我局官微“上海统计”已开设专栏“理论应用”，内容聚焦前沿理论、立足全球视野，以传播现代统计方法、实践和成功案例为主，助推统计人科研水平提高和统计事业的改革发展，欢迎大家及时关注分享。
本期推送“知识经济遇上AI变革（下）”。原文由巴塞罗那Navarra大学IESE商学院的恩里克·伊德（Enrique Ide）和爱德华·塔拉马斯（Eduard Talamàs）合作完成。
1. 自主AI对组织层级与分工的重塑
在自主AI情境下（AI代理可独立承担任务），AI知识水平高低决定对组织结构不同冲击机制。作者分析基础型和先进型自主AI：
基础型自主AI情境（AI≈普通工人）
当AI代理能力相当于普通员工，它能承担大量原本由低技能劳工完成的常规工作，这将引发组织内人力资源的上移重组。具体而言，原本最有知识的那批人（顶尖解题者）不再需要花时间为人类工人解决基础问题，转而将精力用于支持由AI驱动的生产工作，相当于成为AI“经理”或“教练”，指导AI代理以发挥最大效用。与此同时，原本知识最少的人类工人受到挤压：由于AI替代大部分基础任务，这些最低技能者要么失去原有岗位，要么不得不向比他们略强但不及顶尖的人寻求帮助。模型结果是，一些原本处于工人边缘人被推向专门解题辅助角色，去填补顶尖人才转而支持AI所留下的空缺。换句话说，基础型AI将人类劳动力从常规工作中挤出，迫使其承担更复杂的问题解决职责。在这一调整中，最底层知识者由于直接面临AI竞争且能获得的求助变少而处境变差，而最有知识的专家通过廉价获取AI助手扩张自身能力，显著受益。劳动者之间技能鸿沟可能扩大：顶端人才借助AI如虎添翼，底层劳工则雪上加霜。
先进型自主AI情境（AI≈资深专家）
当AI代理达到接近人类专家的知识水平，组织结构变化机制几乎相反。AI此时能够解决许多复杂难题，于是知识最少劳动者在遇到困难时更倾向直接求助AI，而非依赖人类上级。这意味着部分充当中级解题者的人类（即“边际解题者”）失去存在价值：AI取代他们为低技能者提供帮助的角色。模型预测这些中等层级的人员将被挤回去从事常规生产工作，重新担任工人。因此高级AI将人类劳动力从复杂问题解决者岗位上挤出，部分高知识劳工转而执行较简单的任务。在重组中，最低技能劳动者因可以低成本获取AI助力而受益：能利用廉价且随时可用的AI解决原本无法应对的难题，生产率和收入都有所提升。最顶尖专家同样继续受益，依然通过让先进AI代理替自己处理大量常规事务而保持高效。顶端和底层两极都得到技术红利，而中间层一些原先专业人士则可能相对受损。
作者引用职场案例印证上述机制变化。例如在投行中引入AI后，初级分析员不再直接参与许多原本任务，资深合伙人与新人之间距离拉大。这类似于先进型AI情境下，新人（低知识者）被AI取代，其与高层联系变弱。相比之下，法律行业调查显示，AI工具自动化文档审阅等日常性知识工作后，初级律师反而有更多时间和精力参与复杂工作（如客户交流、法律分析）。这与基础型AI情境一致。以上案例体现AI自主性和能力水平不同，如何引发组织内部“分工链条”重组？AI要么成为底层新劳动力，将人类劳工推向更高层级任务；要么成为顶级专家，挤占人类高层级角色。
2. 自主性对收益分配的差异影响
除重构组织分工，不同自主程度AI对劳动者收益分配的影响亦显著不同。模型表明，非自主AI（只能辅助，无法独立作业）往往让最低技能劳动者受益最多，而自主AI主要有利于最高技能者。其背后机理在于，非自主AI不会与低技能者竞争基础岗位，只充当辅助工具，为低技能劳动者提供解决复杂问题的新途径，弥补技能不足。同时，由于非自主AI无法自主产生产出，其使用不存在“机会成本”，低技能者可以最大程度利用AI提升绩效。相反，对于高技能者而言，非自主AI充其量只是顾问，既不能替代分担日常事务，又在一定程度上与他们竞争角色。因此，高技能者从非自主AI获得的边际收益有限，甚至可能觉得此类AI是“锦上添花”而非“雪中送炭”。
相比之下，自主AI能直接参与生产，其对不同群体的影响截然相反。自主AI会和低技能劳工直接竞争岗位，抢占常规工作机会，因而最低技能者面临更大压力。但自主AI能为高技能人士充当“左右手”，替他们承担大量基础工作，使其专注于高价值活动，这对高技能者是巨大利好。此外，自主AI显著提高整个经济总产出，因为AI不仅辅助人类还自行创造产出。但效率提升伴随收入分配不平等加剧：低技能者相对受损而高技能者独享技术红利比例更大。简言之，监管AI自主程度存在效率与公平权衡：完全自主AI驱动更高生产力，但收益更多流向顶端人才；降低AI自主性虽可能牺牲部分效率，却能让技术红利更均匀惠及低技能劳动者。
