AI与生产率：技术能否拯救停滞的劳动力市场？

每隔一段时间，就会出现一项有望改变生产率的技术——即每小时劳动产出。生产率是繁荣的无声引擎：它决定了工资能否在不引发通胀的情况下上涨，也决定了老龄化社会能否维持其社会契约。问题在于，AI是下一个通用技术，还是又一次被过度炒作的失望。要回答这个问题，我们需要回顾历史、审视数据，并深入理解技术扩散的机制。

生产率问题

发达经济体的生产率增长已疲软二十年。20世纪90年代末和21世纪初由互联网和企业软件驱动的增长，在全球金融危机后逐渐消退。此后，美国每小时产出年均增长率勉强超过1%，欧洲和日本甚至更低。以具体数据为例，美国在1995年至2005年间的劳动生产率年均增长约为2.5%，而2010年之后降至约1%左右；欧元区同期从约1.5%降至0.5%以下；日本则长期徘徊在0.5%附近。作为对比，在20世纪50年代和60年代的黄金时期，美国劳动生产率年均增速曾高达3%以上，这意味着当前增速仅为历史峰值的三分之一。随着发达国家劳动力萎缩，这种停滞已成为宏观经济紧急状况。

生产率增长缓慢的原因是多方面的。首先，资本投资不足，尤其是在基础设施和先进制造领域。例如，美国的基础设施投资占GDP比重持续下降，从20世纪60年代的约3%降至如今的不足2%，而欧洲在数字基础设施方面落后于美国，宽带和5G覆盖率存在明显差距。根据欧盟委员会的统计，欧盟在人工智能和云计算领域的私人投资仅为美国的三分之一左右，这种投资差距直接制约了技术扩散的速度。其次，人口老龄化导致劳动力增长放缓，而生产率增长往往与年轻劳动力的创新活力相关。日本和德国等国家面临严重的老龄化问题，劳动力数量逐年减少，这直接拖累了潜在产出。以日本为例，其劳动年龄人口自1995年峰值以来已减少超过1000万，德国也面临类似趋势，预计到2035年其劳动年龄人口将再减少约500万。第三，监管负担和行政复杂性，特别是在欧洲，阻碍了企业的扩张和创新。繁琐的许可程序和劳动法规使得企业难以快速调整业务模式。例如，在意大利和法国，开办一家新企业平均需要数周甚至数月，而美国只需几天。此外，测量问题可能低估了数字服务的实际产出，但即使考虑这些因素，实际增长仍然令人失望。

生产率停滞的后果是深远的。它意味着实际工资增长缓慢，政府收入紧张，以及公共债务压力上升。例如，美国实际工资中位数在过去二十年几乎停滞，而公共债务占GDP比重却持续攀升，从2000年的约55%升至如今的超过120%。对于年轻一代，这可能导致生活水平低于父母，引发社会不满和政治不稳定。因此，寻找新的增长来源成为政策制定者的首要任务。

AI这次有何不同？

乐观的观点认为，生成式AI是一种真正的通用技术，能渗透到各个行业。早期证据在特定领域令人鼓舞：软件开发、客户支持和法律文件审查在部分知识工作任务中显示出20-40%的可测效率提升。例如，使用AI辅助编码工具的公司报告称，开发周期缩短了30%以上，而法律团队使用AI进行合同审查，将所需时间从数天减少到数小时。在客户服务领域，AI聊天机器人处理常见查询的速度比人工快数倍，且能24小时不间断工作。具体而言，某大型电信公司部署AI客服后，首次接触解决率提高了15%，平均处理时间下降了40%。另一个典型案例是某全球咨询公司，其顾问使用生成式AI起草报告和整理数据，项目交付时间平均缩短了25%，同时客户满意度有所提升。

