AI智能体正在加快部署，在职场上引起了空前的焦虑。
前沿AI实验室都不否认，甚至明确指出，AI规模化替代人力（技能与岗位）开始发生。如Anthropic创始人CEO阿莫迪（Dario Amodei）就提出，50%的入门级知识工作岗位，将在1-5年内完全被抹去的问题。当奥特曼（Sam Altman） 提出全民基本收入（universal basic income）, 或者马斯克提出全民高收入（universal high income）时，都假设了AI将会大规模替代人类劳动。谷歌DeepMind CEO哈萨比斯（Damis Hassabis），与马斯克似乎都是科幻作家班克斯的信徒，认为AI将带来“彻底丰裕”（radical abundance），也在召经济学家，研究所谓“后稀缺时代”的分配问题。
这些AI“救世主”们，已经不相信传统经济学对技术、创新和劳动力市场的解释，他们要建立起基于AI智能体的新的经济与社会范式。
对此，图灵奖获得者杨立昆又出来驳斥：Dario（Amodei）错了，在技术革命如何影响劳动就业市场这一问题上，他一窍不通。在这一问题上，千万别听他的话，别听Sam (Altman)、Yoshua (Bengio)、Geoff （Hinton）的话，也别听我的话，听经济学家的。
与马斯克和奥特曼这些AI戏精相比，经济学家们的声量当然不足，但也并未缺席。过去两年，主流经济学界、国际组织和官方统计体系已经迅速推出一批关于AI与劳动市场的研究，只是这些研究滞后于AI技术的迅速发展：数据不完备，口径不统一，识别策略各异，导致结论更多是有条件的初步判断，而非对未来就业总量与结构的确定性分析。智库布鲁金斯明确指出，这一领域的研究仍然很早期；美国经济学会经济统计委员会则强调，官方统计、企业层数据、职位与任务分类，目前都还不足以精确测量AI的真实经济影响。
本文试图围绕八个问题做一篇初步综述：
第一，主流经济学家对AI就业影响究竟研究到了什么程度；
第二，他们用了哪些方法，得出了怎样的初步结论；
第三，这些结论为何不同；
第四，现有研究是否过于集中于白领、知识工作与科技行业；
第五，数据中心、能源、供应链与制造业投资能否弥补白领岗位流失；
第六，是否初入职场的年轻人尤其是大学毕业生受冲击最大，以及这将带来何种经济与社会后果；
第七，中国的情况如何，谁在研究；
第八，中国学界目前形成了哪些初步结论。
One More Thing
--
一、主流经济学家的研究仍明显早于结论
过去两年的主流研究大致来自五类主体：国际组织如 IMF、OECD；官方统计与政策研究机构如美国劳工统计局、费城联储；NBER、AEA 等主流经济学网络；麻省理工、斯坦福、芝加哥、耶鲁等高校团队；以及少量与企业合作的现场实验研究。它们共同构成了目前关于AI与就业问题的主流经济学回应。布鲁金斯如此概括：现阶段研究主要聚焦劳动需求而非长期一般均衡结果，更多观察职业和行业而非任务内部的替代机制，因为可得数据首先存在于招聘、工资单、职位与企业调查中，而不在完整的任务级生产函数中。
这些研究之所以听起来“不够响亮”，并不主要是因为经济学家们忽视了问题，而是因为他们的判断方式与前沿AI实验室不同。实验室通常从能力边界出发，问模型能否完成某类工作；经济学家则从制度与市场调整出发，问即使模型能做，企业是否会立即替代、工资如何变化、需求会否扩张、岗位是否会重组、收入损失是否会在别处被补偿。这意味着，技术界的判断更接近可能性前沿，经济学家的判断更接近现实世界的吸收路径。
双方讨论的并不是同一个层面的问题。今天的大量证据已经支持一个谨慎共识：AI在一些行业和工种上的确显著改变任务执行与生产率，但其对就业总量的影响，目前仍高度取决于替代与增强、短期与长期、企业内部效率提升与宏观需求扩张之间的动态平衡。
二、主流经济学家用了什么方法，又得出了什么初步结论
1. 任务暴露法：先看哪些任务容易被AI完成
