当 AI 让社会更富裕，为什么你未必更有价值？

设想这样一个早晨。

你打开电脑，AI 已经整理好资料，写完初稿，跑过第一轮代码。过去需要一周的工作，现在两天就能交付。公司的业绩在增长，新闻说生产率迎来了突破。

但你没有加薪。团队暂缓招聘，下一个项目的交付周期又缩短了。

你比过去更有能力，却没有比过去更有议价权。

这段假想并不等于未来预言。它只是把一个经常被混在一起的问题拆开：技术让我们创造更多，与我们能够获得更多，之间究竟隔着什么？

Anthropic 在 2026 年 9 月发布的《Economic Scenarios for Transformative AI》，恰好为这个问题提供了一套可以检查的框架。它最值得关注的地方，是让我们看见：经济增长、平均工资上涨、部分劳动者降薪与失业，可能同时发生。

阅读说明：本文根据 Anthropic 的交互网页与 57 页技术报告作中文编译和评论，并非逐字翻译。数字与模型机制来自原报告；后半篇的个人、产品与组织层面思考属于本文延伸。研究对象是美国到 2030 年的经济情景，不能直接套用为中国或任何个人的预测。作者没有为情景赋予发生概率。

从“职业会不会消失”，到“任务怎样重新组合”

一个软件工程师并不只写代码。他还理解需求、定位故障、协调同事、判断取舍，并承担交付责任。一项职业是一组任务，AI 对这组任务的影响也不只有“替代”一种。

它可以帮助人做得更快，也可以独立完成一部分任务，还可能创造原先不存在的人工任务。

报告以此为起点，把技术预期接到经济结果上。关键变量包括：AI 能覆盖多少任务，企业实际采用多少，单项任务能提高多少效率，其中多少属于自动化，以及自动化之后会创造多少新的人工任务。

模型还加入了几项不那么引人注目、却直接影响个人生活的条件：新增资本是否容易获得，工资怎样调整，以及离开原职业的人多久才能找到新工作。

因此，“AI 已经能做这件事”只是分析的开头。它与“社会已经通过这种方式组织生产”，之间还有可靠性、成本、流程、责任和采用速度的距离。

这也是原网页让读者自己输入预期的意义：把争论从笼统的乐观与悲观，变成对不同条件的讨论。原网页 · 报告第 3—7 页

三种未来，最重要的区别在收益如何分配

报告给出了温和、显著与极端三种情景。它们是联合假设下的条件推演，不是三个带有置信区间的预测。

这里的 GDP 增幅与工资差异，均以同一时期的“无 AI 路径”为比较对象。GDP 高出 32.4%，不等于每年增长 32.4%；工资低 11.5%，也不能直接解读为比今天少 11.5%。无 AI 基准的年度 GDP 增速为 2%，整体失业率为 3.8%，劳动收入份额为 60%。知识工作者是模型中管理、专业、销售与办公室等职业的概括分类。报告表 3，第 31 页

温和情景接近一次普通的技术扩散：效率有改善，宏观影响有限。

显著情景已经足够改变人的感受。GDP 明显增加，知识工作者的工资却几乎没有获得额外提升。一个人可以生活在技术繁荣期，同时感到自己的职业生涯停滞了。

极端情景把这种分离推得更远：GDP 比无 AI 路径高约三分之一，知识工作者却同时面临降薪与更高失业率。

但这组数字并非只由“AI 更聪明”产生。极端情景同时假设：AI 的能力范围覆盖全经济约 50% 的任务，实际扩散到这些任务实例的 60%，其中 90% 属于自动化；新人工任务的补偿效应设为零，跨职业求职也更困难。

按模型的任务权重口径，实际有 AI 参与的任务实例约占全经济 30%，约相当于原有认知任务的一半。因此，不能把这个情景写成“2030 年 AI 已经完成所有知识工作”。

理解联合条件很重要。如果新需求、新任务和职业转换的路径不同，结果也会不同。报告揭示的是这些条件组合的后果，而非技术能力与失业之间一条不可改变的直线。

社会增加的财富，未必经过你的工资账户

极端情景中，最值得停下来看的数字，是资本收入相对无 AI 路径增加约 81.4%，而全部劳动收入只增加约 0.5%。

为什么经济增长这么多，劳动者的总收入却几乎不变？因为劳动收入占总收入的比例，从 60% 降到了约 45%。更大的经济总量，与更小的劳动份额，几乎相互抵消。

这仍然不意味着所有劳动者都受损，或者所有资本拥有者都同样受益。模型里的其他职业工资明显提高，知识职业内部的复杂差异则没有被充分刻画。

它说明的是：提高生产能力，与决定谁能获得收入，是两套相互联系、却不能混为一谈的机制。

资本供给会改变这套机制。在报告的基准参数下，平均工资在三种情景里都上涨；但把资本供给弹性调低，极端情景的平均工资就会比无 AI 路径低约 9.2%。新增资本越难跟上需求，收益就越可能体现为资本回报上升。报告表 5，第 37 页

