当决定是否使用AI替代员工时，每一家企业只计算自身的收益——例如节省了多少工资成本、提高了多少运营效率，而忽略了“社会成本”——被替代劳动者收入下降后，消费能力同步减弱，而需求收缩最终会以订单减少、销售下滑等形式，重新反馈至整个经济体系。

换言之，企业自动化所带来的成本节约收益，往往由企业自身独享；而由就业收缩引发的需求下降，却由全社会共同承担。这意味着，在分散竞争的市场结构下，单个企业出于理性决策推动的自动化进程，难以形成社会整体最优的结果。竞争越充分、企业越分散，个体企业越难“内部化”（internalize）自身行为对整体需求的影响，就业替代引致的“总需求外部性”（aggregate demand externality）就越强。

而本轮AI技术革命的特殊性，在于其“广度”与“速度”同时显著超过历史上的大多数技术变迁，使得这一总需求外部性的逻辑变得尤为重要。

历史上的技术革命通常具有相对明确的行业边界，即便部分岗位被替代，劳动者往往仍拥有相对充足的时间与空间，向其他行业或职业迁移。例如，工业自动化主要冲击制造业岗位；计算机普及则更多改变办公室行政流程。

但这一轮以大语言模型为代表的AI技术，则呈现出高度横向扩散的特征。文案写作、客户服务、初级编程、法务初稿、翻译、研报撰写等大量认知型岗位，正在几乎同时进入AI可替代范围。技术冲击不再局限于单一产业，而开始跨行业、跨职业层级同步展开。

与此同时，技术扩散速度也远超历史经验。电力完成工业体系渗透大约用了30年，个人电脑普及经历了20年左右，互联网扩散大致用了10年；而大语言模型一经上线，便能够依托云计算平台和数字化基础设施，在全球范围内迅速部署和复制。

这意味着，当AI对劳动的替代速度，系统性快于经济体系创造新岗位、劳动者完成再培训与职业迁移的速度时，技术进步所带来的问题，就不再只是短期摩擦性失业，而可能演化为持续性的总需求不足与社会福利损失。

也正因此，“外部性”视角为公共政策提供了理论上的介入空间。AI的使用本身并非企业行为“失范”，恰恰相反，它往往是市场竞争压力下的理性选择；问题在于，当所有企业都沿着“降低人工成本”的方向同步推进时，个体理性可能通过类似“囚徒困境”的机制，累积为整体性的社会福利损失。

而这种由市场机制自身难以修复的总需求外部性，正是制度介入最具正当性的领域之一。从这个意义上说，政府、企业与劳动者之间围绕AI转型建立新的协作机制，不仅具有社会稳定意义，也具有纠正外部性、提升整体经济效率的含义。

国际视角：新加坡、欧盟

与美国的不同探索

面对人工智能对就业市场的冲击，不同经济体正在形成截然不同的应对路径。差异背后，反映的并不仅是政策选择本身，更是各国制度结构、政府能力与劳资关系传统的差异。

进入2026年后，新加坡正在加速形成一套围绕人工智能（AI）产业升级与就业稳定相互联动的治理框架。其核心逻辑并非单纯限制技术替代，而是在积极推动AI扩散与产业升级的同时，通过国家协调、技能培训与就业保障，缓冲技术冲击、提升劳动力适应能力，并维持社会稳定。

从整体上，新加坡的AI治理可以概括为一种“国家主导下的协同转型”模式：产业政策、劳动力政策与社会保障政策并非彼此分离，而是被整合进同一套国家转型战略之中。

首先，在国家治理层面，新加坡将AI提升至国家竞争力与产业升级战略的核心位置。2026年2月预算案中，新加坡宣布成立“国家人工智能理事会”，由总理黄循财担任主席。这是新加坡首次将AI治理提升至内阁统筹层级，尝试整合资讯通信媒体发展局、金融管理局、个人资料保护委员会等分散的监管与发展职能，并围绕先进制造、物流、金融、医疗等重点领域推进国家级AI行动方案。

这一安排反映出新加坡对AI的基本定位：AI不仅是技术工具，更是提升国家生产率、推动产业升级与重塑国际竞争力的关键基础设施。因此，其治理重点首先是“推动应用”与“促进转型”，而非限制技术扩散。

