人類向AI狂奔，會掉入就業(yè)的陷阱嗎

AI智能體正在加快部署，在職場上引起了空前的焦慮。

前沿AI實驗室都不否認(rèn)，甚至明確指出，AI規(guī)?；娲肆Γ寄芘c崗位）開始發(fā)生。如Anthropic創(chuàng)始人CEO阿莫迪（Dario Amodei）就提出，50%的入門級知識工作崗位，將在1-5年內(nèi)完全被抹去的問題。當(dāng)奧特曼（Sam Altman） 提出全民基本收入（universal basic income）, 或者馬斯克提出全民高收入（universal high income）時，都假設(shè)了AI將會大規(guī)模替代人類勞動。谷歌DeepMind CEO哈薩比斯（Damis Hassabis），與馬斯克似乎都是科幻作家班克斯的信徒，認(rèn)為AI將帶來“徹底豐裕”（radical abundance），也在召經(jīng)濟學(xué)家，研究所謂“后稀缺時代”的分配問題。

這些AI“救世主”們，已經(jīng)不相信傳統(tǒng)經(jīng)濟學(xué)對技術(shù)、創(chuàng)新和勞動力市場的解釋，他們要建立起基于AI智能體的新的經(jīng)濟與社會范式。

對此，圖靈獎獲得者楊立昆又出來駁斥：Dario（Amodei）錯了，在技術(shù)革命如何影響勞動就業(yè)市場這一問題上，他一竅不通。在這一問題上，千萬別聽他的話，別聽Sam (Altman)、Yoshua (Bengio)、Geoff （Hinton）的話，也別聽我的話，聽經(jīng)濟學(xué)家的。

與馬斯克和奧特曼這些AI戲精相比，經(jīng)濟學(xué)家們的聲量當(dāng)然不足，但也并未缺席。過去兩年，主流經(jīng)濟學(xué)界、國際組織和官方統(tǒng)計體系已經(jīng)迅速推出一批關(guān)于AI與勞動市場的研究，只是這些研究滯后于AI技術(shù)的迅速發(fā)展：數(shù)據(jù)不完備，口徑不統(tǒng)一，識別策略各異，導(dǎo)致結(jié)論更多是有條件的初步判斷，而非對未來就業(yè)總量與結(jié)構(gòu)的確定性分析。智庫布魯金斯明確指出，這一領(lǐng)域的研究仍然很早期；美國經(jīng)濟學(xué)會經(jīng)濟統(tǒng)計委員會則強調(diào)，官方統(tǒng)計、企業(yè)層數(shù)據(jù)、職位與任務(wù)分類，目前都還不足以精確測量AI的真實經(jīng)濟影響。

