一、文章来源

IMF Report《Gen-AI: Artificial Intelligence and the Future of Work》

二、摘要

人工智能（AI）将深刻改变全球经济，一些评论家认为它类似于一场新的工业革命。其对经济和社会的影响仍然难以预见。这在劳动力市场的背景下尤其明显，人工智能承诺提高生产力，同时威胁在某些工作中取代人类，并在其他工作中补充人类。

全球近40%的就业机会接触到人工智能，发达经济体面临的风险更大，但也比新兴市场和发展中经济体更容易利用人工智能的好处。在发达经济体，由于认知任务型工作的普遍性，约60%的工作岗位接触到人工智能。人工智能将影响收入和财富的不平等。与前几波对中等技能工人影响最大的自动化浪潮不同，人工智能取代的风险延伸到了高收入者。然而，潜在的人工智能互补性与收入呈正相关。因此，人工智能对劳动收入不平等的影响在很大程度上取决于人工智能在多大程度上取代或补充了高收入工人。

本文模型模拟表明在高度互补的情况下，高收入者的劳动收入可能会超过比例增长，从而导致劳动收入不平等的加剧。各国在人工智能产权定义以及再分配和其他财政政策方面的选择，最终将塑造其对收入和财富分配的影响。

三、正文

1、AI暴露性与互补性

评估AI对就业的影响是一项复杂任务，因为它发展迅速，在生产过程中的整合存在不确定性，同时社会对它的看法也在不断变化。鉴于AI的技术快速发展、功能持续演进，哪些生产过程将整合AI，以及哪些人类任务将被取代或增强，这些都仍然是不确定的。随着时间的推移，社会对AI接受程度的变化也可能影响其在生产过程中的整合。

本文对一个常用的概念框架进行了细化，以便更好地衡量人类工作对AI的暴露性、人类工作与AI的互补性。为了研究技术创新对工作的影响，通常会将个别职业视为一系列任务的组合，并考虑哪些任务可以被技术取代或补充。Felten Raj和Seamans (2021, 2023) 将“暴露”于AI定义为AI应用与每个职业所需人类能力之间的重叠程度。该分析通过使用Pizzinelli等人的潜在AI互补性指数来增强这种方法，从而改进了这种方法。该指数利用了关于职业的社会、伦理和物理背景的信息，以及所需的技能水平。该指数反映了职业在AI驱动的工作置换中的保护程度，并且当与高AI暴露相结合时，可以指示AI互补性的潜力。

基于以上研究方法，本文将职业分为三组：“高暴露性，高互补性”；“高暴露性，低互补性”；以及“低暴露性”。尽管这些指标是相对的度量，但这种分类突出了职业在AI暴露性和互补性潜力方面的总体差异。高暴露性、高互补性的职业有显著的AI支持潜力，因为AI可以在他们的任务和决策中补充劳动力。另一方面，高暴露性、低互补性的职业非常适合AI的整合，但更可能被AI取代。这可能导致这些工作的劳动需求下降、工资增长放缓。电话营销员就是一个典型的例子。最后，“低暴露性”职业对AI应用的潜力微乎其微。这一组包括了各种职业，从洗碗工、表演者到其他职业。

本文说明将这一分类应用于评估许多国家当前就业结构对AI的影响。这些定义适用于142个国家，使用国际劳工组织（ILO）的在线就业数据库和国际一致的职业分类。基于400多个职业名称的更精细的分类水平也适用于微观数据覆盖率良好的国家：两个发达经济体（英国和美国）和四个新兴市场经济体（巴西、哥伦比亚、印度和南非）。

全球约有40%的工人处于高暴露性职业；在发达经济体中，这一比例为60%，这表明了潜在的巨大宏观经济影响。发达经济体在高暴露性职业中所占比例，无论是低互补性还是高互补性，都高于新兴市场经济体和低收入国家。在平均发达经济体中，27%的就业是在高暴露性、高互补性的职业中，33%在高暴露性、低互补性的工作。相比之下，新兴市场经济体的相应比例分别为16%和24%，低收入国家的分别为8%和18%。

当使用更精细的分类查看选定的个别国家时，也出现了类似的结果。英国和美国分别约有70%和60%的就业在高暴露性职业中，这些职业大致平均分布在高互补性和低互补性职位之间。新兴市场经济体的高暴露性就业比例从巴西的41%到印度的26%不等。

图1.1 按AI暴露性和互补性划分的就业份额

劳动力在广泛职业群体中的构成反映了国家的经济结构，这解释了各国在暴露性和互补性方面的差异。英国在专业和管理职业中有相当大的就业比例，这些职业表现出高暴露性和高互补性，以及在文员支持工作和技术职业中，通常是高暴露性和低互补性。在印度，大多数工人是工匠、熟练农业工人和低技能或“基本”工人；其中大多数属于低暴露性类别。巴西代表了一个广泛的中间案例。