接下来要问的，就不只是“技术创造了多少价值”，还有“这些价值通过什么规则到达人们手中”。

失业率不高，也可能意味着人们付出了另一种代价

报告的工资敏感性分析给出了一组容易打破直觉的结果。

在极端情景中，如果知识工作者工资能够充分下调，该群体失业率约为 2.6%，工资却比无 AI 路径低约 42.2%。如果工资调整非常缓慢，该群体工资可以保持在更高水平，但失业率会上升到约 24%。

这不是对降薪或失业的政策推荐。它说明，在这套模型中，同一种劳动需求冲击，可以通过不同渠道落到人身上：有人失去岗位，有人保住岗位，却失去收入。报告表 6，第 38 页

这也解释了为什么不能只看平均工资。在职人员的平均工资上涨，与一部分人退出就业，可以同时发生。评价一个数字之前，先问它的分母是谁，哪些人没有被算进去。

把这个习惯带到 AI 行业也很有用。工具说“用户平均节省一半时间”，需要了解哪些任务被纳入，核验和返工是否计时，以及失败后退出的用户是否仍在样本里。平均值有意义，但它回答的问题，可能比宣传语窄得多。

更有能力，为什么不一定更有价值？

以下开始，是从报告机制出发的延伸思考。

设想 AI 让一个设计师每天能完成过去一周的工作。他的绝对能力提高了。但如果所有设计师都获得相同提升，客户愿意为一张图支付多少钱，公司还需要多少人，就成了另外的问题。

一个人的能力、市场对这种能力的需求，以及别人获取同样能力的成本，共同影响他的处境。

因此，“我学会了更强的工具”之后，值得再问一句：当工具普及，我提供的东西会变得更稀缺，还是更容易获得？

这并不否定学习。它让学习的方向更清楚：除了提高操作熟练度，也要理解需求、辨别质量、处理例外，并观察自己凭什么参与收益分配。

对 AI 从业者而言，同样不能把“用户提效”直接等同于“用户获益”。效率收益可能被用户保留，也可能被客户压价、行业竞争或更高的绩效要求吸收。

一个产品让人做得更快，随后发生什么，仍然值得追踪。

每次提效，都追问：省下来的东西去了哪里？

一个团队节省三分之一工时，可能缩短工作时间，也可能扩大产出、提高质量、尝试新业务，或者减少人员。

相同的能力，在不同需求和组织选择下，会产生不同结果。

可以用一个简化关系来提醒自己：

所需人类工时 ≈ 交付数量 × 每单位交付所需的人类时间。

AI 降低了右边第二项。第一项是否增长、增长多少，必须单独分析。这里讨论的是工时，实际岗位数量还取决于工作时长、岗位分工等条件。

如果价格下降后，大量原本承担不起服务的人开始购买，需求就可能重新吸收劳动。如果需求接近固定，提高效率就更容易减少人手。即使主要用 AI 辅助人，也不能跳过这一步推理。

