AI隐形产出:统计看不见的增长

一、引言

回顾国民经济核算的历史，每一次重大技术变迁都伴随着测量体系的滞后修补。二十世纪三十年代，为度量大萧条而诞生的国民收入核算，长期无法处理服务业的产出定义；九十年代的信息技术革命，让索洛发出了"你可以在任何地方看到计算机时代，唯独在生产率统计数据中看不到"的感慨；2016年，中国核算体系将研发支出由中间投入调整为固定资本形成计入GDP，一次性找回了被规范隐藏几十年的知识投资；2024年，数据资源入表又迈出了半步。这些修订承认的都是"资本化的投入"，而不是"无价格的产出"——当AI以Token成本完成原本“更贵”的工作时，核算体系记录的是收入消失，而不是产出转移。

最新的制度进展值得特别记录。2025年3月，第56届联合国统计委员会审议通过了2025年国民账户体系，将全球化、数字化、福祉与可持续性列为修订重点，其中有一条，是将使用期限超过一年的数据确认为生产资产、相关支出计入固定资本形成——"数据资产入GDP"由此从倡议变为国际标准。各国计划于2029–2030年实施，国内已成立修订研究小组，正对照2025 SNA制定衔接中国国情的核算标准。因此，本文讨论的测量问题是国际核算界公认的滞后，而非某一国账户的孤例；且修订的方向与本文的测算逻辑一致——先承认"无价格的投入"，再逼近"无价格的产出"。

站在2026年九月，测量体系的滞后再次清晰可见。投入端，截至2025年12月，中国生成式AI用户规模达6.02亿人；全国日均词元调用量从2025年初的1万亿增至年末的100万亿，2026年3月突破140万亿；智能算力规模超过1590 EFLOPS。产出端，2026年上半年GDP初步核算中，AI的可见部分为信息传输、软件和信息技术服务业增加值41,334亿元（增长10.7%）。

两组数据放在一起是不协调的。Token调用量的高速增长固然包含测试、重复推理和低价值任务，但在用户规模持续扩张、企业采用率上升和资本开支继续加码的背景下，将全部增量解释为无效消耗同样缺乏说服力。更合理的判断是，AI已经创造了大量真实价值，但其中一部分尚未通过现有价格、收入和行业统计充分显现。

以下我们将对这一裂口进行系统的定义、归因与度量。

二、隐形产出与经济价值的边界

本文将“隐形产出（Invisible Output）”作为一个补充分析概念，指AI驱动的任务完成量、质量改善或成本节约已经发生，但未必形成独立市场交易价格，因而难以从现有行业收入、价格与就业数据中直接识别。

判定时采用三重检验：是否完成真实任务、是否存在可观察价格、是否能被现有统计指标识别。需要强调：未通过“定价”或“统计”环节，并不意味着其价值理应等额计入GDP；其中一部分更接近消费者剩余或企业内部效率提升。

日常场景也可以验证这一差异。包月订阅或免费额度内的AI工作——写周报、补全代码、审查合同——确实完成了任务，但其边际价格可能接近零。GDP会记录相关软件服务收入、算力、电力、折旧以及企业最终增加值，却未必能单独识别“多完成了多少任务”或“质量提高了多少”。企业内部自部署模型更典型：统计可以捕捉成本与最终经营结果，但很难把AI贡献从其他资本、劳动和组织效率中拆分出来。

从经济含义看，可将AI相关隐形价值分为三类。替代型：原由人完成、现由AI完成的任务，主要体现为成本节约和生产率提升；若最终产品价格和数量不变，并不能把被节约的人工成本再次作为新增GDP。新增型：因AI成本足够低而新出现的任务，其价值可能部分进入最终产品质量、部分体现为消费者剩余，也可能形成新的市场收入。被捕获型：AI完成工作后企业仍能通过产品价格、销量或利润率实现货币化，这部分更可能已经进入现有增加值统计。三类价值的统计归宿不同，不能统一视作“漏计产出”。

三种形态中，新增型最值得跟踪。词元调用量快速增长，说明AI正在从“替代既有任务”扩展到内容生成、智能体执行、平台内循环等新场景。但调用量本身不能区分生产性、测试性和娱乐性用途，因此更适合作为活动强度指标。从历史上通用目的技术的经验看，新增型在长期可能是替代型的数倍——正如电力带来的产出远超其替代的蒸汽机产出。但其规模需要结合企业收入、任务物量、质量指标和用户支付意愿进一步验证。

因此，“隐形产出”不应被简单理解为给AI估值的加总项，更不能与GDP机械相加。它的用途是提醒市场：当AI价格快速下降、任务内部化和质量变化同时发生时，仅看名义收入可能低估技术扩散的真实强度；反过来，仅看Token、电力和资本开支也可能高估有效产出。

