高盛称印度面临的 AI 就业风险较低，但服务业仍然脆弱

高盛表示，尽管文职工作和技术赋能服务面临明显风险，印度遭遇大范围 AI 岗位替代的可能性仍低于较富裕经济体。据一份劳动力风险报告，该行印度首席经济学家 Santanu Sengupta 于 8 月 14 日作出了这一判断。这一结论挑战了“生成式 AI 将迅速抹去印度庞大劳动力市场中大量岗位”的预测。

这一看似令人宽慰的结论附带一个重要限定：印度较低的风险敞口源于其劳动力市场结构，而非对能力不断增强的 AI 系统免疫。农业、建筑、制造业及其他体力职业仍雇用了数以百万计的人，他们的日常工作依然难以通过软件实现自动化。

压力集中在其他领域。常规文职工作、业务流程服务、电信、金融服务、媒体以及部分专业岗位，包含更多可由软件完成的任务。这些行业也支撑着印度作为重要技术和商业服务出口国的地位。

这形成了核心矛盾：从国家层面看，印度似乎较不脆弱；但其具有国际重要性的服务业经济中，有些部分正处于这项技术影响的近处。因此，印度的 AI 劳动力故事关乎一场不均衡的转型，而非大规模失业与持续增长之间的简单对决。

高盛预测指向转型，而非大规模替代

该行的核心观点是，AI 将改变的印度岗位数量会多于其消除的岗位数量。

高盛在 7 月下旬发布的一项分析估计，生成式 AI 可完成印度非农业劳动力中 9% 至 17% 的任务。这一区间衡量的是任务风险敞口，即 AI 能够辅助或自动化的工作。它并不意味着同等比例的劳动者将失去工作。

这一差异很重要，因为职业由许多不同任务组合而成。一名金融分析师可能使用 AI 总结文件，同时仍负责判断、客户沟通和监管决策。一名教师可能更快地生成教学材料，但不会把课堂管理或学生评估交给模型。

根据一项详细的就业分析，高盛估计，42% 至 48% 的非农业岗位更可能获得 AI 辅助，而不是面临直接替代；其中 8% 至 12% 则存在被替代风险。其余岗位在报告假设下应会受到相对有限的直接影响。

这些估计支持了 Sengupta 更广泛的判断。与发达经济体相比，印度从事高风险办公室职业的劳动者占比更低。庞大的农业劳动力进一步降低了全国范围的风险敞口，因为当前生成式 AI 主要通过语言、图像、数据和软件发挥作用。

高盛预计，在十年期间，AI 的采用将使印度年度劳动生产率增长提高约 0.4 个百分点。其估计区间为 0.1 至 0.8 个百分点，部分取决于未来系统能力将达到何种程度。这些收益属于预测，而非已观察到的结果。

当劳动者能更快完成既有任务、产出更多成果或转向更高价值的职责时，生产率就可能提高。不过，雇主也可以通过减少人员规模来获取效率收益。同一项技术可能在一家机构中辅助劳动者，却在另一家机构中替代类似职位。

实施成本将影响这一决策。企业必须将模型接入内部数据、重新设计工作流、核验输出、管理安全问题并明确责任归属。能够完成单项任务的演示，并不会自动成为可靠的生产系统。

这有助于解释，职业层面的风险敞口为何很少直接对应即时失业。企业通常会先自动化工作流的一部分，再重组整个职位。招聘可能在裁员变得明显之前就已走弱，尤其是在雇主不再补充离职人员时。

印度的规模也减缓了任何全国性转型。大型企业、小企业、农场、工厂、公共机构和非正规雇主采用技术的速度各不相同。计算资源、可靠电力、有用数据和受过培训的管理人员仍分布不均。

最好将高盛的预测理解为一张压力点地图。它揭示了哪些任务可能发生变化、哪些领域的生产率可能提升，但并未确定雇主会以多快速度部署 AI，也未说明他们将如何分配由此带来的收益。

印度的劳动力结构提供缓冲

印度看起来风险敞口较低，是因为其大部分劳动力从事生成式 AI 无法直接执行的体力、农业或人际服务工作。

国际货币基金组织的一项评估发现，约 43% 的印度劳动力从事农业。这种就业结构使印度比那些更深入转向办公室服务业的经济体面临更低风险。软件可以为农民提供建议，但无法独立完成田间的大部分体力工作。

IMF 估计，26% 的印度劳动者从事 AI 风险敞口较高的职业。其中，14% 的就业岗位被归类为风险敞口较高、但可能获得 AI 辅助；另有 12% 属于风险敞口较高且替代风险更大的职业，详见其印度评估。

