Anthropic发布了一份全面的元分析报告，发现员工再培训项目带来了具有统计显著性但有限的经济回报——这一结果出现的背景是，全球政策制定者正在努力应对如何应对AI可能引发的劳动力替代，而包括高盛和世界经济论坛在内的机构预测，生成式AI可能在未来十年内使数亿个工作岗位面临重大变革。

该报告由独立研究员David Roodman和Anthropic的Maxim Massenkoff合著，采用了一种AI加速方法，其中Anthropic的Claude模型提取了大部分底层数据并生成了所有分析代码。该研究基于自1970年代以来在美国进行的56项随机对照试验，并辅以来自欧洲的实验证据，构成了迄今为止对政府和非营利培训计划最系统的评估之一。完整报告可在PDF文件中查看。

有限但可衡量的成果

总体而言，所考察的项目产生了积极但有限的效应。对于每位获得培训名额的个人，就业率提高了约两到三个百分点，年收入增加了约1,000美元。这些收益是在人均约13,000美元的平均成本基础上衡量的。从财政角度来看，政府通过增加的税收收入和减少的公共福利支出收回了超过一半的投入，这意味着干预措施总体上大致收支平衡。从历史来看，美国在积极劳动力市场项目上的支出占GDP的比例低于大多数OECD同类国家，这一差距将此处记录的有限回报置于相对资金不足的劳动力基础设施这一更广泛背景之下，这些项目主要通过《劳动力创新与机会法案》管理。

这些发现是Anthropic更广泛的经济研究议程的一部分，该议程监测AI在各职业和行业中的采用情况。尽管再培训在公众和专家调查中始终被评为应对技术性失业最受欢迎的政策响应，但作者警告称，历史表现表明，如果先进的自动化技术大规模替代工人，当前的项目设计可能难以满足需求。

行业项目与复制难题

在这些有限的平均水平中，一个显著的例外来自一小批"行业项目"——这些计划与高需求行业的雇主密切合作，筛选申请人、开发针对特定职业的课程，并将毕业生直接安排到岗位上。Year Up和Per Scholas等项目使参与者收入提高了平均水平的数倍，有效地充当了劳动力市场中介，将被忽视的人才与致力于持续招聘渠道的雇主联系起来。Year Up的成果在研究机构MDRC进行的一项多年期随机对照试验中得到了独立验证，这是劳动力发展领域同类评估中规模最大的一项。

然而，报告强调，复制这些成功已被证明极其困难。领先项目的高保真复制品经常在新地点失败，表明其有效性依赖于微妙且特定于环境的条件：深厚的本地关系、筛选掉超过80%申请人的高度选择性录取流程，以及经过多年运营发展而来的组织能力。

与AI替代情境的不匹配

由于大多数被研究的项目针对的是低收入或边缘就业的个人，而非可能需要长期再培训的职业生涯中期的白领专业人士，作者得出结论：现有的再培训基础设施与大规模AI驱动替代的情境严重不匹配。鉴于大语言模型在写作、编程、法律分析和客户支持等任务中日益展现出的能力，这种不匹配尤为突出——这些都是传统劳动力项目从未涉及的职业领域。

他们的核心建议是，在任何大规模危机出现之前，立即投资于展示、评估和扩大最有前景的项目模式。具体而言，他们建议快速扩大一个领先的行业项目以服务于一个明确定义的工人群体，同时严格跟踪就业和收入成果。Anthropic的经济未来研究基金旨在支持此类调查，这反映了一种日益增长的共识：了解当前再培训方法的局限性，对于为快速自动化的时代做好准备至关重要。