ARTICLE · 996848
互补还是替代:AI 与软件工程师的经济学判决 ——兼论技术革命中的创造效应、溢出效应与数据验证
互补还是替代：AI 与软件工程师的经济学判决
——兼论技术革命中的创造效应、溢出效应与数据验证
领域方向：数字经济 ｜字数：约 15，000 字｜数据截至：2026 年 8 月
内容提要
吴恩达在 2026 年的一次访谈中援引斯坦福大学埃里克·布林约尔松（Erik Brynjolfsson）与麻省理工学院安德鲁·麦卡菲（Andrew McAfee）的任务拆解研究，提出 AI 大约能完成多数岗位 30%–40% 的任务，而人类负责的剩余 60% 因成为“经济互补品”而更加值钱。这一论断常被简化为“AI 不会抢工作”，但经济学的答案从来不是标签，而是弹性。
本文以替代弹性、需求价格弹性与弱链结构为判定锚，逐层检验 AI 与软件工程师的关系：任务层是替代，职业层是互补，人群层是分化。NBER 基于十万余名 GitHub 开发者遥测数据的测算给出 AI 与人类努力的替代弹性仅为 0.25，这是判定“强互补”最硬的单一证据；但互补溢价并不普惠——它被持有弱链的资深者捕获，而以 22–25 岁开发者就业下降 16% 的形式，把成本转嫁给了新进入者。
文章的重心放在第五部分：历史上的技术革命究竟创造了什么新的、是否存在溢出、又该如何用数据验证。Autor 等人对八十年美国人口普查数据的研究表明，2018 年约 60% 的就业存在于 1940 年尚不存在的职业中，且新职业由“增强型创新”而非“自动化创新”催生。Autor 与 Salomons 对 19 个发达经济体的四渠道分解则给出了一组方向相反的判决：对就业，行业内的负效应被跨行业投入产出关联与最终需求扩张所抵消；对劳动份额，四个渠道的贡献全部为负，本行业的损失在别处得不到弥补。而且这种抵消并不稳定——1980 年代正负基本抵消，1990 年代强正溢出回归，2000 年代微弱到令净效应转负，延伸至 2014 年的初步跟踪又显示可能恢复。溢出不是技术自带的赠品，而是有条件的产物。Acemoglu 与 Restrepo 的会计分解则给出了最关键的洞察：1947–1987 年，位移效应（−0.48%/年）与复归效应（+0.47%/年）几乎精确抵消；1987–2017 年，二者失衡为 −0.70% 与 +0.35%。问题从来不是技术不创造效益，而是创造的速度是否跟得上替代的速度。
结论是条件句而非保证：互补会占优，当且仅当需求弹性足够高、跨部门再配置畅通、新任务创造跟得上自动化，且生产率增益留在国内产业链内循环。手纺纱工人与英国制靴业的历史提醒我们：当这些条件不成立时，代价不会平均分摊，而是由整整一代新进入者承担。
一、问题的提出：一个被过度简化的乐观论断
2026 年夏，吴恩达在一场长访谈中对“就业末日论”给出了系统的反驳。他引用布林约尔松与麦卡菲的研究：经济学家把职业拆解为一个个具体任务后发现，AI 也许能完成许多岗位中 30%–40% 的任务；这意味着人类完成的另外 60% 变成了 AI 的“经济互补品”——因为与之配套的那部分变得便宜，剩余部分的价值反而上升。他进一步指出，软件工程是受 AI 冲击最深的职业，因为 AI 极其擅长写代码，但现实是这个岗位的招聘需求不降反升，优秀的工程师比以往更忙。真正发生的替代是“会用 AI 的人顶替了不会用 AI 的人”，而非 AI 直接顶掉岗位。
这个论断在方向上是对的，却在传播中被过度简化。它容易被读成“AI 不会抢工作”的安慰剂，而经济学对此的回答要严谨得多：互补与替代不是非此即彼的标签，而是两股同时作用、可以被度量的力量。判断哪一种占上风，标准不是“AI 能不能干这活”——能力问题——而是两个弹性。
第一个是替代弹性 σ。若 σ > 1，AI 与人类努力之间高度可替换，一个变便宜就会大规模挤出另一个；若 σ < 1，二者是互补关系，AI 越便宜，人类那一部分的边际产出与报酬反而越高。第二个是该产出的需求价格弹性。即便自动化了 98% 的劳动，只要需求足够有弹性，价格下降带来的产量扩张仍可能让总就业上升——这正是 19 世纪织布业发生的事。
布林约尔松确实就这一议题向美国国会作过证：2019 年 9 月 24 日，他以 MIT 数字经济倡议主任的身份，出席美国众议院科学、空间和技术委员会下属研究与技术小组委员会题为“人工智能与工作的未来”的听证会并提交书面证词。但更完整的分析框架出自他与 Tom Mitchell、Daniel Rock 发表于《Science》的论文：机器学习对劳动力需求与工资的总体影响，取决于六个不同的经济因素——劳力替代、价格弹性、互补性、收入弹性、劳动力供给弹性，以及业务流程重新设计。请注意——互补性只是六分之一，而不是全部。把吴恩达的论断当作完整答案，会漏掉另外五个变量，尤其是劳动力供给弹性这一项，而它恰恰是当下软件工程行业最致命的短板。