然而，怀疑论者认为，这些收益仍然过于狭窄，无法影响总体数据。生产率悖论——技术能力与实测经济影响之间的差距——曾多次愚弄预测者。传播需要时间：电力和互联网的全面红利花了数十年，因为它们需要技能和组织的互补性投资。同样，AI的全面影响可能需要十年或更长时间才能完全体现，因为企业需要重组流程、培训员工并克服制度惯性。例如，企业必须投资于数据基础设施，确保数据质量，并重新设计工作流程，才能充分发挥AI的潜力。历史经验表明，电气化在19世纪末就已出现，但直到20世纪20年代，工厂重新设计布局以利用电力后，生产率才大幅提升。互联网也是如此，1990年代的技术在2000年代中期才带来显著的生产率增长。经济学家罗伯特·索洛在1987年曾说过“计算机时代无处不在，唯独在生产率统计中看不到”，这句话在今天依然具有警示意义。

此外，AI的收益可能集中在少数高技能行业，而低技能服务行业难以受益。例如，医疗保健和教育领域，尽管有AI应用，但生产率增长仍然缓慢，因为这些行业依赖人际互动和复杂决策。医疗诊断AI可以提高准确性，但医生仍需花时间与患者沟通，教育AI可以个性化学习，但教师的作用不可替代。因此，即使AI在部分领域表现优异，整体生产率提升也可能有限。以美国医疗行业为例，尽管电子病历和AI辅助诊断已普及，但过去十年该行业的生产率年均增长仅为0.5%左右，远低于制造业。另一个例子是建筑业，尽管有自动化工具，但该行业生产率在过去二十年几乎零增长，因为每个项目都具有独特性且受制于现场条件。

劳动力市场问题

更深层的不确定性是分配性的。与以往技术不同，AI直接与认知劳动竞争——这类工作长期以来免受自动化影响。这种转变可能取代中等技能的白领工作，同时创造需要不同能力的新角色。例如，数据录入员和初级分析师可能被AI取代，而AI训练师和伦理顾问等新职业将出现。根据高盛的研究，生成式AI可能使相当于3亿个全职岗位的工作自动化，但也会创造新的就业机会。然而，新工作的创造速度和地理分布可能与失业发生的地点不匹配，导致结构性错配。例如，AI训练师岗位可能集中在科技中心，而失去行政岗位的工人可能分布在小城市，难以迁移。

历史表明，技术变革往往导致技能溢价上升，加剧收入不平等。如果AI主要替代中等技能工作，而高技能工作受益，那么劳动力市场可能进一步两极分化。例如，程序员和数据分析师可能因AI提高效率而获得更高工资，而行政助理和客服代表则面临失业风险。政策制定者需要加强教育和培训体系，帮助工人适应新环境。否则，生产率提升可能伴随着社会动荡。具体政策包括扩大职业培训、提供收入支持以及改革教育课程以强调创造性和社交技能。例如，新加坡的“技能创前程”计划为公民提供终身学习补贴，德国双元制职业教育体系也为工人转型提供了制度基础，这些经验值得其他国家借鉴。

对于投资者而言，这种转变意味着行业赢家和输家的重新洗牌。科技巨头和AI基础设施提供商可能受益，而依赖传统白领劳动力的行业可能面临压力。投资者需要关注企业的AI采用策略和劳动力调整能力，以在变革中保持竞争力。例如，那些积极投资AI并重组业务流程的公司，可能获得竞争优势，而忽视AI的公司可能落后。从历史看，1990年代投资信息技术的企业获得了显著的生产率优势，而落后者则被淘汰。根据麦肯锡的研究，在1990年代率先采用信息技术的零售企业，其生产率比同行高出20%以上，这一差距持续了十年之久。

结论

我们的观点是，AI最终会出现在生产率统计数据中，但会有数年的滞后，而非几个季度。适应最快的经济体——通过再培训和资本投资——将获得收益。对于投资者来说，当生产率繁荣到来时，它将成为本十年最重要的宏观顺风。然而，政策制定者必须积极管理转型过程，确保收益广泛分享，避免加剧不平等。否则，AI的潜力可能无法充分实现，而社会代价可能超过其好处。历史告诉我们，通用技术的红利从来不是自动实现的，而是需要制度、技能和资本的协同演进。AI也不例外。