最常见的方法，是把职业拆解成任务，再评估这些任务暴露于AI的程度。这类研究通常依赖 O*NET（劳工部职业信息网络）、职业描述文本、招聘广告、以及让模型或专家对任务可自动化程度进行评分。其优点是覆盖广、更新快，能够较早发现高暴露职业；其缺点是，它测的是可能受影响的任务，不是已经发生的净就业变化。IMF 在2024年的框架性研究中估计，全球约40%的工作受到AI暴露，发达经济体的暴露率约60%；但同一研究也强调，在发达经济体中，一半左右的高暴露岗位可能因AI整合而受益，另一半才面临更明显的需求、工资或招聘压力。
这类方法得出的首要结论是：高暴露并不等于立即失业，但它标示了压力最可能首先出现的区域。这些区域往往不是体力劳动最强的岗位，而是高度标准化、文本化、可拆分、可审核的办公室工作、专业服务与部分技术岗位。也正因为如此，生成式AI研究天然先聚焦白领与知识工作。
2. 现场实验与企业内部随机试验：先看生产率是否上升
第二类方法是随机对照实验或企业内分阶段部署。最著名的证据来自客服、教育与办公支持等场景。经济学家Brynjolfsson、Li 与Raymond 针对5000多名客服坐席的研究发现，生成式AI辅助使总体生产率提高约14%，且对新手或低技能员工的提升更大，可达34%，同时还改善了客户情绪与员工留任。另一些教育实验则显示，GPT类系统可以大幅提高短期表现，但如果把它当拐杖使用，反而可能损害长期技能形成。
这类研究的初步结论往往偏乐观：AI确实能快速提高特定任务产出，并在某些环境中具有“增能”而非“替代”效果。但它们也有局限：实验通常发生在任务边界清晰、指标明确、组织流程可控的环境中，因此更容易观察到短期生产率收益，而较难推断到整个经济的岗位总量变化。换言之，这类证据更擅长回答AI能不能让人更快完成工作，不那么擅长回答企业会不会因此少招人。
（
]article_adlist-->1979-2025，美国劳动生产率增长了92.4%，但每小时工资仅增长了33.6%。前者是后者的2.7倍。）
3. 行政数据、工资单与岗位广告：先看真实劳动需求有没有变化
第三类方法，是把AI 采纳与实际就业、工时、工资、招聘变化连起来看。丹麦的研究尤其重要，因为它把使用调查与行政记录相连，能够追踪较高质量的真实劳动市场结果。Humlum 和 Vestergaard 的研究发现，尽管生成式AI采用迅速扩散，且用户报告了节省时间、任务重组等效果，但到2024年底，工资与工时层面尚未出现大规模净效应，研究甚至排除了两年内超过2%的明显就业或收入效应。与此同时，他们也发现，AI确实带来了职业切换、任务重组和企业鼓励使用与否的显著差异。
与之形成对照的是在线劳务市场和替代性强的场景。关于 Upwork 的研究显示，在 ChatGPT 发布后，写作类服务的月度岗位数量和月收入都出现下降，图像生成AI也对相关自由职业岗位造成类似压力。这说明，在边际替代最容易、交易最标准化、雇主最容易直接对比人类产出与模型产出的市场里，转移效应可以很快显现。
4. 地区-行业暴露与一般均衡方法：先看宏观结构是否在改变
第四类方法更接近传统劳动经济学和区域经济学，即构建地区暴露度、行业暴露度，再观察中长期就业率、工资与流动变化。IMF 针对美国通勤区的研究发现，AI采用更高的地区，其就业人口比率下降更明显，冲击在制造业、低技能服务业、中等技能工人、非STEM岗位以及年龄两端工人中更强。另一组关于职业流动的研究显示，高暴露但与AI互补性较低的岗位，更容易出现向低暴露岗位的被动转移，尤其在低学历群体中，意味着收入损失和职业降级风险。
这类方法得出的结论通常比企业实验更“冷”，因为它更容易观察到被替代、被降级和再分配成本，却较少直接观察到企业内部尚未兑现为裁员的效率收益。它提醒我们：即便AI短期没有造成总量塌方，也可能已经在改变不同地区、行业与技能群体之间的就业结构。
三、为什么这些研究结论差异很大