二、两个效应的经济学界定：判定标准是弹性，不是能力
在任务框架（task framework）下，生产被理解为一系列任务的组合，每项任务由劳动或资本承担。技术改变的是任务在劳动与资本之间的分配，即“生产任务内容”。这个框架由 Acemoglu、Autor、Restrepo 等人发展，已成为分析自动化就业效应的主流工具。在这一框架下，替代效应与互补效应的界定与判定标准如下。
替代效应（Substitution） | 互补效应（Complementarity） | |
机制 | AI 使任务 A 变便宜，投入任务 A 的人力需求下降 | 任务 A 变便宜，与之配套的剩余任务 B 的边际产出上升，B 的需求与报酬上升 |
判定指标 | 替代弹性 σ > 1；且该产出需求缺乏价格弹性 | 替代弹性 σ < 1（弱链 / weakest-link 结构） |
经典表述 | “机器做了人做的事” | “计算被自动化后，人类程序员的需求反而增加” |
就业后果 | 被自动化任务的从业者被挤出，且无足够新需求接住 | 剩余稀缺环节价值飙升，从业者报酬上升，总量可扩张 |
关键变量 | 需求的价格弹性、劳动力供给弹性 | 互补性资产的稀缺程度、瓶颈所在环节 |
Acemoglu 与 Restrepo 把这两股力量形式化为一个赛跑模型。位移效应（displacement effect）指资本接管劳动原有任务，它总是压低劳动份额并可能压低劳动需求；复归效应（reinstatement effect）指技术创造出劳动具有比较优势的新任务，它总是提高劳动份额与劳动需求。净结果取决于二者谁跑得更快。这个框架的威力在于，它把“技术到底创造还是毁灭就业”这个无解的定性争论，转化成了一个可以逐年做会计分解的定量问题。
三、AI × 软件工程师：三种口径给出三个答案
把同样的证据按任务、职业、人群三种口径分开看，会得到三个方向不同但并不矛盾的结论。这正是为何“AI 抢不抢程序员饭碗”会陷入各说各话——争论双方引用的数据往往都对，只是口径不同。
（一）任务层：替代真实发生，且量级不小
Anthropic 于 2026 年 3 月发布的职业替代性评估中，计算机程序员位居最易被 AI 覆盖的职业之首，近 40% 的工作任务可被 AI 覆盖。企业侧的数据更直接：谷歌公开披露其内部近 75% 的新增代码由 AI 生成，而 2024 年这一比例仅为 15%，两年间提升四倍；腾讯超过 90% 的工程师在使用 AI 编程助手，2025 年 50% 的新增代码由 AI 辅助生成。一项发表于《Science》的研究用神经分类器识别了 160,097 名开发者在 3,000 余万次 GitHub 提交中的 AI 生成函数，估算出 AI 目前撰写了美国 29% 的 Python 函数。
生产率实验同样证实了任务层面的强替代能力。Peng 等人的受控实验显示，使用 GitHub Copilot 的开发者完成同一任务快 55.8%；微软、埃森哲与一家《财富》100 强电子制造企业的三项随机对照试验覆盖 4,867 名开发者，使用 Copilot 者每周完成的拉取请求增加 26.08%，且资历较浅者获益更大。这些数字的共同点是：被自动化的是边界清晰、易于验证、高度可编码的那部分工作——样板代码、常规功能、测试初稿、文档。
（二）职业层：互补占优，最硬的证据是替代弹性 0.25
然而，任务层面的增益在向产出传导时出现了剧烈衰减。Demirer、Musolff 与 Yang 在 NBER 工作论文（WP 35275, 2026）中，把十万余名 GitHub 开发者的提交记录与 AI 使用遥测数据匹配，采用事件研究设计追踪三代 AI 编码工具的效果：自动补全、交互式编码代理与自主编码代理分别使提交量累计增加 40%、140% 与 180%。但这 180% 在生产层级上急剧衰减——对项目数的影响降至 50%，对实际发布（release）的影响仅剩 30%。
互补还有反向证据。METR 的随机对照试验让 16 名资深开发者处理他们自己维护的代码库中的 246 个真实问题，结果发现使用 AI 工具者反而慢了 19%——尽管这些开发者主观上认为自己快了约 20%。斯坦福 SCALE 对 23 项研究、27 个效应量所做的元分析也显示，GenAI 编码助手对生产率的效应量为 Hedges' g = 0.33（95% CI: 0.09–0.58），属中等正效应且异质性极大，其中受控实验环境的增益远大于开源与企业实境；而对学习成果的效应量 g = 0.14（95% CI: −0.18–0.47）在统计上并不显著。
