AI 时代的长期增长与工作机会

AI 对经济的影响，至少包括三个方面：提高生产率、改变工作分工，以及重新分配收益。已有研究发现，AI 能提高部分任务的效率，在一些工作中还能帮助经验较少的员工缩小与熟练员工的差距。但这些收益能否扩大到整个经济、持续多久，以及劳动者能分到多少，仍有较大不确定性。

现有讨论有两条重要线索。一条是，数字任务可以较快提效，实体生产却仍受材料、设备和组织流程等条件限制。另一条是，AI 既可能降低专业门槛，也可能放大工具、数据和经验上的差距，进而影响收入与入行机会。

理解这些研究，需要区分已经观察到的效果与对未来的推演。企业使用 AI 后的表现，可以提供具体场景下的证据；经济模型则帮助分析不同条件下的长期结果。两者不能直接互相替代。

AI 提高生产率，能否带来长期增长？

AI 不必替代所有工作，才有长期使用的价值。只要它能稳定地节省成本、提高质量，或者让过去太贵的服务变得便宜，人们就有继续使用它的理由。

生产率是指用同样的劳动、设备等投入，能够生产多少产品或提供多少服务。AI 对总体生产率的影响，不只取决于一项工作提速多少，还取决于这项工作在经济中占多大比重。Acemoglu 在《The Simple Macroeconomics of AI》中分析了这条关系：在主要考虑节省成本的模型里，需要同时看受影响任务的经济比重，以及这些任务能省下多少成本。少数任务效率大幅提高，不能直接换算成整个经济同等幅度的增长。^[1]

这个模型主要考虑已有工作如何做得更便宜。AI 如果还能帮助开发新产品、发现新技术，就可能产生更多收益。这部分影响很重要，但也更难根据现有任务的表现来估计。

这里需要区分产出水平提高与长期增长加快。一种工具可以让企业用同样的投入多生产一些产品，并长期保留这个好处。但要让经济比原来持续增长得更快，还需要持续的新进展，例如 AI 不断扩大适用范围，或加快新技术的发现和应用。一次效率提升本身，并不能保证这一点。

技术从“能用”到“被广泛使用”也需要时间。Narayanan 和 Kapoor 在《AI as Normal Technology》中强调，模型能力提高、开发出可用产品、企业真正采用，是不同的过程。^[2] 企业还要整理数据、调整工作流程、检查结果，并确定出错后由谁负责。这些都需要成本，也会影响 AI 带来的收益何时出现。

更远的未来还涉及 AI 能否完成所有人类任务。Korinek 和 Suh 的 AGI 情景模型表明，任务难度、自动化速度和资本积累的假设不同，产出与工资的变化也会不同。^[3] 这些模型用于分析条件成立后的结果，并不证明全面自动化一定会发生。

数字领域先受益，实体生产能否跟上？

文字、图像和软件的生产可能较早受益：生成、修改和交付都可以在电脑上完成，部分结果也能快速检验。当然，生成得快不等于结果可靠，程序能运行也不代表满足了实际需求。

这些产品变便宜，本身就有价值。过去买不起定制软件的人，可能获得合用的工具；缺少辅导的学生，可能获得更多讲解和练习。即使收入没有增加，人们也可能因为服务更便宜、更好用而受益。

实体生产通常还要经过更多环节。比如建房，设计图和预算做得更快之后，仍然需要土地、材料、施工和验收。设计效率提高，并不意味着房屋能按同样比例更快建成，或者变得同样便宜。要判断 AI 的影响，需要看它改善的环节占总成本多少，以及其他环节能否跟上。

这些环节也有不同的提速空间。更好的排程可以减少等待，更好的设备可以提高施工效率，但安全验证仍需要可靠的依据。

不过，AI 的影响也不会天然停留在屏幕上。安排生产、控制设备、改进设计和选择实验方案，都会影响实体生产。AI 如果能帮助发现更好的材料或生产方法，就可能进一步改善能源和制造等领域。

因此，数字领域先受益，不等于 AI 长期只能带来数字领域的繁荣。 真正需要观察的是，更好的设计和分析能否变成更便宜、更可靠的实际产品与服务，以及这个过程需要多久。

AI 加速时代，能力差距可能进一步扩大

能够打开同一个聊天工具，不代表拥有相同的工作条件。有人只能使用公开资料和有限额度，有人则可以接入完整的业务数据，调用专用工具，并请专业团队检查结果。即使两个人原有的知识相近，借助 AI 能完成的工作也可能很不一样。

这里讨论的能力，是人在工具和其他支持下，实际能完成什么工作，与先天智力或人的价值无关。模型质量、数据权限、检查错误的能力，以及试错的时间和预算，都会影响结果。

生成方案变便宜之后，判断方案是否适用，仍然可能很难。懂得检查的人能够及时纠错；缺少相关知识的人，即使得到了同样的回答，也未必知道哪里有问题。

这种差距可能越积越大。资源更多的人有机会反复尝试、积累经验，做出较好的结果后，又可能获得更多项目和权限。缺少工具、指导和练习时间的人，则更难获得同样的机会。工具上的差别，可能逐渐变成经验和工作机会上的差别。

这并不是差距必然扩大的结论。AI 提供的指导和反馈，也可能帮助原本缺少经验的人更快进步。已有的客服研究就提供了这样的例子。

生产率提高，不一定带来更高收入和更多自主权

Brynjolfsson、Li 和 Raymond 研究了一家企业分批引入客服 AI 助手的过程。在 5,172 名客服员工中，每小时解决问题的数量平均提高约 15%，经验较少、原先表现较弱的员工受益更明显。^[4]

