LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
经济学家
预测经济走势,用经济数据建立和运行模型,为政府、央行和企业提供政策建议,并撰写研究。央行已经在预测和建模中使用机器学习,但它们说这并不总是比传统方法更好,只是补充而不是取代专家判断;它们的 AI 应用中约四分之一进入了全面实施。语言模型处理经济数据时会犯有代表性的错误,比如把初值和修订值混在一起;在一项随机研究中,把复现工作交给 AI 的团队成功率远低于人类团队。美联储说它不用 AI 制定政策。美国预计经济学家增长 5%。
拿出你做的一项预测,写下每个输入来自哪个数据版本。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于在央行、政府、国际组织、咨询机构和研究机构工作的经济学家;统计师、数据科学家和金融分析师有各自的页面。证据是美国的就业预测、一项关于央行 AI 使用的调查、德国央行行长谈其机器学习模型、美联储关于语言模型处理经济数据时出错的研究、一项用 AI 复现经济学研究的随机研究,以及一位美联储理事谈 AI 不用于什么;它们大多来自央行,确立的是机构怎样使用和限制 AI,不是经济学家的人数或工时怎样变化。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
这是央行自己的叙述和一项内部研究;它们没有测量实际中的预测准确度,也没有测量经济学家的时间。
这是一项使用 2024 年模型的实验和一家机构的表态;更新的工具可能表现更好。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。劳工统计局预测,2025 至 2035 年经济学家就业增长 5%,从 18,600 人增至 19,500 人,每年约有 1,100 个空缺。它说需求来自用大数据分析定价、广告等领域的机构,以及日益复杂的全球经济,但就业部分取决于政府预算。它没有提到 AI。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
德国。德国央行行长说,机器学习应用被用来模拟通胀、利率、财政支出以及贷款和贸易规模;经验表明这些方法并不总是优于传统方法;AI 是员工的补充工具,不取代专家知识;该行还推出了一个供员工自行配置文本助手的平台。这是机构负责人对本机构工作的描述。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
美国。这位理事说,联邦公开市场委员会不用 AI 来制定政策,而是用它协助员工完成写作、编程和研究等其他工作;美联储的研究推进得审慎小心,因为很多 AI 工具还没准备好投入使用。这是一位决策者对一家机构的表态。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
美国,美联储理事会的研究人员。作者测试语言模型对宏观经济数据的记忆,发现整体记忆准确,但有两类重要错误:把初值和后来的修订值混在一起,以及把过去和未来时期的数据混在一起;在任何一天,模型都可能以为自己手里有尚未发布的数据,这限制了它用于历史分析或模拟实时预测者。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
全球央行,调查时间为 2024 年 9 月至 11 月。报告说,AI 应用在统计和经济研究中进展最大,尤其是即时预测、情绪分析和异常值检测;但只有约四分之一的 AI 用例进入全面实施,所以央行大多仍在试验,而不是在日常运作中使用 AI。它统计的是用例,不是员工的时间。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
一项实验:288 名研究者被随机分到 103 个团队,对已发表的社会科学结果做计算复现,分为纯人类团队、AI 辅助团队和只简单引导 AI 的团队。人类团队的成功率与 AI 辅助团队持平,比 AI 主导团队高 57 个百分点,而且发现的重大错误明显多于另外两组。这是一篇使用 2024 年模型的讨论稿。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这对你意味着什么#
如果你刚入行,预期机器学习模型和 AI 编程辅助会是工作的一部分。培养机构说仍需要人来做的能力:了解数据及其修订、判断模型何时出错,以及把分析变成别人能据以行动的建议。
预期写代码更快、需要检查的模型输出更多。数字对一项决定意味着什么,这个判断仍在你手里。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
成为检查模型的人
央行把机器学习和传统模型一起使用,并说它并不总是更好,而语言模型还会混淆数据的不同版本。
模型验证工作大多在较大的机构里。
拿出你做的一项预测,写下每个输入来自哪个数据版本。
留在政策分析与建议上
央行说不用 AI 制定政策,美国还预计经济学家会增长。
政策岗位不多,而且往往取决于政府预算。
列出你上一份简报里哪些是判断,哪些是工具本可以完成的数据工作。
转向经济统计的数据工程
央行的 AI 工作集中在统计和即时预测上,这需要既懂数据又懂方法的人。
这需要很强的编程能力,统计师和数据科学家也在竞争这类岗位。
查一查你所在机构里哪些数据集是手工构建的,由谁维护。
常见问题#
就现有证据看,不会。央行在预测和建模中使用机器学习,但说它是补充而不是取代专家知识;美联储不用 AI 制定政策;美国还预计经济学家增长 5%。
我们不用年数回答这个问题。看看央行是否把更多 AI 从试验推进到正式使用,以及模型是否不再混淆数据版本。这些比任何日期都更能说明问题。
就现有证据看,并不可靠。德国央行说机器学习并不总是优于传统方法,美联储的研究人员也发现,语言模型会把初值和修订值混在一起,还会假设自己拿到了尚未发布的数据。
在目前的证据中做得并不好。在一项复现已发表结果的随机研究中,只简单引导 AI 的团队成功率比人类团队低 57 个百分点,而有 AI 辅助的团队与人类团队表现相当,但没有更好。
这些判断底下是什么#
这一页上 4 条任务判断里,3 条有已核实事件支撑、1 条是平台推断,每一条都在它出现的地方标注着。它们底下是 1 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 6 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「技术与数据」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
初级程序员 · 中高级软件工程师 · 前端工程师 · 后端工程师 · 数据工程师 · 算法 / 机器学习工程师 · AI 研究员 · 测试工程师 · 数据分析师 · 数据科学家 · 统计师 · 业务分析师 · 业务系统与流程负责人 · IT 支持 / 技术支持 · 网络安全分析师 / 安全运营 · 运维 / 平台工程师 / SRE · 网络工程师 · 技术文档工程师 / 技术写作 · 基金申请书撰写人