需求侧的反弹同样可观。GitHub Octoverse 2025 报告显示，全球合并的拉取请求达 4,300 万，同比增长 23%；提交量约 10 亿次，同比增长 25%；苹果 App Store 新应用数量同比增长 24%。美国劳工统计局（BLS）预测软件开发者就业在 2024–2034 年间增长约 15%，显著高于全部职业的平均水平。用软件更便宜，世界就造更多软件——这是典型的杰文斯式反弹。
（三）人群层：分化，且代价高度集中
最值得警惕的是第三种口径：总量与结构完全背离。下表把两侧的核心证据并排列出。
口径 | 替代侧：集中于初级与纯编码 | 互补侧：总量与资深端 |
美国岗位存量 | BLS：过去两年“programmers”（纯编码岗）下降超 25% | BLS：软件开发者 2024–2034 年预计增长约 15% |
年龄结构 | ADP × 斯坦福数字经济实验室：22–25 岁开发者就业年均 −3.8%；AI 高暴露职业同龄段相对就业降幅由 12%–13% 扩大至 16%–17% | 同口径下 31 岁及以上群体的就业曲线保持平稳甚至微升，较 2022 年更稳固 |
企业采用后 | 哈佛（28.5 万家企业、6,200 万员工）：采用生成式 AI 后 6 个季度内初级岗位平均减少 7.7%–10%，中高级岗位稳定 | 印度 IT 服务业（NASSCOM）：收入增长 6.1%，人头仅增长 2.3%，收入与人头脱钩 |
招聘结构 | SignalFire 2026：大厂新毕业招聘较 2019 年降约 65%，早期初创降约 76% | HackerRank 2025：lead 岗 +22%、senior 岗 +19%；招聘增量中 71% 来自资深岗位 |
中国市场 | 智联招聘 2026Q1：普通后端/前端需求同比 −52%，初级前端 −65% | 翰德《2026 人才趋势报告》：传统软件开发需求降约 25%，AI 应用开发需求增长 60% 以上 |
入门通道 | 猎聘：2026 年 1–5 月，1 年以下经验机器学习岗需求同比 −71.43%，图像算法 −66.67%，软件测试 −52.94% | 脉脉：2026 春招中要求 3 年以上经验的岗位占比超七成，3–5 年经验岗位同比 +19% |
把三张图景叠加，结论就清晰了：任务层是替代，职业层是互补，人群层是分化。三者并不矛盾，因为它们作用的对象不同——AI 替代的是“样板代码”这类任务，互补的是“判断与担责”这类任务，而分化发生在谁持有哪一类任务上。吴恩达说“会用 AI 的人淘汰不用 AI 的人”，在经济学的语言里应当改写为：持有弱链的人，其报酬随 AI 变强而上升；只持有被自动化任务的人，其报酬随 AI 变强而下降。
四、供给冲击：互补效应会被“供大于需”阻断吗
这是吴恩达论述中最薄弱的一环。互补效应成立有一个隐含前提：被互补的那部分人是稀缺的。当供给端同时发生爆炸，互补关系可能依然成立，但溢价不再传导到人身上。这一阻断通过两条路径发生，且都有数据支撑。
（一）代码供给过剩：瓶颈移位，互补对象换人
前引 NBER 研究已经给出第一个信号：自主编码代理让提交量增加 180%，但最终发布只增加 30%；对四大应用市场的检验发现新应用数量温和增加，而总使用量并未增加。换句话说，多出来的代码没有变成多出来的价值。
机制在于瓶颈发生了移位。GitLab 2025 年 DevSecOps 调查覆盖约 3,200 名从业者，发现 AI 工具加速了编码环节，却在测试、安全审查、合规与跨团队协作中制造出新的瓶颈，为每个工程师每周增加接近一整天的后续工作；60% 的团队同时使用 5 种以上开发工具，进一步抬高了协调成本。效率在一层释放，摩擦在另一层暴露。
（二）劳动力供给过剩：宏观互补成立，个体被截断
第二条路径更为严峻：劳动力本身的供给也已过剩。美国的计算机与信息科学学士学位授予数在 2011–2022 年间接近三倍；计算机与信息科学现为全美第四热门专业，过去十年的增速约为所有专业平均增速的 6.5 倍，且增长主要由在线授课为主、选拔性最低的院校贡献——在线为主院校年增 8%，选拔性最低的 20% 院校年增 11%，两者兼具的院校年增超过 14%。杨百翰大学爱达荷分校 2022 年授予 639 个相关学位，2024 年超过 2,000 个，两年三倍，规模超过卡内基梅隆、MIT 与斯坦福。而与此同时，入门级软件工程岗位自 2022 年起年增长仅约 3%，CS 毕业生数量却增长 22%。