本文試圖圍繞八個問題做一篇初步綜述：

第一，主流經(jīng)濟學(xué)家對AI就業(yè)影響究竟研究到了什么程度；

第二，他們用了哪些方法，得出了怎樣的初步結(jié)論；

第三，這些結(jié)論為何不同；

第四，現(xiàn)有研究是否過于集中于白領(lǐng)、知識工作與科技行業(yè)；

第五，數(shù)據(jù)中心、能源、供應(yīng)鏈與制造業(yè)投資能否彌補白領(lǐng)崗位流失；

第六，是否初入職場的年輕人尤其是大學(xué)畢業(yè)生受沖擊最大，以及這將帶來何種經(jīng)濟與社會后果；

第七，中國的情況如何，誰在研究；

第八，中國學(xué)界目前形成了哪些初步結(jié)論。

One More Thing

一、主流經(jīng)濟學(xué)家的研究仍明顯早于結(jié)論

過去兩年的主流研究大致來自五類主體：國際組織如 IMF、OECD；官方統(tǒng)計與政策研究機構(gòu)如美國勞工統(tǒng)計局、費城聯(lián)儲；NBER、AEA 等主流經(jīng)濟學(xué)網(wǎng)絡(luò)；麻省理工、斯坦福、芝加哥、耶魯?shù)雀咝F隊；以及少量與企業(yè)合作的現(xiàn)場實驗研究。它們共同構(gòu)成了目前關(guān)于AI與就業(yè)問題的主流經(jīng)濟學(xué)回應(yīng)。布魯金斯如此概括：現(xiàn)階段研究主要聚焦勞動需求而非長期一般均衡結(jié)果，更多觀察職業(yè)和行業(yè)而非任務(wù)內(nèi)部的替代機制，因為可得數(shù)據(jù)首先存在于招聘、工資單、職位與企業(yè)調(diào)查中，而不在完整的任務(wù)級生產(chǎn)函數(shù)中。

這些研究之所以聽起來“不夠響亮”，并不主要是因為經(jīng)濟學(xué)家們忽視了問題，而是因為他們的判斷方式與前沿AI實驗室不同。實驗室通常從能力邊界出發(fā)，問模型能否完成某類工作；經(jīng)濟學(xué)家則從制度與市場調(diào)整出發(fā)，問即使模型能做，企業(yè)是否會立即替代、工資如何變化、需求會否擴張、崗位是否會重組、收入損失是否會在別處被補償。這意味著，技術(shù)界的判斷更接近可能性前沿，經(jīng)濟學(xué)家的判斷更接近現(xiàn)實世界的吸收路徑。

雙方討論的并不是同一個層面的問題。今天的大量證據(jù)已經(jīng)支持一個謹(jǐn)慎共識：AI在一些行業(yè)和工種上的確顯著改變?nèi)蝿?wù)執(zhí)行與生產(chǎn)率，但其對就業(yè)總量的影響，目前仍高度取決于替代與增強、短期與長期、企業(yè)內(nèi)部效率提升與宏觀需求擴張之間的動態(tài)平衡。

二、主流經(jīng)濟學(xué)家用了什么方法，又得出了什么初步結(jié)論

1. 任務(wù)暴露法：先看哪些任務(wù)容易被AI完成

最常見的方法，是把職業(yè)拆解成任務(wù)，再評估這些任務(wù)暴露于AI的程度。這類研究通常依賴 O*NET（勞工部職業(yè)信息網(wǎng)絡(luò)）、職業(yè)描述文本、招聘廣告、以及讓模型或?qū)＜覍θ蝿?wù)可自動化程度進行評分。其優(yōu)點是覆蓋廣、更新快，能夠較早發(fā)現(xiàn)高暴露職業(yè)；其缺點是，它測的是可能受影響的任務(wù)，不是已經(jīng)發(fā)生的凈就業(yè)變化。IMF 在2024年的框架性研究中估計，全球約40%的工作受到AI暴露，發(fā)達(dá)經(jīng)濟體的暴露率約60%；但同一研究也強調(diào)，在發(fā)達(dá)經(jīng)濟體中，一半左右的高暴露崗位可能因AI整合而受益，另一半才面臨更明顯的需求、工資或招聘壓力。

這類方法得出的首要結(jié)論是：高暴露并不等于立即失業(yè)，但它標(biāo)示了壓力最可能首先出現(xiàn)的區(qū)域。這些區(qū)域往往不是體力勞動最強的崗位，而是高度標(biāo)準(zhǔn)化、文本化、可拆分、可審核的辦公室工作、專業(yè)服務(wù)與部分技術(shù)崗位。也正因為如此，生成式AI研究天然先聚焦白領(lǐng)與知識工作。

2. 現(xiàn)場實驗與企業(yè)內(nèi)部隨機試驗：先看生產(chǎn)率是否上升

第二類方法是隨機對照實驗或企業(yè)內(nèi)分階段部署。最著名的證據(jù)來自客服、教育與辦公支持等場景。經(jīng)濟學(xué)家Brynjolfsson、Li 與Raymond 針對5000多名客服坐席的研究發(fā)現(xiàn)，生成式AI輔助使總體生產(chǎn)率提高約14%，且對新手或低技能員工的提升更大，可達(dá)34%，同時還改善了客戶情緒與員工留任。另一些教育實驗則顯示，GPT類系統(tǒng)可以大幅提高短期表現(xiàn)，但如果把它當(dāng)拐杖使用，反而可能損害長期技能形成。

