AI对就业的真正威胁：不是失业，而是降薪

重新定义AI就业威胁

关于人工智能对就业市场的冲击，公众讨论长期聚焦于一个令人焦虑的问题：AI会取代多少人的工作？然而，一项新研究提出了一个更值得警惕、也更贴近现实的观点——AI对就业的真正威胁或许并非大规模失业，而是薪资水平的持续下降。

这一结论颠覆了我们对AI冲击的传统认知。在以往的叙事中，自动化与AI被塑造成"工作杀手"，仿佛某一天大量岗位会突然消失。但现实的演变往往更加隐蔽和渐进：岗位可能依然存在，但它们的价值、议价能力以及对应的薪酬正在被悄然侵蚀。

为什么AI带来的是降薪而非失业

AI改变了岗位的价值构成

当AI能够承担一部分原本需要人类完成的任务时，岗位并不会立即消失，而是被"重新定义"。一个原本需要资深专业技能的职位，可能因为AI工具的辅助而降低了对人类经验的依赖门槛。这意味着雇主可以用更低的薪资雇佣具备"AI+基础技能"的员工，来替代原本高薪的资深专家。

换句话说，AI并没有消灭这份工作，而是稀释了这份工作的"技能溢价"。技能溢价（Skill Premium）是劳动经济学中的核心概念，指拥有特定技能或较高教育水平的劳动者相对于低技能劳动者所获得的额外薪资回报。过去几十年，技术进步通常被认为是"技能偏向型"（Skill-Biased Technical Change, SBTC），即新技术倾向于提升高技能劳动者的生产力和薪资。这一理论由经济学家Claudia Goldin和Lawrence Katz等人系统阐述，用以解释20世纪后半叶大学学历工资溢价持续扩大的现象。在SBTC框架下，计算机和互联网的普及主要替代了常规性体力和认知任务，同时大幅提升了高技能工作者处理复杂信息的能力，由此拉大了收入差距。

然而AI的独特之处在于，它正在侵蚀中高技能岗位的溢价——这些岗位的核心价值在于知识处理、分析判断和专业经验，而这恰恰是大语言模型和生成式AI擅长辅助甚至部分替代的领域。以法律研究、财务分析、医学影像判读、软件开发等领域为例，过去这些工作需要多年专业训练才能胜任，而如今AI工具可以在数秒内完成案例检索、报表生成、初步诊断建议或代码编写。这并不意味着这些职业会消失，但完成同等质量工作所需的人类专业积累年限正在缩短，直接削弱了"经验"和"专业知识"作为薪资议价筹码的分量。当完成某项任务所需的独特人类能力被机器部分替代后，员工在薪资谈判中的筹码也随之减少。

劳动力供给端的连锁反应

如果AI让更多人能够胜任原本门槛较高的工作，那么符合条件的劳动力供给会相应增加。在经济学的基本逻辑下，供给增加而需求不变（甚至因效率提升而下降）时，价格——也就是薪资——自然承压下行。

这一现象与经济学家David Autor提出的"任务框架"（Task-Based Framework）相呼应。Autor与Daron Acemoglu在2011年的经典论文中系统化了这一分析方法，将传统的"工人-岗位"匹配模型拓展为"工人-任务"分配模型。在这一框架下，工作岗位并非不可分割的整体，而是由一系列具体任务组成——例如一个市场分析师的工作可能包含数据收集、统计分析、趋势判断、报告撰写、客户沟通等十余项离散任务。AI可能只替代其中部分任务（如数据收集和初步分析），使得整个岗位的人力需求从"全面专精"降低为"基础能力+AI协作"，从而改变了劳动力市场的均衡工资水平。

当有效劳动力供给池因技术辅助而大幅扩大时，原本具有稀缺性的技能变得普遍可得，市场定价机制自然会向下调整。这类似于历史上印刷术对抄写员、计算器对人工计算员的影响——职业并未立即消失，但从业者的稀缺性和议价能力被大幅削弱。经济学中将这种现象称为"去技能化"（Deskilling），即技术进步降低了某类工作对人力技能的要求，使得更大范围的劳动者能够胜任，从而压低该类工作的市场薪酬。

