TALK

听了一场 OpenAI 的内部讨论，主题是 AI 怎么改变劳动力市场。四位参与者：

→Ronnie ChatterjiOpenAI 首席经济学家，Duke 商学院教授，拜登政府时期担任过商务部首席经济学家和白宫 CHIPS 协调员

→Alex Martin RichmondOpenAI 经济研究团队的劳动经济学家，MIT 博士，之前在 Burning Glass Institute 做劳动力市场研究

→Daniel Rock沃顿商学院助理教授，AI 经济学研究者，Workhelix 联合创始人，MIT 博士

→Gregor SchubertUCLA Anderson 金融学助理教授，做 AI 对劳动力和企业影响的实证研究

四位都是在数据里摸爬滚打的经济学家

以下是我听完之后比较重要的几个点

Solow 悖论重演了

Daniel 开场第一句话就把 Bob Solow 1987 年那句经典的话搬了出来：「你到处看得见电脑，就是在生产率统计里看不见」

他说现在 AI 也是这样

他用一个叫「生产率 J 曲线」的框架来解释。他和 Erik Brynjolfsson、Chad Syverson 几年前一起写过一篇论文专门讨论过。大意是，一项通用技术从出现到真正改变经济数据，中间有一段很长的 J 型曲线

前半段，企业要投钱投人在一些摸不着的地方，新流程、新文化、新组织结构、新车间。这些投入从外面看是成本，从内部看是未来的产出

等到这些地基搭好，生产率才会真正跳上去

Solow 当年看到的是电脑，现在看到的是 AI，规律没变

Gregor 补了一个数据视角。现有研究用两个维度衡量企业对 AI 的使用，一是潜力（这家公司或这个岗位有没有用 AI 的空间），二是落地（实际用起来了没）。两者之间的落差很大。他自己的研究发现，原本技术能力强的企业落地更快，剩下的大多数还在搭内部的脚手架

Alex 把这个现象落到她自己身上。她 2024 年 12 月加入 OpenAI，到现在半年多，写代码、做数据分析、设计实验的方式跟入职时完全不同。她现在的很多分析是 CodeX 在写，她负责定义问题和验收结果。但这些变化对外面的统计局来说，看不见

AI 做的是中间到中间

这是 Gregor 讲到的一个表述，整场讨论里最值钱的一句话

所谓端到端，是一个任务从头到尾交给 AI，人完全不参与。这是大部分人想象中的 AI 替代场景

中间到中间 是说，AI 接管的是一个任务的中段，前后还需要人。前面要有人把任务设计清楚、把数据整理好、把提示词写对。后面要有人验收、做安全检查、把输出接到下游

Alex 用自己的例子解释。她让 CodeX 去跑一个分析，CodeX 返回结果之后，她要花时间验证这个结果是不是对的，再交给 Ronnie。验证这件事本身是一个新任务，以前没有

这就带来一个测量上的尴尬。你看到 AI 好像自动化了一些东西，但同时也创造了新任务。很难说清楚某一个岗位到底是被替代了还是被增强了

Gregor 把这个观察推到组织结构层面。他说现在企业内部正在出现一些新角色：

→ 把内部数据整理成 AI 能吃的格式的人

→ 设计任务输入、调提示词的人

→ 验收和评估 AI 输出的人

这些角色以前没有。现在每家想认真用 AI 的公司，都在临时拼凑这些角色

Daniel 补了一个案例。他最近跟一家韩国银行的 CEO 聊，对方把 AI 工作流的设计权下放给业务专家，让懂业务的人设计流程，IT 部门的作用变成给他们搭可靠、可维护、安全的底座

这里 Daniel 讲了一段工厂电力的历史。工厂早期用中央蒸汽机，一台大机器通过皮带驱动所有设备。后来电力普及，最早的做法是把蒸汽机换成大电机，继续用皮带。真正的效率革命发生在几十年后，工厂把每台设备配一个小马达，整个车间重新排布

AI 现在在走同一条路。过去技术能力集中在 IT 部门，未来技术能力要下沉到每一个具体业务人员手里

家里的 AI 比公司的 AI 还多

Gregor 拿出了他和 Michael Blank、Ben Zhang 的一项研究，里面有一个数字：使用聊天机器人做家庭事务的人数，超过了使用聊天机器人做工作事务的人数

现在 AI 最大的一块使用场景不在企业里，在厨房、在沙发上、在手机屏幕上

人们用 AI 规划旅行、查医疗问题、做购物清单、写家长会发言稿、帮孩子做作业、挑餐厅。这些活动都在创造实际价值，但不会进 GDP，因为这些本来就不是市场交易

Alex 给了一个 OpenAI 内部的数据：消费级 ChatGPT 的使用中，大约有 30% 带有工作相关的信号。工作和生活之间的边界本来就不清楚，很多人用自己的个人账号处理工作任务

