AI的发展不可避免地带来一系列新的问题。其中讨论较多的，就有“哪些岗位会被替代”。在机器人时代，人们更多担心的是蓝领岗位被替代；而进入生成式AI时代之后，白领职业乃至传统意义上的高收入职业，也开始面临被替代的压力。教师、律师、程序员等岗位，越来越多地被纳入这一轮技术冲击的讨论范围之中。
武汉大学人文社会科学资深教授、董辅礽经济社会发展研究院教授赵耀辉在《北大金融评论》发文指出，AI在破坏旧岗位的同时，是否也会创造出新的岗位？它究竟是“创造性破坏”，还是仅仅表现为“破坏”而没有相应的“创造”？这些或许才是判断AI对劳动市场总体影响的核心问题。观察AI对劳动市场的影响，不能只盯住失业率和就业率，还应当关注劳动力流动性是否提高、工资差距是否扩大， 以及劳动者调整的速度和质量如何。
本文完整版即将刊登于《北大金融评论》第29期。
人工智能的发展，正在为中国经济带来一个新的历史性机会。相较于传统技术领域的既有格局，AI 在很大程度上重塑了技术发展的框架，也为后来者提供了某种意义上的重新洗牌机会。
与此同时，AI 的发展也不可避免地带来一系列新的问题，其中一个绕不开的核心议题， 就是它是否会加剧不平等，推动财富、收入、企业乃至个体机会的进一步分化。当前人们所讨论的“K 型分化”，并不仅仅体现在产业和企业层面，也体现在劳动者层面。对大多数人而言，最主要的收入来源仍然是劳动收入，因此， AI 对就业和劳动收入的影响，构成了理解这一轮技术变革社会后果的关键。
围绕这一问题，目前讨论最多的，往往是“哪些岗位会被替代”。在机器人时代，人们更多担心的是蓝领岗位被替代；而进入生成式AI 时代之后，白领职业乃至传统意义上的高收入职业，也开始面临被替代的压力。教师、律师、程序员等岗位，越来越多地被纳入这一轮技术冲击的讨论范围之中。而AI 在破坏旧岗位的同时，是否也会创造出新的岗位？它究竟是“创造性破坏”，还是仅仅表现为“破坏”而没有相应的“创造”？这些或许才是判断AI 对劳动市场总体影响的核心问题。
宏观影响尚不显著，但就业结构可能正在发生变化
从目前已有的实证证据来看，还没有发现AI 在宏观层面对就业造成了显著的冲击。至少到目前为止，笔者还没有看到哪个国家的失业率因为AI 而出现了明显上升。从总量上看，AI 对就业的正向影响和负向影响似乎在一定程度上相互抵消了，尚未在宏观指标上体现出强烈的净冲击。
现有研究更多关注的是：那些AI 暴露度较高的岗位、行业或群体，相对于暴露度较低的群体，是否在就业、工资等方面出现了更明显的变化。总体来看，结论并不一致。不同研究采用的暴露度测算方法不同，使用的数据来源也不相同，有的基于招聘网站数据，有的基于企业人力资源管理数据，还有一些则依赖特定行业或公司样本。由于这些数据并非全国代表性调查，样本选择本身就可能影响研究结论，目前还很难形成统一判断。
尽管总体效应尚不明显，一些结构性差异已经开始显现。现阶段较为突出的，不一定是传统意义上的“蓝领—白领”分化，更可能体现在“新工人—老工人”之间，特别是刚毕业的大学生与已有一定工作经验者之间的差异。美国纽约联邦储备银行数据显示，自2018 年末起，美国22— 27 岁应届大学毕业生失业率历史性反超整体失业率，这是此前较少出现的现象。
一种解释是，能够较高效率使用AI 工具的人，往往是那些已经具备一定工作经验的人。对于他们而言，AI 更像是一种提升生产率的工具；而对于刚进入劳动市场的年轻人来说，AI 则可能压缩了一部分原本用于学习、训练和积累经验的初级岗位需求。因此，在AI 暴露度较高的行业中， 企业对有经验劳动者的需求可能上升，而对新毕业生的需求则可能下降。
当然，这一结论本身仍存在争议。这些暴露度较高的行业，也可能恰好是更容易受到经济周期影响的行业。我们看到的新毕业生就业率下降，究竟是AI 的影响，还是宏观经济波动的结果，目前在识别上仍然没有完全解决。这个问题在经验研究层面依然是开放的。
不仅要看失业率，也要看流动性、工资差距与调整质量
观察AI对劳动市场的影响，不能只盯住失业率和就业率，还应当关注劳动力流动性是否提高、工资差距是否扩大， 以及劳动者调整的速度和质量如何。
