AI为何反而缩小了工资差距

"Task-Specific Technical Change and Comparative Advantage." 2026. NBER Working Paper.

作者： Lukas Althoff, Hugo Reichardt

内容推送：人工智能正在重塑工作方式，改变劳动者执行的任务、选择的职业以及需要的技能。随之而来的问题是工资如何变化、技能会更值钱还是更不值钱、劳动者能否转向相邻职业并多快完成再培训。回答这些问题需要把技能形成、职业选择与工资决定放进同一个一般均衡框架。Lukas Althoff与Hugo Reichardt的最新NBER工作论文Task-Specific Technical Change and Comparative Advantage构建并估计了一个动态任务模型，量化任意任务专有型技术变迁的一般均衡效应，并将其应用于AI。

模型的核心结构如下。劳动者拥有多维技能，生产率取决于技能与任务要求的匹配程度。当任务要求超过当前技能时劳动者在执行中积累技能。每一期劳动者选择一个职业即一组任务，在当期工资与在岗学习的未来回报之间权衡。作者把技术变迁拆成三种作用方式：增强、自动化与简化。增强和自动化分别对应人的生产率提升与资本对劳动的替代。简化是本文新引入的机制，降低任务所需的技能，对低技能劳动者生产率的提升大于高技能劳动者。这一设定来自近期实验证据：低技能劳动者从AI获得的生产率收益往往更大。

估计层面，模型的动态与高维特征使直接求解代价高昂。作者基于全美青年纵向调查的面板数据，结合一个新构建的任务层级技能要求数据库，用极大似然方法估计模型。两个思路让估计变得可行：一是直接从数据中恢复均衡价格，避免在估计循环内反复求解；二是把多数参数交给线性回归或快速迭代程序，缩小需要非线性搜索的参数空间。为评估AI对每项任务的增强、自动化与简化能力，作者借助大语言模型扩展既有专家评估，并设定慢速、中速、快速三种情景以应对AI能力的不确定性。

核心发现是AI压缩工资不平等并抬高平均工资。在中速情景下90-10工资比下降24%，平均工资上升28%。压缩不平等的关键力量是简化：它降低基于技能的门槛，提升低技能劳动者在原本属于高技能者的任务和职业中的相对生产率。增强与自动化的分配效应很小，却贡献了平均工资上涨的大部分。简化同时压低技能回报，言语类技能贬值最多，体力与数学技能保留了较多价值。职业格局也随之改变，行政类职业明显萎缩，建筑与制造类职业变得更重要。

最后作者考察福利与采用成本。即便要承受向意外转型调整的代价，AI仍为当前劳动者带来福利收益。在中速情景下这些收益相当于终身工资上升15%至45%，对从简化中获益最多的最低技能劳动者最大。前述结论假设所有劳动者都采用AI，但现实中低技能劳动者采用更慢。作者把依技能而异的采用成本纳入模型后发现这一成本削弱却未消除AI的均等化效应。中速情景下90-10工资比仍下降15%，但平均工资收益从28%收缩到0.3%。降低采用成本因此成为释放AI提薪潜力的关键政策杠杆，对低技能劳动者尤其如此。 本推送内容仅供参考，以原文为准。更多内容，请点击左下角"阅读原文"。

Lukas Althoff 斯坦福大学经济系助理教授、美国国家经济研究局教员研究员，研究兴趣集中于长期经济增长、不平等、应用微观与经济史

Hugo Reichardt CREI初级研究员、巴塞罗那经济学院附属教授、CEPR研究员，研究兴趣集中于宏观经济学与经济史

《非此即彼：社会科学研究指南》是陈硕教授研究方法系列的第一部。感兴趣的读者可扫描以下二维码购买。现在下单，享每本立减30元新年特惠。

淘宝

微店

小红书

“出新意于法度之中”是苏轼观赏吴道子画后的评价。学术评价与画作欣赏有相似之处：创新总是孕育于严格训练。训练的意思是把一套技能在结构视野中分解，然后针对不同分解部分加以简单重复。简单重复意味着可以不需要知道背后的原因，不断练习即可。书名《非此即彼》来源于此，本书试图为读者提供社科研究训练的基础操作指南。

在这本书中，作者会依次讨论价值观、学术世界、学术习惯、论文撰写、论文拓展及研究技能。同时，每节后附有复习和练习题，旨在读者巩固。

活动预告｜研究经验分享 不定期举行线下研究经验分享讨论，每次一小时左右。主题涵盖研究选题、研究设计、写作、文献综述、审稿意见回应及学术陈述等语境。有意参加者可写信至 yq_yuan@outlook.com 报名。随信请附：1. 个人简历；2. 最新研究成果或工作稿；3. 参加说明（介绍研究中的思考或面临的挑战，并简述希望获得的理解/视角）。