与此同时，新加坡并未将AI仅仅视为产业政策议题，而是同步纳入劳动市场治理框架。

2026年4月，新加坡人力部、全国职工总会（NTUC）与全国雇主联合会（SNEF）共同设立“三方就业理事会”，作为AI转型就业影响的统一协调节点。这一机制建立在新加坡长期形成的政府、企业与工会“三方协商”传统之上，其目标是在推动企业数字化与AI转型的同时，尽量降低技术替代带来的就业冲击。

这一体系的重要基础，是全国职工总会自2019年以来持续推进的“企业培训委员会”（Company Training Committee）制度。截至目前，新加坡已建立超过3800个企业培训委员会，覆盖超过30万名蓝领与白领劳动者；其中，AI相关培训项目在2025年较上一年实现翻倍增长。

其关键特点在于，培训并不是脱离企业需求的“外部再教育”，而是直接嵌入企业内部转型过程。企业、工会与政府共同识别哪些岗位会受到AI影响、哪些技能需要升级，并围绕实际生产流程开展培训与岗位转换安排。换言之，新加坡试图将“企业升级”与“劳动者转型”同步推进，而非等到岗位消失后再进行事后救助。

因此，新加坡的AI治理逻辑并不是“保岗位”，而是“保就业能力”。2026年5月1日劳动节集会上，总理黄循财所强调的“我们或许无法保住每一个岗位，但我们必须保护每一位劳动者”，正体现了这一理念。

这一思路也体现在制度整合层面。2026年预算案宣布，将原有的“新加坡劳动力发展局”与“技能创前程局”（SkillsFuture Singapore）整合为统一的“劳动力与技能局”，使“找工作”与“学技能”首次在制度层面形成统一入口。在AI加速职业重构的背景下，就业服务、职业培训与技能升级已无法再被视为彼此独立的政策模块，而需要形成持续衔接的“就业—培训—再就业”循环体系。

与此同时，新加坡也开始建立AI转型下的就业缓冲与救助机制。

“技能创前程求职者支持计划”（SkillsFuture Jobseeker Support Scheme）于 2025—2026年全面落地。这是新加坡历史上首次面向非自愿失业者建立现金过渡支持机制。符合条件的失业者，在6个月内最高可获得6000新元的阶段性支持。

值得注意的是，该计划设置了“过去一年平均月收入不超过5000新元”的门槛，而这一水平大致对应新加坡全职居民劳动者的收入中位数。这意味着，该计划主要覆盖中低收入劳动者，其核心目标是降低技术转型过程中弱势群体面临的短期收入风险。

因此，从产业升级、企业培训、劳动者技能转换到就业救助，新加坡实际上正在构建一套较为完整的AI转型治理体系：政府负责统筹与协调，企业负责转型与培训落地，工会负责劳动者组织与利益表达，而财政体系则承担部分转型成本。

与新加坡强调技术应用与劳动力转型同时进行不同，欧盟选择的是通过横向立法与前置监管，将AI纳入高风险治理框架，并以程序性约束提高企业大规模替代劳动的制度成本。

这一思路的核心载体，是2024年正式通过的《欧盟人工智能法案》（EU AI Act）。法案将于2026年8月全面强制实施，并首次以统一立法形式，对工作场所中的AI使用进行系统规范。

法案明确将招聘筛选、岗位分配、绩效评估、晋升与解雇决策、员工行为监控等涉及劳动关系的AI场景，纳入“高风险AI系统”清单。企业在部署相关AI系统前，必须履行事前风险评估、算法偏见测试、技术文档留存、人类监督机制设计与持续性合规审查等义务。

其中尤为关键的一项安排是：企业在正式使用高风险AI系统之前，必须提前告知工人代表与受影响员工。

这意味着，欧盟实际上在制度层面为AI部署设置了一道“前置协商机制”。AI不再只是企业内部的技术升级决策，而被纳入劳动关系治理框架。企业即便拥有技术能力与经济激励，也需要在程序上回应劳动者权益、透明度与公平性问题。

某种程度上，欧盟并非直接阻止AI替代，而是试图通过提高制度摩擦与程序成本，放缓替代速度，为劳动市场调整争取时间。

类似思路也体现在2024年底生效的《欧盟平台工人指令》中。该指令首次在欧盟法律层面规定：平台劳动者不得仅凭算法自动化决策而被解雇或遭受不利处置；涉及重大劳动权益的决定，必须保留“人工介入”与申诉机制。欧盟成员国需在2026年底前完成国内法转化。

