AI 每年节省的劳动时间价值估计达 2.7 万亿美元，但收益仍分布不均

Google News 推送了一项引人注目的估计：尽管这些收益的获取极不均衡，AI 如今每年节省的劳动时间价值已达 2.7 万亿美元。

这一估计来自经济学家 Rachel Yuting Fan 和 Ha Nguyen 的研究。他们的分析衡量了不同职业以及 100 多个国家中 AI 辅助节省的时间价值。所得总额约相当于全球国内生产总值的 3.4%。

这个数字让 AI 看起来已是一股真正到来的经济力量。然而，其分配状况呈现出一个更令人不安的故事。在许多发展中经济体中，几乎所有可衡量的价值都来自一小部分高薪专业人士。

因此，这项研究同时挑战了两种流行叙事。AI 既不是空洞的生产力承诺，也不是每位劳动者都能平等使用的工具。它可衡量的价值十分巨大，但其覆盖范围仍取决于收入、职业、语言和国家的准备程度。

核心较量在于技术快速扩散与制度性不平等的持续存在。AI 工具可以几乎瞬间通过软件传播，而技能、连通性、工作场所系统以及本地相关的训练数据，扩散速度则慢得多。

这项新的 AI 估计实际衡量了什么

这 2.7 万亿美元衡量的是与节省时间相关的劳动成本，而非流入全球经济的新增现金。

Fan 和 Nguyen 在一篇 IMF 工作论文中发表了研究结果。他们分析了 Anthropic Economic Index 的五次发布数据，覆盖 2025 年 1 月至 2026 年 2 月。