3. 统一矛盾的实证证据
模型重要意义在于提供框架解释近年AI影响劳动市场矛盾现象。研究表明，AI辅助工具显著提升低技能员工绩效，从而缩小人与人之间的业绩差距。例如，Brynjolfsson等（2025）显示，一家财富500强公司的客服中心引入AI对话助手后，低绩效员工生产率显著提升，而高绩效员工几乎不受影响。类似地，Caplin等（2024）发现，在利用AI辅助判断照片中人物年龄任务中，能力较弱者受益于AI指导程度远超能力较强者。这些发现表明AI有助于“托底”，提高弱者表现。而另一批研究给出相反图景：Berger等（2024）利用在线招聘数据发现，自2022年11月ChatGPT问世后，对知识要求低的白领岗位招聘需求显著下降，而高知识高管岗位需求上升。这暗示企业将生成式AI视作一种可替代初级职员、强化高层决策的技术，高技能人士因AI而更受青睐，低技能岗位则被淘汰。这与一些研究的结论一致，AI在现实中强化高技能劳动者优势，同时替代低技能劳动。
表面看，这两类证据相互矛盾，但理论框架将其统一起来：前者对应于AI作为“协作助理”（非自主AI）情境，后者则对应于AI作为“自主同事”（自主AI）情境。在AI仅充当辅助工具时，低技能者提升相对更大；而当AI独当一面从事实际工作时，高技能者受益相对更多。当前不少企业对生成式AI应用更接近后者情境：将其视为可部分替代基层员工“基础型自主AI”。这解释为何在现实中同时看到AI缩小技能差距与AI加剧技能两极化的案例。模型洞见在于揭示AI自主性不同，正是导致实证差异的关键因素。由此可见，在研究和监管AI时，不能笼统谈论“AI影响”，而应细分应用模式和能力水平，对症分析其效应。
作为发表在顶级经济学刊物的前沿理论研究，本文在知识经济与AI融合领域做出独特贡献。首先，将现代AI纳入现有知识等级理论框架，突出隐性知识在生产组织中的作用，填补传统自动化模型无法涵盖认知自动化的空白。相较以往主要聚焦可编码任务自动化研究，本模型捕捉AI掌握隐性（难以编码）知识、重塑组织结构新机制。特别是，通过区分AI知识水平和自主属性，作者揭示AI在不同运作模式下对劳动力收入分配的影响方向完全相反这一新颖发现，在既有文献中尚无先例。该理论预言为理解AI技术两面性提供学理依据，也为政策制定者在考虑限制或鼓励AI自主性时提供重要启示：提高自主性可能促进效率但加剧不平等，降低自主性则反之。
其次，研究对现实中互相矛盾经验研究给出统一解释。模型成功将AI助力低技能者和AI强化高技能者实证结果纳入同一框架，通过区别AI充当“助手”还是“同事”，消除表面矛盾。这种解释力增强理论对现实问题的相关性，也凸显AI应用模式差异这一容易被忽视的关键因素。
当然，模型也有局限性，需要后续研究加以拓展。作者在附录中讨论模型边界条件和未来研究方向。首先，模型假定至多两层组织结构（工人与解题者），以保证分析透明和机制清晰。尽管作者指出许多结论可推广至多层情形，但现实中大型组织往往存在更复杂多级层级，未来可在更复杂组织架构下检验AI影响。其次，模型假设所有企业平等获取同样AI技术，客制化成本可忽略不计。这反映基础模型广泛共享趋势，但在一些专业领域仍需要定制AI模型（如医药中的AlphaFold）。因此，有必要建立多行业异质化模型，考虑某些部门使用通用AI、某些部门依赖特定AI情形，从而分析AI引发不同行业间资源再配置。再次，模型将AI看作外生给定且静态的工具，没有涉及AI产业自身结构和AI技术进化。现实中，AI产业链包括基础模型提供者、应用开发者、算力供应商等，AI技术也在不断改进。未来研究可深入分析AI生态产业组织以及AI改进和算力增长驱动因素，这将丰富对AI长期经济影响认识。
最后，迫切需要在实证层面区分并量化AI作为自主执行者（co-worker）和辅助工具（co-pilot）所带来的不同劳动力效应。随着生成式AI快速应用，如何设计制度鼓励其正面效应、缓解其负面影响，将是政策和学术界共同关心的问题。本文通过严谨的模型分析昭示：理解AI经济影响应细化到技术特性层面。唯有如此，才能更准确预测并把握AI在知识经济中的作用，让这场技术变革更好服务于社会整体福祉。
责编：薛依宜