第一，因为它们测量的对象不同。任务暴露研究测的是技术可行性；现场实验测的是任务生产率；工资单与行政数据测的是企业实际用工结果；地区-行业研究测的是结构调整后果。技术可行性高，不等于企业立刻替代；短期生产率提升，也不等于长期就业上升。
第二，因为它们对AI的定义不同。有的研究研究的是生成式AI和大语言模型，有的研究研究的是2010年以来更广义的AI采用，包括视觉识别、预测系统、工业智能化和自动决策。这就导致一些研究更容易看到白领任务替代，另一些则会观察到制造和低技能服务岗位的中期挤压。
第三，因为“替代”与“增强”并不是一刀切的技术属性，而是组织选择。法国企业层研究发现，AI采用往往伴随销售、就业与生产率同步上升，说明在某些企业里，AI被用来扩张产出而不是缩减人头数。与之相对，另一些研究则表明，当AI直接替代某类明确的可编码任务时，就业下降会先于新任务创造出现。也正因此，Acemoglu、Autor、Johnson在2026年提出“pro-worker AI”的主张，强调AI的设计与部署方向本身可以偏向扩展劳动价值，而非单纯压低劳动需求。
第四，因为时间尺度不同。当前我们看到的大部分证据，仍属于早期采用阶段。费城联储在2026年的调查显示，多数使用AI的企业尚未明显减少用工需求，更多企业只是调整岗位类型而非净裁员；OECD 也显示，企业采用率仍在爬坡过程中。换言之，AI的能力冲击可能先于用工冲击到来，而经济学家的早期结论因此天然偏谨慎。
四、现有研究是否过于集中于白领、知识工作与科技行业
答案基本是肯定的，但这既是研究偏向，也是现实特征。研究偏向来自的数据如职位广告、数字平台、客服系统、文书工作、软件和办公室岗位，更容易被持续跟踪，也更适合与文本模型的任务能力对接。美国经济学会的测量报告明确提醒，现有非传统数据往往过度代表规模更大、数字化程度更高、技能层级中高端的企业与工种。布鲁金斯也指出，大量研究还停留在职业与行业层面，而不是完整的任务重构或非正规劳动市场。
但这并不意味着AI只影响白领。更广义的AI采用研究已经显示，制造业和低技能服务业也可能承受就业率下降压力，只是这种影响更多来自工业自动化、预测优化和平台化管理，而不是大模型本身。问题在于，公众讨论几乎被大模型主导，于是AI就业问题常常被等同于办公室自动化问题。如果继续沿这一路径研究，经济学界可能低估物流、零售、仓储、客服外包、平台劳动和地方制造中的结构性变化。
因此，更准确的说法是：现阶段文献确实过度聚焦白领与知识工作，但这既反映了生成式AI的当前落点，也暴露出研究工具对实体和非正规劳动市场覆盖不足。
五、数据中心、能源、电力与供应链制造业的新岗位，足以弥补白领流失吗
肯定在实体经济中创造出增量，但在数量上仍不足以对冲白领流失。美国劳工统计局预计，未来十年与数据处理、托管和计算基础设施相关的行业就业将显著增长；建设、电力、公用事业及新能源相关岗位也会增加。仅“计算基础设施供应商”行业，预计2024—2034年增加近10万个岗位；电力系统、输配电与相关建设岗位也有明显增量。
问题在于，这些岗位有三个限制。第一，规模不对称。数据中心与电力建设确实重要，但其绝对新增岗位数，与可能受到AI暴露影响的数百万办公室、文书、客服、初级开发和专业支持岗位，不在同一数量级。第二，阶段性不对称。数据中心建设会带来短期建筑和安装岗位，但运营阶段往往资本密集、劳动轻量。布鲁金斯在2026年关于数据中心繁荣的研究明确指出，标准数据中心模式对地方就业的长期、持续、高价值外溢通常比较有限。第三，技能与地理错配。被压缩的大学毕业生、行政人员、写作者和初级分析师，不会自然转化为电工、输电线路工或液冷设施工程人员。
因此，实体基础设施投资当然重要，但它更像是AI经济扩张的必要支撑，而不是吸纳知识工作转移的充分补足。真正可能形成更大规模吸纳作用的，不是单纯的机房就业，而是围绕AI扩散产生的新型互补岗位，例如行业集成、流程再造、数据治理、审计、合规、客户成功、垂直行业应用与人机协作监督岗位。新问题不是有没有新工作，而是新工作的创造速度，是否快得过旧工作的萎缩。