這類研究的初步結(jié)論往往偏樂觀：AI確實能快速提高特定任務(wù)產(chǎn)出，并在某些環(huán)境中具有“增能”而非“替代”效果。但它們也有局限：實驗通常發(fā)生在任務(wù)邊界清晰、指標(biāo)明確、組織流程可控的環(huán)境中，因此更容易觀察到短期生產(chǎn)率收益，而較難推斷到整個經(jīng)濟的崗位總量變化。換言之，這類證據(jù)更擅長回答AI能不能讓人更快完成工作，不那么擅長回答企業(yè)會不會因此少招人。

（1979-2025，美國勞動生產(chǎn)率增長了92.4%，但每小時工資僅增長了33.6%。前者是后者的2.7倍。）

3. 行政數(shù)據(jù)、工資單與崗位廣告：先看真實勞動需求有沒有變化

第三類方法，是把AI 采納與實際就業(yè)、工時、工資、招聘變化連起來看。丹麥的研究尤其重要，因為它把使用調(diào)查與行政記錄相連，能夠追蹤較高質(zhì)量的真實勞動市場結(jié)果。Humlum 和 Vestergaard 的研究發(fā)現(xiàn)，盡管生成式AI采用迅速擴散，且用戶報告了節(jié)省時間、任務(wù)重組等效果，但到2024年底，工資與工時層面尚未出現(xiàn)大規(guī)模凈效應(yīng)，研究甚至排除了兩年內(nèi)超過2%的明顯就業(yè)或收入效應(yīng)。與此同時，他們也發(fā)現(xiàn)，AI確實帶來了職業(yè)切換、任務(wù)重組和企業(yè)鼓勵使用與否的顯著差異。

與之形成對照的是在線勞務(wù)市場和替代性強的場景。關(guān)于 Upwork 的研究顯示，在 ChatGPT 發(fā)布后，寫作類服務(wù)的月度崗位數(shù)量和月收入都出現(xiàn)下降，圖像生成AI也對相關(guān)自由職業(yè)崗位造成類似壓力。這說明，在邊際替代最容易、交易最標(biāo)準(zhǔn)化、雇主最容易直接對比人類產(chǎn)出與模型產(chǎn)出的市場里，轉(zhuǎn)移效應(yīng)可以很快顯現(xiàn)。

4. 地區(qū)-行業(yè)暴露與一般均衡方法：先看宏觀結(jié)構(gòu)是否在改變

第四類方法更接近傳統(tǒng)勞動經(jīng)濟學(xué)和區(qū)域經(jīng)濟學(xué)，即構(gòu)建地區(qū)暴露度、行業(yè)暴露度，再觀察中長期就業(yè)率、工資與流動變化。IMF 針對美國通勤區(qū)的研究發(fā)現(xiàn)，AI采用更高的地區(qū)，其就業(yè)人口比率下降更明顯，沖擊在制造業(yè)、低技能服務(wù)業(yè)、中等技能工人、非STEM崗位以及年齡兩端工人中更強。另一組關(guān)于職業(yè)流動的研究顯示，高暴露但與AI互補性較低的崗位，更容易出現(xiàn)向低暴露崗位的被動轉(zhuǎn)移，尤其在低學(xué)歷群體中，意味著收入損失和職業(yè)降級風(fēng)險。

這類方法得出的結(jié)論通常比企業(yè)實驗更“冷”，因為它更容易觀察到被替代、被降級和再分配成本，卻較少直接觀察到企業(yè)內(nèi)部尚未兌現(xiàn)為裁員的效率收益。它提醒我們：即便AI短期沒有造成總量塌方，也可能已經(jīng)在改變不同地區(qū)、行業(yè)與技能群體之間的就業(yè)結(jié)構(gòu)。