Anthropic Economic Index 研究人们如何在不同任务和职业中使用 Claude。它采用保护隐私的分类方式，而不会公开个人对话内容。

研究人员将这些使用模式与职业就业和工资数据结合起来，随后构建了 AI 辅助时间的劳动成本等值指标，即 LCE。

LCE 为 AI 看似节省的时间赋予基于工资的价值。如果一项工具缩短了一项原本需一小时完成的任务，计算将按相关职业的劳动成本为该时间估值。

这种方法得出了约 2.7 万亿美元的年度全球估计值。按照研究人员的假设，这约占全球 GDP 的 3.4%。

这一估计之所以重要，是因为它以观察到的使用情况为起点，而非对未来能力的预测。它考察的是 AI 辅助已经出现在哪些地方，以及相关劳动时间价值多少。

不过，LCE 并不等同于已经实现的生产率增长。节省下来的一小时，并不会自动转化为另一小时的有用产出。

企业可能将这些时间用于额外工作、缩短工时、质量检查，或完全无关的任务。一部分节省可能让雇主受益，另一部分则可能惠及劳动者或客户。

该方法也没有扣除部署 AI 的全部成本。这些成本包括基础设施、电力、订阅、集成工作、安全控制以及人工审核。

作者将 LCE 描述为一种指示性估值。它反映的是在明确假设下节省时间的劳动成本，而不是对经济福利的完整衡量。

在解读 Google News 的标题时，这一区别很重要。该研究并未声称 AI 在一年内为已测量的全球 GDP 增加了 2.7 万亿美元。

相反，它估计的是与当前 AI 辅助时间相关的年度劳动价值。这个数字展现了经济规模，但并未确定最终由谁获得收益。

这一估计也在五次数据发布中持续上升。AI 的使用从最初集中于软件工作，扩展至教育、销售和办公室职业。

与单独的软件开发相比，这些职业雇用了更多人。即便每段对话的预估收益较低，更广泛的职业覆盖也能提高总价值。

这是研究结果中的第一项主要张力。总体价值可以上升，而平均每次交互的经济密集度却可能下降。

这一模式符合某项技术从专业化工作进入日常任务的过程。它也使获取机会的分配比标题中的使用量增长更重要。

为什么 Google News 报道的是一个比 AI 采用更重大的故事

重要的变化不只是更多人在使用 AI，而是这种使用如今已足够广泛，可以支撑全球性的分配估计。

早期的工作场所研究通常聚焦于一家公司、一种职业或一项受控任务。这些研究帮助证实，生成式 AI 可以在特定条件下提升表现。

一项知名的客户支持研究跟踪了 5,179 名客服人员。获得 AI 助手后，平均每小时解决的问题数量提高了 14%。

其中，经验较少和技能较低的员工改善幅度达到 34%。经验丰富、技能较高的客服人员获得的增益则小得多。

这一结果表明，AI 可能压缩工作场所内部的绩效差异。系统将成功对话中的模式传递给经验较少的员工。

其他实验也发现，AI 在写作、咨询和编程中带来了显著改进。但任务层面的结果不能自动预测全经济范围的增长。

这篇新论文采取了不同方法。它观察多个国家中哪些职业产生 AI 使用，再根据当地工资为相关时间估值。

五轮数据带来了动态画面，而非单一快照。这使研究人员能够考察 AI 的职业覆盖是否正在扩大。

答案是肯定的，但带有重要限定。AI 使用已进入覆盖更大比例劳动力的职业，但仍明显偏向高薪工作。

这很重要，因为仅看采用数量可能掩盖经济价值的集中。两个国家可能报告相近的活动水平，却产生截然不同的价值分配。

一个国家的使用可能覆盖教师、行政人员、销售人员、工程师和管理者。另一个国家几乎所有使用都可能集中在一小群专业人士中。

这些模式会创造不同的生产率前景。广泛采用让更多企业和家庭有机会将节省的时间转化为产出或更好的服务。

狭窄的采用同样能够创造可观价值。然而，它可能扩大联网专业人士与 AI 密集型领域之外人群之间的差距。

论文的全球视角也揭示了流行工作场所叙事的局限。在一家企业内部，AI 能帮助表现较差的员工，并不意味着它能够惠及整个经济中的低收入劳动者。

在使用 AI 的工作场所内，该工具可以缩小基于技能的绩效差异。但在整个劳动力市场中，获取机会仍可能集中于原本就占优的职业。

这两项发现可以同时成立。它们描述的是同一系统的不同层面。

使用 AI 的客服人员或许能够追上经验丰富的同事。农民、配送员或非正规零售商，则可能没有任何可嵌入日常工作的类似工具。

结果形成了一种分配上的逆转。AI 可以在用户之间拉平绩效，同时扩大用户与非用户之间的距离。

Google News 让这项研究获得更广泛的受众，但标题数字不应掩盖这种逆转。论文最重要的贡献，是绘制出谁正在参与的地图。

这张地图显示，软件扩散的速度快于经济包容。两者之间的差距将决定 AI 是成为广泛提升生产率的工具，还是继续作为专业工作集中使用的基础设施。

