AIOE 是 Felten、Raj、Seamans 三个人做的一套"职业 AI 暴露度"数据，发表在 Strategic Management Journal（2021，42 卷 12 期），GitHub 上按数据附录的形式开放。后来的扩展里，他们又给两类生成式应用单独算了分数：语言模型（Language Modeling）与图像生成（Image Generation）。

我下载了两个 Excel 实测：语言模型版 55,714 字节、图像生成版 55,523 字节，各有两个工作表（AIOE 按职业、AIIE 按行业），职业表 774 行、行业表 250 行。

AIOE 是标准化后的 z 分数，均值 0。正数表示该职业暴露度高于平均，负数低于平均。它不是"被替代概率"，而是"这个职业涉及的ability 与 AI 应用能力的重合程度"——重合高不等于会失业，只说明技术上有更多可自动化的部分。

行业版 AIIE 同理，按 4 位 NAICS 编码，250 个行业。

按 Language Modeling AIOE 排序，前五名是：

Telemarketers（电话销售）1.926、English Language and Literature Teachers, Postsecondary（高校英语文学教师）1.857、Foreign Language and Literature Teachers（高校外语教师）1.814、History Teachers, Postsecondary（高校历史教师）1.813、Law Teachers, Postsecondary（高校法学教师）1.802。

一眼能看出两类：电话销售是典型的"话术重复＋脚本回应"，正是语言模型最擅长的；高校文科教师则是因为工作大量围绕文本的阅读、讲解与写作。

最后五名是 Pressers, Textile, Garment（熨烫工）1.854、Helpers--Brickmasons 等（砌筑杂工）1.822、Dancers 1.793、Fallers（伐木工）1.791、Reinforcing Iron and Rebar Workers（钢筋工）1.781。全是体力与精细操作类。

换成 Image Generation AIOE，排序完全变了：Interior Designers（室内设计师）2.421、Architects（建筑师）2.389、Chemical Engineers（化学工程师）2.256、Art Directors（艺术指导）2.249、Astronomers（天文学家）2.128。

室内设计师与建筑师排前两名很好理解——这两个职业的核心产出就是空间与视觉方案，图像生成正好打在能力重合点上。化学工程师与天文学家上榜，是因为工作需要处理结构式、星图这类视觉材料。

垫底的是 Dancers 3.655、Fitness Trainers and Aerobics Instructors 3.308、Orderlies（护理员）2.770、Dining Room and Cafeteria Attendants 2.709、Massage Therapists 2.684。全是身体在场、动作即产出的职业。

我按 774 个共同职业算了语言模型与图像生成两套分数的相关系数：0.739。属于高度相关，但远没到可以互相替代的程度。

差异最大的是"舞者"：语言模型分数 1.793（偏低），图像生成分数 3.655（全表最低）。这类职业对两种技术都低，但对图像生成更低，因为它的产出是身体动作，连"生成一张图"都不沾边。

反过来，室内设计师在图像生成里排第一（2.421），在语言模型里只有 0.822；建筑师是 2.389 对 0.610。这说明"AI 暴露"不是单一维度，按应用类型分开算，才看得出谁真的被影响。

第一，这是 2021 年的职业结构（SOC 2018 编码，774 个职业），2026 年的新职业不在里面。

第二，分数是相对值，不是绝对概率。跨版本比较要看标准化方式是否一致；换一版能力数据，均值仍是 0，但具体数值会变。

第三，职业是聚合单位。同一个职业名称下，不同行业、不同资历的人实际工作差别很大，用职业均值预测个体风险会失真。

第四，行业表与职业表不能直接相乘。AIIE 是行业层面的暴露度，不是该行业就业结构的加权结果；要算"某行业的总体暴露"，需要再用行业—职业就业矩阵加权，那是另一套数据（作者在 Data Appendix 里给了方法）。

适合：做职业风险排序的教学案例、给招聘或培训内容做"哪些岗位先受影响"的框架、做区域差异分析（配合 AIGE 县级数据）。

不适合：直接拿去预测失业率。作者的立场一直是"暴露度不等于替代"，把它当失业预测会误读。

数据用 Excel 直接打开即可，两个文件都不大，GitHub 上还有 Stata 的构建代码与原始输入，想复现构造过程可以顺着 Input/ 和 Generative AI/ 两个目录看。

仓库地址、两个 Excel 直链、论文出处与引用格式都在下面，回复一下就能看到。