这些数字与高盛的区间不同，因为两家机构使用的数据集、定义和职业分类各不相同。一项估计可能覆盖整个劳动力市场，另一项则考察非农业就业或任务占比。这些差异进一步说明，风险敞口统计不应被视为精确的裁员预测。

跨国研究指向了相同的大致方向。发达经济体中，管理人员、专业人士、行政人员及其他知识型劳动者占比更高。这些职业使用的语言和信息处理任务，正是当前 AI 系统最擅长处理的领域。

IMF 曾估计，发达经济体约 60% 的岗位面临 AI 风险敞口；新兴市场对应比例为 40%，低收入国家则为 26%。风险敞口既包含生产率增长机会，也包含岗位被替代的风险。

在亚洲，发达经济体约一半就业岗位面临风险敞口，而新兴和发展中经济体约为四分之一。这项区域比较还发现，较富裕经济体拥有更多 AI 能够辅助劳动者的岗位。因此，较高风险敞口既意味着更大风险，也意味着更高潜在收益。

印度较低的风险敞口仍可能掩盖严重的分配问题。农业劳动者或许免受生成式 AI 的直接替代，却依然容易受到低生产率、收入不稳定和社会保障有限的影响。处于 AI 的直接影响范围之外，并不保证工作稳定或薪酬优厚。

城市内部也存在同样的问题。软件开发者和配送员都参与数字经济，但其风险敞口差异显著。模型可以生成代码或文档，却无法骑着摩托车穿过车流，或亲手将包裹交给客户。

女性和高学历劳动者的职业风险敞口往往更高，因为她们更多集中于行政和专业岗位。高收入劳动者也经常从事风险敞口较高的职业。他们的工作有时更具被增强的空间，但其中的常规部分仍可能被自动化。

年轻毕业生面临另一项担忧。入门级岗位往往包含文档整理、研究、日程安排、测试和基础分析。这些任务为新员工积累经验，但也契合生成式 AI 工具的能力。

企业无需解雇现有员工，就能减少这些机会。由于资深员工借助 AI 辅助能产出更多，公司可以缩小招聘规模。这种模式会影响职业起点，却未必会立刻表现为大规模失业。

因此，印度的缓冲是真实但不完整的。该国在总就业中面临风险敞口的岗位占比较低，但其中包括战略性产业和通往中产阶层的常见路径。全国平均数无法反映这种集中性。

服务业引擎最接近风险

印度风险敞口最高的劳动者，集中在帮助该国成为全球外包业务运营目的地的服务业。

常规 IT 赋能业务流程面临更高替代风险，因为其工作具有重复性，且可被数字化呈现。常见例子包括标准化客服回复、文件处理、基础报告、转录、数据录入和基于规则的质量检查。

文职支持岗位面临类似压力。生成式 AI 可以起草通信内容、分类文件、提取信息、生成摘要并回答常规问题。与企业软件相连的系统还可以在人力介入有限的情况下，在不同应用之间传递信息。

这些能力并不会消除每一个岗位。模型仍会出现事实错误、处理不好异常情况，也难以承担责任。机构仍需要人员来定义工作流、审查敏感输出、解决例外情况并与客户沟通。

不过，岗位数量和构成可能发生变化。一名配备有效系统的员工，或许能完成过去需要数人完成的工作。雇主随后可能减少初级员工招聘，同时增加数据、安全、工作流设计和模型评估方面的专家岗位。

由于服务业是其增长模式的核心，印度对这一转型具有相当大的风险敞口。高盛曾将该国 IT 和商业服务业描述为一个规模约 2,500 亿美元的行业，并称 2024 年服务出口额约达 3,870 亿美元。

全球能力中心进一步加深了这种联系。这类运营机构让跨国公司能够将工程、金融、分析、客户支持及其他职能布局在印度。高盛统计，此类中心超过 1,700 家，并预计其规模将在 2030 年前继续扩大。

这些中心能够创造与 AI 相关的工作，因为企业需要团队将模型整合进实际运营。员工可以开发评估方法、让系统适应专业领域、管理数据访问权限并监测监管合规情况。印度庞大的英语技术人才储备，为这些活动提供了坚实基础。

同样，这些中心也可以将现有工作标准化并实现自动化。一家跨国公司在集中式运营中测试系统后，可以将同一系统部署到多个办公室。即使更高价值的技术岗位扩张，效率提升仍可能降低对重复性服务的需求。

这在升级与商品化之间形成了一场竞争。印度可以向工程、研究、模型部署和复杂咨询转型。另一种可能是，客户利用 AI 在内部完成更多常规工作，从而削弱劳动力成本差异带来的优势。

