CF40研究 | AI替代和互补劳动可以带来多大经济价值？
中国金融四十人论坛 · 财经与投资
原创 王健坤 2026-09-06 16:41 北京 AI长期经济价值取决于新任务创造等渠道 “ 本文估计2026-2035年人工智能通过替代和互补既有劳动任务对美国生产率和经济增长的影响。本文沿用Acemoglu（2024）的任务框架，用Anthropic真实AI使用数据确定能力暴露度起点，并将企业实施进度刻画为时间路 径 。到2035年，AI仅通过替代和互补既有劳动任务可使美国TFP水平提高约2.1%，十年累计实际GDP增量约5.5万亿美元（现值4.5万亿美元），支撑约2.5万亿美元的美国AI累计收入（现值2万亿美元）。 本文仅测算了AI通过替代和互补既有劳动任务带来的可量化收益，未纳入自动化深化、新任务创造等渠道，因此可以看作是AI经济价值的下限 。与此同时，AI收益明显后置，十年累计GDP增量约四分之三集中在后五年。仅靠AI替代和互补既有劳动，只有在能力扩展、企业部署和效率提升都很乐观的情景下，才可能产生与当前投资规模相称的经济增量。 长期看，现有任务收益存在上限，更高回报需要依靠目前难以测算的新任务等创新渠道，而这类收益能否出现，也有赖于前期投资推动AI进一步普及。 * 本文作者系中国金融四十人研究院 王健坤。本文版权归中国金融四十人研究院所有，未经书面许可，禁止任何形式的转载、复制或引用。 受版面所限，参考文献略。 ” 2025年以来，美国AI相关投资迅速扩张，数据中心、算力与配套电力设施的资本开支持续上升，并已成为美国投资增长的重要组成部分。与资本投入快速扩张相比，AI最终能够转化为多少实体经济产出，仍存在较大不确定性。 现有讨论往往集中于模型能力或生产率提升，但这些变化最终能够为宏观经济增加多少产出，仍需要进一步量化。 本文测算AI替代 和互补劳动的经济价值 在Acemoglu（2024）的任务框架下，AI通过四条渠道提高任务层面的生产率。一是自动化，即AI接管原本由劳动者完成的任务；二是任务互补，即AI承担部分工作环节，提高劳动者完成其余环节的效率；三是自动化深化，即AI进一步降低已由机器完成的任务的成本；四是新任务创造，即AI催生新的产品、岗位和生产环节，扩大可生产的任务范围。 本文只测算替代和互补两条渠道。 自动化深化主要作用于已经由机器、软件或设备完成的任务，与当前生成式AI最擅长的文本、代码和信息处理并不完全重合，其收益可能更晚显现。新任务创造则需要伴随企业创新和生产组织调整逐步形成，未来规模和经济权重目前难以观察。 这也是当前研究面临的共同约束，尽管Acemoglu（2024）、Aghion和Bunel（2024）以及Baily等（2023）均肯定了AI在新任务、创新和更深层技术应用的巨大潜力，但是都未测算AI在中期通过自动化深化和新任务创造对经济的影响。 在形式上，AI对劳动的替代与互补有所不同，但从生产率角度看二者等价 。以客服为例，一家企业原本每天处理1000个工单，需要20名客服，每人处理50个。若AI直接自动完成20%的工单，人工只需处理剩余800个，所需客服可以由20人降至16人；若AI不直接面对客户，而是帮助客服搜索资料、生成回复和总结对话，使每人每天可以处理62.5个工单，那么企业仍保留20名客服时，可以处理1250个工单。 两种情况下，每单位人工投入所对应的产出都提高了25%。因此， 无论AI是直接替代劳动，还是辅助劳动者完成任务，都可以提高效率，降低任务成本。 当类似的效率提升发生在大量任务上，微观层面的生产率改善在宏观上加总，就表现为全要素生产率（TFP）的提高。这一理论基础源自Hulten定理（1978），后由Acemoglu（2024）系统化为可操作的测算框架。 其核心是，在完全竞争与规模报酬不变的条件下，只要AI的微观影响体现为任务层面的成本下降，宏观加总效果就等价于受影响任务的经济权重乘以平均成本节省幅度。 TFP提高意味着同样的生产要素可以生产更多商品和服务，并进一步转化为GDP增长。 本文沿用这一基本框架，但进一步把AI影响从单一时点扩展为2026-2035年的逐年路 径 。一方面，本文用Anthropic经济指数（AEI）的真实使用数据确定2026年AI能力暴露度的起点，而不是完全依赖AI或专家对职业任务的理论评分；另一方面，将AI能力转化为实际生产应用的过程拆分为能力暴露度、经济可实施比例和企业实施进度三个环节，分别刻画技术能力扩张、经济上的可行性和企业采用的时间过程。 在此基础上， 本文沿“任务成本节省、TFP提升、GDP增长”这条链条展开（图1），来预测未来十年AI通过替代和互补劳动可以为美国经济带来多少新增GDP。 从任务成本下降到TFP和GDP 上一节说明，AI无论替代劳动还是辅助劳动者，最终都表现为既有任务效率的提高。本节进一步测算，AI作为一种通用技