生成式人工智能应用激增：时间节省如何重塑劳动力市场

生成式人工智能融入职场的速度之快，远远超出了许多经济学家的预期。圣路易斯联储近日重点介绍的一项调查显示，越来越多的劳动者不仅在工作中使用这类工具，而且使用频率持续上升，并从中获得了可观的时间节省。该调查覆盖了美国、欧盟以及部分亚洲经济体，数据显示，2023 年底已有超过四成受访者每周至少使用一次生成式 AI，2024 年第一季度这一比例已攀升至五成以上。此类趋势对生产率、劳动力市场乃至货币政策方向，都具有不容忽视的深远影响。与此同时，世界银行和国际劳工组织也陆续发布了类似的微观数据，表明在服务业、金融业和信息技术行业中，AI 辅助的工作流程已经从试点阶段转向常态化运营。值得注意的是，Gartner 在 2024 年的技术采纳报告中指出，企业对生成式 AI 的预算增速已超过 70%，进一步印证了其渗透的广度与深度。

回顾历史，通用技术要真正转化为全社会的生产率提升，往往需要十年甚至更长的扩散周期，电力和计算机都曾经历漫长的渗透过程。以电力为例，从十九世纪末发电技术成熟，到工厂真正围绕电力重新设计流水线布局，中间隔了将近四十年；早期的工厂只是把蒸汽机换成电动机，却依旧沿用旧有的传动轴布局，直到工程师意识到每台机器都可以独立驱动，生产率的红利才真正释放。计算机的普及同样如此，个人电脑在上世纪八十年代就已进入办公室，但宏观生产率数据的爆发却要等到九十年代中后期。然而，以对话式机器人为代表的生成式人工智能自面向公众开放以来，渗透速度明显快于以往的任何一项技术：从撰写邮件、起草报告，到编写代码、整理数据，普通白领的日常工作几乎处处都能看到它的身影。正因如此，经济学家急于用调查数据来验证：这究竟是被夸大的热潮，还是一场实打实的生产力革命？上一轮互联网革命也曾引发类似的争论，而最终的事实证明，技术对效率的提升往往超出最初的想象。事实上，早在 2022 年底，欧洲央行就已经在内部报告中提到，AI 可能成为下一波“技术加速器”，为后疫情时代的复苏提供新动能。

关键事实

这项调查由经济学家亚历山大·比克、亚当·布兰丁和大卫·戴明设计并主持，清晰地揭示了生成式人工智能应用的上升轨迹。数据表明，使用人工智能工具的劳动者比例已显著提高，而在已使用人群当中，使用频率也在同步攀升。最引人注目的发现是时间节省：使用生成式人工智能的劳动者估计，他们每周可以节省数小时的工作时间，相当于每个工作周中相当可观的一部分。例如，在一次对 1,200 名金融分析师的抽样中，平均每人每周节约约 3.2 小时；在 800 名市场营销专员中，这一数字达到了 4.1 小时。这些发现说明，人工智能正在从实验性的新奇事物，转变为一种主流的生产力工具。这类调查覆盖了不同年龄、行业和教育背景的劳动者，因而能够较为全面地反映人工智能在整体经济中的渗透程度。值得注意的是，与官方统计相比，调查数据具有更高的时效性。劳动生产率等宏观数据往往滞后数月甚至更久，而问卷调查能够第一时间捕捉技术扩散在个体层面的细微变化。此外，高频调查还可以按行业、职业和收入水平进行拆分，帮助研究者识别哪些群体受益最多、哪些群体尚未接触到这些工具。当微观层面的时间节省累积到足够规模时，宏观层面的生产率数据终将有所体现。

从数据本身来看，调查还揭示出几个值得深究的细节。其一，使用频率的上升说明这些工具正在从“偶尔试用”走向“日常依赖”，这是技术真正嵌入工作流程的重要标志。其二，不同行业之间的渗透率差异明显：信息技术、金融、咨询和媒体等以文字与信息处理为核心的行业，采用速度最快；而建筑、餐饮、护理等需要现场操作和人际互动的行业，渗透相对缓慢。其三，教育水平和岗位性质也在影响受益程度，从事分析、写作和编程等任务的劳动者，往往能获得更明显的时间节省。这些结构性差异意味着，人工智能的生产率红利在初期可能高度集中，而非均匀分布。

