人類向AI狂奔，會掉入就業的陷阱嗎

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，甚至明確指出，AI規模化替代人力（技能與崗位）開始發生。如Anthropic創始人CEO阿莫迪（Dario Amodei）就提出，50%的入門級知識工作崗位，將在1-5年內完全被抹去的問題。當奧特曼（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，都假設了AI將會大規模替代人類勞動。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，認為AI將帶來“徹底豐裕”（radical abundance），也在召經濟學家，研究所謂“后稀缺時代”的分配問題。

這些AI“救世主”們，已經不相信傳統經濟學對技術、創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，在技術革命如何影響勞動就業市場這一問題上，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，聽經濟學家的。

與馬斯克和奧特曼這些AI戲精相比，經濟學家們的聲量當然不足，但也并未缺席。過去兩年，主流經濟學界、國際組織和官方統計體系已經迅速推出一批關于AI與勞動市場的研究，只是這些研究滯后于AI技術的迅速發展：數據不完備，口徑不統一，識別策略各異，導致結論更多是有條件的初步判斷，而非對未來就業總量與結構的確定性分析。智庫布魯金斯明確指出，這一領域的研究仍然很早期；美國經濟學會經濟統計委員會則強調，官方統計、企業層數據、職位與任務分類，目前都還不足以精確測量AI的真實經濟影響。

本文試圖圍繞八個問題做一篇初步綜述：

第一，主流經濟學家對AI就業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論；

第三，這些結論為何不同；

第四，現有研究是否過于集中于白領、知識工作與科技行業；

第五，數據中心、能源、供應鏈與制造業投資能否彌補白領崗位流失；

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

第七，中國的情況如何，誰在研究；

第八，中國學界目前形成了哪些初步結論。

One More Thing

一、主流經濟學家的研究仍明顯早于結論

過去兩年的主流研究大致來自五類主體：國際組織如 IMF、OECD；官方統計與政策研究機構如美國勞工統計局、費城聯儲；NBER、AEA 等主流經濟學網絡；麻省理工、斯坦福、芝加哥、耶魯等高校團隊；以及少量與企業合作的現場實驗研究。它們共同構成了目前關于AI與就業問題的主流經濟學回應。布魯金斯如此概括：現階段研究主要聚焦勞動需求而非長期一般均衡結果，更多觀察職業和行業而非任務內部的替代機制，因為可得數據首先存在于招聘、工資單、職位與企業調查中，而不在完整的任務級生產函數中。

這些研究之所以聽起來“不夠響亮”，并不主要是因為經濟學家們忽視了問題，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，問模型能否完成某類工作；經濟學家則從制度與市場調整出發，問即使模型能做，企業是否會立即替代、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，技術界的判斷更接近可能性前沿，經濟學家的判斷更接近現實世界的吸收路徑。

雙方討論的并不是同一個層面的問題。今天的大量證據已經支持一個謹慎共識：AI在一些行業和工種上的確顯著改變任務執行與生產率，但其對就業總量的影響，目前仍高度取決于替代與增強、短期與長期、企業內部效率提升與宏觀需求擴張之間的動態平衡。

二、主流經濟學家用了什么方法，又得出了什么初步結論

1. 任務暴露法：先看哪些任務容易被AI完成

最常見的方法，是把職業拆解成任務，再評估這些任務暴露于AI的程度。這類研究通常依賴 O*NET（勞工部職業信息網絡）、職業描述文本、招聘廣告、以及讓模型或專家對任務可自動化程度進行評分。其優點是覆蓋廣、更新快，能夠較早發現高暴露職業；其缺點是，它測的是可能受影響的任務，不是已經發生的凈就業變化。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，發達經濟體的暴露率約60%；但同一研究也強調，在發達經濟體中，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論是：高暴露并不等于立即失業，但它標示了壓力最可能首先出現的區域。這些區域往往不是體力勞動最強的崗位，而是高度標準化、文本化、可拆分、可審核的辦公室工作、專業服務與部分技術崗位。也正因為如此，生成式AI研究天然先聚焦白領與知識工作。

2. 現場實驗與企業內部隨機試驗：先看生產率是否上升

第二類方法是隨機對照實驗或企業內分階段部署。最著名的證據來自客服、教育與辦公支持等場景。經濟學家Brynjolfsson、Li 與Raymond 針對5000多名客服坐席的研究發現，生成式AI輔助使總體生產率提高約14%，且對新手或低技能員工的提升更大，可達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類系統可以大幅提高短期表現，但如果把它當拐杖使用，反而可能損害長期技能形成。

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

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

3. 行政數據、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、工時、工資、招聘變化連起來看。丹麥的研究尤其重要，因為它把使用調查與行政記錄相連，能夠追蹤較高質量的真實勞動市場結果。Humlum 和 Vestergaard 的研究發現，盡管生成式AI采用迅速擴散，且用戶報告了節省時間、任務重組等效果，但到2024年底，工資與工時層面尚未出現大規模凈效應，研究甚至排除了兩年內超過2%的明顯就業或收入效應。與此同時，他們也發現，AI確實帶來了職業切換、任務重組和企業鼓勵使用與否的顯著差異。