这种效应尤其可能冲击那些技能中等、任务相对标准化的白领岗位——如初级会计、基础法律服务、常规编程、内容写作、行政管理等。这些岗位既不会被完全自动化（因为仍需人类进行最终判断、客户沟通或质量把控），又难以维持原有的稀缺性溢价（因为AI工具已大幅降低了入门门槛），最终陷入"工作还在，收入下滑"的尴尬境地。

薪资隐蔽下滑为何比失业更值得警惕

相比大规模失业这种显性、可统计的冲击，薪资的缓慢下滑是一种更难被察觉、也更难被政策及时应对的威胁。

失业率是政府和媒体密切关注的核心指标，一旦大规模裁员发生，往往会立即引发社会关注和政策干预——如失业保险的启动、再就业培训计划的推出、甚至财政刺激方案的制定。然而薪资的停滞或缓慢下降，尤其是在通胀背景下的实际购买力下降，往往被淹没在宏观数据中，难以形成清晰的政策信号。这种现象在行为经济学中被称为"货币幻觉"（Money Illusion）——人们倾向于关注名义工资的绝对数字而非经通胀调整后的实际购买力。当名义工资保持不变甚至微幅上涨时，劳动者可能并未意识到自己的实际经济地位正在下滑。

值得注意的是，薪资停滞并非AI时代独有的现象。美国劳动统计局的数据显示，自1970年代以来，美国中位数实际工资的增长已大幅放缓，远低于生产力的增长速度。经济政策研究所（Economic Policy Institute）的分析表明，1979年至2020年间，美国净生产力增长了59.7%，而典型工人的时薪仅增长了15.8%。这一"生产力-薪资脱钩"现象（Productivity-Pay Gap）被归因于多重因素：全球化带来的低成本劳动力竞争、去工会化削弱了劳动者的集体议价能力、赢家通吃的市场结构使收益向头部企业和高管集中、以及金融化趋势将企业利润更多导向股东回报而非员工薪酬。

AI的引入可能加速这一趋势，因为它同时从供给端（增加有效劳动力）和需求端（降低企业对高薪人才的依赖）两个方向施压。关键区别在于，以往的技术变革主要冲击蓝领制造业岗位——如1980至2000年代的制造业自动化浪潮主要影响了工厂工人和流水线操作员——而AI正在将类似的压力扩展到白领知识工作者群体。这些群体通常受教育程度更高、社会话语权更大，当他们开始感受到薪资压力时，社会层面的反应可能更为复杂和深远。

对于普通劳动者而言，这种威胁的破坏力同样不容小觑。工作岗位的保留可能会带来一种"虚假的安全感"，让人误以为自己没有受到AI冲击，而实际上其经济地位正在被逐步削弱。社会学家将这种现象称为"在职贫困"（Working Poor）的扩大化——人们拥有全职工作，却难以维持中产阶级的生活水准。长期来看，薪资停滞会影响消费能力、削弱中产阶级基础，进而对整体经济产生深远影响。经济学中的"消费不足理论"指出，当劳动者收入增长滞后于生产力增长时，有效需求不足将成为制约经济增长的结构性瓶颈。

AI时代的个人与政策应对策略

个人应对：从被替代到善用AI工具

对于劳动者个体而言，这项研究传递出一个明确信号：单纯保住岗位并不足够，关键在于如何在AI时代维持甚至提升自己的议价能力。

这意味着需要主动向价值链上游移动——培养那些AI难以替代的能力，如复杂决策、创造性思维、跨领域整合和人际协作。从认知科学的角度看，这些能力之所以难以被AI替代，根植于当前人工智能的技术局限。现有的AI系统（包括大语言模型）本质上是模式识别和统计预测系统，通过在海量文本数据上训练来学习语言模式和知识关联。它们擅长处理有明确模式的任务——如文本生成、翻译、摘要、代码补全等——但在需要常识推理、情境感知、伦理判断和真正的创新性思维方面仍有根本局限。

认知科学家区分了两类知识系统：显性知识（Explicit Knowledge）和隐性知识（Tacit Knowledge）。显性知识可以被编码、记录和传输，如教科书内容、操作手册和数据库信息——这是AI极为擅长处理的领域。而心理学家Michael Polanyi所提出的"隐性知识"——那些难以明确表述、依赖经验积累的判断能力——目前仍是人类的独特优势。例如，一位资深医生面对模糊症状时的直觉判断、一位谈判专家对人际动态的微妙感知、一位创业者在不确定性中做出战略抉择的能力，这些都涉及对情境的整体性把握，而非简单的规则执行或模式匹配。此外，涉及信任建立、情感共鸣和复杂社会互动的工作，其价值来源于人类关系本身，而非纯粹的信息处理效率。在客户服务、心理咨询、教育辅导、团队领导等领域，人际连接的质量本身就是服务的核心价值。