保护主义又增加了一层复杂性。对跨境数据、模型或数字服务的限制，可能削弱印度团队支持海外客户的能力。规则分化还可能抬高合规成本，并使不同市场的系统趋于碎片化。

高盛在早先的评估中认为，贸易限制对印度 AI 驱动服务出口的影响仍然有限。但它依然将数据本地化、监管分化和地缘政治紧张局势列为风险。这些压力并不取决于任何模型的技术能力。

对 AI 技能的需求提供了一个积极信号。基于印度招聘广告的研究显示，2016 年后，要求具备 AI 相关能力的职位发布迅速增长。研究还发现，采用 AI 可以带动对互补性非 AI 岗位的需求。

但招聘广告反映的是雇主意向，而非已完成的招聘。线上职位发布也会过度代表正规的白领雇主。它们揭示了需求正在流向何处，却只能有限地反映印度整个劳动力市场。

更可能的结果并非服务业消失，而是客户对价值的定义发生变化。常规产出会变得更容易生成，而领域知识、可信赖的执行能力、专有数据和责任承担将更加重要。

印度服务提供商将面临压力，需要销售成果而非工时。当软件缩短每项任务所需时间时，主要按人头计费的商业模式将更难维系。企业必须证明，其团队能够提供判断力、整合能力和可衡量的业务成果。

劳动者个人也将面临同样的转变。仅仅知道如何操作通用聊天机器人，并不能带来持久优势。员工需要具备领域专长，并能够在具有重要影响的场景中核验、完善和应用 AI 生成的工作成果。

这一转型可以创造更好的工作岗位，但不会自动发生。再培训项目必须将培训与雇主的实际需求相衔接。否则，劳动者获得的只是泛泛的资质证明，而企业仍会难以填补专业岗位。

较低暴露度并不意味着较低的经济风险

即使避免大范围的直接替代，如果 AI 削弱初级岗位招聘、服务出口或工资增长，印度仍可能受到冲击。

第一个不确定性在于任务与岗位之间的差距。暴露度研究会将职业拆分为模型能够完成的活动。雇主则决定这些活动是否足以促使其重新设计岗位、放缓招聘、调整外包，或裁减员工。

这些决定取决于可靠性。一个模型在受控测试中表现成功，但当输入变得模糊或客户行为难以预测时，可能会失败。医疗、银行、法律和政府服务中的错误会带来后果，因而限制了不受约束的自动化。

监管可以保留人工监督，但也可能改变工作发生的地点。企业可能集中部署获批系统，同时缩减本地团队。另一方面，合规要求也可能在审计、文档、风险管理和安全领域创造新工作。

国际劳工组织强调，暴露度并不等同于失业。其全球指数发现，四分之一的岗位对生成式 AI 存在一定暴露度。根据这项职业暴露度指数，转型比完全替代更可能发生。

转型仍可能带来痛苦。员工或许保住了工作，却失去议价能力、自主性或晋升机会。当企业使用 AI 系统衡量产出并执行标准化流程时，数字化监控可能会增加。

初级就业尤其值得关注。初级员工往往承担初稿撰写、基础研究、简单编码、会议记录和文件审阅等工作。将这些任务自动化，可能会移除人们传统上借此学习一门职业的工作。

组织随后将面临人才管道问题。它们仍需要有经验的员工，却可能培养更少的新人。若没有刻意设计的学徒机制，企业可能今天节省成本，却在未来造成高级人才短缺。

第二个不确定性涉及生产率收益的分配。高盛预测的增益描述的是每名劳动者的额外产出。它们并不能决定员工是否获得更高工资、企业是否赚取更大利润率、客户是否支付更低价格，或工作时长是否下降。

竞争性市场可以通过更低成本和新服务来扩散收益。高度集中的市场则可能让少数企业保留更多价值。拥有稀缺技能的劳动者可能获得更高薪酬，而标准化岗位的员工则面临更弱的议价能力。

第三个不确定性涉及基础设施。先进模型需要算力、可靠电力、网络接入、安全的数据系统和熟练的实施团队。高盛已将电力、水资源、数据中心和计算资源列为必要投资。

印度正在扩大其 AI 基础设施，包括 IndiaAI Mission 下的公共举措。然而，基础设施必须惠及大型科技企业以外的主体。若要让生产率收益扩散至整个经济体，中小企业需要获得负担得起的资源和实用支持。

第四个不确定性是，印度能否生产更多底层技术。该国在部署和工程服务方面具备优势，但在先进芯片和基础模型研究方面仍不那么突出。对外国平台的高度依赖，可能会使部分经济价值流向海外。

