TALK

聽了一場 OpenAI 的內部討論，主題是 AI 怎么改變勞動力市場。四位參與者：

→Ronnie ChatterjiOpenAI 首席經濟學家，Duke 商學院教授，拜登政府時期擔任過商務部首席經濟學家和白宮 CHIPS 協調員

→Alex Martin RichmondOpenAI 經濟研究團隊的勞動經濟學家，MIT 博士，之前在 Burning Glass Institute 做勞動力市場研究

→Daniel Rock沃頓商學院助理教授，AI 經濟學研究者，Workhelix 聯合創始人，MIT 博士

→Gregor SchubertUCLA Anderson 金融學助理教授，做 AI 對勞動力和企業影響的實證研究

四位都是在數據里摸爬滾打的經濟學家

以下是我聽完之后比較重要的幾個點

Solow 悖論重演了

Daniel 開場第一句話就把 Bob Solow 1987 年那句經典的話搬了出來：「你到處看得見電腦，就是在生產率統計里看不見」

他說現在 AI 也是這樣

他用一個叫「生產率 J 曲線」的框架來解釋。他和 Erik Brynjolfsson、Chad Syverson 幾年前一起寫過一篇論文專門討論過。大意是，一項通用技術從出現到真正改變經濟數據，中間有一段很長的 J 型曲線

前半段，企業要投錢投人在一些摸不著的地方，新流程、新文化、新組織結構、新車間。這些投入從外面看是成本，從內部看是未來的產出

等到這些地基搭好，生產率才會真正跳上去

Solow 當年看到的是電腦，現在看到的是 AI，規律沒變

Gregor 補了一個數據視角。現有研究用兩個維度衡量企業對 AI 的使用，一是潛力（這家公司或這個崗位有沒有用 AI 的空間），二是落地（實際用起來了沒）。兩者之間的落差很大。他自己的研究發現，原本技術能力強的企業落地更快，剩下的大多數還在搭內部的腳手架

Alex 把這個現象落到她自己身上。她 2024 年 12 月加入 OpenAI，到現在半年多，寫代碼、做數據分析、設計實驗的方式跟入職時完全不同。她現在的很多分析是 CodeX 在寫，她負責定義問題和驗收結果。但這些變化對外面的統計局來說，看不見

AI 做的是中間到中間

這是 Gregor 講到的一個表述，整場討論里最值錢的一句話

所謂端到端，是一個任務從頭到尾交給 AI，人完全不參與。這是大部分人想象中的 AI 替代場景

中間到中間 是說，AI 接管的是一個任務的中段，前后還需要人。前面要有人把任務設計清楚、把數據整理好、把提示詞寫對。后面要有人驗收、做安全檢查、把輸出接到下游

Alex 用自己的例子解釋。她讓 CodeX 去跑一個分析，CodeX 返回結果之后，她要花時間驗證這個結果是不是對的，再交給 Ronnie。驗證這件事本身是一個新任務，以前沒有

這就帶來一個測量上的尷尬。你看到 AI 好像自動化了一些東西，但同時也創造了新任務。很難說清楚某一個崗位到底是被替代了還是被增強了

Gregor 把這個觀察推到組織結構層面。他說現在企業內部正在出現一些新角色：

→ 把內部數據整理成 AI 能吃的格式的人

→ 設計任務輸入、調提示詞的人

→ 驗收和評估 AI 輸出的人

這些角色以前沒有。現在每家想認真用 AI 的公司，都在臨時拼湊這些角色

Daniel 補了一個案例。他最近跟一家韓國銀行的 CEO 聊，對方把 AI 工作流的設計權下放給業務專家，讓懂業務的人設計流程，IT 部門的作用變成給他們搭可靠、可維護、安全的底座

這里 Daniel 講了一段工廠電力的歷史。工廠早期用中央蒸汽機，一臺大機器通過皮帶驅動所有設備。后來電力普及，最早的做法是把蒸汽機換成大電機，繼續用皮帶。真正的效率革命發生在幾十年后，工廠把每臺設備配一個小馬達，整個車間重新排布

AI 現在在走同一條路。過去技術能力集中在 IT 部門，未來技術能力要下沉到每一個具體業務人員手里

家里的 AI 比公司的 AI 還多

Gregor 拿出了他和 Michael Blank、Ben Zhang 的一項研究，里面有一個數字：使用聊天機器人做家庭事務的人數，超過了使用聊天機器人做工作事務的人數

現在 AI 最大的一塊使用場景不在企業里，在廚房、在沙發上、在手機屏幕上

人們用 AI 規劃旅行、查醫療問題、做購物清單、寫家長會發言稿、幫孩子做作業、挑餐廳。這些活動都在創造實際價值，但不會進 GDP，因為這些本來就不是市場交易

Alex 給了一個 OpenAI 內部的數據：消費級 ChatGPT 的使用中，大約有 30% 帶有工作相關的信號。工作和生活之間的邊界本來就不清楚，很多人用自己的個人賬號處理工作任務

