Anthropic AI GDP 預測指向 44.4 萬億美元，工人承擔風險

Anthropic 聯合創辦人 Jack Clark 為 AI 加速帶來的影響提出了一個驚人數字：到 2030 年，美國產出將達約 44 萬億美元。這項 Anthropic AI GDP 預測描繪的經濟規模，將遠超目前略高於 30 萬億美元的水平。但它亦提出了一個更棘手的問題：若 AI 創造如此龐大的財富，當中有多少會流向工人，而非科技資產擁有人？

Clark 於 10 月 17 日在曼谷舉行的國際貨幣基金組織及世界銀行年會上提出這項估算。根據他的 曼谷演說，這個數字來自 Anthropic 內部的經濟模型。他承認此說法聽來有點不可思議，但認為 AI 及科學發現的快速進步，令它值得研究。

這個焦點數字並非傳統經濟預測。它代表該模型中最進取的情境，而結果取決於關於能力、採用、自动化及生產力的一系列不確定假設。Anthropic 自身的較低情境，得出的增長幅度要小得多。

這個分別很重要，因為模型亦揭示了預期繁榮背後的核心衝突。通往 44.4 萬億美元的路徑，涉及異常快速的自动化、部分知識工作者需求減弱，以及收入大幅轉向資本。因此，這不只是 AI 令美國更富裕的故事，而是整體增長與家庭經濟保障可能朝相反方向發展。

Anthropic AI GDP 預測實際上說了甚麼

Anthropic 提出的 44.4 萬億美元數字是一個極端情境，並非該公司認為必然會出現的預測。

Anthropic 的經濟模型首先將職位視為多項工作任務的集合。部分任務維持不變，部分得到 AI 協助，另一些則被自动化。模型其後估算這些變化如何影響生產力、工資、失業率及整體產出。

其公開的 情境模型 描述了 2030 年美國可能出現的三種經濟狀況。所有金額均採用 2025 年價格水平，讓研究人員可將實質增長與一般通脹分開計算。

在溫和情境下，美國 GDP 達 34.1 萬億美元，較模型的無 AI 基準高 1.6%。AI 處理的經濟任務比例有限，而大部分就業模式仍大致可辨。

較大幅度情境下，GDP 為 36.3 萬億美元，較基準高 8.3%。AI 具備完成一半知識工作能力，但企業只在其中一部分工作採用它。大部分知識型任務仍會在沒有 AI 的情況下完成。

極端情境則產生了 Clark 演說所引用的數字。GDP 達 44.4 萬億美元，即較無 AI 路徑高 32.4%。AI 完成接近全國三分之一的工作，而取代人手活動的自动化規模，大於 AI 輔助所支持的工作。

這個結果需要多項發展同時出現。模型必須持續快速進步，企業必須將它們部署到眾多行業，AI 必須在高價值任務上節省大量時間，組織亦必須圍繞這些節省重新設計營運。

新產品及新行業亦必須吸收由此產生的產能。以更低成本產出既有數量的報告、軟件、合約及研究，並不會自動造就更大的經濟體。客戶必須需要額外的商品與服務，企業亦必須為釋出的勞動力及資本找到具生產力的用途。

Clark 的論點聚焦於 AI 加速科學發現的潛力。更快的研究可帶來新藥物、材料、能源系統及工業流程。這些發明會創造現今經濟中尚不存在的產出來源。

這個機制令 44.4 萬億美元情境有別於單純的辦公室效率計算。更快撰寫電郵，單靠本身無法創造如此規模的增長。模型需要 AI 提升發明速度，並擴大經濟可生產的內容。

Anthropic 發現，AI 在複雜專業任務上表現良好。其 Economic Index 指出，Claude 將需要大學程度知識的任務加快了 12 倍；需要中學程度知識的任務則加快了 9 倍。

這些結果有一項重要限制。Claude 成功完成大學程度任務的比率為 66%，相比之下，較簡單任務為 70%。只有在輸出結果足夠準確、可供使用時，速度才有意義。

這些衡量結果亦來自 Claude 互動，而非整體經濟的代表性樣本。Claude 用戶較可能從事科技及其他資訊密集型行業。建築、酒店服務、醫療、物流及實體服務則面對不同的採用限制。