AI 收益分配仍偏向高薪职业

在几乎所有被研究的国家中，AI 可衡量的收益都偏向薪酬较高的职业。

Fan 和 Nguyen 创建了 AI 集中度指数，即 ACI，来衡量这种倾斜。该指数将每种职业在 AI 价值中的占比，与其在就业中的占比进行比较。

正值意味着 AI 收益偏向工资分布中更高薪的职业。负值则意味着偏向较低薪的工作。

几乎每个国家在每一轮观察中都呈现正 ACI。因此，不平等的方向具有高度一致性。

这种失衡的程度差异明显。高收入经济体的 ACI 通常在 0.4 至 0.5 左右。

在报告的分析中，美国的 ACI 为 0.49。这仍表明存在集中，但其使用覆盖的职业基础相对较广。

一些发展中国家的得分接近 1.0。在这一水平上，几乎所有可衡量的 AI 价值都来自一个小型专业人士群体。

坦桑尼亚是论文中最清晰的例子。其 ACI 达到 0.98，而专业职业的就业人数不足劳动者总数的 5%。

这种组合意味着，大多数劳动者仍处于产生可衡量 AI 价值的直接渠道之外。农业、基础性和服务业职业几乎没有贡献被记录的使用量。

这并不能证明这些劳动者没有获得间接收益。AI 辅助的物流、金融、政府或教育最终可能改善他们所消费的服务。

但间接影响不在论文的衡量范围内。观察到的直接价值仍集中于专业用户。

收入有助于解释部分差异。较富裕的国家往往拥有更多知识型劳动者、更强的数字基础设施，以及更多有能力部署 AI 的组织。

它们也拥有更多互补性系统，包括数字化记录、云服务、培训预算、可靠的连通性和成熟的软件工作流程。

AI 并非进入制度真空。任务已经留下可用的数字痕迹、且劳动者能够验证其输出的地方，AI 的表现最佳。

因此，集中问题不止关乎能否使用聊天机器人。它还反映了组织是否能将 AI 与有价值的工作连接起来。

小型企业往往面临更大障碍。它们可能缺乏干净的数据、技术人员、安全政策，或重新设计工作流程的时间。

来自超过 12,000 家欧洲企业的证据指向同一方向。一项 欧洲企业研究估计，采用 AI 的企业平均劳动生产率提高了 4%。

中型和大型企业获得的增益强于小型企业。对软件、数据和员工培训的互补投资放大了这一效果。

这些发现支持了全球论文所揭示的机制。获取模型只是更大生产系统中的一个投入要素。

一家数字化成熟企业中的专业人员每天可以多次使用 AI。而一家连通性较弱企业的员工，可能缺少合适的界面或获批使用的数据。

由此产生的鸿沟会不断累积。更多使用带来更多经验，帮助组织发现更适合的任务并建立更强的流程。

处于这一循环之外的劳动者，获得学习有效提示、验证和整合方法的机会更少。他们的雇主也更难收集支持进一步投资的证据。

这就是为什么 AI 收益分配不能脱离组织能力单独讨论。该工具或许在网上广泛可得，但在经济层面仍然稀缺。

收益正在扩展，但语言塑造了速度

越来越多国家的 AI 收益分配变得不那么集中，但进展仍不均衡且并不完整。

2025年8月至11月期间，108个国家中有32个国家的 AI 集中度指数下降，占观察国家的30%。

2025年11月至2026年2月期间，110个国家中有53个国家出现下降，占比升至接近一半。

ACI 下降意味着 AI 产生的价值正向职业薪资分布的较低端移动，并不意味着分配已经变得平等。

该指数在几乎所有国家仍为正值。高薪职业继续获得不成比例的可测收益份额。

另一组国家没有变化，因为所有观察到的对话都被归入同一个职业类别。因此，它们表面上的稳定并不代表广泛可及。

AI 向教育、办公室支持和销售领域扩展的地区，变化最为明显。这些领域雇佣的劳动者远多于最初以软件业为主的用户群体。

论文将更快的普及与英语作为官方语言的地位联系起来。作者通过训练数据的构成来解释这一关系。

以英语为主导的模型包含来自英语国家机构的大量法律、教育、商业和行政材料。这可以提升模型在更多职业中的本地相关性。

由于编程资源在全球范围内较为标准化，模型或许能很好地处理某个国家的软件问题。但本地税务、法律、医疗或行政任务则需要更具体的知识。

如果训练数据中缺少相关文件，劳动者获得的帮助就不那么可靠。组织必须投入更多精力核查输出，或构建专门系统。

因此，语言覆盖成为经济基础设施。仅靠翻译无法完全替代对本地术语、规则和制度实践的熟悉程度。

论文并未证明英语地位会直接导致更快扩散。其跨国关系仍属于观察性发现，需进一步检验。

其他因素可能与语言相互重叠，包括殖民历史、教育体系、互联网内容、治理能力以及跨国商业联系。

尽管如此，这一发现指出了一个实际瓶颈：如果模型在不同语言之间表现不均，生产率收益也会在国家之间分配不均。