可以看到，欧盟在AI与就业问题上的制度重心，并不主要放在“促进技术扩散”，而是更强调“技术使用的程序合法性”。其背后延续的，仍是欧洲长期以来“社会市场经济”传统中的核心理念：技术效率并不能自动凌驾于劳动者保护之上。

欧盟路径的局限性同样明显。欧盟在“限制替代速度”方面相对积极，但在“承担替代后果”方面，制度能力仍然有限。欧盟的优势主要体现在事前监管、信息披露与程序约束层面，但对于AI替代可能引发的收入损失、再就业转型与总需求冲击，现有政策工具考虑不足。

此外，欧盟路径还面临典型的“高共识门槛”问题。AI治理涉及成员国产业利益、劳动法规与创新竞争力之间的复杂平衡，欧盟内部长期难以形成稳定一致的政策共识。许多看似雄心勃勃的制度设计，在推进过程中都不断遭遇成员国分歧与产业界阻力。

一个典型案例是欧盟委员会于2022年提出的《人工智能责任指令》（AI Liability Directive）。该提案试图降低AI受害者的举证难度，并为AI系统造成的损害建立统一责任框架；但由于成员国与企业界始终无法就责任边界达成一致，最终于2025年被正式撤回。

这反映了欧盟AI治理中的一个深层矛盾：其制度设计往往具有较强的规范理想主义色彩，但在技术快速演进与全球产业竞争压力之下，如何在“监管”与“创新”之间维持平衡，始终是一项两难的政策挑战。

美国在AI与就业问题上出现一种“联邦轻干预、州级分散推进”的模式。

在2025年之后，美国联邦政府的政策重心重新转向“技术领先”“降低监管负担”与“提升国家竞争力”，工人保护议题则明显退居次要位置。

联邦政府在“AI与工人保护”议题上的态度明显收缩。2025年1月，特朗普政府正式撤销拜登时期将“AI对劳动力市场的影响”列为联邦重点议题的行政命令。该行政命令要求相关部门开展AI岗位流失评估、建立劳工咨询机制，并研究自动化对就业与工资结构的长期影响。在特朗普政府新的行政命令框架下，这部分内容被大幅删减。

同年7月发布的《美国人工智能行动计划》（America’s AI Action Plan）提出了90余项联邦层面的AI政策行动，覆盖基础设施、能源、算力、国防、出口管制与科研支持等多个领域，而与劳动市场相关的内容，仅作为附属议题被简要提及，且缺乏新增财政预算与系统性制度安排。

这在某种程度上反映了美国AI政策的基本取向：优先确保技术创新与产业竞争优势，而非率先建立大规模的就业缓冲机制。

2025年下半年至2026年初，美国参议院陆续出现多项跨党派法案提议，包括要求大型企业披露AI引发的裁员情况、建立国家级AI劳动力研究中心、强化企业在自动化部署中的员工告知义务等。然而，截至2026年5月，这些提案大多尚未完成正式立法程序。

在美国，真正推动具体约束措施的是部分州政府与地方监管机构。

加州正在审议的SB951《工人技术性替代法》（Worker Technological Displacement Act）具有一定代表性。该法案要求企业在因AI或自动化技术实施大规模裁员时，至少提前90天向劳动者发出通知，并提交技术替代说明。

纽约市则更早一步。自2023年起，纽约市已正式要求使用自动化招聘工具的企业开展年度“算法偏见审计”，并向求职者披露AI招聘系统的使用情况。此后，伊利诺伊州、科罗拉多州等地也陆续推进与工作场所AI相关的地方立法。

不过，从整体上看，美国当前大部分州级监管，重点仍集中于“AI不应产生歧视性后果”——例如算法偏见、招聘公平性与信息透明度——而并未真正触及“AI替代规模本身”这一更深层的问题。

换言之，美国制度框架当前更关注“AI是否公平地替代劳动”，而非“AI是否过快地替代劳动”。

这一差异背后，实际上体现的是美国政治经济体系中的一项长期特征：相比欧洲，美国更倾向于将技术进步视为市场竞争与创新效率问题，而非优先纳入社会保护与再分配框架之中。联邦政府对直接干预企业自动化决策始终保持谨慎，而劳动市场调整更多依赖地方政府、市场机制与劳动者个体适应能力。