首先，AI 时代是否会导致劳动市场流动性上升，目前也还缺乏明确证据。如果旧岗位被替代，新岗位能够较快出现并吸纳劳动力，高流动性未必完全是坏事；但如果流动伴随着频繁的不确定性、失业风险和身份不稳定，那么对劳动者的心理和生活秩序都会造成明显冲击。由于生成式AI 出现时间尚短，数据积累还不够， 学术界目前还无法对这一点作出明确结论。
其次，AI是否会扩大工资差距，同样没有定论。一种直观判断是，AI 能力强的人、掌握AI 技术的人，工资会不断上升，而缺乏相关能力的人则可能被边缘化，从而导致收入差距扩大。也存在另一种可能：特别是在生成式AI 出现之后，很多原本需要较高专业门槛的工作， 可能因为AI 工具的普及而降低进入壁垒。一个人未必需要接受过完整的IT 训练，只要知道如何有效使用提示词和工具，也可能完成一部分过去只有专业人士才能完成的任务。如果这种逻辑成立，那么至少在部分岗位和收入层面， AI 反而可能起到某种缩小差距的作用。AI 对工资分布的影响，本质上仍是一个经验问题，需要依靠更长期、更扎实的数据来回答，而不能仅凭直觉作出判断。
此外，我们需要特别关注劳动市场调整的速度与质量。一个劳动者失业之后，需要多长时间才能找到新工作？新工作是低工资岗位， 还是能够维持原有收入，甚至获得更高收入？ 如果失业后长时间无法就业，或者只能进入明显降级的岗位，那么这就是K 型分化中向下的那一支，会对个人福利、家庭稳定和社会预期造成持续伤害。相反，如果劳动力市场能够较快吸收被替代者，新创造出的职业能够顺利承接他们，技术冲击带来的社会成本则会小得多。
显然，“能不能顺利转轨”与“有没有失业”同等重要。这既涉及劳动力跨企业、跨行业的流动，也涉及企业内部的任务重组和岗位再设计。很多情况下，劳动者未必一定要离开原单位、进入新行业，也可能是在企业内部完成任务转换：原来的工作内容被AI 替代之后，企业是否能重新定义其职责、赋予新的任务，使其继续保有工作。这类微观调整机制，目前我们其实了解得很少。
需要更高质量、动态化的劳动市场数据
当前关于AI 与就业的讨论，之所以存在较大不确定性， 一个重要原因就在于数据不足。我们能够从宏观统计报告中看到总体失业率，却很难观察到背后的机制性变化。比如，哪些人失业了，为什么失业，他们用了多久找到新工作，工资和岗位是否发生变化，是否完成了向新职业的转移， 等等，这些对于判断AI 影响至关重要的问题，目前都缺乏足够扎实的数据支撑。
笔者认为经济学界当前非常需要加强这方面的研究， 尤其需要建立全国代表性的、微观层面的、动态追踪的数据体系，而且数据频率要足够高，能够持续跟踪个体劳动者的就业状态、岗位变化、工资变化以及再就业质量。只有这样，我们才可能真正识别AI 对劳动市场的影响机制， 而不是停留在总体指标或局部样本上作推测。
进一步说，除了看劳动者在企业与行业之间的流动，我们还需要更细致地观察企业内部的任务重组。即便劳动者没有离职，原有任务是否被替代，企业是否创造出新任务加以承接，这些都应纳入观察范围。AI 对劳动市场的影响， 并不只是岗位数量变化，还有岗位内容和任务结构的变化。
制度弹性影响转轨效率
在劳动力市场调整过程中，除了技术和数据问题，还必须关注制度成本，特别是劳动制度是否足够灵活，能否支持劳动者在被替代岗位和新生岗位之间实现低成本转轨。
从现实看，劳动力市场的调整效率与用工制度环境密切相关。如果制度安排能够为企业的岗位重组和人力资源配置提供更大的灵活空间，劳动者从收缩行业向新兴行业的转移就会更加顺畅；反之，若制度不能适应技术变迁带来的快速调整需求，就可能使旧岗位难以退出、新岗位难以生成，最终抬高整个社会的调整成本。
因此，有必要进一步研究和完善现有劳动制度、用工管理体制以及相关政策安排，增强其对岗位转换、任务重组和职业转型的支持能力，促进劳动力在传统岗位与新兴岗位之间更加平稳、有序地流动。这是AI 时代劳动市场保持弹性、韧性和稳定运行的重要前提。
······
本文完整版即将刊登于《北大金融评论》第29期
订阅全年刊或三年刊
享独家优惠
本文编辑：鞠諃諃