三、為什么這些研究結(jié)論差異很大

第一，因為它們測量的對象不同。任務(wù)暴露研究測的是技術(shù)可行性；現(xiàn)場實驗測的是任務(wù)生產(chǎn)率；工資單與行政數(shù)據(jù)測的是企業(yè)實際用工結(jié)果；地區(qū)-行業(yè)研究測的是結(jié)構(gòu)調(diào)整后果。技術(shù)可行性高，不等于企業(yè)立刻替代；短期生產(chǎn)率提升，也不等于長期就業(yè)上升。

第二，因為它們對AI的定義不同。有的研究研究的是生成式AI和大語言模型，有的研究研究的是2010年以來更廣義的AI采用，包括視覺識別、預(yù)測系統(tǒng)、工業(yè)智能化和自動決策。這就導(dǎo)致一些研究更容易看到白領(lǐng)任務(wù)替代，另一些則會觀察到制造和低技能服務(wù)崗位的中期擠壓。

第三，因為“替代”與“增強”并不是一刀切的技術(shù)屬性，而是組織選擇。法國企業(yè)層研究發(fā)現(xiàn)，AI采用往往伴隨銷售、就業(yè)與生產(chǎn)率同步上升，說明在某些企業(yè)里，AI被用來擴張產(chǎn)出而不是縮減人頭數(shù)。與之相對，另一些研究則表明，當(dāng)AI直接替代某類明確的可編碼任務(wù)時，就業(yè)下降會先于新任務(wù)創(chuàng)造出現(xiàn)。也正因此，Acemoglu、Autor、Johnson在2026年提出“pro-worker AI”的主張，強調(diào)AI的設(shè)計與部署方向本身可以偏向擴展勞動價值，而非單純壓低勞動需求。

第四，因為時間尺度不同。當(dāng)前我們看到的大部分證據(jù)，仍屬于早期采用階段。費城聯(lián)儲在2026年的調(diào)查顯示，多數(shù)使用AI的企業(yè)尚未明顯減少用工需求，更多企業(yè)只是調(diào)整崗位類型而非凈裁員；OECD 也顯示，企業(yè)采用率仍在爬坡過程中。換言之，AI的能力沖擊可能先于用工沖擊到來，而經(jīng)濟學(xué)家的早期結(jié)論因此天然偏謹(jǐn)慎。

四、現(xiàn)有研究是否過于集中于白領(lǐng)、知識工作與科技行業(yè)

答案基本是肯定的，但這既是研究偏向，也是現(xiàn)實特征。研究偏向來自的數(shù)據(jù)如職位廣告、數(shù)字平臺、客服系統(tǒng)、文書工作、軟件和辦公室崗位，更容易被持續(xù)跟蹤，也更適合與文本模型的任務(wù)能力對接。美國經(jīng)濟學(xué)會的測量報告明確提醒，現(xiàn)有非傳統(tǒng)數(shù)據(jù)往往過度代表規(guī)模更大、數(shù)字化程度更高、技能層級中高端的企業(yè)與工種。布魯金斯也指出，大量研究還停留在職業(yè)與行業(yè)層面，而不是完整的任務(wù)重構(gòu)或非正規(guī)勞動市場。

但這并不意味著AI只影響白領(lǐng)。更廣義的AI采用研究已經(jīng)顯示，制造業(yè)和低技能服務(wù)業(yè)也可能承受就業(yè)率下降壓力，只是這種影響更多來自工業(yè)自動化、預(yù)測優(yōu)化和平臺化管理，而不是大模型本身。問題在于，公眾討論幾乎被大模型主導(dǎo)，于是AI就業(yè)問題常常被等同于辦公室自動化問題。如果繼續(xù)沿這一路徑研究，經(jīng)濟學(xué)界可能低估物流、零售、倉儲、客服外包、平臺勞動和地方制造中的結(jié)構(gòu)性變化。