她接着说了一段很坦诚的话。美国现在缺乏好的行政数据来追踪职业级别的 AI 影响。不像欧洲一些国家有完整的税务和工资链接，美国只能靠小样本调查去推断。研究者想把消费端的 AI 使用和宏观生产率对起来，数据基础都不够

产出已经在家里了，GDP 还没赶上来

咨询业的小反讽

Gregor 讲到这里插了一段他自己的经历。他本科毕业后在 BCG 做过咨询。咨询公司招新人的时候总是讲「你来了会解决大的战略问题」。实际情况是，新人前两年主要做 PPT、记会议纪要、整理表格

AI 最擅长的是什么？做 PPT、记会议纪要、整理表格

他的观察是，如果这些事被 AI 接走，咨询公司当年那个「你来解决大战略问题」的承诺，反而可能终于兑现

个人生活里也是同一件事。你不想花三个小时读论坛去查一个药物反应，不想花两个下午填七份一样的申请表。把这些事压缩掉之后，你真正愿意花时间的那些事的权重就上来了

MBA 五周才能上手，普通劳动力要更久

Gregor 教一门面向 MBA 学生的 AI 应用课，一学期五周。就算是研究生水平、智商在线、预算充足的 MBA 学生，五周的课程只够让他们达到「自己觉得能用 AI」的水平

他由此往外推。大部分劳动力没有 MBA 的知识基础，也没有那么多连续的学习时间。要让一个普通员工达到同样水平，大概率需要 十到二十周

光发模型使用权是不够的，真正的障碍是训练时间。如果社会希望 AI 的红利被更多人享受，公共投资在培训上的那一块是跑不掉的。不然会出现很典型的马太效应：有基础、有时间、有渠道的人用上前沿模型，其他人连「好东西长什么样」都不知道

Daniel 补了一个视角。他以前做过场外期权交易，他说在高不确定性的环境下，政策应该按「期权」的逻辑去做：搞一堆小规模实验，其中哪个看上去能用，再把它规模化。不要一上来就押一个大而全的方案

Alex 提了一个容易被忽略的观察。美国现有的失业保险制度其实是为这类转型设计的。一个人从 A 公司被裁到去 B 公司之前有段空窗期，UI 就是为了托这段空窗

AI 带来的转型可能让这段空窗期变长、让跳跃的距离变远，但底层的机制是对的。要做的事是调参：延长领取时间、加大金额、配套再培训。不需要推倒重来

能力悬置

Alex 讲到一个概念叫「能力悬置」（capability overhang），这是这场分享里第三个值钱的表述

意思是，模型的能力已经到了某个水平，但大多数用户的使用方式还停留在六个月甚至一年前

她和 Ronnie 都说，他们在 OpenAI 内部能明显看到这种落差。团队里的 power user 用 CodeX 的方式已经和普通人差出两个身位。这种差距可以通过同事之间的扩散快速缩小，也可能因为缺乏正确的示范而长期存在

对一个企业来说，如果团队里有一两个 power user，最值钱的事是让他们把别人带起来。仅仅庆祝一个人产出翻倍，不够

对个人来说，如果你用 AI 的方式已经两个月没有变了，大概率已经落在能力悬置的后半段

现在最大的生产率空间，在于让已经在用 AI 的人用得更好

要学什么

最后一个问题来自观众：给要进大学的年轻人什么建议，让他们学什么

Daniel 先打了个圆场，说 AI 和经济学都不错。接着他讲真正重要的是解决问题的能力。工程和科学会一直有用，因为它们本质上是在和还没解决的问题打交道。人文学科也一直有用，因为 AI 改变社会这件事需要人去解释

Gregor 给了一个更实操的回答。学科本身不会贬值，贬值的是学科内部某些具体的任务。做经济学，解题和推导的部分会贬值，提问题和找数据集的部分反而升值。做历史，手工翻档案会贬值，设计自动化档案分析的部分会升值

每个学科里面你要学的东西，都要往 判断、提问、能动性 那一头挪

一个观察

这一代 AI 的一个特点是，在消费端和企业端几乎同时变得好用。电力、铁路、互联网都是先在生产端扩散，再慢慢进入家庭。AI 反过来，消费端已经铺满，企业端还在搭梯子

一个后果是，普通人对 AI 能力的直觉领先于政策、领先于统计、领先于企业的组织结构。你在家里觉得 AI 已经很强，去公司发现它好像也就那样，再看政府统计数字，发现什么都没变

这种不一致，本身就是 Solow 悖论现代版的全部含义

生产率曲线会追上来的，但路径比想象的要长