这项结果显示了 AI 帮助新人的潜力，但其范围限于所研究的企业和任务，衡量的也是工作效率，而非工资。

Autor 在《Applying AI to Rebuild Middle Class Jobs》中提出了类似的可能性：AI 可以帮助有相关基础知识的劳动者，完成过去只有少数专家才能处理的任务，从而让更多人有机会承担价值更高的工作。他明确指出，这是一种可能的发展方向，并非必然预测。^[5]

专业门槛降低后，劳动者能否加薪，仍取决于市场需求、竞争和与雇主谈判的能力。工作中是否有更多自主权，则取决于企业如何安排。

例如，企业可以让员工借助 AI 独立解决复杂问题，也可以要求员工严格执行系统的建议，把修改流程、处理特殊情况的权力留给少数管理者。两种做法都可能提高效率，但员工学到什么、能决定什么，会很不一样。

Brynjolfsson 在《The Turing Trap》中讨论了这一问题：用 AI 替代劳动，与用 AI 帮助人完成更多工作，可能对劳动者的谈判地位产生不同影响。^[6] 因而，判断谁从 AI 中受益，既要看工作效率，也要看谁控制工具、谁制定规则，以及增加的收入如何分配。

初级任务被自动化后，新人如何积累经验？

资料整理、写初稿和基础分析，既是需要完成的工作，也可能是新人学习的机会。如果这些任务交给 AI，而企业仍然要求新员工一入职就能独立审核结果，新人就可能更难获得必要的经验。

已有经验的人可以检查 AI 的工作，缺少经验的人却可能更难找到第一份能让自己学习的工作。如果好的工具、导师和真实项目又集中在少数组织，入行就可能更依赖学校、雇主和家庭提供的条件。

这也可能造成同一行业内部的分化：一部分人能够安排工作、指挥 AI 和审核结果，另一部分人主要处理系统分配的零散任务。如果后一部分人长期难以进入前一种岗位，才有理由讨论“职业隔离”。关键在于岗位之间是否仍有学习和晋升的通道，而不只是工作内容是否不同。

这条推理需要实际证据。仅仅发现年轻人的就业人数下降，不能证明原因是 AI。还需要观察企业招什么人、新人实际做什么、培训是否减少，以及他们之后能否晋升，同时考虑行业景气和企业调整等因素。

相反，AI 也可能让新人更容易入行。模拟项目、即时反馈和低成本辅导，都能提供更多练习机会。这些练习能否帮助人承担真实工作、获得雇主和客户认可，将影响新的入行路径能否成立。

降低工具门槛，也要扩大学习和实践机会

更便宜的模型、可自行部署的开放模型和更易用的产品，都可能降低使用门槛，但不会自动让每个人获得业务数据、客户、项目权限和专业指导。如果这些条件仍集中在少数机构，差距就可能继续存在。若个人和小团队也能方便地获得工具、数据和专业支持，他们就更有机会完成过去承担不起的工作。

地区之间也存在类似问题。便宜的知识服务可以帮助缺少专家的地方，但当地仍需要基础设施、适用的数据，以及能把建议落实到生产中的企业和人员。

因此，降低模型价格只是其中一步。培训和真实项目帮助人积累使用经验；让用户能合理地迁移数据、更换服务商，有助于减少对单一工具的依赖；让员工参与流程调整，则关系到他们能否保留判断和决定的空间。税收、社会保障以及模型和算力的所有权安排，影响收益最终如何分配。收入、学习机会与工作自主权是不同的问题，需要分别考虑。

小结

我的倾向是，AI 会长期成为生产技术，数字领域可能更早受益，但对实体生产的改变仍需要其他条件配合。更值得留意的是，工具上的差距会不会逐渐变成职业上的差距：有些人借助 AI 积累经验、承担更复杂的工作，另一些人却更难获得入行和晋升的机会。这个结果尚未确定，也取决于企业和社会怎样使用这项技术。

---

1. Daron Acemoglu，The Simple Macroeconomics of AI，此处依据作者 2024-05-12 稿的摘要与第 1 节讨论框架和范围。期刊版本见 Economic Policy，DOI: 10.1093/epolic/eiae042。本文不把该稿的十年校准结果用作长期上限。 ↩︎

2. Arvind Narayanan、Sayash Kapoor（2025-04-15），AI as Normal Technology。关于技术扩散与治理的论述；其中的未来情景不是已经实现的经验事实。 ↩︎

3. Anton Korinek、Donghyun Suh（2024），Scenarios for the Transition to AGI，arXiv:2403.12107v1。条件情景模型；文中的 AGI 定义是能完成人类所能完成的所有任务的系统，并非对当前生成式 AI 的描述。 ↩︎

4. Erik Brynjolfsson、Danielle Li、Lindsey Raymond，Generative AI at Work，核对版本为 2024-11-07 稿，摘要及引言；后刊于 The Quarterly Journal of Economics 140(2), 2025, 889–942。这是对特定企业分批部署的研究，并非全职业随机试验。15% 的分母是单位时间解决问题数对应的基准生产率，不是工资、就业人数或 GDP。 ↩︎

5. David Autor（2024），Applying AI to Rebuild Middle Class Jobs，NBER Working Paper 32140。链接为作者所在研究机构的论文介绍，明确将论点界定为可能性而非预测。 ↩︎

6. Erik Brynjolfsson（2022），The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence，Dædalus。此处引用其关于技术方向与议价能力的论证，不将其当作对未来分配的实证估计。 ↩︎