三、人工智能冲击下的统计盲区

将问题笼统表述为“GDP漏了AI”并不准确。中国季度GDP以生产法为主，服务业不变价增加值采用价格指数缩减、物量指标外推及相关指标推算等方法。AI的挑战在于，它可能让既有价格指数、物量指标和行业映射更难及时反映质量变化。本文将这种测量压力归纳为四个环节：

四个环节叠加后，最值得警惕的是结构和生产率解释偏差：AI创造的效率可能先体现为成本下降、利润率改善、产品质量提升或企业内部任务增加，而不是独立的AI行业收入。因此，“数字经济增加值上升”与“部分服务业生产率统计偏弱”可以同时存在，但不能据此认定存在一笔可直接加回GDP的固定规模产出。

能源与算力数据可以作为投入侧交叉验证。若数据中心用电占比持续上升，至少说明AI相关资本与能源投入正在快速扩张；但高投入并不必然对应同比例高增加值，历史上也存在投资过度和产能利用不足。因此，能源指标更适合验证“AI活动强度”，而不是反推“漏计GDP”。

四、人工智能隐形产出计算器

测算遵循三条原则：

其一，尽量使用可审计的数据支撑。其二，优先观察企业真实生产环境中的采用、招聘和采购信号。其三，严格区分“暴露潜力”“反事实经济价值”和“GDP增加值”：暴露工资池用于刻画任务受影响的上限；替代法用于估算潜在成本节约；词元法用于估算任务的反事实人工价值。后二者均是影子价格测算，不是国民账户意义上的增加值。

核心公式：从业人员 × 分行业平均工资 × AI暴露度系数 = 暴露工资池，再经替代率或词元反事实价值法得到反事实经济价值。暴露度系数依赖学术研究与企业证据校准，因此应被视为情景参数。

工资成本、任务价值与GDP增加值并非一一对应：替代劳动可能转移到其他岗位，AI生成任务可能没有支付意愿，企业也可能通过降价把效率收益让渡给消费者。

4.1 暴露工资池9.4万亿元

与当前AI具备可信替代潜力的任务相绑定的年劳动成本约9.4万亿元，占年化GDP约6.8%。具体而言，9.4万亿元劳动成本所处的任务类别中，替代的经济性已清晰可见。横向看，海外研究机构对美国的同类测算为1.5万亿美元、约占其GDP的5%，两者处于同一量级，表明中国以白领认知任务为主的暴露面并不小于美国。

结构上，暴露工资池集中于信息软件、租赁商务、批发零售与制造业四个行业，合计约占六成。值得注意的是：暴露度系数不高，但巨大的就业基数使其成为绝对量上的暴露大户，暴露落在客服、营销文案、单证处理、质检记录等认知型辅助岗位。

4.2 影子经济价值约2.4万亿元

若用原有人力成本或人工任务价格衡量，AI已经完成的任务大致值多少？

方法A从劳动侧出发，以暴露工资池乘以已实现替代率，近似成本节约；方法B从投入侧出发，以年化词元调用量乘以有效生产性份额和每百万词元的反事实人工价值，近似任务影子价值。

两种方法衡量的对象不同，结果只能作为上下界与情景参照，不宜简单取均值后解释为新增GDP。但作为参照，综合参考值约2.4万亿元（影子价格口径）——表示AI已完成任务的反事实人工价值量级。

如何更好理解三个读数？

第一，潜在经济价值中值约2.4万亿元（影子价格口径），约为官方AI核心产业规模口径的两倍——2025年两者还大致相等，一年后“看得见的AI”与“看不见的AI”之比变为1比2。第二，词元法对“有效生产性份额”和“人工等价价值”极度敏感，因此高情景不应作为中心预测。第三，方法A与方法B的裂口不能直接定义为“新增型隐形产出”：它也可能来自重复调用、低价值任务、模型效率变化以及两种估值口径不一致。基准判断应更多依赖方法A，方法B作为活动强度和上限压力测试。

4.3 工资锚定的服务业占三产30.5%–41.3%

第三个结果衡量的是服务业中较难进行质量调整的统计区域。窄口径覆盖科研、教育、卫生、公共管理等较依赖投入或物量指标推算的行业；中、宽口径进一步纳入部分金融、信息软件与租赁商务活动。由此得到30.5%–41.3%的范围——这是“AI质量变化较难被现有价格指标完整刻画的服务业增加值占比”，而非其中相同比例存在漏计。

41.3%与海外类似测算接近，指向服务业质量调整是跨国统计体系的共同难题。AI替代初级任务后，人员结构、平均工资、任务数量和服务质量可能同时变化，传统投入指标难以拆分这些效应。因此，后续最关键在于为高AI暴露行业补充任务物量与质量指标，例如处理工单数、代码提交与缺陷率、合同审查量、诊疗辅助准确率等。