因此，更準(zhǔn)確的說法是：現(xiàn)階段文獻確實過度聚焦白領(lǐng)與知識工作，但這既反映了生成式AI的當(dāng)前落點，也暴露出研究工具對實體和非正規(guī)勞動市場覆蓋不足。

五、數(shù)據(jù)中心、能源、電力與供應(yīng)鏈制造業(yè)的新崗位，足以彌補白領(lǐng)流失嗎

肯定在實體經(jīng)濟中創(chuàng)造出增量，但在數(shù)量上仍不足以對沖白領(lǐng)流失。美國勞工統(tǒng)計局預(yù)計，未來十年與數(shù)據(jù)處理、托管和計算基礎(chǔ)設(shè)施相關(guān)的行業(yè)就業(yè)將顯著增長；建設(shè)、電力、公用事業(yè)及新能源相關(guān)崗位也會增加。僅“計算基礎(chǔ)設(shè)施供應(yīng)商”行業(yè)，預(yù)計2024—2034年增加近10萬個崗位；電力系統(tǒng)、輸配電與相關(guān)建設(shè)崗位也有明顯增量。

問題在于，這些崗位有三個限制。第一，規(guī)模不對稱。數(shù)據(jù)中心與電力建設(shè)確實重要，但其絕對新增崗位數(shù)，與可能受到AI暴露影響的數(shù)百萬辦公室、文書、客服、初級開發(fā)和專業(yè)支持崗位，不在同一數(shù)量級。第二，階段性不對稱。數(shù)據(jù)中心建設(shè)會帶來短期建筑和安裝崗位，但運營階段往往資本密集、勞動輕量。布魯金斯在2026年關(guān)于數(shù)據(jù)中心繁榮的研究明確指出，標(biāo)準(zhǔn)數(shù)據(jù)中心模式對地方就業(yè)的長期、持續(xù)、高價值外溢通常比較有限。第三，技能與地理錯配。被壓縮的大學(xué)畢業(yè)生、行政人員、寫作者和初級分析師，不會自然轉(zhuǎn)化為電工、輸電線路工或液冷設(shè)施工程人員。

因此，實體基礎(chǔ)設(shè)施投資當(dāng)然重要，但它更像是AI經(jīng)濟擴張的必要支撐，而不是吸納知識工作轉(zhuǎn)移的充分補足。真正可能形成更大規(guī)模吸納作用的，不是單純的機房就業(yè)，而是圍繞AI擴散產(chǎn)生的新型互補崗位，例如行業(yè)集成、流程再造、數(shù)據(jù)治理、審計、合規(guī)、客戶成功、垂直行業(yè)應(yīng)用與人機協(xié)作監(jiān)督崗位。新問題不是有沒有新工作，而是新工作的創(chuàng)造速度，是否快得過舊工作的萎縮。

六、最受影響的是不是初入職場的年輕人？這將帶來什么社會后果

到目前為止，這可能是最具共識的一點：在知識工作與高AI暴露崗位中，受沖擊最早、最明顯的，很可能正是職業(yè)階梯底部的年輕人。斯坦福數(shù)字經(jīng)濟實驗室 與 ADP 的高頻工資單研究發(fā)現(xiàn)，在AI暴露較高的崗位里，22—25歲員工的就業(yè)明顯弱于年長群體；其中，年輕軟件開發(fā)者和客服崗位的回落尤其明顯，而30歲以上勞動者總體仍保持增長。IMF 在2026年的技能研究中也指出，AI暴露在入門級崗位上更高，而在AI技能需求上升較快的地區(qū)，AI脆弱型職業(yè)的就業(yè)水平在五年后更低。

為什么是年輕人最先受壓？因為許多入門崗位本來承擔(dān)的是訓(xùn)練功能：整理資料、生成初稿、寫基礎(chǔ)代碼、做第一輪分析、處理標(biāo)準(zhǔn)化客戶問題。這些任務(wù)最容易被模型接管。過去，企業(yè)需要通過雇傭大量初級員工來完成這些工作，同時把它們當(dāng)成培養(yǎng)中高級人才的管道；現(xiàn)在，資深員工借助AI就能完成其中相當(dāng)部分，從而減少對初級崗位的依賴。結(jié)果不是職業(yè)整體消失，而是職業(yè)入口收窄。