因此，Anthropic AI GDP 預測描述的是一個可能的終點，並未證明每個行業都已找到通往該處的可靠路徑。

為何 Anthropic 相信 AI 的影響正在加速

這個經濟理據建基於一個回饋循環：AI 改善知識工作，包括打造更佳 AI 所需的工作。

Anthropic 最新證據突顯，公司內部工作者與普羅大眾對未來的預期存在巨大落差。這個落差有助解釋，為何 Clark 的經濟展望較許多主流預測更進取。

在 2026 年 8 月的調查中，Anthropic 訪問了 10,980 名美國成年人及 1,334 名員工，了解他們對未來 AI 能力的看法。公眾樣本經加權處理，以代表美國成年人口；員工調查則是未加權的內部民調。

兩組人對現有系統能力的看法相近。但當研究人員問及未來四年時，他們的預期出現明顯分歧。

到 2030 年，91% Anthropic 員工預期 AI 可作出諾貝爾獎級別的科學發現，只有 39% 美國成年人抱持相同預期。經常在工作中使用 AI 的人士，較從未使用該技術的人更為樂觀。

Anthropic 員工亦預期，到 2030 年 AI 平均可處理其現時工作量的 75%。美國工作者給出的相應比例為 28%。超過一半 Anthropic 員工預期，AI 至少可完成其 80% 工作。

該公司的 預期調查 並非衡量 AI 實際能做到甚麼，而是衡量兩個接觸尖端系統程度截然不同的人群所持的信念。

AI 實驗室內的人，或許能在新興能力成為商業產品前先行看到它們。但他們亦有可能受到誘因、專業文化及日常經驗影響，認為快速進展較有可能出現。

調查同時包含支持兩種解讀的證據。Anthropic 研究人員根據研究部門員工的回應估計，AI 已完成尖端模型開發工作中的 60%。若計及整間公司，中位估計為 51%。

這些數字不只包括生成程式碼。模型開發還需要研究方向、實驗設計、評估及營運工作。Anthropic 員工預計，到 2027 年底，AI 在這些綜合工作中的比重會升至 80%。

若這些預期證實準確，AI 開發將獲得一種自我強化機制。更好的模型協助研究人員撰寫程式碼及進行實驗，令團隊可更快製作下一代模型，而下一代模型又會為其後繼者作出更大貢獻。