中国的供给侧数据同样典型。2026 届全国计算机类应届毕业生突破 65 万人，开设计算机科学与技术专业的高校超过 990 所，布点数量较十年前翻倍；太原理工大学软件工程专业一届招收 1,871 人，占全校招生规模近四分之一。麦可思数据显示，2021–2025 届本科毕业生中实际从事程序员职业的比例已从 1.9% 降至 1.0%，其中 2025 届相比 2024 届的 1.5% 骤降三分之一。价格信号已经充分反映：工作 1–3 年的纯编码程序员简历通过率从 2023 年的 25% 跌至 7%，初级后端开发岗位平均月薪从 8,000 元降至 5,500 元；levels.fyi 的报价中位数显示，后端 SE II 从 185,000 美元降至 165,000 美元，降幅 10.8%。
经济学上的判定是：互补效应并没有失效——弱链的价值照样在上升；但它不再自动普惠这个职业的所有成员。溢价被特定要素（持有判断力与领域知识的资深者）捕获，而成本被新进入者承担。这是典型的租金分配问题，不是总量问题。用一句直白的话说：行业在变好，但新人的行业在变坏。
（三）长期悖论：停止招初级，是在给未来抽血
还有一个更深层的悖论，布林约尔松自己给出了警告。他与 Daniel Lee、Lindsey Raymond 合作的客服场景研究发现，AI 采用后人均生产率平均提升 14%，而新手提升达 34%。但高效率背后藏着两个机制：其一，AI 把顶尖员工的默会知识转移进了系统，帮助了新手，却同时降低了企业投资培养初级员工、为未来储备熟练人才的激励；其二，需求若缺乏弹性，人均产出提高就意味着需要的人更少，无论每个人变得多能干。
这是互补效应在企业层面的自我破坏：今天省下的初级人力成本，会在五到十年后变成更稀缺、更昂贵的弱链。它也是一个可被检验的预测——若初级招聘持续萎缩，2029–2032 年资深工程师的供给缺口与薪酬溢价应当显著扩大。
五、历史的裁决：技术革命创造了什么、溢出到哪里、如何验证
要判断互补与替代谁占上风，最终必须回到历史。但历史不能被当作安慰剂引用——它既记录了技术创造就业的宏大事实，也记录了整整一代人被牺牲的具体案例。本节按三个问题展开：创造了什么新的？这些创造是否外溢？用什么数据可以验证？
（一）创造了什么新的：新工作的量化证据
关于“技术是否创造新工作”，最系统的证据来自 Autor、Chin、Salomons 与 Seegmiller 发表于《Quarterly Journal of Economics》的研究（NBER WP 30389）。他们把八十年美国人口普查微观数据中的职业名称，与基于专利文本测度的职业“增强型创新暴露度”和“自动化创新暴露度”链接起来，得到三个关键发现。
第一，新工作是就业的主体。2018 年约 60% 的美国就业岗位，存在于 1940 年尚不存在的职业名称之中；在专业技术人员这一八十年间增加就业最多的类别里，该比例高达 74%；而生产类岗位仅为 46%。用 Autor 本人的话说：“我们估计当前人们从事的工作约有六成在 1940 年并不存在。”
第二，也是最关键的一点——新工作的来源具有非对称性。增强型创新（augmentation innovations，即创造新流程、新产品、新服务、新产业的创新）强烈地预测了新职业在何处涌现；而自动化创新（automation innovations，即使机器接管既有任务的创新）并不能预测新工作的出现。这是一个极严格的检验，因为两类创新在职业层面高度正相关，作者还利用二十年前的突破性创新对两类创新流的冲击做了因果识别。含义非常直接：自动化本身不创造新工作，创造新工作的是增强。
第三，创造的速度在放缓。研究同时发现，过去四十年里，自动化创新对劳动需求的需求侵蚀效应在增强，而增强型创新的需求提升效应并未同步增强。这与劳动份额下降、实际工资停滞的宏观事实高度吻合。
在 AI 这一轮，新职业的涌现已经有了可观测的数据。LinkedIn 经济图谱显示，截至 2026 年第一季度的一年内，对 AI 技能岗位的需求增长 142%，而前一年为 68%——增速本身在翻倍；分岗位看，提示词工程师 / AI 交互设计师 +194%（最快）、机器学习工程师 +178%、AI 产品经理 +161%、AI 分析师 +138%、AI 运营专员 +122%。DataCamp 联合 Lightcast 覆盖 165 个国家和地区、2024 年 1 月至 2026 年 4 月共 200 万条独立岗位的分析显示，AI 工程岗同比增长 255%，生成式 AI 工程岗增长 197%，二者全球中位基本年薪均超过 10 万美元。中国市场方面，人社部数据显示过去五年官方发布的新职业中超 20 个直接归属人工智能赛道，2026 年计划新增具身智能机器人应用技术员、智能体开发员等 12 个 AI 相关工种；2026 年上半年全行业 AI 相关岗位总量达 128 万个，同比增长 87%。