Anthropic Economic Index提供了研究人员使用的基础使用数据。其数据反映的是 Claude 活动，而非整个 AI 市场。

这一局限性相当重要。ChatGPT、Gemini、Copilot、开放模型、本地系统和行业专用工具，可能呈现不同的地理分布模式。

Claude 用户也可能与全球劳动力群体有所不同。他们很可能拥有更好的数字接入条件，也更熟悉先进 AI 产品。

尽管如此，这些数据仍提供了宝贵的纵向信号。很少有来源能将真实 AI 使用情况与如此多国家的职业任务联系起来。

下一步的分析应使用兼容的分类方法比较多个平台。这将揭示集中度模式究竟反映 Claude 的用户基础，还是更广泛的 AI 经济。

本地语言表现也需要直接衡量。研究人员可以测试模型在各国行政、教育、商业和专业任务中的表现，并以具体国家为背景。

更好的表现并不保证采用。它只是从涉及信任、可负担性、培训和工作流设计的更长链条中移除了一项障碍。

组织还可以通过经过整理的内部知识来减少语言摩擦。可检索的AI knowledge base可以让 AI 基于员工已在使用的文件提供帮助。

这种方法能帮助个别团队，但无法替代广泛的公共投资。国家法律法规、教育材料和公共服务信息也必须可供机器访问。

2.7万亿美元估算未能证明什么

这项研究揭示了 AI 潜在的经济影响范围，但并未证明产出、工资或劳动者福利会相应增长。

第一项不确定性涉及节省的时间。只有当节省下来的时间被用于创造有价值的成果时，更快完成任务才有意义。

一些劳动者可能会完成更多任务。另一些人则可能用这些时间审查输出、修复模型错误，或应对更高的工作量要求。

工作场所甚至可能将效率转化为更紧的截止期限。在这种情况下，可测得的劳动力节省并不会转化为更多闲暇。

利用丹麦劳动力市场记录的研究说明了报告中的生产率与可观察结果之间的差距。该研究发现，工作场所广泛采用 AI，并出现了新的 AI 相关任务。

然而，在 ChatGPT 发布两年后，研究未发现其对记录在案的收入或工时存在平均影响。估计结果排除了超过2%的变化。

丹麦劳动力研究并不与任务层面的生产率研究相矛盾。它表明，劳动力市场调整可以吸收改进，而不迅速改变工资或工时。

企业可能重组任务，而非削减员工数量。劳动者也可能产出更多，但合同和薪酬保持不变。

第二项不确定性涉及质量。当错误需要昂贵的纠正时，快速产出几乎没有经济价值。

生成式 AI 能产生看似可信但错误的内容。当用户缺乏足够专业知识、无法识别薄弱答案时，风险会升高。

这又带来了分配问题。受过高度训练的劳动者可能获得更多价值，因为他们能够设计请求、评估结果并整合有用部分。

经验较少的用户也能在结构化环境中获得显著收益。但这些收益取决于防护措施、合适的任务以及可靠的参考材料。

第三项不确定性涉及成本。LCE 估算并未在扣除基础设施和运营费用后提供完整的福利计算。

AI 系统需要数据中心、电力、芯片、网络、工程、安全网络和治理。组织还要为集成和人工监督付费。

这些成本并不会否定2.7万亿美元的估算，但它们意味着读者不能将其视为净经济盈余。

第四项不确定性涉及市场覆盖。五个 Claude 数据集无法以同等准确度代表所有 AI 工具、用户或国家。

正式工作场所之外的使用可能被低估。那些从未出现在公共平台数据中的私营企业部署也可能被低估。

反过来，对话活动并不能证明每次互动都节省了时间。一些用户可能在试验、重复失败的提示，或将 AI 用于低价值任务。

作者通过将 LCE 标记为指示性指标来回应这些问题。他们的贡献是一项结构化估算，而非最终的国民经济核算结果。

第五项不确定性涉及谁获得收益。更高的生产率可以流向劳动者、雇主、消费者或 AI 提供商。

当工资上涨、排班改善或工作变得更轻松时，劳动者受益。雇主则会在产出增长而劳动力成本没有同步增加时受益。

当价格下降或服务质量提升时，消费者受益。科技公司可以通过收费以及对关键基础设施的控制来获取价值。

这些群体之间的分配仍未得到解决。职业使用数据显示活动发生在哪里，而不是议价能力如何划分其回报。

这一区别应影响 Google News 和其他出版商的报道。庞大的生产率估算并不自动意味着共同繁荣的证据。

当 AI 价值集中时，谁将面临压力

政府和雇主如今面临压力，需要将狭窄的专业使用转化为更广泛的组织能力。

对政府而言，这些发现使监管准备度成为经济变量，而不仅仅是合规细节。论文将更强的准备度与相对于 GDP 更高的 LCE 联系起来。

监管准备度也与收益分配较不集中的情况相关。准备充分的国家似乎更有能力获取价值，并将使用扩展至更多职业。

准备度可包括明确规则、制度能力、数字基础设施、数据治理和劳动力政策。论文并未将其简单等同于更宽松的监管。

