1级=无协调或对照表；2级=部分映射到国际标准；3级=存在正式对照表但未系统应用；4级=完全对齐，开放且定期更新的跨框架对照表。 整合度：1级=未使用私营数据；2级=临时研究合作；3级=结构化数据共享安排；4级=完全整合系统。 实时响应性：1级=每5年以上更新；2级=年度更新；3级=季度更新；4级=月度或更频繁更新（近实时）。21国评估的核心发现。评估揭示了一个关键事实：每个国家至少在FLAIR的一个维度上达到了前沿或接近前沿表现（3级或4级） ，反映了劳动力数据现代化可进一步加速的坚实基础。但没有任何国家在所有六个维度上一致达到最高级别。 预测就绪度：71%的国家处于3级，能发布中长期的劳动力预测，但输出仍以静态、报告式出版物为主。美国、加拿大、澳大利亚保持结构化的职业和行业预测数据集，展望至2035年。德国的"资格和职业预测第六波"延伸至2040年并配有公共仪表板。但没有任何国家采用AI赋能的或任务级情景建模。 劳动力市场颗粒度：没有任何国家在核心劳动力调查中收集任务级或技能级描述符；所有国家的调查工具仍锚定在职业代码层面。约半数国家处于2级，以ISCO 3-4位或等效职业级别报告劳动力市场统计。美国的ONET提供了详细的季度更新的任务和技能描述符，但独立于劳动力调查系统运行。 可访问性：仅4个国家（芬兰、英国、美国、西班牙）提供完全开放、机器可读、API赋能的访问。约半数国家处于3级，提供部分开放性。日本等2级国家以报告和聚合表格为中心，微观数据不公开。 互操作性：20/21国家已将其国家劳动力系统与国际标准（如ISCO）对齐或保持对照表。欧盟劳动力统计受益于基于ISCO的收集，简化了跨国比较。 整合度：多数国家正从试点转向结构化安排，但融入官方指标仍不均衡。法国通过公共-私营合作加强了就业服务。韩国实现了Employment24与主要私营门户之间的数据交换。美国、日本在公共统计中对私营数据的使用有限。 实时响应性：57%的系统处于4级，按月进行劳动力调查。38%按季度更新（3级）。仅阿联酋仍处于年度周期（2级）。前沿国家画像。芬兰处于前沿——它结合了长期预测、高频劳动力数据、强大的互操作性和完全开放、机器可读的访问。英国在大多数维度上表现强劲，结合了稳健的互操作性和开放性、月度LFS采集和完善的API。意大利、丹麦、挪威、瑞典和美国也表现出色。但即使是最强表现者也在某些方面存在差距——无论是任务级和技能级颗粒度、私营数据整合，还是AI赋能预测的端到端应用。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。技术演进方向。分类体系的技术滞后与现代化路径。当前最紧迫的技术挑战之一是职业分类体系的更新速度。ILO的ISCO-08已运行超过15年，下一版本预计2030年才推出。在这一周期内，AI已催生了"大语言模型工程师""提示工程师""AI伦理学家"等全新职业。这些角色在现有分类中不存在或定义不清。OECD的研究表明，对在线招聘信息的自动网页抓取能够实现劳动力市场数据的快速收集，提供对行业和职业趋势以及技能和工作经验要求的及时洞察。OECD最近的劳动力生产率预测工作进一步强调了整合高频数据流以生成比官方统计更及时、更可靠估计的价值。这要求用动态信号（如招聘信息、HRIS数据和管理数据）补充静态分类，为政策制定者提供近乎实时的可见性。从职业级到任务级的范式转变。研究表明，大多数技术驱动的劳动力市场调整发生在职业内部而非职业之间。AI倾向于替代常规任务、补充非常规任务。没有任务级映射和工人级熟练度指标，政策制定者面临错误分类暴露风险、误靶培训投资、减缓对AI的调整速度。一些国家已在这一方向上取得进展。美国BLS引入了从ONET衍生的"按职业的技能"表格。日本于2022年发布数字技能标准，并在2023年和2024年修订以反映生成式AI的出现。新加坡于2017年开发了信息通信技术技能框架，2025年3月更新纳入了生成式AI技术技能。然而，这些分类体系尚未嵌入核心劳动力统计中。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。服务商生态分析。公共-私营数据合作的现状与断层。私营部门在填补传统劳动力调查和管理系统无法填补的信息空白方面发挥着关键作用。私营平台收集了大量关于职位空缺、技能需求、工作转换和工作实践的实时数据。这些高频信号可通过自愿合作纳入官方统计，补充关于技术采纳、新兴职业和变化中技能特征的前期指标。然而，公共-私营数据合作正在兴起，但整合仍然有限。在多数情况下，私营数据——如在线招聘信息——仅进入仪表板或试点项目，未被纳入官方劳动力统计数据。目前，仅少数国家通过外部任务级数据集补充官方统计。国际组织的角色。国际劳工组织（ILO）、经济合作与发展组织（OECD）、欧洲职业培训发展中心（CEDEFOP）等国际组织在推动劳动力数据标准化和跨国比较方面发挥关键作用。欧盟国家通过CEDEFOP的技能预测研究获得覆盖至2035年的共同证据基础。OECD的技能就业数据库尝试通过组合多个数据源来推断技能短缺。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。商业模式创新。从静态报告到决策就绪数据管道。报告揭示了各国在劳动力数据系统现代化方面的创新实践： 芬兰的前沿模式：结合长期预测、高频劳动力数据、强互操作性和完全开放、机器可读访问，成为最接近AI就绪、任务和技能感知劳动力数据系统的范例之一。 