她接著說了一段很坦誠的話。美國現在缺乏好的行政數據來追蹤職業級別的 AI 影響。不像歐洲一些國家有完整的稅務和工資鏈接，美國只能靠小樣本調查去推斷。研究者想把消費端的 AI 使用和宏觀生產率對起來，數據基礎都不夠

產出已經在家里了，GDP 還沒趕上來

咨詢業的小反諷

Gregor 講到這里插了一段他自己的經歷。他本科畢業后在 BCG 做過咨詢。咨詢公司招新人的時候總是講「你來了會解決大的戰略問題」。實際情況是，新人前兩年主要做 PPT、記會議紀要、整理表格

AI 最擅長的是什么？做 PPT、記會議紀要、整理表格

他的觀察是，如果這些事被 AI 接走，咨詢公司當年那個「你來解決大戰略問題」的承諾，反而可能終于兌現

個人生活里也是同一件事。你不想花三個小時讀論壇去查一個藥物反應，不想花兩個下午填七份一樣的申請表。把這些事壓縮掉之后，你真正愿意花時間的那些事的權重就上來了

MBA 五周才能上手，普通勞動力要更久

Gregor 教一門面向 MBA 學生的 AI 應用課，一學期五周。就算是研究生水平、智商在線、預算充足的 MBA 學生，五周的課程只夠讓他們達到「自己覺得能用 AI」的水平

他由此往外推。大部分勞動力沒有 MBA 的知識基礎，也沒有那么多連續的學習時間。要讓一個普通員工達到同樣水平，大概率需要 十到二十周

光發模型使用權是不夠的，真正的障礙是訓練時間。如果社會希望 AI 的紅利被更多人享受，公共投資在培訓上的那一塊是跑不掉的。不然會出現很典型的馬太效應：有基礎、有時間、有渠道的人用上前沿模型，其他人連「好東西長什么樣」都不知道

Daniel 補了一個視角。他以前做過場外期權交易，他說在高不確定性的環境下，政策應該按「期權」的邏輯去做：搞一堆小規模實驗，其中哪個看上去能用，再把它規模化。不要一上來就押一個大而全的方案

Alex 提了一個容易被忽略的觀察。美國現有的失業保險制度其實是為這類轉型設計的。一個人從 A 公司被裁到去 B 公司之前有段空窗期，UI 就是為了托這段空窗

AI 帶來的轉型可能讓這段空窗期變長、讓跳躍的距離變遠，但底層的機制是對的。要做的事是調參：延長領取時間、加大金額、配套再培訓。不需要推倒重來

能力懸置

Alex 講到一個概念叫「能力懸置」（capability overhang），這是這場分享里第三個值錢的表述

意思是，模型的能力已經到了某個水平，但大多數用戶的使用方式還停留在六個月甚至一年前

她和 Ronnie 都說，他們在 OpenAI 內部能明顯看到這種落差。團隊里的 power user 用 CodeX 的方式已經和普通人差出兩個身位。這種差距可以通過同事之間的擴散快速縮小，也可能因為缺乏正確的示范而長期存在

對一個企業來說，如果團隊里有一兩個 power user，最值錢的事是讓他們把別人帶起來。僅僅慶祝一個人產出翻倍，不夠

對個人來說，如果你用 AI 的方式已經兩個月沒有變了，大概率已經落在能力懸置的后半段

現在最大的生產率空間，在于讓已經在用 AI 的人用得更好

要學什么

最后一個問題來自觀眾：給要進大學的年輕人什么建議，讓他們學什么

Daniel 先打了個圓場，說 AI 和經濟學都不錯。接著他講真正重要的是解決問題的能力。工程和科學會一直有用，因為它們本質上是在和還沒解決的問題打交道。人文學科也一直有用，因為 AI 改變社會這件事需要人去解釋

Gregor 給了一個更實操的回答。學科本身不會貶值，貶值的是學科內部某些具體的任務。做經濟學，解題和推導的部分會貶值，提問題和找數據集的部分反而升值。做歷史，手工翻檔案會貶值，設計自動化檔案分析的部分會升值

每個學科里面你要學的東西，都要往 判斷、提問、能動性 那一頭挪

一個觀察

這一代 AI 的一個特點是，在消費端和企業端幾乎同時變得好用。電力、鐵路、互聯網都是先在生產端擴散，再慢慢進入家庭。AI 反過來，消費端已經鋪滿，企業端還在搭梯子

一個后果是，普通人對 AI 能力的直覺領先于政策、領先于統計、領先于企業的組織結構。你在家里覺得 AI 已經很強，去公司發現它好像也就那樣，再看政府統計數字，發現什么都沒變

這種不一致，本身就是 Solow 悖論現代版的全部含義

生產率曲線會追上來的，但路徑比想象的要長