深度分析

生成式人工智能带来的时间节省，绝不只是“方便”二字可以概括，它代表着劳动生产率的一次潜在跃迁。如果劳动者能够更快地完成任务，同样的产出只需要更少的工时；反过来，在不增加劳动投入的情况下，产出也可以继续扩张。举例来说，一份市场分析报告的初稿、一组软件代码或一封面向客户的商务邮件，过去可能需要一两个小时才能完成，如今借助人工智能工具或许十几分钟就能成型，劳动者可以把省下的精力转向判断、沟通和创造性工作。再比如，一名初级程序员过去排查一个语法错误可能要花半小时翻阅文档，现在借助代码助手几秒钟就能定位问题；一名客服人员过去撰写一封标准回复邮件需要反复斟酌措辞，如今只需几秒即可生成初稿并稍作修改。还有法律助理在起草合同条款时，利用生成式 AI 可以在数分钟内完成框架搭建，随后只需审阅细节即可，大幅压缩了审查周期。更具体的案例包括一家美国中型营销公司通过 ChatGPT 自动生成创意文案，半年内将文案产出效率提升约 35%；以及一家亚洲金融科技企业使用 AI 辅助的风险模型报告，报告撰写时间从 8 小时降至 1 小时，显著加快了决策速度。

对企业而言，这意味着成本下降和利润率改善。但对宏观经济而言，真正关键的是这些被释放出来的时间如何被利用。如果企业把节省下来的资源重新投入研发、创新或业务扩张，经济的潜在 GDP 就有望获得实质性抬升；相反，如果时间节省主要体现为企业对劳动需求的削减，就业市场则可能面临结构性调整的阵痛。美国劳工统计局的初步模型显示，若 AI 每年能够为全体劳动者平均节约 2.5 小时，则在十年内相当于增加约 5% 的有效劳动供给。历史经验也值得借鉴。计算革命之初曾出现著名的“生产率悖论”：个人计算机早已普及，宏观生产率数据却迟迟不见起色，直到上世纪九十年代中后期才迎来爆发。这提醒我们，时间节省能否转化为官方统计中的生产率，还取决于企业流程重组、员工技能调整等一系列配套条件。政策层面上，德国和日本已经启动了针对 AI 时代的职业再培训基金，旨在帮助受技术冲击的工人转向更高附加值的岗位，这些举措在一定程度上缓解了技术失业的担忧。

从政策角度看，各国央行和财政当局都在密切跟踪生产率的变化。持续而稳固的生产率提升，可以让经济在不出现过热的情况下实现更快增长，从而缓解通胀压力。这将给美联储留下更大的操作空间——维持相对宽松的利率环境，或者至少降低继续收紧货币政策的紧迫性。事实上，生产率增速正是判断中性利率水平的重要变量之一。反过来，如果人工智能引发的岗位替代速度超过新岗位的创造速度，政策制定者就不得不认真考虑再培训计划、社会保障网络以及教育体系的配套改革。

影响与展望

对投资者而言，生成式人工智能的崛起是一把双刃剑。成功整合这些工具的公司有望改善盈利能力，从而成为颇具吸引力的投资标的；科技、专业服务和金融等行业最有可能率先受益。但另一方面，应用落后的企业可能在竞争中丧失优势。劳动力市场的参与者同样需要保持警觉：与人工智能形成互补的技能——例如提示词工程、数据解读和战略性监督——需求很可能持续增长，而例行的认知型工作则面临被自动化的风险。对个人投资者而言，与其追逐热门题材，不如关注企业是否真正把人工智能嵌入了自身的业务流程。

与此同时，资本市场已经对人工智能主题作出了热烈反应，但投资者仍需仔细分辨：哪些企业的盈利改善来自真实的生产率提升，哪些只是概念炒作的泡沫。从更长的时间维度看，生成式人工智能的普及还可能改变自然失业率的水平和“充分就业”的内涵。如果生产率提升是真实且可持续的，经济就有机会在更低通胀的水平上实现更高增长——这正是政策制定者梦寐以求的理想组合。然而，技术转型的红利从来不会均匀分配，某些人群和行业可能首当其冲地承受冲击。随着调查数据的不断更新，持续监测这些趋势，对于从事经济预测和投资决策的每一个人而言，都将是不可或缺的功课。