與之形成對照的是在線勞務市場和替代性強的場景。關于 Upwork 的研究顯示，在 ChatGPT 發布后，寫作類服務的月度崗位數量和月收入都出現下降，圖像生成AI也對相關自由職業崗位造成類似壓力。這說明，在邊際替代最容易、交易最標準化、雇主最容易直接對比人類產出與模型產出的市場里，轉移效應可以很快顯現。

4. 地區-行業暴露與一般均衡方法：先看宏觀結構是否在改變

第四類方法更接近傳統勞動經濟學和區域經濟學，即構建地區暴露度、行業暴露度，再觀察中長期就業率、工資與流動變化。IMF 針對美國通勤區的研究發現，AI采用更高的地區，其就業人口比率下降更明顯，沖擊在制造業、低技能服務業、中等技能工人、非STEM崗位以及年齡兩端工人中更強。另一組關于職業流動的研究顯示，高暴露但與AI互補性較低的崗位，更容易出現向低暴露崗位的被動轉移，尤其在低學歷群體中，意味著收入損失和職業降級風險。

這類方法得出的結論通常比企業實驗更“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內部尚未兌現為裁員的效率收益。它提醒我們：即便AI短期沒有造成總量塌方，也可能已經在改變不同地區、行業與技能群體之間的就業結構。

三、為什么這些研究結論差異很大

第一，因為它們測量的對象不同。任務暴露研究測的是技術可行性；現場實驗測的是任務生產率；工資單與行政數據測的是企業實際用工結果；地區-行業研究測的是結構調整后果。技術可行性高，不等于企業立刻替代；短期生產率提升，也不等于長期就業上升。

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、預測系統、工業智能化和自動決策。這就導致一些研究更容易看到白領任務替代，另一些則會觀察到制造和低技能服務崗位的中期擠壓。

第三，因為“替代”與“增強”并不是一刀切的技術屬性，而是組織選擇。法國企業層研究發現，AI采用往往伴隨銷售、就業與生產率同步上升，說明在某些企業里，AI被用來擴張產出而不是縮減人頭數。與之相對，另一些研究則表明，當AI直接替代某類明確的可編碼任務時，就業下降會先于新任務創造出現。也正因此，Acemoglu、Autor、Johnson在2026年提出“pro-worker AI”的主張，強調AI的設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。當前我們看到的大部分證據，仍屬于早期采用階段。費城聯儲在2026年的調查顯示，多數使用AI的企業尚未明顯減少用工需求，更多企業只是調整崗位類型而非凈裁員；OECD 也顯示，企業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，而經濟學家的早期結論因此天然偏謹慎。

四、現有研究是否過于集中于白領、知識工作與科技行業

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

但這并不意味著AI只影響白領。更廣義的AI采用研究已經顯示，制造業和低技能服務業也可能承受就業率下降壓力，只是這種影響更多來自工業自動化、預測優化和平臺化管理，而不是大模型本身。問題在于，公眾討論幾乎被大模型主導，于是AI就業問題常常被等同于辦公室自動化問題。如果繼續沿這一路徑研究，經濟學界可能低估物流、零售、倉儲、客服外包、平臺勞動和地方制造中的結構性變化。

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

五、數據中心、能源、電力與供應鏈制造業的新崗位，足以彌補白領流失嗎

肯定在實體經濟中創造出增量，但在數量上仍不足以對沖白領流失。美國勞工統計局預計，未來十年與數據處理、托管和計算基礎設施相關的行業就業將顯著增長；建設、電力、公用事業及新能源相關崗位也會增加。僅“計算基礎設施供應商”行業，預計2024—2034年增加近10萬個崗位；電力系統、輸配電與相關建設崗位也有明顯增量。

問題在于，這些崗位有三個限制。第一，規模不對稱。數據中心與電力建設確實重要，但其絕對新增崗位數，與可能受到AI暴露影響的數百萬辦公室、文書、客服、初級開發和專業支持崗位，不在同一數量級。第二，階段性不對稱。數據中心建設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年關于數據中心繁榮的研究明確指出，標準數據中心模式對地方就業的長期、持續、高價值外溢通常比較有限。第三，技能與地理錯配。被壓縮的大學畢業生、行政人員、寫作者和初級分析師，不會自然轉化為電工、輸電線路工或液冷設施工程人員。

因此，實體基礎設施投資當然重要，但它更像是AI經濟擴張的必要支撐，而不是吸納知識工作轉移的充分補足。真正可能形成更大規模吸納作用的，不是單純的機房就業，而是圍繞AI擴散產生的新型互補崗位，例如行業集成、流程再造、數據治理、審計、合規、客戶成功、垂直行業應用與人機協作監督崗位。新問題不是有沒有新工作，而是新工作的創造速度，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，很可能正是職業階梯底部的年輕人。斯坦福數字經濟實驗室 與 ADP 的高頻工資單研究發現，在AI暴露較高的崗位里，22—25歲員工的就業明顯弱于年長群體；其中，年輕軟件開發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，AI脆弱型職業的就業水平在五年后更低。