新技能也带来了可度量的工资溢价。IMF 2026 年 1 月的员工讨论说明（SDN/2026/001）基于对发达与新兴经济体数百万条招聘信息的分析指出，发达经济体中每 10 个岗位空缺就有 1 个要求至少一项“AI 时代新技能”；在美国与英国，具备这些新技能的劳动者薪酬比条件相当但不要求这些技能的岗位高 3%–3.4%。市场口径更高也更不稳定：LinkedIn 估算具备 AI 素养者的薪酬溢价约 27%，另有口径称 AI 技能岗位溢价达 56%（一年前为 25%）。这些数字差异很大，但方向一致——创造效应确实在产生新的租金。
（二）溢出效应：创造是否惠及创造之外的人
“创造了新工作”与“净增加了就业”不是一回事，因为新工作可能集中在少数行业，而损失分散在多数行业。溢出效应检验的正是这个问题。
这项研究有两个版本，引用时不可混用。2017 年 6 月提交给欧洲央行辛特拉论坛（ECB Sintra Forum）的会议论文题为《Does Productivity Growth Threaten Employment? Robocalypse Now?》，基于 19 个发达经济体 1970–2007 年的国家—行业面板，将 28 个行业归并为五个部门，并以“内部效应—外部溢出”的二分口径报告结果。正式发表版是 2018 年的 NBER 工作论文 WP 24871，后刊于《Brookings Papers on Economic Activity》2018 年第 1 期第 1–87 页，标题也随之改为《Is Automation Labor Share-Displacing?》——多出来的那个 “Share” 标出了重心的转移：问题的提法从“自动化是否减少就业”变成了“自动化是否压低劳动份额”。两版最实质的差别是分解口径：2018 版把三渠道扩展为四渠道，新增了行业间就业再配置（between-industry shifts）一项。
四个渠道分别是：其一，本行业产出效应——本行业生产率提升压低价格、扩张产出，但单位产出用工下降；其二，跨行业投入产出关联——上游变便宜使下游成本下降、产出扩张；其三，行业间就业再配置——劳动力从收缩行业流向扩张行业；其四，最终需求效应——各部门生产率增长推高总收入，进而拉动消费与总就业。核心发现是：本行业效应稳定为负，跨行业投入产出关联与最终需求效应为正，且正溢出在多数时期足以完全抵消行业内的负效应，使净效应弱为正。这与 Dauth 等人对德国的研究一致——制造业的位移效应被服务业创造的新岗位完全抵消；也与 Graetz 和 Michaels 对 17 个国家 1993–2007 年机器人采用的研究一致——机器人降低了低技能工人的就业份额，但没有显著减少总就业。四个渠道各自的传导机制与失效条件，见下表。
渠道 | 传导机制 | 对就业 | 对劳动份额（1970–2007 累计） | 失效条件 |
本行业产出效应（own-industry output） | 本行业生产率提升→价格下降、产出扩张，但单位产出用工下降 | 负（各时期稳定） | −5.2% | 该产出需求缺乏价格弹性，或市场趋于饱和（Bessen 的倒 U 型：就业先升后降） |
跨行业投入产出关联（cross-industry input–output） | 上游变便宜→下游成本下降→下游产出扩张 | 正（客户行业的间接收益） | −2.6% | 成本节省外溢至境外供应商（进口替代、离岸外包）；或下游集中度高、节省转化为利润而非产量 |
行业间就业再配置（between-industry shifts） | 劳动力从收缩行业流向扩张行业，构成转移带来净岗位 | 正（再配置收益） | −1.7% | 再配置摩擦：技能错配、地理锁定、职业资格壁垒；以及更隐蔽的“入口侵蚀”——年轻人不再进入 |
最终需求效应（final demand） | 各部门生产率增长推高总收入→消费与总就业扩张 | 正（总需求拉动） | −0.7% | 生产率增益归资本而非劳动；收入集中流向高储蓄群体；新增需求被进口品吸收 |
这张表最反直觉的一处，是同一套分解对两个被解释变量给出了方向相反的判决。对就业，本行业的损失被客户行业的间接收益与总需求扩张抵消，净效应弱正；对劳动份额，四个渠道的贡献全部为负——本行业的份额损失在别处得不到弥补（原文表述：own-industry labor share losses are not recouped elsewhere）。把 1970–2007 年加总，直接位移效应使劳动份额下降 5.2%，投入产出关联再压低 2.6%，最终需求的诱导替代压低 0.7%，行业构成转移再压低 1.7%，合计约 10%。换句话说：溢出救得了岗位的数量，救不了劳动在产出中分到的比例。对本文主题而言，这是一条必须并列的提醒——“AI 是软件工程师的互补品”与“AI 压低劳动份额”可以同时为真，因为它们衡量的根本不是同一件事。
