AI大厂抢着养经济学家:大战中寂静的必争之地

2024 年 10 月，OpenAI 迎来了公司历史上第一位首席经济学家。

一家靠卖模型订阅和 API 赚钱的公司，为什么需要首席经济学家？

更耐人寻味的是人选：Aaron  Chatterji，杜克大学 Fuqua 商学院杰出教授，奥巴马时期任总统经济顾问委员会高级经济学家，拜登时期任商务部首席经济学家、白宫国家经济委员会代理副主任。他最出名的身份，是白宫 CHIPS 法案协调人——亲手负责 520 亿美元芯片产业政策的落地执行。

一个管过美国产业政策怎么花钱的人，被卖 ChatGPT 的公司请走了。

几个月后，Anthropic 开始定期发布一个叫“经济指数”（Economic Index）的产品，用自家 Claude 的真实对话数据，测量 AI 正在接管哪些工作；2026 年 3 月，它干脆成立了实体智库“Anthropic 研究院”（The Anthropic Institute），由联合创始人亲自挂帅。

怎么理解这些动作？最常见的解释是：公司大了，养些学者做研究、尽社会责任，顺便装点门面。

这个解释只对了一小半。它解释不了三件事：为什么招的人清一色来自政策核心圈？为什么团队成军的时间，恰好和华盛顿的 AI 立法冲刺期重合？为什么研究论文一篇接一篇发表的同时，两家公司的游说开支正以每年几倍的速度飙升？

 两支队伍，都在两年内成军

OpenAI 这边，Chatterji 领导的经济研究团队大约十几人，成员背景混杂：经济学家、数据科学家、前教师、前政府雇员。他在采访中把团队的研究方向概括为三件事：AI 当下对就业的影响、企业如何采纳 AI 并重组组织、更强大的 AI 系统的长期经济含义。

团队虽新，出手却不轻。四样东西构成了一条完整的链条——从论文、到评测、再到公共数据产品：

注意这条链条的走向：从一次性的学术论文，走向常态化的公共数据基础设施。

Anthropic 的路线更激进：不是先有团队再找产品，而是先做一个测量产品，再围绕它建一支队伍、一个研究院、一只基金。

经济研究团队负责人 Peter McCrory，UC 伯克利经济学博士，先后在圣路易斯联储、摩根大通做宏观研究，加入 Anthropic 前是 LinkedIn 经济图谱研究院的劳动力研究负责人——又是一个横跨学界、金融界、政策圈和平台数据的履历。二号人物 Maxim Massenkoff 同样是伯克利博士、前海军研究生院助理教授。2026 年 3 月团队只有 6 人，计划当年底扩到约 20 人。

团队的旗舰产品是 Anthropic 经济指数：这是 AI 行业第一个持续发布的“AI 经济测量计划”，用隐私保护系统 Clio 分析百万级 Claude 对话，映射到美国劳工部的 O*NET 职业任务体系，数据在 Hugging Face 上以 CC-BY 协议完全开放。目前已发布六期：

配套论文《Which Economic Tasks are Performed with AI?》的署名栏里，除了研究员，还出现了联合创始人 Dario Amodei 和 Jack Clark，目前已被引用近 300 次。

更值得看的是团队外围的布局。2025 年 4 月，Anthropic 成立经济顾问委员会，首批成员包括乔治梅森大学的 Tyler Cowen、芝加哥大学的 John List、宾大的 Ioana Marinescu、前白宫经济顾问委员会代理主席 Tomas Philipson、前英国央行货币政策委员 Silvana Tenreyro 等人，名单横跨宏观、劳动、平台和政策圈，近乎一支“AI 经济学全明星队”。

2026 年 3 月，Anthropic 研究院成立，由联合创始人 Jack Clark 以“公共利益负责人”身份领导，把前沿红队、社会影响、经济研究三支团队合并到一处；5 月，经济学家 Anton Korinek 入职主持“变革性 AI 经济研究”；9 月，研究院发布工作论文《Economic Scenarios for Transformative AI》，给出到 2030 年的三种情景——在最激进的一种里，美国经济比基准情景大约三分之一，同时近五分之一的文职岗位消失。