因此，美国模式在技术扩散与创新激励上或许具有更高效率，但其代价则是：AI 冲击带来的就业风险与收入波动，更大程度上需要由个体劳动者自行承担。

中国的政策方向：

从“冲击应对”走向“互动补偿”

中国对人工智能与就业关系的认识，正在加速进入制度化阶段。

近年来，对“AI与就业”的政策表述明显从“关注影响”转向“主动治理”。2024年5月，习近平总书记在中央政治局第十四次集体学习时明确提出，要“增强新技术创造就业的正面效应，防止替代效应短期集中释放”；同年，《国务院关于深入实施“人工智能+”行动的意见》提出，要建立人工智能应用就业影响评估机制，防范和缓释技术冲击。随后，中共二十届三中全会与“十五五”规划相关部署，又进一步强调“促进高质量充分就业”“构建就业友好型发展方式”，并提出系统应对新技术变革对就业结构带来的影响。

与部分国家主要聚焦“限制替代”不同，中国当前政策逻辑的一个重要特点，在于更强调“增强创造效应”。

换言之，政策目标并不仅仅是延缓AI对既有岗位的冲击，更重要的是通过产业扩张、新业态培育与技能升级，加快形成新的就业需求和收入来源，尽可能使技术进步形成“造血机制”，而非单纯的“替代机制”。这一思路与中国长期以来强调发展与稳定协同推进的治理逻辑高度一致。

在这一背景下，中国围绕AI与就业的政策框架，也正在逐渐从零散应对走向系统构建。其核心方向，并非简单限制技术扩散，而是在推动AI发展的同时，建立一套覆盖风险评估、就业缓冲、技能转换与社会保障适配的综合治理体系，使技术进步与劳动市场调整能够相互协调。

从国际比较看，中国的探索正在形成一种更强调“发展中治理”的路径：既不同于美国相对依赖市场自发调整，也不同于欧盟侧重程序监管，更不同于新加坡高度依赖三方协商机制，而是试图在保持技术扩散速度的同时，将就业稳定、技能升级与社会保障同步纳入国家发展框架。

在这一背景下，下一步政策设计的重点，或许需要从“被动应对技术冲击”，进一步转向“主动构建互动补偿机制”。

所谓“互动补偿”，其核心并不是简单的收入再分配，而是在制度上建立技术受益方与技术受损方之间更稳定的调节机制，使AI所创造的效率红利，能够部分回流至承担转型成本的劳动者群体，从而缓解技术扩散过程中的结构性失衡。

围绕这一目标，未来可以逐步形成“一基金、两支柱、三配套”的政策框架。

首先，“一基金”是探索建立人工智能就业补偿专项基金。其资金来源可以采用多元筹资方式，包括财政支持、失业保险结余、企业缴费以及与数据、算力相关的附加性收入安排等。基金重点不在于普惠性现金发放，而在于定向支持稳岗扩岗、转岗培训、再就业扶持以及重点群体帮扶，使技术红利能够部分反哺劳动力市场调整。

其次，“两支柱”对应短期缓冲与长期制度建设。

短期层面，应建立基于AI暴露度的就业风险监测与预警体系，在高风险行业探索更加灵活的工时与收入支持安排，并针对青年劳动者、低技能劳动者等重点群体提供更精准的转型支持。

中长期层面，则需要推动终身学习体系与技能积累机制制度化。例如探索“技能账户”“学习账户”等安排，使培训资源能够随劳动者流动；同时，逐步将AI就业治理纳入《就业促进法》及未来相关人工智能立法框架，提高政策连续性与制度稳定性。

最后，还需要推动社会保障体系与AI时代劳动结构相适配。重点包括完善灵活就业与平台劳动者保障，拓展失业保险在技能转换与职业过渡中的功能，并进一步探索如何将AI带来的生产率红利，更稳定地反哺养老与社会保障体系。

归根结底，AI对就业的影响，并不只是一次技术升级，而更是一场关于“增长如何分配”的制度考验。技术进步本身并不自动决定社会结果。真正决定AI最终是扩大社会繁荣，还是加剧社会分化的，仍在于制度如何协调技术、资本与劳动之间的关系。