但这份研究真正锋利的地方，在于它同时拒绝了两种单调叙事。按年代看，1980 年代正负效应基本抵消，1990 年代强正溢出回归，2000 年代正溢出小到令净效应转负；而作者在辛特拉会议上报告的初步跟踪——用另一个数据库把样本延伸到 2014 年——又显示良性的生产率—就业关系可能再次回归（作者本人强调，该结果仍可能变化）。作者把近几十年这种关系的减弱称为“脱钩”（decoupling）。
这个序列构成一个双向反证。它反证了“技术总会自动创造更多净就业”：如果溢出是技术的内在属性，它不会在三十年里由正转负。它同样反证了“自动化必然带来净失业”：1990 年代的强正溢出与 2014 年后的可能恢复说明，负净效应也不是不可逆的趋势。唯一能从这组数据里读出的结论是：溢出不是技术自带的赠品，而是由当时的市场结构与制度条件决定的产物——它是有条件的，因而完全可能失效。这是评估 AI 时最不该被忽略的一条数据。
那么，2000 年代的正溢出为什么变弱？文献与原文给出的解释至少有五条，前四条有直接证据，第五条为本文依据相关证据的推断。
第一，需求外漏。生产率提升引发的需求扩张，有一部分被外国生产者满足，国内投入产出链条因此被“短路”。这也是 Autor 与 Salomons 自己提示的方向：贸易开放可能是生产率—就业关系强度发生变化的原因之一。
第二，劳动份额下降掐细了收入渠道。当生产率增益更多流向资本而非劳动，最终需求效应这一最可靠的补偿渠道就随之减弱——前引劳动份额分解中四个渠道全为负，正是这一机制的量化呈现。
第三，市场集中度上升，“赢家通吃”。Autor、Dorn、Katz、Patterson 与 Van Reenen 的研究显示，销售正在向低劳动份额的超级明星企业再配置，且集中度与劳动份额的负向关系随时间显著变强：1982–1987 年间两者尚无关，到 2007–2012 年，行业集中度每提高 1 个百分点，劳动份额下降 0.4 个百分点。含义很直接——成本节省不再转化为产量与就业的扩张，而是转化为利润与市场份额。
第四，溢出的来源部门高度集中。Autor 与 Salomons 只发现三类部门产生统计上显著的正外部效应：低技术服务业（汽车销售、房地产、酒店餐饮、社会与个人服务）、高技术服务业（电信、金融中介）以及教育与医疗；采矿、公用事业与建筑等部门没有可观的跨行业溢出。当生产率增长的部门构成偏离这几个“高溢出”部门，净效应自然转负。
第五，再配置摩擦。渠道三依赖劳动力真正完成跨行业转移，当技能、地理与资格的重新匹配成本上升，跨行业收益就无法在观测窗口内兑现。英国制靴业正是这一失效的极端样本：新岗位集中在莱斯特郡与北安普敦郡，而衰退却是以“年轻人不再进入这个行业”的方式完成的——地理错配与入口侵蚀，两种摩擦同时发生。
在机器人这一更接近“纯替代”的技术上，局部效应确实为负。Acemoglu 与 Restrepo 对美国通勤区 1990–2007 年机器人暴露度的估计显示，每千名工人增加一台机器人，当地就业—人口比下降约 0.2 个百分点，平均工资下降约 0.42%。局部为负与总量为正可以并存，这正是一般均衡与局部均衡的差别。
中国的证据为溢出提供了来自新兴市场的补充。一项基于 2010–2023 年沪深 A 股上市公司数据的研究发现，下游企业的 AI 应用显著提升了上游企业的全要素生产率，机制为提升资金链效率、促进创新链协同与信息链协同；且溢出效应在地理距离较远、供应链依赖度较高、上游企业规模较小时更为显著。另一项基于 2009–2021 年中国上市公司数据的研究则发现，AI 投资显著提升企业产出与 TFP，空间计量结果确认邻近企业的 AI 投资会产生正向的生产率外溢，凸显创新集群的重要性；但分布并不均衡——大型企业与技术前沿企业受益显著，低生产率企业的初期增益往往消退甚至逆转。
AI 这一轮的溢出初现端倪，且带有一个重要的分配特征。IMF 前述研究指出，在美国都市区，要求新技能的岗位占比每提高 1 个百分点，与当地平均工资提高 2.3%、就业提高 1.3% 相关——受益者不限于 AI 技能持有者，而是抬升了整个本地市场的工资地板。但同一份研究给出了明确的极化结论：高技能劳动者直接受益；低技能劳动者通过高收入者增加的服务消费间接受益；而中等技能劳动者没有统计上显著的就业或工资增益。创造与溢出是真实的，但它们不是均匀落下的雨。