這種變化的社會影響可能比靜態(tài)失業(yè)率更深遠(yuǎn)。第一，它會造成職業(yè)階梯斷裂：如果沒有初級崗位，年輕人如何積累經(jīng)驗、學(xué)習(xí)組織規(guī)范、獲得行業(yè)判斷？第二，它會加劇代際不平等：已有經(jīng)驗者因與AI互補而受益，剛畢業(yè)者卻更難進入高薪行業(yè)。第三，它會造成長期傷痕效應(yīng)：勞動經(jīng)濟學(xué)一再發(fā)現(xiàn)，年輕時期遭遇錯配和失業(yè)，會在此后多年壓低工資、延緩家庭形成、削弱社會流動。第四，它可能引發(fā)更廣泛的政治和文化后果，因為大學(xué)教育與專業(yè)職業(yè)之間的傳統(tǒng)通道一旦失效，中產(chǎn)再生產(chǎn)機制本身就會受損。

因此，今天最值得警惕的，并不只是AI會不會讓所有人失業(yè)，而是AI是否正在讓一整代人的第一份工作消失。這不是邊緣問題，而是未來十年生產(chǎn)率、階層流動和社會穩(wěn)定的核心問題。

（數(shù)據(jù)來源：美國勞工統(tǒng)計局）

七、中國是否也開始出現(xiàn)類似問題？誰在研究

中國當(dāng)然也處在這場變動之中，只是表現(xiàn)方式與美國并不完全一樣。一方面，中國是AI大國，產(chǎn)業(yè)規(guī)模和應(yīng)用擴散都很快。中國信通院預(yù)計，2025年中國人工智能核心產(chǎn)業(yè)規(guī)模將超過1.2萬億元，企業(yè)數(shù)量也在持續(xù)增長。另一方面，中國政策層面對AI就業(yè)影響的表述仍總體偏積極，更強調(diào)AI創(chuàng)造新崗位、提高生產(chǎn)率、服務(wù)產(chǎn)業(yè)升級，而不是像美國技術(shù)界那樣高頻討論大規(guī)模失業(yè)。官方當(dāng)前更傾向于強調(diào)AI的就業(yè)創(chuàng)造效應(yīng)，尤其是在吸納高校畢業(yè)生方面。

但中國學(xué)界并非沒有警覺。當(dāng)前比較有代表性的研究包括：北大國發(fā)院 AI 與經(jīng)濟學(xué)實驗室張丹丹團隊及其與智聯(lián)招聘合作的崗位研究；人民大學(xué)中國就業(yè)研究所曾湘泉團隊；中國科學(xué)院院刊相關(guān)學(xué)者；蔡昉等長期研究勞動力市場與人口結(jié)構(gòu)的經(jīng)濟學(xué)家；以及獲得國家社科重大項目支持、專門研究AI與勞動市場結(jié)構(gòu)變化的張川川、何小鋼等團隊。

從方法上看，中國目前的實證研究更依賴在線招聘廣告、崗位需求、技能要求和薪資發(fā)布數(shù)據(jù)，而相對缺少像丹麥或美國 ADP 那樣能直接鏈接工資單、行政記錄和企業(yè)內(nèi)部AI采用的高質(zhì)量微觀數(shù)據(jù)。這意味著中國研究在識別招聘端變化方面很快，但在識別真實工資、工時、流動和長期就業(yè)結(jié)果方面仍相對不足。