五、AI隐形产出的五组统计验证

隐形价值无法直接观测，但会在其他数据序列上留下异常痕迹。以下五组证据可作为“AI渗透与统计测量压力”的指纹。它们均存在替代解释，因此用于交叉验证，不用于单独识别因果或直接估算GDP漏计规模：

五组证据共同指向AI正在改变任务量、用工和收入之间的传统关系。但识别上仍需斟酌：青年失业率受周期和毕业季影响，软件业人均产出也受需求、管理和行业结构变化影响。更有说服力的做法，是继续积累企业级“AI采用—任务量—人员—收入/成本”的同口径面板证据，并观察这些变化是否在高暴露行业系统性强于低暴露行业。

六、AI隐形产出监测器（CDOM）

测算回答“潜在经济价值有多大”，监测回答“AI渗透和统计测量压力往哪里走”。CDOM包含投入、劳动、企业证据与价格四组指标，按月、季、年滚动更新，合成为0–100的综合指数。它衡量的是AI活动强度及传统统计口径面临的压力，而不是GDP漏计比例。

CDOM-I = 0.30×T_norm + 0.25×L_norm + 0.25×E_norm + 0.20×P_norm

四个分项分别为词元动能（日均词元相对基期的倍数）、劳动压力（青年失业率裂口加暴露岗位招聘收缩）、证据强度（企业生产环境披露信号的累积）、价格坍缩（单位智能价格降幅），均作0–100归一化。

2026年二季度试算中，词元动能与价格下降分项处于高位，劳动压力有所回落，企业采用证据继续累积，CDOM-I约83。与2023年初约11相比，指数显示AI扩散已从技术供给阶段进入广泛应用阶段。由于归一化上限和权重均为研究设定，指数更适合观察方向和拐点。

指数结构的分化表明投入和价格侧已接近归一化上限，后续变化更依赖劳动与企业采用证据。二季度劳动侧回落意味着，当前AI扩散未表现为线性加速裁员，更可能通过新增任务、岗位重构和单位员工任务量上升体现。这个判断与词元法高于劳动替代法的现象方向一致，但尚不足以把两者差额全部归因于新增产出。

监测器与计算器可以联动，但参数更新应避免“证据越多—暴露度越高—估值越大”的机械正反馈。更稳健的做法是预先固定权重与参数更新规则，并用企业微观样本进行样本外验证。2030年8万亿–10万亿元可保留为高渗透情景：它表示若当前暴露工资池中的任务价值大规模转化为AI完成量，潜在反事实价值可能达到这一量级；这不是GDP预测，也不意味着该规模会全部货币化。

通过暴露工资池刻画潜在受影响的劳动成本，反事实价值测算刻画AI完成任务的影子价值，CDOM刻画AI渗透与统计测量压力完成了AI隐形产出的初步测量。下一步真正需要补足的是高频任务物量、质量调整价格指数和企业级AI采用数据。只有当这些指标与增加值核算建立稳定映射后，才能讨论AI究竟使官方生产率低估了多少。

写这篇报告的时候，我一直在想一个场景。

晚上十二点，一个分析师让AI审完最后一份合同，关上电脑回家。这一天他干了以前n个人的活，但公司的收入没有变，他的工资没有变，GDP也没有变。变化的只是他比同事多出了两个小时，以及一个没有被任何人记录的事实：有一份产出，发生了，但没有被看见。

这似乎不能归咎于统计体系，记账规则从来慢于现实。1953年SNA第一版出版时，服务业只占全球经济的三分之一；到1993年修订，研发仍被当作中间投入消耗掉；2008年版终于承认软件是资产，数据却又等了十七年。核算体系总要等现实走出很远，才肯挪动那条生产边界。AI产出的invisible，不过是这个古老故事的最新一章。

只是这回的情节有些不同。家务劳动、灰色经济、自有住房，这些传统的"看不见"稳定地待在边界之外，像河床下的暗流。AI产出却在膨胀：词元调用量两年涨了一千倍，用户规模到了六亿，价格则坍缩到接近零。在这段时间差里，一批价值真实地产生、被使用，并改变了我们的工作方式，却未必能够以独立的价格、收入或产出指标被统计体系及时识别。

统计体系和AI产业之间只是存在一段时间差。在这段时间差里，一批价值真实地产生了，被使用了，改善了某些人的工作，然后消失，没有留下任何官方记录。

这些价值去了哪里？有些变成了企业利润率里那个说不清楚的"其他收益"。有些变成了消费者剩余——你用六块钱买到的合同审查，原本值六百块。还有一些，去向更让人不安：年轻劳动者简历上越来越长的空窗期，以及招聘市场上那个越来越刺眼的问题，既然AI能做，为什么还要雇人？

这些问题都没有答案。但至少，我们可以先学会看见。

（风险提示：本公众号所有观点均为个人观点，与所在机构无关，并不能构成投资和操作建议。）

注：全文图表由瓦尔登湖小猫绘制，最终解释权归小猫所有🐟