（三）数据验证：为什么“创造了效益”却测不出来
如果技术确实创造了大量效益，为什么宏观生产率数据如此平淡？两个互补的答案，分别处理测度问题和结构问题。
1. 测度问题：生产率 J 曲线与无形资本
Brynjolfsson、Rock 与 Syverson 在 NBER 工作论文（WP 25148）中提出，通用目的技术（GPT）的收益很大程度上体现在互补性无形投资上——流程再造、商业模式共发明、员工再培训、管理经验积累。问题在于，国民账户把这些支出计为当期费用而非资本形成，导致技术扩散早期真实生产率高于测算值，而到了收获期，产出的增长又没有对应的投入增长，测算值反过来高于真实值——两者之差随时间呈 J 形。作者校准后的结果显示：调整后的全要素生产率比官方测算高 11.3%（2004 年末）和 15.9%（2017 年末）。
历史上的滞后期长得惊人。电力从 1880 年代商业化，到 1910 年代美国制造业生产率增速才攀升至每年 5% 以上，滞后约 30 年——原因不是电机不够好，而是整整一代管理者要退休之后，工厂才被重新设计成每台机器独立驱动的单元驱动布局。IT 时代同样如此：1971 年英特尔推出微处理器后，美国非农部门生产率增速在随后十五年徘徊在 1.5%，直到 1991–2007 年才回升至 2.5%，滞后约 25 年。今天 AI 的宏观生产率数据平淡，与其说是证伪，不如说是符合这一规律。
2. 结构问题：位移与复归的会计分解
Acemoglu 与 Restrepo 对美国近七十五年劳动市场的分解，给出了本文认为最重要的一张表。它把工资总额的变动拆成生产率增长与任务内容变化两部分，后者即位移效应与复归效应的净额。
时期 | 生产率增长 | 位移效应 | 复归效应 | 任务内容净变化 | 工资总额增速 |
1947–1987 | +2.4%/年 | −0.48%/年 | +0.47%/年 | ≈ 平衡 | +2.5%/年 |
1987–2017 | +1.54%/年 | −0.70%/年 | +0.35%/年 | −0.35%/年 | +1.33%/年 |
这张表给出了全文最关键的洞察。前四十年是黄金期，不是因为技术更温和，而是因为两股力量几乎精确抵消——位移 −0.48%，复归 +0.47%。后三十年，位移加速到 −0.70% 而复归只有 +0.35%，缺口每年 0.35 个百分点，任务内容持续向资本倾斜，劳动需求与生产率脱钩。结论因此必须被精确表述：问题从来不是技术不创造效益，而是创造的速度跟不上替代的速度。
3. 上限问题：弱链模型给出的天花板
Jones 与 Tonetti（2026）的弱链模型为自动化收益设定了一个冷静的上限。当生产函数的替代弹性约为 0.2 时，把占 GDP 50% 的任务自动化到“无限生产率”，人均 GDP 仅提升约 19%；要让生活水平翻倍，需要自动化约 94% 的任务。这解释了两件看似矛盾的事：一是为什么 AI 已经如此强大而宏观增长依然温和；二是为什么剩余稀缺环节的价值会飙升——因为在弱链结构里，稀缺的部分才拿走大部分收益。正如 Jones 的比喻：你口袋里的手机晶体管数量是 1970 年代的 1 亿倍，但你并没有因此比当年的经济学家高效 1 亿倍，因为决定该对哪个矩阵求逆的，仍然是人。
（四）历史的反例：创造不是自动发生的
如果只引用织布机与 ATM，历史就成了廉价的心灵鸡汤。诚实的历史记录里有两个必须被并列的失败案例。
第一个是英国的手纺纱业。Ben Schneider 发表于《Past & Present》的研究系统地量化了这场迄今已知规模最大的技术性失业：自 1770 年前后的数十年间，新型纺纱机取代了占英国人口约 8%（保守估计约 70 万人）的工作；工厂区没有足够的新工作来接住这些失业者，普遍的失业与不充分就业一直延续到至少 1830 年代。早在 1780 年，就有人建议对机器征税以补偿被替代的工人——这可能是历史上第一份“自动化税”提案。
第二个是英国制靴业。Vipond（LSE, 2024）用机器学习与自然语言处理解析了 1851–1911 年英国人口普查中 1.8 亿条个人记录的职业文本，重构了任务层面的就业结构。结果发现：机械化过程中 152,000 个手工制靴岗位消失，同时 144,000 个需要新技能的新岗位出现——净减少 8,000，且新岗位高度集中在莱斯特郡与北安普敦郡，而非原先手工制靴业所在的各郡。更关键的发现来自跨普查期的个体追踪：在岗者，尤其是男性，极少被直接替代；产业的衰落是通过“年轻人不再进入这个行业”实现的。