然而，內部預期始終只是意見，而非直接的生產力衡量。Anthropic 明確將它們標示為個人估計，而非公司預測。這項區別可避免將實驗室信心視為既定的經濟證據。

採用亦形成另一道障礙。具能力的模型在組織改變其工作流程、數據存取、安全控制及問責制度之前，不會帶來經濟回報。許多公司仍將 AI 視為疊加於既有流程上的可選助手。

公眾調查將客戶偏好、數據安全、可靠性、監管及法律責任列為主要採用障礙。在經常於工作使用 AI 的人士中，42% 將私隱及安全疑慮列入三大障礙。

當系統獲得更大自主權，這些限制會變得更嚴重。聊天機械人可建議一段文字，並由人員繼續為成品文件負責；自主代理則可在企業系統之間作出相連決策，帶來大得多的失誤成本。

44.4 萬億美元情境假設各組織在 2030 年前克服了足夠多這些問題。對受規管行業、政府機構及基建老舊的實體企業而言，這是一個要求甚高的時間表。

不過，Clark 關於加速的警告值得關注。經濟數據通常落後於技術發展。國家統計數據可記錄軟件投資及產出，但無法即時分辨生成式 AI 所作出的貢獻。

美國勞工統計局表示，AI 目前透過軟件資本間接納入其衡量之中。其 生產力數據 亦顯示，各行業採用新技術的速度不同。

這個衡量延遲意味著，實驗室能力確有可能先於國家指標發展，但亦為市場熱情跑在已證實回報之前留下空間。兩種情況可以同時存在。

繁榮與薪酬之爭

模型最重要的結果並非 GDP 規模，而是分配予工人的產出比重正在收縮。

在 Anthropic 的溫和情境中，勞動力獲得國民收入的 59.4%，資本獲得 40.6%。這個結果與模型的起始分配大致相近。

在較大幅度情境下，勞動力的比重降至 56.1%，資本比重升至 43.9%。整體經濟增長，但運算基建、模型、知識產權及其他生產資產的擁有人，獲得更大一部分收益。

極端情境令這個分配更加懸殊。勞動力獲得 GDP 的 45.2%，資本則取得 54.8%，即向資本傾斜了 14.8 個百分點。

工人整體所得可與無 AI 基準相若，但在一個更富裕的經濟體中，所佔份額卻小得多。這個數學結果概括了 Anthropic AI GDP 預測的核心張力。

GDP 衡量所生產商品與服務的價值，卻不反映誰擁有生產資產、誰失去議價能力，或收入是否平均流向家庭。產出激增可與特定社區更差的就業前景並存。

創造最高 GDP 的同一情境，亦造成最嚴重的勞動市場衝擊。Anthropic 的模型顯示，在極端情境下，失業率接近 12%；知識工作者就業人數較基準減少超過 20%。

較大幅度情境的嚴重程度較低，失業率為 4.6%，知識工作者就業人數減少約 4%。溫和情境則將衝擊維持在較熟悉的歷史範圍內。

這些差異源於增強與自動化之間的取捨。增強讓員工在 AI 協助下產出更多。自動化則讓系統以極少持續的人力完成工作。

兩者都會提高量度到的生產力，但收益分配方式不同。增強可加強對監督技術的高技術員工之需求。自動化即使擴大總產出，也可能減少就業。

這種分別在軟件團隊中尤其具體。工程師運用 AI 審閱程式碼及搜尋文件，可以更快完成項目。僱主可以把這種能力用於開發更多產品，或聘請更少工程師。

法律研究、客戶服務、財務分析、市場推廣及行政工作也面對類似抉擇。技術本身不會獨自決定就業結果。需求、管理策略、競爭及勞工制度都會塑造結果。

知識工作者面臨較早壓力，因為現時的生成式系統透過文字、程式碼、圖像及結構化資訊運作。Anthropic 的使用數據顯示，較複雜的工作往往比簡單工作節省更多時間。

這種模式挑戰了一種令人安心的想法：自動化總是先從例行、低技術工作開始。AI 能協助受過高等教育的工作者，正是因為他們的產出往往以數碼形式存在。他們的工作更容易置於模型的運作環境中。

不均衡分配亦延伸至不同地區及機構。Anthropic 發現，人均國內生產總值每增加 1%，人均 Claude 使用量便增加 0.7%。這只是相關性，並不證明收入導致採用。

較富裕的公司和國家可以購買運算能力、準備數據、招聘技術人員，以及承擔實驗成本。缺乏這些資源的機構，可能會成為由其他地方控制的系統之客戶，而非生產性 AI 資產的擁有者。

世界銀行的增長分析得出同樣審慎的結論。AI 的貢獻取決於基建、技能、監管制度、採用速度，以及生產力收益能否持續。

其檢視發現，經濟估算由溫和改善至變革性增長不等。對受影響工作及採用情況的不同假設，解釋了當中很大部分差異。這正是 Anthropic 三種情境分歧之處。

這個分配問題比 Anthropic、OpenAI、Google 及其他模型開發商之間的競爭，更直接地向政策制定者施壓。無論哪家公司在基準測試中領先，更佳的模型都可能加劇問題。

