核心问题在于谁能捕获这份收益
一个经济体可以变得更有生产力,同时许多家庭却变得更没有保障。仅凭就业岗位数字,会遗漏工资、工时、议价能力、所有权、价格、税收,以及基本服务可及性等一系列问题。AI 的分配效应,既取决于制度安排,也取决于技术能力本身。
目前的证据,来自生成式 AI 的暴露度、早期采用情况,以及劳动力研究。关于「后 AGI 经济」的种种说法,都是有条件的预测。没有任何数据集,能够揭示在一项其存在本身尚未确立的技术出现之后,收入将如何分配。
暴露程度并不均等
国际劳工组织(ILO)与 NASK 于 2025 年发布的指数估计,全球约四分之一的就业岗位存在某种程度的生成式 AI 暴露,其中 3.3% 属于暴露程度最高的类别。高收入国家与文书类工作的暴露程度更高,而由于职业本身存在性别分隔,女性就业受到的暴露程度也更高(ILO–NASK,2025 年 5 月)。
暴露不等于被替代。一位暴露程度很高的专业人士,可能得到的是一款能够提升生产力的工具,而一位暴露程度较低的合同工,却可能面临更严格的算法监控。拥有教育背景与决策权的劳动者,或许能够利用 AI 来补充自己的判断力;而从事标准化岗位的劳动者,则可能面临任务被自动化、自主裁量空间被压缩的局面。
同一项技术,既可能压缩工资差距,也可能拉大工资差距。如果它能帮助新手达到接近专家的表现水平,雇主可能会雇用更多新人,或为稀缺的专业技能支付更低的报酬。如果它放大了那些已经掌握资本、数据与客户资源的高绩效者的优势,回报则可能进一步集中。
劳动收入与资本收入
芯片、云计算、模型、数据与分发渠道的所有者,即便就业总量保持稳定,也可能获得收益回报。IMF 工作人员的建模警示称,与高收入劳动者之间更强的互补性,可能加剧劳动收入方面的不平等,而更高的资本回报,则可能加剧财富方面的不平等。作者们指出,这些只是工作人员的观点与情景模拟结果,并非 IMF 执行董事会的预测(IMF 工作人员讨论报告,2024 年)。
因此,所有权归属本身就是一个政策变量。养老基金与广泛的股权持有,能够分散一部分资本收益,但资产所有权的分布本身极不平等,且因国家而异。公共投资、税收、员工持股、合作社、主权基金与社会分红,提供了分享收益的不同方式。每一种方式,都有各自在治理与激励机制上的取舍。
入门级岗位路径,可能是隐藏的断层线
许多职业都是通过常规性的初级工作来培养专家的:起草文件、基础分析、回应客户咨询、代码维护,以及有监督的实践。将这些任务自动化,既可能减少低价值劳动,也可能同时拆掉学徒式的成长阶梯。
雇主可以围绕审核、客户背景理解与工具监督,重新设计入门级岗位,但这需要有意识的投入。如果每家企业都指望由别的机构来培养有经验的员工,整个行业就可能面临集体性的技能短缺。学校与执业资格认证机构,应当追踪毕业生是否获得了受监督的实践经验,而不仅仅是资深岗位是否得以延续。
在部分受到暴露的年轻劳动者群体中,已经出现雇用减少的证据,这是一个早期信号,而不是普遍性因果替代的证明。利率、行业周期,以及疫情后的招聘调整,都是与之竞争的解释。应当持续追踪各个年龄群组的雇用情况、工资、晋升与任务内容的变化。
价格与需求可以分散收益
即便工资没有上涨,生产力提升也可以通过更低的价格或更高的质量,让家庭受益。廉价的翻译、软件、辅导或专业协助服务,可能扩大消费规模,并创造出互补性的新岗位。而在另一些市场中,占主导地位的企业则可能把节省下来的成本留作利润,而不是降价。
需求弹性至关重要。如果一项服务变得更便宜,人们大量增加购买,就业可能会在自动化的同时依然增长。如果需求是固定的,所需的劳动者则可能减少。在医疗、法律、教育与金融领域,监管、报销机制、采购安排与信任程度,都会影响这种反应的方向。
经质量调整后的衡量指标必不可少。如果错误得不到纠正,或人工替代选项就此消失,一项免费的自动化服务就算不上一种收益。