六、最受影响的是不是初入职场的年轻人？这将带来什么社会后果
到目前为止，这可能是最具共识的一点：在知识工作与高AI暴露岗位中，受冲击最早、最明显的，很可能正是职业阶梯底部的年轻人。斯坦福数字经济实验室 与 ADP 的高频工资单研究发现，在AI暴露较高的岗位里，22—25岁员工的就业明显弱于年长群体；其中，年轻软件开发者和客服岗位的回落尤其明显，而30岁以上劳动者总体仍保持增长。IMF 在2026年的技能研究中也指出，AI暴露在入门级岗位上更高，而在AI技能需求上升较快的地区，AI脆弱型职业的就业水平在五年后更低。
为什么是年轻人最先受压？因为许多入门岗位本来承担的是训练功能：整理资料、生成初稿、写基础代码、做第一轮分析、处理标准化客户问题。这些任务最容易被模型接管。过去，企业需要通过雇佣大量初级员工来完成这些工作，同时把它们当成培养中高级人才的管道；现在，资深员工借助AI就能完成其中相当部分，从而减少对初级岗位的依赖。结果不是职业整体消失，而是职业入口收窄。
这种变化的社会影响可能比静态失业率更深远。第一，它会造成职业阶梯断裂：如果没有初级岗位，年轻人如何积累经验、学习组织规范、获得行业判断？第二，它会加剧代际不平等：已有经验者因与AI互补而受益，刚毕业者却更难进入高薪行业。第三，它会造成长期伤痕效应：劳动经济学一再发现，年轻时期遭遇错配和失业，会在此后多年压低工资、延缓家庭形成、削弱社会流动。第四，它可能引发更广泛的政治和文化后果，因为大学教育与专业职业之间的传统通道一旦失效，中产再生产机制本身就会受损。
因此，今天最值得警惕的，并不只是AI会不会让所有人失业，而是AI是否正在让一整代人的第一份工作消失。这不是边缘问题，而是未来十年生产率、阶层流动和社会稳定的核心问题。
七、中国是否也开始出现类似问题？谁在研究
中国当然也处在这场变动之中，只是表现方式与美国并不完全一样。一方面，中国是AI大国，产业规模和应用扩散都很快。中国信通院预计，2025年中国人工智能核心产业规模将超过1.2万亿元，企业数量也在持续增长。另一方面，中国政策层面对AI就业影响的表述仍总体偏积极，更强调AI创造新岗位、提高生产率、服务产业升级，而不是像美国技术界那样高频讨论大规模失业。官方当前更倾向于强调AI的就业创造效应，尤其是在吸纳高校毕业生方面。
但中国学界并非没有警觉。当前比较有代表性的研究包括：北大国发院 AI 与经济学实验室张丹丹团队及其与智联招聘合作的岗位研究；人民大学中国就业研究所曾湘泉团队；中国科学院院刊相关学者；蔡昉等长期研究劳动力市场与人口结构的经济学家；以及获得国家社科重大项目支持、专门研究AI与劳动市场结构变化的张川川、何小钢等团队。
从方法上看，中国目前的实证研究更依赖在线招聘广告、岗位需求、技能要求和薪资发布数据，而相对缺少像丹麦或美国 ADP 那样能直接链接工资单、行政记录和企业内部AI采用的高质量微观数据。这意味着中国研究在识别招聘端变化方面很快，但在识别真实工资、工时、流动和长期就业结果方面仍相对不足。
八、中国学者目前形成了哪些初步结论？与国外研究有哪些异同
到目前为止，中国学界形成了几条相对清晰的初步判断。
第一，高暴露白领岗位已经出现招聘需求趋弱的迹象。张丹丹团队基于2018年至2024年超过百万条在线招聘数据构建了中国的大模型暴露指数，发现中国新增岗位的大语言模型暴露度在近两年出现下行，高暴露职业主要集中于会计、编辑、销售、程序员等高薪白领岗位；工具变量分析还表明，暴露度与岗位需求负相关，工资增长放缓，同职业内部工资差距扩大，同时学历和经验门槛提高。北大团队2026年对中国与新加坡的比较也指出，中国白领岗位需求下降更明显，而AI同时抬高了用工筛选标准。