八、中國學(xué)者目前形成了哪些初步結(jié)論？與國外研究有哪些異同

到目前為止，中國學(xué)界形成了幾條相對清晰的初步判斷。

第一，高暴露白領(lǐng)崗位已經(jīng)出現(xiàn)招聘需求趨弱的跡象。張丹丹團隊基于2018年至2024年超過百萬條在線招聘數(shù)據(jù)構(gòu)建了中國的大模型暴露指數(shù)，發(fā)現(xiàn)中國新增崗位的大語言模型暴露度在近兩年出現(xiàn)下行，高暴露職業(yè)主要集中于會計、編輯、銷售、程序員等高薪白領(lǐng)崗位；工具變量分析還表明，暴露度與崗位需求負(fù)相關(guān)，工資增長放緩，同職業(yè)內(nèi)部工資差距擴大，同時學(xué)歷和經(jīng)驗門檻提高。北大團隊2026年對中國與新加坡的比較也指出，中國白領(lǐng)崗位需求下降更明顯，而AI同時抬高了用工篩選標(biāo)準(zhǔn)。

第二，中國學(xué)者普遍認(rèn)為AI帶來的不是簡單總量替代，而是結(jié)構(gòu)性錯配與分化。曾湘泉團隊強調(diào)，AI對就業(yè)的影響應(yīng)從數(shù)量、結(jié)構(gòu)和質(zhì)量三方面同時看：短期更多體現(xiàn)為輔助與改造，長期則可能擴大替代范圍；同時，AI也可能在老齡化背景下緩解勞動力短缺。中國科學(xué)院院刊的相關(guān)分析則更強調(diào)，AI可能帶來就業(yè)數(shù)量與就業(yè)方式雙重變化，并加劇收入與機會不平等。蔡昉等學(xué)者也強調(diào)，技術(shù)進步創(chuàng)造崗位往往滯后于技術(shù)替代，因此需要更重視人力資本、社會保障和就業(yè)優(yōu)先導(dǎo)向。

第三，中國研究與國外研究在核心方向上大體一致：都指向兩極分化、技能門檻抬升、互補性比總量更關(guān)鍵。但也存在明顯差異。國外研究更強調(diào)早期沒有大規(guī)?？偭渴I(yè)，但青年入口崗位受壓，并依賴更豐富的工資單、行政數(shù)據(jù)與現(xiàn)場實驗；中國研究更強調(diào)招聘端與產(chǎn)業(yè)升級端的雙重變化，更突出制造業(yè)、產(chǎn)業(yè)數(shù)字化和國家政策調(diào)節(jié)的作用。簡單說，歐美研究更像是在回答AI已經(jīng)如何改變勞動市場，中國研究則更像在回答AI將如何在產(chǎn)業(yè)升級中重構(gòu)勞動市場。

這意味著一個很重要的比較結(jié)論：中美都面臨AI對白領(lǐng)和青年就業(yè)的壓力，但美國的證據(jù)更早顯示入口崗位被壓縮，中國的研究則更早顯示招聘門檻抬高、崗位需求分化和白領(lǐng)篩選加劇。這兩者并不矛盾，反而可能是同一過程的不同側(cè)面。

總之，AI就業(yè)問題的核心，已不再只是一個狹義的勞動需求問題，而是一個關(guān)于技能形成、代際機會、社會流動與新社會契約的問題。未來幾年真正決定成敗的，也許不是AI多快替代人，而是教育體系、企業(yè)組織和政策體系，能否足夠快地重建人如何進入高價值工作的路徑。

One More Thing

與馬斯克們所說的AI帶來的“豐裕社會”針鋒相對，非AI圈的經(jīng)濟學(xué)家和市場分析機構(gòu)，也通過AI技術(shù)性能所帶來的加速自動化，卻在競爭模型中推演出極度悲觀的未來勞動就業(yè)、經(jīng)濟增長與消費。

如Citrini Research發(fā)布的《2028年全球智能危機》（The 2028 Global Intelligence Crisis），這份情景報告推演出：AI生產(chǎn)率提升過快且完全替代高收入白領(lǐng)，會破壞消費經(jīng)濟根基（美國消費占GDP約70%），形成“無消費的增長”，“幽靈GDP”，最終反噬企業(yè)盈利與市場估值，引發(fā)系統(tǒng)性經(jīng)濟危機。