對企業買家而言，問題亦不止於選擇供應商。管理層必須決定，生產力收益是用於擴大產出、改善服務、縮短工時，還是削減薪酬支出。這些決定把技術表現轉化為經濟分配。

工作者也面對自己的版本。他們需要在 AI 處理更多工作時，仍能保留有用的脈絡、證據及問責機制。維護良好的AI 知識庫可協助團隊檢視輸入內容，並保留機構知識。

這並不會消除被取代的風險。然而，透過讓人們保持連繫於自動化產出背後的原始資料及決策，它可以令增強模式更具可信性。

44.4 萬億美元情境未能證明甚麼

這項預測結合了合理機制，以及尚未在全國規模獲驗證的假設。

第一項不確定性涉及技術進展。現時模型可以產出有用工作，但亦會出現事實錯誤，並難以處理冗長、含糊的任務。當工作需要更多步驟及更少監督時，可靠性往往下降。

實驗室示範並不能證明系統在醫院、工廠、法院或金融機構內能可靠運作。實際部署必須符合私隱規則、專業標準、安全要求及責任管控。

第二項不確定性涉及擴散。通用技術很少會以軟件更新般的速度傳遍整個經濟。機構必須先作出配套投資，才能獲取完整效益。

電力是在工廠改變佈局及機器後，才改造工業生產。電腦則需要新的商業流程、技能、數據庫及網絡。AI 同樣需要組織重設，而非單純取得模型使用權。

第三項不確定性涉及需求。完成一項工作所需時間減少 80%，並不保證能產出五倍有價值的成果。客戶未必需要五倍的報告、簡報、廣告或軟件功能。

隨着生產變得更容易，價格亦可能下跌。較低價格有利買家，卻會減少每個單位所對應的量度收入。公司必須找到新用途，讓需求擴張速度快於自動化壓縮成本的速度。

第四項不確定性涉及知識工作以外的替代。Anthropic 的模型並未納入高能力通用機械人的未來。因此，實體經濟的大部分仍會受設備、建造時間、能源、運輸及人手服務提供所限制。

第五個問題是歸因。Anthropic 開發及銷售其研究人員所建模影響的技術。這不會令研究失效，但使獨立測試變得必要。

研究人員需要取得涵蓋競爭系統及行業的更廣泛使用數據。他們亦需要來自已採用 AI 的企業、未採用 AI 的企業，以及受兩種決定影響的工作者之證據。

Anthropic 值得肯定，因其發布了結果明顯不同的情境。該公司表示未來並非注定，其模型容許讀者改變假設。這種透明度比不附條件地提出單一數字更有用。

然而，Reuters 的標題自然突出了最大結果。讀者很容易把 44 萬億美元理解為 Anthropic 的基準預測，儘管公開模型把 44.4 萬億美元標示為極端情境。

這個情境亦有別於 Anthropic 早前的生產力估算。其 Economic Index 計算，現世代 AI 若配合廣泛採用，可能在十年內令年度勞動生產力增長增加 1.8 個百分點。

這項估算已意味著重大的經濟改變。極端的 2030 年情境更進一步，假設能力加速提升、廣泛自主使用、新工作創造，以及知識勞動被顯著替代。

獨立機構仍然較為審慎。世界銀行表示，樂觀假設可令 2030 年代成為自 1970 年代以來全球增長最強勁的時期。它同時強調，較不樂觀的假設會帶來小得多的收益。

曼谷會議上的政策反應反映了這種不確定性。IMF 董事總經理 Kristalina Georgieva 把 AI 發展比作一場需要護欄保護人們的 Formula 1 賽事。Clark 回應指，這場比賽缺乏足夠煞車裝置。

這場護欄辯論值得注意，因為 Clark 並非要求政策制定者不惜一切代價接受增長。他呼籲制定不尋常而嚴肅的規則，同時警告相關決定不能由公司單獨作出。

這個立場看似矛盾。Anthropic 一邊競逐開發能力日益強大的系統，一邊要求政府管理其後果。然而，這亦反映 AI 競爭的底層結構。

單一開發商即使放慢腳步，也無法控制競爭對手、開放模型或國家計劃。有效的護欄需要開發商共同遵守標準、申報責任、評估及執法。

因此，政策制定者面對兩種錯誤。行動太慢，可能令勞工保障及安全規則落後於快速部署。基於推測性假設行動，則可能在官員了解實際風險前施加昂貴規則。

答案不是抽象地在增長與審慎之間二選一。政府需要與能力、採用、勞動結果及已證實傷害掛鈎的可量度觸發條件。Anthropic 的情境有助識別這些觸發條件，但不能取代觀察所得的數據。