地理分布与全球鸿沟
AI 活动会围绕研究机构、资本、数据中心与稳定电力供应聚集。承载这些基础设施的地区,可能在建设与税收方面获益,同时也要承担电力、用水、噪音与土地方面的成本。而依赖被外包出去的文书或数字工作的地区,则可能面临收入损失,却无法获得模型本身的所有权。
IMF 估计,发达经济体在近期面临更高的暴露程度,但也警示,低收入国家在把握这些收益方面的准备可能不足。如果较低的暴露程度只是反映了连接性差、技能欠缺、语言覆盖不足与公共能力薄弱,那么它算不上一种保护。
本地语言系统、可负担的算力、可互操作的公共基础设施,以及参与标准制定的机会,都能够扩大收益的覆盖面。而无偿的数据攫取,以及与本地制度水土不服的进口系统,则可能加深这种依附关系。
工作质量与算法化管理
AI 可以消除重复性任务、协助残障劳动者,并提升安全性。但它也可能强化监控、设定不透明的绩效目标、以不可预测的方式排班,并使纪律处分自动化。就业与产出统计数据,并不能捕捉自主性或尊严这些维度。
ILO 2025 年开展的跨区域案例研究发现,劳动者代表机制与社会对话,能够影响有关算法化管理与就业的决策(ILO 工作论文第 144 号,2025 年 7 月)。这些案例研究展示的是种种可能的安排方式,而非全球平均结果。
劳动者需要获知有关监控与自动化决策的通知、获取所用数据的权限、获得有意义的解释、拥有人工申诉渠道,以及集体谈判方面的保护。在采购完成之后才进行的咨询,其效果远不如让劳动者参与到设计环节中来。
政策选项是抉择,而非预测
教育与转岗支持可以为可迁移的培训、学徒制、工资保险、搬迁援助与职业服务提供资金。但当岗位本身并不存在,或劳动者根本无法承担脱产培训的时间成本时,单靠培训是不够的。
收入保障底线——失业保险、税收抵免、儿童福利、基本收入,或有保障的公共服务——在瞄准对象、行政管理方式、工作激励与财政成本方面各不相同。所谓未来的「AGI 红利」,并不是当下已经实际存在的可支配收入。
工时分摊可以把生产力转化为更短的工时,但劳动者需要具备议价能力,或依靠法律来保住原有的工资水平。竞争政策能够遏制寻租行为与转换壁垒。税收政策能够捕获部分收益,但设计不当的自动化税,可能会抑制有益的工具应用,或很容易被重新定义规避。
公共选项与政府采购能够让 AI 能力服务于公共目标。这需要具备技术能力、透明度,以及防范监控滥用或政治恩庇的保障措施。
应当衡量什么
一份分配情况仪表盘,应当报告就业、职位空缺、入门级岗位招聘、按百分位划分的工资、工时、非自愿兼职、劳动收入占比、资本所有权、价格、生产力、工作场所监控、区域投资,以及在合法且符合伦理的前提下,按性别、种族、残障状况、年龄与受教育程度划分的结果。
企业公告与雇主调查存在利益冲突。企业可能会宣传生产力,或以此为裁员正名;劳工组织可能更强调劳动者面临的风险;咨询公司则以出售转型服务为业。行政数据、预先注册的研究,以及透明的研究方法,能够提供更有力的证据。
AGI 情景
如果系统能够替代大量认知劳动,议价能力可能会迅速向模型与基础设施的所有者一方转移。反过来,公共所有权、丰裕的公共服务、新的需求,或更短的工作时间,也可能广泛提升生活水平。物理层面的瓶颈与人类自身的偏好,也可能为有价值的工作留出空间。
这一切都不是自动发生的。「后稀缺」既是一个技术层面的说法,也是一个政治经济学层面的主张。分配规则、产权制度、税收、公共服务与民主控制,共同决定了丰裕能否真正变得人人可及。
现实的结论是:应当在能力持续发展的同时,就着手治理其分配方式。衡量的范畴要超越就业岗位本身,保护入门通道与劳动者的话语权,拓宽所有权与可及性的覆盖面,并构建能够分享收益的财政体系。等到替代效应已经显而易见时才行动,可能恰恰会让各项制度在调整最为艰难的时刻变得更加脆弱。