钱也跟上了：旗下“经济未来计划”对外发放研究资助、在华盛顿和伦敦办政策研讨会，2026 年升级为一只 2 亿美元的研究基金，专门资助大规模随机对照实验和政策试点。

 “社会责任”解释不了的三件怪事

“大公司养学者做公益研究”是个舒服的解释，但它在三个细节面前说不通。

第一，人选不对。如果目标是纯学术研究，最该招的是深耕劳动经济学的论文高产者。但 Chatterji 的核心身份是政策操盘手——他协调过 CHIPS 法案 520 亿美元怎么落地；McCrory 来自联储、摩根大通和 LinkedIn 的数据研究部门；顾问委员会里坐着前白宫经济顾问委员会代理主席、前英国央行货币政策委员。这批人共同的专长不是“写论文”，而是懂得政策是怎么制定出来的。

第二，时间不对。两支队伍成军的 2024 到 2026 年，恰好是华盛顿 AI 立法的冲刺期。监管框架、出口管制、政府采购、劳动力政策都在这两年里密集成形。学术研究可以等，规则窗口不会等。

第三，也是最关键的：这些研究没有停在论文里，而是直接变成了政策提案。

2025 年 1 月，OpenAI 发布《经济蓝图》（Economic Blueprint）；3 月，它以此为基础向白宫科技政策办公室（OSTP）提交《美国 AI 行动计划》意见书（OpenAI’s proposals for the U.S. AI Action Plan），主张放松州级监管、改革出口管制、推动政府采购 AI。到 7 月白宫正式发布的《美国 AI 行动计划》里，明确写入了“劳工统计局、普查局、经济分析局将研究 AI 对劳动力市场的影响”“设立 AI 劳动力研究中心”——这些正是两家公司在意见书和公开研究中反复呼吁的内容。

Anthropic 走得更远。2025 年 10 月，它发布政策文件《为 AI 的经济影响做准备》（Preparing for AI’s economic impact: exploring policy responses），其中一个选项是对 token 生成和算力征税——这是一个会割到自己收入的提案。但姿态本身就是游说：主动把“负责任的规则设计者”的人设做实，未来无论谁来设计税制，都绕不开这个最早递方案的人。

与研究产出同步飙升的，是真金白银的游说开支。根据美国参议院游说披露文件：

• Anthropic 2024 年 3 月才开始游说，2025 年全年支出 310 万美元；2026 年第一季度花掉 160 万美元，同比增长 344%，第二季度又创下 197 万美元的纪录。
• OpenAI 2026 年上半年游说开支 220 万美元，同比接近翻倍；而在 2023 年上半年，这个数字只有 26 万美元。

研究团队、政策提案、游说预算，三条曲线在同一时间段一起变陡。把它们放在一起看，“公益研究”的解释就显得太轻了。

 真正的产品，是“规则”

换一个框架，这些动作就全说得通了：经济学团队是 AI 公司影响政策的基础设施。它通过三个机制运转。

机制一：数据权威化。

AI 公司手里握着一样别人没有的东西——全世界最大的“工作行为实时数据库”。每周数十亿条对话里，藏着人类正在把哪些任务交给机器的第一手记录。当 Anthropic 说“企业用 AI 有 77% 是自动化”，当 OpenAI 说“ChatGPT 周活 7 亿、低收入国家增速四倍”，这些数字会被 Fortune、FT、NPR 引用，进而走进听证会材料和政策备忘录。

自己测量自己，再把测量结果做成开放数据和公共品——这看似无私，实则掌握了讨论的起点：谁定义数据，谁就定义了问题长什么样。以后所有关于“AI 到底抢没抢工作”的争论，都不得不用你的口径、你的分类、你的数字开场。

机制二：人脉旋转门。

Chatterji 管过白宫国家经济委员会和 CHIPS 法案落地；顾问委员会里有前白宫经济顾问委员会代理主席、前英国央行货币政策委员。这些人带来的不是头衔，而是对华盛顿“语法”和门牌号的熟悉——知道政策在哪个环节成形、哪个委员会真正说了算、什么样的证据会被采信。学术声望让他们进门，政策履历让他们懂门里的事。