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

這種變化的社會影響可能比靜態失業率更深遠。第一，它會造成職業階梯斷裂：如果沒有初級崗位，年輕人如何積累經驗、學習組織規范、獲得行業判斷？第二，它會加劇代際不平等：已有經驗者因與AI互補而受益，剛畢業者卻更難進入高薪行業。第三，它會造成長期傷痕效應：勞動經濟學一再發現，年輕時期遭遇錯配和失業，會在此后多年壓低工資、延緩家庭形成、削弱社會流動。第四，它可能引發更廣泛的政治和文化后果，因為大學教育與專業職業之間的傳統通道一旦失效，中產再生產機制本身就會受損。

因此，今天最值得警惕的，并不只是AI會不會讓所有人失業，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，而是未來十年生產率、階層流動和社會穩定的核心問題。

（數據來源：美國勞工統計局）

七、中國是否也開始出現類似問題？誰在研究

中國當然也處在這場變動之中，只是表現方式與美國并不完全一樣。一方面，中國是AI大國，產業規模和應用擴散都很快。中國信通院預計，2025年中國人工智能核心產業規模將超過1.2萬億元，企業數量也在持續增長。另一方面，中國政策層面對AI就業影響的表述仍總體偏積極，更強調AI創造新崗位、提高生產率、服務產業升級，而不是像美國技術界那樣高頻討論大規模失業。官方當前更傾向于強調AI的就業創造效應，尤其是在吸納高校畢業生方面。

但中國學界并非沒有警覺。當前比較有代表性的研究包括：北大國發院 AI 與經濟學實驗室張丹丹團隊及其與智聯招聘合作的崗位研究；人民大學中國就業研究所曾湘泉團隊；中國科學院院刊相關學者；蔡昉等長期研究勞動力市場與人口結構的經濟學家；以及獲得國家社科重大項目支持、專門研究AI與勞動市場結構變化的張川川、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、技能要求和薪資發布數據，而相對缺少像丹麥或美國 ADP 那樣能直接鏈接工資單、行政記錄和企業內部AI采用的高質量微觀數據。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、流動和長期就業結果方面仍相對不足。

八、中國學者目前形成了哪些初步結論？與國外研究有哪些異同

到目前為止，中國學界形成了幾條相對清晰的初步判斷。

第一，高暴露白領崗位已經出現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據構建了中國的大模型暴露指數，發現中國新增崗位的大語言模型暴露度在近兩年出現下行，高暴露職業主要集中于會計、編輯、銷售、程序員等高薪白領崗位；工具變量分析還表明，暴露度與崗位需求負相關，工資增長放緩，同職業內部工資差距擴大，同時學歷和經驗門檻提高。北大團隊2026年對中國與新加坡的比較也指出，中國白領崗位需求下降更明顯，而AI同時抬高了用工篩選標準。

第二，中國學者普遍認為AI帶來的不是簡單總量替代，而是結構性錯配與分化。曾湘泉團隊強調，AI對就業的影響應從數量、結構和質量三方面同時看：短期更多體現為輔助與改造，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。中國科學院院刊的相關分析則更強調，AI可能帶來就業數量與就業方式雙重變化，并加劇收入與機會不平等。蔡昉等學者也強調，技術進步創造崗位往往滯后于技術替代，因此需要更重視人力資本、社會保障和就業優先導向。

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、互補性比總量更關鍵。但也存在明顯差異。國外研究更強調早期沒有大規模總量失業，但青年入口崗位受壓，并依賴更豐富的工資單、行政數據與現場實驗；中國研究更強調招聘端與產業升級端的雙重變化，更突出制造業、產業數字化和國家政策調節的作用。簡單說，歐美研究更像是在回答AI已經如何改變勞動市場，中國研究則更像在回答AI將如何在產業升級中重構勞動市場。

這意味著一個很重要的比較結論：中美都面臨AI對白領和青年就業的壓力，但美國的證據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篩選加劇。這兩者并不矛盾，反而可能是同一過程的不同側面。

總之，AI就業問題的核心，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圈的經濟學家和市場分析機構，也通過AI技術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、經濟增長與消費。

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

賓夕法尼亞大學和波士頓大學的兩位經濟學家，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濟體重新吸納他們的能力，那么它可能會侵蝕企業所依賴的消費者需求。

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

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。

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

一些政府，已經開始悄悄準備政策工具了。

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》，《管理世界》2025年第7期。索引與技術說明見北京大學國家發展研究院 AI 暴露指數頁面。

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

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

中國信息通信研究院（2026）：《人工智能產業發展研究報告（2025年）》。