法国的公共-私营合作：2013年起开放公共就业服务网站France Travail，聚合公共和私营部门的职位空缺，通过开放API向所有个人和企业提供数据访问。 澳大利亚的整合路径：虽然LFS以ANZSCO 4位报告职业，但Jobs and Skills Australia融合LFS、人口普查和其他来源生成任务级视图。 德国的长期预测与透明访问："资格和职业预测第六波"延伸至2040年并配有公共仪表板。从描述性到预期性智能的转型。报告提出的核心商业模式转变是：从描述性报告转向预期性情报。这要求加强预测模型、整合高频私营部门数据、通过自动化即时预测管道提高指标时效性。现代劳动力市场数据不再是一项技术升级，而是一项战略必需品。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。未来3-5年机会洞察。四大改革领域的优先行动。报告将建设AI就绪劳动力数据系统所需的行动分为四个领域：1. 数据采集（Data Collection）。 现代化劳动力调查和管理数据集，以捕捉任务、技能、数字工具和AI使用情况。 采用纵向、前瞻性设计，利用AI赋能工具提高数据质量、减少采集负担。2. 系统基础（System Foundations）。 共同开发和采用共享的任务级和技能级分类体系。 确保与全球标准的互操作性。 向机器可读、API赋能的数据平台过渡。3. 智能能力（Intelligence Capabilities）。 从描述性报告转向预期性情报。 整合高频私营部门数据。 通过自动化即时预测管道提高指标时效性。4. 治理与伙伴关系（Governance and Partnerships）。 建立明确的授权。 支持自愿的公共-私营伙伴关系和多方利益相关者治理。 政府作为制度支柱，行业通过自愿伙伴关系提供实时劳动力信号和方法论洞察。理想劳动力数据系统的特征。一个完全成熟和AI就绪的劳动力市场数据系统应在所有指标上达到4级表现： 预测就绪度：在现有劳动力市场数据中纳入基于情景建模的劳动力预测。 劳动力市场颗粒度：包含任务级和技能级数据及熟练度级别，以及次国家地理细节。 可访问性：完全开源的微观数据，机器可读和API赋能格式。 互操作性：国家分类与国际标准协调一致。 整合度：用丰富多样的私营数据集常规补充当前数据。 实时响应性：提供近乎实时的数据更新。数据来源：Access Partnership《Labor Data Readiness in the Age of AI》，2026年1月。延伸阅读。以上为报告核心趋势分析，如需获取完整报告详细数据及全部21国FLAIR评估详情、各国官方来源文件和参考材料，请访问下载页下载完整PDF报告。FAQ。Q1：什么是FLAIR框架？FLAIR是本研究提出的劳动力数据成熟度框架，包含六个维度：预测就绪度（Forecasting Readiness）、劳动力市场颗粒度（Labor Market Granularity）、可访问性（Accessibility）、互操作性（Interoperability）、整合度（Integration）和实时响应性（Real-time Responsiveness）。用于对标各国在AI就绪劳动力数据系统方面的成熟度。Q2：21国评估中表现最好的国家有哪些？芬兰处于前沿，结合了长期预测、高频劳动力数据、强互操作性和完全开放的机器可读访问。英国在大多数维度上表现强劲。意大利、丹麦、挪威、瑞典和美国也表现良好。但没有任何国家在所有六个维度上达到最高级别。Q3：当前劳动力数据系统最大的缺陷是什么？最大的缺陷是"测量工作而非技能"。现有系统能回答"谁在哪里工作"，但无法回答"工人实际做什么、使用什么技能、AI如何改变任务"。此外，分类体系更新周期严重滞后（ISCO上次更新于2008年，预计2030年才修订）。Q4：为什么说劳动力数据现代化是战略必需品？因为AI正在以前所未有的速度和规模重塑劳动力市场。没有现代化的劳动力数据系统，各国将"盲目飞行"：错过AI驱动变化的早期信号、误靶培训投资、削弱在全球AI经济中的竞争力和劳动力韧性。Q5：公共-私营数据合作目前处于什么阶段？公共-私营数据合作正在兴起，但整合仍然有限。在多数情况下，私营数据仅进入仪表板或试点项目，未被纳入官方劳动力统计数据。仅少数国家通过外部任务级数据集补充官方统计。Q6：各国应如何推进劳动力数据系统现代化？报告建议在四个领域协调行动：现代化数据采集工具以捕捉任务和技能；建设互操作的技术架构使劳动力数据作为一致系统运行；从描述性报告转向预期性情报；建立政府主导、多方参与的治理和伙伴关系安排。数据来源说明。本报告所有数据来源于Access Partnership为Workday编写的《Labor Data Readiness in the Age of AI: Building the Foundations for Smarter Workforce Planning》，2026年1月发布。报告评估了21个国家的劳动力数据系统，涵盖澳大利亚、比利时、加拿大、丹麦、芬兰、法国、德国、爱尔兰、意大利、日本、沙特阿拉伯、荷兰、挪威、新加坡、南非、韩国、西班牙、瑞典、阿联酋、英国、美国。评估基于各国统计局和劳动/就业部官方网站及出版物，聚焦国家层面系统。