还有一类反例提醒我们，互补与分配恶化可以同时发生。对 19 世纪法国蒸汽机扩散的研究发现，采用蒸汽动力的行业既不省劳工也不省技能：它们雇佣了更多男性工人（尽管女性与童工占比更高）、支付了显著更高的工资，但劳动在产出中的份额更低。技术让工人过得更好，同时让工人拿走的份额更少——这两件事并不冲突。
（五）历史给出的条件句，而不是保证
把正反两方面的证据合起来，历史真正证明的不是一个乐观的结论，而是一个条件句。用本节（二）的四渠道框架来说，互补要占优，需要四个渠道中至少三个保持畅通，而这又收敛为三个可检验的条件，每一个条件都对应着一个具体的失效环节。
第一，需求弹性足够高。它同时决定渠道一（本行业产出效应）是扩张还是收缩，以及渠道四（最终需求效应）能把生产率增益转化为多少新增消费。当该产出缺乏价格弹性、或增益主要流向利润而非工资时，这两个渠道会同时哑火。
第二，跨部门再配置畅通。这是渠道三（行业间再配置）的前提。技能错配、地理锁定、职业资格壁垒，以及更隐蔽的“入口侵蚀”——年轻人不再进入——都会让这一渠道的收益无法在观测窗口内兑现。
第三，新任务创造跟得上自动化的速度，且成本节省留在国内产业链内循环。这是渠道二（跨行业投入产出关联）的边界条件：一旦投入品改由境外供应，或者下游集中度过高使节省转化为利润而非产量，这一渠道就不再向国内就业传导。
织布业（98% 的劳动被自动化，织布岗位反而增加、织工相对工资大涨）与 ATM（1995–2010 年台数从 10 万增至 40 万，2000 年后全职柜员仍以年均 2% 增长，快于整体劳动力）是条件成立时的样子；手纺纱与制靴业是条件不成立时的样子。
对今天的 AI 而言，三个条件的状况分别是：需求弹性依然很高（提交量 +25%、新应用 +24%、BLS 预测 +15%），这一条成立；新任务创造的证据真实存在（60% 的就业在新职业中、AI 岗位 +87%、新技能溢价 3%–27%），这一条也成立；但再配置与产业链内循环这两条同时存疑——跨行业正溢出在 2000 年代已趋近于零，新进入者的入口正在被侵蚀，而 AI 能力本身高度集中于少数供应商，企业为 AI 能力支付的支出中有相当比例会流出本行业乃至本国。三个条件里，两个成立、一个存疑，且存疑的那一个恰恰是历史留下过失败样本的那一个。这就是当前最恰当的判断。
六、结论与启示
本文的结论可以压缩为四句话。
第一，互补占优，但溢价只流向持有弱链的人。AI 与人类努力的替代弹性为 0.25，AI 使提交量增加 180% 却只让实际发布增加 30%——这些数字共同说明 AI 目前是软件工程师的互补品。但这个互补关系的受益者，是能够定义问题、判断对错、为结果担责的人，不是所有自称工程师的人。
第二，替代发生在任务层与入口层。被替代的不是“软件工程师”这个职业，而是“样板代码”这类任务，以及“以初级岗位为训练场”这条入口。programmers 岗位两年下降超 25%、大厂新毕业招聘下降 65%、22–25 岁开发者就业下降 16%，指向的都是同一件事。
第三，供大于需会部分阻断互补效应，但机制不是互补失效。代码供给过剩让瓶颈从“写”移位到“定义与判断”，互补对象换人；劳动力供给过剩让互补溢价无法传导给新人——美国 CS 学位十年增长 6.5 倍于平均专业、中国计算机类毕业生突破 65 万，而入门级岗位年增仅 3%。互补没有消失，只是不再普惠。
第四，历史提供的是条件句而非保证。1947–1987 年位移 −0.48% 与复归 +0.47% 的精妙平衡，在 1987–2017 年变成了 −0.70% 与 +0.35% 的失衡。这提醒我们，真正需要被监测的不是“AI 抢走了多少岗位”，而是那个缺口本身：新任务创造的速度，是否跟得上自动化的速度。
由此可以得到三条可操作的启示。对组织而言，停止招聘初级员工是账面省钱、管道放血——布林约尔松的警告值得被写进每份人力规划的扉页；同时，评估 AI 的标尺应当从“机器单独绩效”转向“人机组合绩效”（他称之为避免“图灵陷阱”），因为前者会系统性地把投资引向替代而非增强。对政策而言，最直接的纠偏是税制中性——目前多数税制（包括美国与韩国）对劳动的课税重于资本，这等于给替代人工发放了巨额人为补贴；此外还需要“地板”（基本安全网与最低工资）与“梯子”（成长机会与价值创造通道）的组合，而真正创造持久价值的是梯子。对个人而言，判断标准只有一个：你手上握着的是链条上的哪一环——是正在变便宜的那一环，还是决定整条链强度的那一环。
数据来源与参考文献
[1] Acemoglu, D. & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. NBER Working Paper 25684 / Journal of Economic Perspectives.