第二，中国学者普遍认为AI带来的不是简单总量替代，而是结构性错配与分化。曾湘泉团队强调，AI对就业的影响应从数量、结构和质量三方面同时看：短期更多体现为辅助与改造，长期则可能扩大替代范围；同时，AI也可能在老龄化背景下缓解劳动力短缺。中国科学院院刊的相关分析则更强调，AI可能带来就业数量与就业方式双重变化，并加剧收入与机会不平等。蔡昉等学者也强调，技术进步创造岗位往往滞后于技术替代，因此需要更重视人力资本、社会保障和就业优先导向。
第三，中国研究与国外研究在核心方向上大体一致：都指向两极分化、技能门槛抬升、互补性比总量更关键。但也存在明显差异。国外研究更强调早期没有大规模总量失业，但青年入口岗位受压，并依赖更丰富的工资单、行政数据与现场实验；中国研究更强调招聘端与产业升级端的双重变化，更突出制造业、产业数字化和国家政策调节的作用。简单说，欧美研究更像是在回答AI已经如何改变劳动市场，中国研究则更像在回答AI将如何在产业升级中重构劳动市场。
这意味着一个很重要的比较结论：中美都面临AI对白领和青年就业的压力，但美国的证据更早显示入口岗位被压缩，中国的研究则更早显示招聘门槛抬高、岗位需求分化和白领筛选加剧。这两者并不矛盾，反而可能是同一过程的不同侧面。
总之，AI就业问题的核心，已不再只是一个狭义的劳动需求问题，而是一个关于技能形成、代际机会、社会流动与新社会契约的问题。未来几年真正决定成败的，也许不是AI多快替代人，而是教育体系、企业组织和政策体系，能否足够快地重建人如何进入高价值工作的路径。
One More Thing
与马斯克们所说的AI带来的“丰裕社会”针锋相对，非AI圈的经济学家和市场分析机构，也通过AI技术性能所带来的加速自动化，却在竞争模型中推演出极度悲观的未来劳动就业、经济增长与消费。
如Citrini Research发布的《2028年全球智能危机》（The 2028 Global Intelligence Crisis），这份情景报告推演出：AI生产率提升过快且完全替代高收入白领，会破坏消费经济根基（美国消费占GDP约70%），形成“无消费的增长”，“幽灵GDP”，最终反噬企业盈利与市场估值，引发系统性经济危机。
宾夕法尼亚大学和波士顿大学的两位经济学家，则建立了一个模型，同样推断出如果AI取代人类劳动者的速度快于经济体重新吸纳他们的能力，那么它可能会侵蚀企业所依赖的消费者需求。
而且仅仅认识到这一点，并不足以让企业停止这一过程。在一个竞争性的、基于任务的模型中，需求外部性会将理性的企业困在一场自动化军备竞赛之中，从而导致对劳动力的替代远远超出整体最优水平。由此产生的损失既损害劳动者，也损害企业所有者。
更激烈的竞争和“更好”的人工智能只会加剧这种过度替代；工资调整和自由进入也无法消除这一问题。资本收入税、员工持股、普遍基本收入、技能提升或科斯式谈判同样无济于事。
作者认为，只有庇古式的自动化税才能发挥作用。研究结果表明，政策不仅应关注人工智能替代劳动力所带来的后果，还应关注推动这一过程的竞争性激励机制。
一些政府，已经开始悄悄准备政策工具了。
--
参考文献：
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
张丹丹、于航、李力行、胡佳胤、莫怡青、李泓孛（2025）：《中国人工智能技术暴露度的测算及其对劳动需求的影响：基于大语言模型的新证据》，《管理世界》2025年第7期。索引与技术说明见北京大学国家发展研究院 AI 暴露指数页面。
北京大学国家发展研究院、智联招聘（2025）：《人工智能大语言模型技术影响下的劳动力市场求职错配情况报告》。
卢艳、桂林翠（2025）：《人工智能技术对我国就业及收入的影响分析》，《中国科学院院刊》2025年第4期。
中国信息通信研究院（2026）：《人工智能产业发展研究报告（2025年）》。
海量资讯、精准解读，尽在新浪财经APP
兴盛网配资提示：文章来自网络，不代表本站观点。