图1.2 按风险敞口和互补性划分的就业份额（选定国家）

这些发现表明，发达经济体可能更容易受到AI应用带来的劳动力市场变化影响，这些变化比新兴市场经济体、低收入国家更快显现。鉴于它们在低互补性和高互补性职业中的高就业份额，发达经济体可能会经历由AI带来的结构性转变的、更加两极分化的影响。一方面，它们面临着高暴露性和低互补性职业工人的劳动力置换、收入发展受损的更大风险。另一方面，由于在高暴露性和高互补性工作中的就业量较大，它们也更有能力在早期利用新兴的AI增长机会。净就业影响将取决于各国创新、采用和适应AI的能力。无论是发达经济体、新兴市场还是发展中经济体，都面临着围绕这些预测的相当不确定性。例如，在低收入国家，应用AI的速度可能会如同移动技术那样迅速，并从中获得巨大的边际效益。此外，有了适当的数字基础设施，AI也可能代表新兴市场、发展中经济体解决技能短缺的机会；尤其在卫生和教育领域，可能增加包容性和生产力。

除了每个国家总体上对AI的暴露程度外，国内不同群体可能会受到不同程度的影响。AI的出现可能会加剧国家内部的不平等，这可能体现在个人的收入水平、教育水平或性别等多个维度。了解哪些群体最脆弱，对设计减轻这些影响的政策至关重要。有趣的是，尽管发达国家、新兴市场及发展中经济体对AI的总体暴露程度存在显著差异，但在两个发达国家、四个新兴市场经济体的详细微观数据分析中，国内个体间的暴露模式非常相似。一个重要的警告是，其他国家的发现可能会有所不同。

在所有涉及的国家中，较高的教育水平与高暴露性职业的就业份额更大相关，但在高互补性职业中尤为明显。较高的暴露程度支持了一种流行观点：与自动化不同，AI可能更强烈地影响高技能劳动者。然而，较高的暴露性通过更大的互补性潜力得到了缓解。最后，年龄差异没有表现出共同的模式。这是因为不同年龄群体在性别和教育方面的构成在各国之间非常不同，从而掩盖了基于年龄的差异。在英国和美国，由于过去30年大学入学率的增加，年轻群体中有更多受过大学教育的个体；年龄群体的性别构成相似。在新兴市场经济体、低收入国家，受过高等教育的人更少，但由于最近女性劳动力参与率的上升，年轻群体中的女性人数更多。

图1.3 按人口群体划分的高暴露职业的就业份额

暴露程度沿着劳动收入分布展开，但AI的潜在收益与收入呈正相关。处于被取代风险的职业（高暴露性、低互补性工作）的就业份额在收入分位数中大致相似（在新兴市场经济体中呈轻微正斜率）。这与以前的自动化和信息技术浪潮不同，在那些时期，中等收入者面临的被取代风险最高。与流行观点一致的是，AI与传统自动化不同，可能影响整个收入分布的劳动者工作。然而，与AI有高互补性潜力的职业的就业更集中在高收入分位数。收入与潜在互补性之间的相关性与教育水平的发现一致，甚至在新兴市场经济体中更为明显。这表明，人工智能的收益可能会不成比例地累积在高收入者身上，尤其是在印度、美国（程度更小）等国家，在这些国家，互补性在分布的顶端稳步上升。在英国等国家，这种现象可能会更加温和，因为这些国家的互补性增长处于顶峰。

图1.4 高风险职业的就业份额和收入决定的潜在互补性

2.人工智能引发的转型中工人重新分配

从长远来看，工人们将不得不适应不断变化的技能需求和行业转变。一些工人可能会转向与人工智能相辅相成的高度技术化的角色，而其他人可能在适应过程中面临挑战。随着时间的推移，工人们很可能会不断适应变化中的劳动力市场。尽管人工智能的采用可能会淘汰一些工作并转移相关的从业人员，但它也可能创造或强化其他工作。然而，现有的工作人员是否能够从人工智能中受益目前尚不明确。就业效应可能取决于工人个体，进而影响他们的适应能力。历史数据表明，在技术引发的职业市场变革中，一些工人可能会发现适应存在一定难度。

过去的工作转换模式揭示了工人如何适应。本节通过分析来自巴西和英国的微观数据，研究了在当前工人在受到人工智能影响下的职业变革。研究探讨了年龄和教育对职位变革的影响，以及这些特征如何影响收入水平。总体而言，工人更倾向于在相似类型的职业之间进行转换，这表明他们在适应不断发展的劳动力市场方面可能受到一定限制。然而，也存在许多情况，工人在不同程度上暴露于人工智能的职业之间进行转换。对这些情况的分析有助于提供工人在人工智能采用后可能的职业移动证据，并有助于识别潜在的脆弱群体。