机制三：议程设置。

就业冲击、税收基础、社保体系，这些都是国会迟早要立法的议题。与其等规则出台再被动应对，不如提前两年用论文、指数和资助，把“问题该怎么提”定义好。等到立法时刻到来，规则大概率会按照你熟悉的框架来写——因为那些框架早已通过公开研究变成了学界和政策圈的“常识”。

2026 年 7 月，一封有 200 多位诺奖得主和经济学家联署的“We Must Act Now”公开信发表，签名栏里同时出现了 Chatterji、Jack Clark 和 McCrory 的名字。学界、业界、政策圈的动员，在那一刻已经合流。

模型能力决定这些公司能做什么；经济学团队和政策机器，决定规则允许它们做什么。前者是产品发布会上的明线，后者是法律文本里的暗线。

 阴谋还是真金白银的公共品

把经济学团队单纯看成“游说伪装”，同样会失真。

两家公司确实在做一些成本很高、短期没有商业回报的事：Anthropic 把百万级对话的分析数据以 CC-BY 协议完全开放在 Hugging Face 上，任何人都可以复核；论文署名里有外部经济学家，顾问委员会成员可以公开唱反调；2 亿美元基金要资助的是第三方随机对照实验——这种研究最不受企业控制，结论可能对赞助商不利；连“对 token 征税”这种砍向自己收入的方案，也白纸黑字写进了政策文件。

让外部学者用你的数据，得出可能对你不利的结论，这是最贵的一种信用背书。如果全是宣传，它们不必把数据和研究过程开放到这个程度。

但硬币的另一面必须看清：测量即营销，自我测量永远带着利益冲突。

指标怎么选、任务怎么分类、“自动化”和“增强”的边界划在哪里、哪些对话进入样本——每一步都有裁量空间，而每一步都可能系统性地偏向某个方向。比如“AI 每年拉动生产率增长 1.0–1.8 个百分点”这类估算，天然服务于“别放慢 AI 发展”的叙事；“77% 自动化”在敲响就业警钟的同时，也在向潜在客户展示产品的能力边界。指数既是研究成果，也是公司有史以来最好的公关素材——这两种身份并不矛盾，反而互相增强。

这不是劝你不相信这些数字——它们很可能是目前关于 AI 经济影响最好的一批数据。而是提醒：最好的数据，往往也最擅长替拥有它的人说话。

 对中国 AI 公司：可移植的不是游说，是逻辑

中国的制度环境完全不同——没有白宫和国会山的游说市场，政策沟通走的是主管部门、智库、行业协会的渠道。但这套打法的底层逻辑，并不绑定美国政治体制，有四条可以移植。

第一，把平台数据变成公共测量能力。中国大模型公司同样坐拥海量真实使用数据，但至今没有一家发布过类似经济指数的持续测量。谁先做出“中国 AI 经济指数”并开放数据，谁就拿到了“AI 对就业影响”这个全民议题的定义权——这比任何广告投放都更能建立公信力。

第二，设首席经济学家，但别找教授挂名。Chatterji 样本的真正启示，是找一个既懂学术、又亲手跑过政策执行的人。中国语境里的对应物，是参与过五年规划、产业政策起草的学者型官员。

第三，主动给政策递“弹药”，而不是等监管落地。Anthropic 连“对自己征税”的方案都敢主动提。在稳就业、技能培训、灵活就业社保这些主管部门最焦虑的议题上，企业完全可以主动提供有数据支撑的方案。在规则成形期参与设计，永远好过规则出台后被动合规。

第四，花钱买独立性。两家公司都在资助第三方研究、开放数据、办研讨会。自己测自己天然有利益冲突，让独立学者用你的数据做出（可能对你不利的）结论，短期看是风险，长期看是护城河。

而对每一个普通读者，这件事的意义更朴素：未来几年，你会在新闻里看到越来越多“某指数显示 AI 将……”的标题。这些数字会影响税收、社保、教育和劳动政策，最终回到每个人的工作里。看懂数字从哪来，和看懂数字本身一样重要。

AI 大厂的经济学团队，表面上在测量 AI 对经济的影响，实际上在争夺 AI 规则的制定权。