高盛此前估计，到 2027 年，印度 AI 行业可创造超过 230 万个职位空缺。它还援引预测称，可用人才库规模接近 120 万人。这一缺口表明潜在需求，但并不能保证培训项目会与实际岗位相匹配。

企业经常要求技术知识与行业知识的结合。银行需要既理解模型又了解金融控制的人才。制造商则需要能够将 AI 输出与实体运营和安全要求相连接的工程师。

通用培训无法弥合每一种错配。劳动者需要有机会使用相关数据、工具和工作流程进行实践。雇主也需要可信的方法，来评估变化速度快于传统学位的技能。

知识工作者可以通过记录决策、培养领域专长，以及建立可靠的既有工作检索方式来做好准备。一个可搜索的个人知识库可以支持这一过程，尤其是在 AI 生成更多草稿和待审阅信息时。

不过，个人准备无法替代劳工政策。政府和雇主必须改善转型支持、教育和培训可及性。劳动者无法独自解决基础设施短缺、社会保障薄弱，或整个职业需求下降的问题。

谨慎的结论是，较低的总体暴露度为印度争取了时间，但并未免除其善用这段时间的责任。准备不足可能使一场可控的转型演变为集中的困境。

三项信号将显示高盛的判断是否成立

下一阶段应通过招聘、服务需求和经测量的生产率来评判，而不是依据关于 AI 能力的头条式说法。

第一个信号是 IT 服务、业务流程运营、金融、媒体和专业服务领域的初级岗位招聘。应届毕业生招聘可以尽早反映，企业是在增强现有团队，还是在消除职业阶梯的最底层。

初级职位空缺持续下降，将削弱对高盛预测的乐观解读。这将表明，替代是通过岗位缺失而非高度可见的裁员发生的。招聘规模稳定或扩大，并伴随新的 AI 职责，则会支持增强的判断。

招聘的构成与总量同样重要。雇主可能减少招聘通才，却寻求更多具备网络安全、数据工程、模型评估和行业特定专长的劳动者。这种转变将验证转型预期，同时带来紧迫的培训挑战。

第二个信号是印度技术与商业服务出口的表现。收入、合同规模、客户留存和主要服务提供商的招聘情况，可以揭示 AI 是在扩大需求，还是在减少劳动密集型外包。

复杂工程和 AI 集成工作的增长将巩固印度的地位。若常规处理需求下降，却没有高价值合同加以抵消，就会暴露被全国就业平均数据掩盖的脆弱性。

投资者还应考察企业如何描述生产率。一家服务提供商可以因转向高价值服务、自动化重复性工作或缩减人员配置，而报告每名员工产出增加。这些路径对员工和长期竞争力有着截然不同的后果。

第三个信号是受控演示之外经测量的生产率。高盛的基准预测预计，十年内每年将带来约 0.4 个百分点的提升。实际增益最终应体现在产出、交付时间、服务质量或企业创立上。

缺乏广泛采用的生产率提升，提供的支持将较弱。少数大型企业可以实现显著效率提升，而小型企业则落后于人。这种结果可能加剧集中度，却无法推动更广泛的经济转型。

工资增长的证据会使这一判断更有说服力。如果劳动者生产率提高而薪酬保持不变，收益就没有流向劳动者。如果工资随产出和就业一同增长，增强的论点就更具可信度。

政策制定者应关注性别、教育程度、职业和地区之间的差异。全国失业率稳定，仍可能与文职服务中心或近期毕业生面临的严重冲击并存。细颗粒度的劳动力数据会比单一头条数字更早揭示这些影响。

讨论还应区分暂时性调整与结构性变化。雇主可能在测试新系统时暂停招聘，并在需求增长后恢复招聘。若暴露度较高岗位持续多年下降，则意味着更深层的重组。

高盛的论点具有合理性，因为印度有大量劳动者从事当前生成式 AI 无法直接完成的工作。农业、建筑业、制造业、运输业和个人服务业提供了实质性的统计缓冲。

但印度的经济雄心并不止于保护现有岗位。该国希望实现更高生产率、更强的服务出口、更好的工资水平，以及为年轻劳动力创造更好的机会。成功需要暴露行业创造有价值的新工作，其速度快于常规岗位收缩。

因此，最有用的问题并非 AI 是否会夺走所有印度工作。它不会同等影响每一种职业，暴露度也不会自动转化为失业。更尖锐的问题是，企业能否将自动化转化为扩张，而不是更狭隘地追求节省劳动力成本。

未来几个月，应同时关注毕业生招聘、高价值服务合同以及生产率提升的证据。若这三项指标均有所改善，高盛较低风险的预测将显得愈发可信。若招聘和出口走弱、效率却持续提升，印度表面上的缓冲能力或将掩盖一场更为艰难的转型。