賓夕法尼亞大學(xué)和波士頓大學(xué)的兩位經(jīng)濟學(xué)家，則建立了一個模型，同樣推斷出如果AI取代人類勞動者的速度快于經(jīng)濟體重新吸納他們的能力，那么它可能會侵蝕企業(yè)所依賴的消費者需求。

而且僅僅認(rèn)識到這一點，并不足以讓企業(yè)停止這一過程。在一個競爭性的、基于任務(wù)的模型中，需求外部性會將理性的企業(yè)困在一場自動化軍備競賽之中，從而導(dǎo)致對勞動力的替代遠(yuǎn)遠(yuǎn)超出整體最優(yōu)水平。由此產(chǎn)生的損失既損害勞動者，也損害企業(yè)所有者。

更激烈的競爭和“更好”的人工智能只會加劇這種過度替代；工資調(diào)整和自由進入也無法消除這一問題。資本收入稅、員工持股、普遍基本收入、技能提升或科斯式談判同樣無濟于事。

作者認(rèn)為，只有庇古式的自動化稅才能發(fā)揮作用。研究結(jié)果表明，政策不僅應(yīng)關(guān)注人工智能替代勞動力所帶來的后果，還應(yīng)關(guān)注推動這一過程的競爭性激勵機制。

一些政府，已經(jīng)開始悄悄準(zhǔn)備政策工具了。

參考文獻：

Acemoglu, D., Autor, D., & Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. NBER Working Paper 34854.

Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab working paper.

Brynjolfsson, E., Li, D., & Raymond, L. (2024). The Economics of Generative AI. NBER Reporter.

Humlum, A., & Vestergaard, E. (2025). Early Labor Market Transformation under Generative AI / Large Language Models, Small Labor Market Effects. NBER Working Paper 33777.

IMF. (2024). Gen-AI: Artificial Intelligence and the Future of Work. Staff Discussion Note 2024/001.

IMF. (2024). The Labor Market Impact of Artificial Intelligence: Evidence from U.S. Regions. Working Paper 2024/199.

IMF. (2026). New Jobs Creation in the AI Age. Staff Discussion Note 2026/001.

Jed Kolko. (2026). Research on AI and the labor market is still in the first inning. Brookings.

OECD. (2024). Artificial Intelligence and Employment. OECD AI Papers.

OECD. (2024). Artificial Intelligence and the Changing Demand for Skills in the Labour Market. OECD report.

OECD. (2026). AI use by individuals surges across the OECD as adoption by firms continues to expand. OECD news release.

U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections.

U.S. Bureau of Labor Statistics. (2025). Incorporating AI impacts in BLS employment projections. Monthly Labor Review.

U.S. Bureau of Labor Statistics. (2026). Industry and occupational employment projections overview. Monthly Labor Review.

Goetzel, D., Muro, M., & Methkupally, S. (2026). Turning the data center boom into long-term, local prosperity. Brookings.

Brett Hemenway Falk, Gerry Tsoukalas （2026）The AI Layoff Trap

張丹丹、于航、李力行、胡佳胤、莫怡青、李泓孛（2025）：《中國人工智能技術(shù)暴露度的測算及其對勞動需求的影響：基于大語言模型的新證據(jù)》，《管理世界》2025年第7期。索引與技術(shù)說明見北京大學(xué)國家發(fā)展研究院 AI 暴露指數(shù)頁面。

北京大學(xué)國家發(fā)展研究院、智聯(lián)招聘（2025）：《人工智能大語言模型技術(shù)影響下的勞動力市場求職錯配情況報告》。

盧艷、桂林翠（2025）：《人工智能技術(shù)對我國就業(yè)及收入的影響分析》，《中國科學(xué)院院刊》2025年第4期。

中國信息通信研究院（2026）：《人工智能產(chǎn)業(yè)發(fā)展研究報告（2025年）》。