当企业无法评估责任、隐私或采购要求时，不确定性可能延迟有生产力的采用。薄弱的保护措施也可能削弱信任，并使劳动者面临伤害。

因此，目标是可用的治理。组织需要允许其试验的规则，同时保留对重大决策的问责。

对雇主而言，压力来自运营层面。购买模型访问权限，并不能创造提升生产率所需的配套投资。

管理者必须识别合适任务、接入可靠信息、培训员工并衡量结果。当 AI 输出不确定时，他们还需要设置升级处理路径。

这类工作更有利于大型组织，因为固定集成成本可以分摊到更多员工身上。小企业需要共享工具、服务提供商或公共支持。

培训尤其值得关注。劳动者需要的不只是提示词模板。

他们必须知道何时使用 AI、可以提供哪些信息，以及如何验证结果。他们还需要具备足够的领域知识，以识别看似自信的错误。

对 AI 开发者而言，压力在于覆盖范围。未来十亿用户将带来当前系统中代表不足的语言、制度和职业。

英语专业任务基准上的提升无法解决这些差距。开发者需要基于本地工作和真实制度文件的评估。

对劳动者而言，分化越来越体现在工作设计上。受影响程度不仅取决于模型能否完成一项任务。

它还取决于雇主是否将 AI 纳入获批准的工作流。因此，同一职业中的两个人可能获得截然不同的收益。

这形成了一种新的组织不平等。数字化成熟企业中的劳动者积累 AI 经验，而其他地方的同行则逐渐落后。

可迁移培训和获得认可的技能可以缩小这一差距。劳动者不应完全依赖单一雇主，才能获得日益普及的工具。

教育体系同样面临压力。AI 素养必须包括验证、来源评估、数据处理，以及与自动化系统协作。

单纯的工具教学会很快过时。持久的技能是判断机器生成内容何时有用、何时有风险或何时不完整。

这项研究也对乐观的宏观经济预测施加了压力。广泛收益需要超越高薪专业人士聚集区的采用。

如果 AI 仍然高度集中，它依然可以创造巨大价值，但也可能加深企业、地区和国家之间的生产率差异。

一项CEPR 生产率分析此前估计，AI 每年可为全要素生产率增长增加0.25至0.6个百分点。

这一预测取决于采用速度、行业覆盖范围和组织调整。新的使用证据显示，这些假设正变得可衡量。

它也说明了为何不能想当然地认为会实现广泛扩散。技术可得性只是经济采用的起点。

Google News 标题之后应关注什么

三个信号将显示不断增长的 AI 价值会成为广泛共享的生产率，还是仍集中于占优势的劳动者群体。

第一个信号是 AI 集中度指数的下一步变化。如果许多国家继续下降，将更有力地支持更广泛扩散的判断。

构成比平均水平更重要。向教育、销售、行政和公共服务领域的扩展，将覆盖更大比例的劳动者。

研究人员还应追踪低收入国家是否开始摆脱接近 1.0 的评分。该领域的微小变化，可能意味着 AI 的应用正从专业人士的小圈层向外显著扩展。

若 ACI 持平或上升，将削弱“广泛扩散”的论点。这意味着，更好的模型正在创造更多价值，却未能扩大职业可及性。

第二个信号是，节省下来的时间是否反映在工资、工时、价格或测量产出中。仅凭使用数据无法判断最终受益者是谁。

企业实验应在报告速度的同时，披露产出质量和薪酬情况。国家统计体系最终也需要更好地衡量 AI 辅助工作的方式。

如果工资上涨或工时下降，员工便获得了部分收益。如果价格下降，消费者则可能获得回报。

如果产出增加，而薪酬和工作安排保持不变，雇主可能获得了更多收益。这种结果将加剧对分配问题的担忧。

第三个信号是本地语言与制度环境下的表现。更广泛的评估应测试模型在代表性不足国家中完成真实任务的能力。

进展不只是能流畅对话。模型还必须能够正确处理当地规则、表格、术语和专业标准。

能力更强的本地化系统，将强化论文中关于语言是扩散障碍的解读。若表现持续疲弱，采用仍将集中在少数群体中。

下一次 Anthropic Economic Index 发布将提供又一次方向性检验。若其他模型提供商也发布可比数据集，证据将更具说服力。

随着 AI 使用不断扩大，Google News 可能还会持续给出更高的估算数字。在将这些数字视为经济产出之前，读者应先弄清每个数字所代表的含义。

2.7 万亿美元这一数字标志着一个重要门槛。在合理假设下，已观察到的 AI 使用如今已足够广泛，足以意味着可观的全球劳动价值。

但 AI 的收益仍沿着既有的收入、基础设施和专业准入边界分布。这项技术正在扩散，但经济包容性仍然滞后。

对雇主和政策制定者而言，问题已不再是 AI 是否能够创造价值，而是他们能否建立起所需的技能、系统和语言覆盖能力，以分配这些价值。

关注职业构成，而不只是标题中的总额。AI 经济的下一阶段，正是在这里变得清晰可见。