图2.1 巴西和英国受大学教育工人的职位转变

过去表明，具有大学教育背景的工人通常能够成功过渡到当前具有高度人工智能互补潜力的工作领域。无论是接受过大学还是非大学教育的工人，他们都经常面临职业转变的决策。在巴西，受过大学教育的工人平均每年有43.7％的概率进行职业转换，而在英国为29.8％；相应地，非大学受过教育的工人则分别为38％和27％。值得注意的是，那些目前或将来从事人工智能密集型工作的受过大学教育的个体，在转换工作时往往会保持在这样的领域中，而不充分考虑人工智能与他们角色的互补性。此外，有超过三分之一的从低互补性工作转换的个体会选择转向具有更高人工智能互补性的角色，这表明存在一个潜在的就业增长途径。与此不同，没有受过大学教育的工人主要从低人工智能暴露的工作中选择，当他们从高暴露、低互补性的职业转换时，他们倾向于不选择转向高互补性的职位。

图2.2 巴西和英国，教育水平的就业份额的生命周期分布

随着人工智能的普及，虽然带来了挑战，但对于受过大学教育的年轻工人而言，也意味着机遇。从图2.2中可以看出，受过大学教育的工人在20多岁和30多岁时通常会从低互补性的工作逐渐过渡到高互补性的工作。他们的职业发展在30多岁末到50多岁初趋于稳定，此时他们通常已经达到高级职位，不太倾向于进行重大的职业转换。尽管没有受过大学教育的工人也呈现出类似的模式，但他们的进展相对较为缓慢，占据的高暴露职位较少。这表明受过教育的年轻工人既面临潜在的劳动力市场干扰，也有机会受益于可能受到人工智能影响的职业机会。

一方面，如果低互补性职位（例如文员工作）被视为通往高互补性职位的跳板，那么低互补性职业需求的减少可能使年轻的高技能工人更难进入劳动市场。另一方面，人工智能可能促使受过大学教育的年轻工人更迅速地积累经验，因为他们能够利用对新技术的熟悉提高生产力。随着生成式人工智能的引入，使用人工智能变得更加容易。最近的一项研究表明，基于人工智能的对话助手对经验较少和低技能的客服工作者的生产力影响最为显著，而对经验丰富和高技能的工作者的影响较小。年长的工人可能在适应能力上存在一定差距，面临额外的流动性障碍，这在他们失业后重新就业的可能性较低方面表现出来。在失业后，年长的工人不太可能在一年内找到新的就业机会，而相比之下，年轻和主力年龄的工人则相对较有机会。

图2.3 工人一年再就业概率

回顾历史，我们发现年长工人在面对技术进步时适应性相对较差，而人工智能可能会对这一群体提出类似的挑战。失业后，曾在高暴露和高互补性职业中工作的年长工人在相同类别的职业中重新找到工作较为困难。这种再就业动态的差异可能反映了技术变革、工人偏好的变化以及在高互补性和高暴露职业的招聘过程中存在的与年龄相关的偏见或刻板印象。

技术变革可能通过需要学习新技能来影响年长工人。公司可能不认为将新技能教给职业生涯较短的工人是有益的；年长工人也可能较少参与此类培训，因为考虑到有限的剩余就业年限，他们可能认为益处有限。养老金和失业保险计划的慷慨程度可能放大这种效应。这与 Braxton 和 Taska（2023）的研究一致，该研究发现技术对失业后收入损失的贡献占比为45%。主要是因为缺乏新技能的工人可能会转向他们现有技能受重视但薪水较低的工作。

职业转换也会对工人的收入产生影响。在巴西和英国，转向高暴露、高互补性职业与更高的工资相关联。获得更多这类工作可能成为发达经济体、新兴市场以及发展中国家工人收入增长的重要驱动因素。在巴西，从高暴露职业转向低暴露职业的工人通常会经历小时工资的下降。因此，这样的转换可能与收入损失相关。

图2.4 从转换职业中的工资溢价

综合而言，随着人工智能对劳动市场的深刻影响，工人在适应不断变化的需求方面可能会因教育水平和年龄而有所差异。年轻受过大学教育的工人最容易受到影响，但也展现出更强的适应性，经常在不同类型的工作之间灵活变动。通过研究巴西和英国的历史模式，我们发现高暴露、高互补性的职业通常伴随着工资溢价，而转向低暴露的职业可能导致工资水平下降。各个年龄段的工人在失业后更倾向于回到相似的职业角色，这表明劳动市场存在一定的不灵活性。适应能力对于有效应对人工智能引起的变革至关重要。最后，尽管我们从历史模式中获得了一些信息，但人工智能的广泛应用将带来结构性的转变，对整个劳动市场和个体工人的调整仍然充满不确定性。

下一篇我们将继续深入讨论人工智能对劳动力市场带来的影响，并得出最终结论，提出相关政策考虑。

编译｜潘颖颖 陈昊澜 刘鹏 黄建咏

排版｜吴思培

审核｜智库编审委员会