同时，将AI作为放大自身生产力的工具，而非被动等待被工具取代，也是保持薪资竞争力的重要路径。那些能够熟练运用AI工具来大幅提升产出质量和效率的人，反而可能在新环境中获得更高的议价能力。这就是所谓的"半人马模式"（Centaur Model）——源自国际象棋领域的概念，指人类与AI协作的组合体往往能超越单独的人类或单独的AI。在工作场景中，这意味着将AI视为认知辅助工具，让自己专注于需要人类判断的高价值环节，同时利用AI处理标准化、重复性的低价值任务，从而实现个人产出的倍数级提升。

政策层面：关注薪资指标而非仅盯失业率

从政策制定的角度，这项研究提醒决策者不能仅以失业率作为衡量AI冲击的唯一标尺。薪资水平、实际购买力、劳动收入在国民收入中的占比等指标，或许更能反映AI对劳动力市场的深层影响。

劳动收入在国民收入中的占比（Labor Share of Income）是衡量经济成果分配的关键宏观指标，它反映的是劳动者通过工资、薪金和福利获得的收入占GDP的比重。国际货币基金组织（IMF）和经合组织（OECD）的研究均显示，过去四十年来多数发达经济体的劳动收入份额持续下降——从1970年代约65%的水平下降到近年来约58-60%——资本收入份额相应上升。这意味着经济增长的成果越来越多地流向资本所有者（企业利润、股东分红、资产增值），而非劳动者的工资收入。

如果AI进一步压低薪资水平，这一趋势可能加剧，导致收入和财富不平等扩大。尤其值得关注的是，AI技术的开发和部署高度集中于少数科技巨头，这些企业可能通过AI技术获取巨额利润，而这些利润主要惠及股东和高管，形成"技术租金"向资本方集中的格局。从宏观经济角度看，劳动者是消费的主力——在多数发达经济体中，消费支出占GDP的60-70%——薪资停滞会抑制总需求，可能导致经济增长放缓的恶性循环。凯恩斯经济学将这称为"节俭悖论"的宏观版本：个别企业通过AI压低人力成本获得利润，但当所有企业都这样做时，消费市场萎缩反而损害了整体经济。

这也是为什么一些经济学家开始讨论"通用基本收入"（Universal Basic Income, UBI）、"机器人税"（Robot Tax）等再分配机制的必要性。UBI主张向所有公民无条件发放基本收入保障，确保技术进步不会导致部分人群陷入经济困境；机器人税则建议对使用自动化技术替代人力的企业征收额外税款，既可以减缓自动化的过快推进，又能为再分配提供资金来源。此外，还有学者提出"数据分红"（Data Dividend）的概念——既然AI的训练依赖于公众贡献的海量数据，那么AI创造的价值理应部分回馈给数据的生产者，即普通公众。这些政策工具各有利弊，目前仍处于学术讨论和小规模实验阶段，但它们代表了社会对"技术进步红利如何公平分配"这一根本问题的积极探索。

如何在生产力提升的同时确保劳动者能够分享技术进步的红利，避免收益过度集中于资本方，将成为未来公共政策的重要议题。历史经验表明，每一次重大技术变革都伴随着制度的调适——工业革命催生了劳动法和社会保障体系，信息革命推动了知识产权和数据保护立法——AI革命同样需要新的制度框架来确保技术进步惠及全社会。

结语

AI对就业的影响正在从"是否会失业"这一二元问题，演变为"工作的价值如何被重新分配"的复杂命题。这项研究的价值在于，它把我们的注意力从戏剧化的失业恐慌，引向了更真实、更普遍的薪资侵蚀现象。

真正的挑战或许不是机器抢走了我们的工作，而是它在不知不觉中降低了我们劳动的价格。理解这一点，才能让个人、企业和社会以更清醒的姿态迎接AI时代的到来。

核心要点