三個將檢驗 Anthropic 預測的訊號

下一階段應以能力、採用及分配數據評斷，而不是另一個戲劇化的整體預測。

第一個訊號是，AI 能否以更少人手修正完成更長的專業工作。孤立基準問題的進展，無法驗證 Anthropic AI GDP 預測。系統必須能在真實運作環境中可靠地規劃、執行、核實及修訂工作。

研究人員應同時觀察成功率及速度。一個系統即使完成工作快 12 倍，若需要大量覆核，淨收益可能較小。在醫學、金融、法律、基建及安全領域，錯誤成本尤其重要。

若有證據顯示 AI 能自主完成需時數小時或數天的多步驟項目，將會加強 Anthropic 的極端情境。若可靠性停滯，即使模型在傳統基準測試上持續進步，也會削弱該情境。

第二個訊號是科技公司以外的廣泛企業採用。全國增長需要服務業、製造業、科學、政府及小型企業均錄得可量度收益。使用若集中於軟件工程師，單靠這一點無法產生模型所描述的經濟規模。

公司應開始申報哪些流程使用 AI、這些部署節省多少時間，以及產出有否擴大。就業變化應與一般重組、外判及週期性疲弱分開處理。

官方統計數字將在此發揮作用。若在控制投資及勞動力差異後，受 AI 影響的行業持續呈現更快生產力增長，Anthropic 的機制便會獲得支持。若支出上升而未見持久產出收益，理據就會較弱。

採用質素與採用數量同樣重要。一家公司購買數千個 AI 帳戶，不等於一家公司圍繞可靠代理重新設計生產流程。活躍使用、工作完成率、錯誤率及財務結果，提供更佳證據。

第三個訊號是生產力上升時，收入及就業如何變動。最重要的檢驗是，AI 會否補足工作者，還是取代足夠多工作以削弱他們的議價地位。

應留意大學畢業生及職涯初期工作者的失業情況，特別是軟件、分析、行政、客戶支援及媒體領域。同時亦應留意工資增長、招聘率、工作時數及勞動收入佔國民收入的比重。

若生產力持續加速、就業穩定而工資上升，將支持經濟上行空間，同時削弱 Anthropic 較嚴峻的分配情境。若快速增長伴隨知識工作就業下降，則會驗證其核心警告。

政策選擇可以改變結果。培訓支援、可攜式福利、競爭政策、工作者參與及更廣泛的資本擁有權，均可令收益分配更廣。設計不良的保障措施，也可能在未能為被取代工作者提供有意義保障下拖慢採用。

開發商及企業買家應把預測視為規劃範圍，而非承諾。測試 AI 能完成哪些工作、記錄失敗率，並在具重大影響的決策周邊保留人類問責。量度節省的時間是否轉化為更佳產出，還是僅僅變成更少職位。

知識工作者亦應進行類似的審核。辨識角色中哪些部分依賴判斷、信任、實體在場、組織關係，或對成果承擔責任。然後將這些範疇與模型目前已能在監督下執行的工作作比較。

4.44 萬億美元這個數字值得關注，因為它揭示了目前這場押注的規模。Anthropic 並非只是在預測更出色的聊天機械人。其最進取的情境，描繪的是在四年內重整生產與收入結構。

決定性的問題並非美國能否在帳面上變得更富裕，而是各項制度能否把 AI 生產力轉化為新產業、更廣泛共享的收入，以及仍具經濟價值的工作。

未來數季應持續追蹤 Anthropic AI GDP 預測背後的證據。自主系統是否能可靠地完成具價值的工作？生產力提升是否正出現在 AI 公司以外？勞工是否正分享這些增益？

這三個答案將揭示，Clark 所辨識的是一場正在逼近的經濟加速，還是一個科技業期望的邊界。