对产品设计，这意味着两种不同的机会：把既有服务做得更省，或者让原本不成立的服务变得可行。两者都有价值，但市场扩张和就业影响可能截然不同。

进一步问，新需求中的哪些环节仍然需要人？如果新需求本身也能被自动化完成，需求扩张未必带来同等规模的就业扩张。

当一种能力变便宜，寻找下一个限制

写代码更便宜，不等于理解客户更容易。生成方案更快，不等于验证方案同样快。内容供给增加，也不会自动增加人的注意力。

一个环节提速十倍，最终交付未必提速十倍；它可能只是让下一道工序前堆积更多工作。

因此，每看到一项技术突破，都可以问：接下来，什么会限制最终结果？

对普通人，这比寻找一种“永远安全的技能”更有用。具体技能的价格会变化，识别限制、解决限制的能力却可以在新的场景里继续使用。

对 AI 从业者，机会可能出现在需求澄清、结果验证、异常处理、系统接入与责任交接。模型输出是交付链的一环，价值需要在完整流程中兑现。

不过，不可缺少也不自动等于高收入。个人还需要能够证明贡献，并在组织中拥有相应的议价空间。把“创造了价值”与“获得了回报”分开看，分析才算走完。

每个人都在适应，为什么仍然可能出现集体困境？

一家企业使用 AI 控制成本，可能合理；一个劳动者学习 AI 避免掉队，也可能合理。

但如果许多企业同时减少初级岗位，职业入口和培养路径就可能变窄。如果许多从业者同时增加交付，价格也可能面临压力。

这些是值得观察的可能机制，并非本报告已经量化的结论。它们提示我们：个体层面的合理选择，不保证汇总之后每个人都得到更好结果。

“你应该学习 AI”可以是合理建议，却无法独自回答“当所有人都学会之后，市场以什么价格容纳多少人”。

一个成熟的判断，最好同时保留两个视角：在现有规则下，我怎样改善处境？这些规则又会把所有人的努力带向哪里？

前一个问题帮助行动，后一个问题让人不至于把所有困难都解释为个人不够努力。

模型里的一次转移，可能是一个人的几年

报告把跨职业求职的困难写进了模型，这是它的重要贡献。但现实中的转换，比两个职业组之间的流动复杂得多。

搬家、重新考证、收入中断、家庭照护安排，以及原有经验的贬值，都可能同时发生。模型甚至简化为：成功进入另一职业组后，就能立即获得该组工资，没有额外扣除资历和技能损失。

因此，需要区分三个问题：最终有没有新机会，原来受损的人能否进入，以及他们能否等到那个时候。

两个学习能力相近的人，若拥有不同的积蓄、家庭支持和刚性支出，面对同样的技术变化，也会拥有不同的选择空间。

这让“缓冲”有了更深一层意义：它不仅帮助人承受冲击，也让人有时间学习、试错和拒绝不合适的选择。

对 AI 产品也是一样。用户迁移流程、训练团队和承担失败的成本，都是实际成本。演示里省下来的时间，必须与采用过程中的投入放在一起衡量。

技术运行得快，与人能够适应得快，是两个变量。

怎样认真读一份有震撼数字的报告

这份研究也需要带着边界阅读。

首先，它只把职业粗分为两组，无法描述同一职业内不同资历、地区和组织之间的差异。“其他职业工资上涨”不能直接变成一份转行名单。

其次，它没有纳入机器人快速突破，也没有完整处理需求下降放大失业、金融冲击和政策反应。模型暂时排除的变化，不能被当成现实提供的永久保护。

还有一个值得注意的细节：AI 加速科研创新，对模型中截至 2030 年的额外增长贡献相对有限。这并不是证明 AI 无法推动科学突破。创新模块采用了新知识越来越难发现、收益逐步积累的结构，并没有完整生成“AI 改进研究、研究进一步加速 AI”的反馈；一部分递归改进效果体现在外生设定的技术路径中。作者也承认，这可能低估创新渠道的影响。报告第 16—17 页及附录 C

调查结果同样需要辨别口径。研究调查了 10,980 名美国成年人；将同一个人的五项回答输入模型、计算完整结果分布时，使用的是回答齐全的 3,259 人。得到的结果中位数接近显著变化情景，并不等于公众直接预测了那些 GDP 和失业率数字。

附录还有一个值得自省的差异：知识工作者通过任务清单表达的判断，对应 AI 可以覆盖约 71% 的知识工作；但谈到自己工作时间时，其中位判断只有约 27%。这可能体现人们更了解自身工作的隐性复杂性，也可能包含对自身特殊性的高估，调查本身不能裁定。报告附录 B，第 45—49 页

模型、参数、求解流程和问卷映射被公开，使这些分歧可以被检查。这比一个不解释来由的精确数字更有价值。

我观察到了什么，我假设了什么，我由此推导了什么——把三者分开，是这份报告可以教给我们的思考习惯。

更富裕的社会，怎样让人有份参与？

报告最后回到一个无法靠技术指标回答的问题。

极端情景下，社会新增收益在理论上足以补偿知识工作者的收入损失。作者估算，把这一群体的总体收入恢复到无 AI 路径，需要大约相当于当时 GDP 9% 的转移支付。

但有资源补偿，与补偿实际发生，之间隔着制度。再培训、收入支持、全民基本资本和基本收入，都是报告提到的方向；论文并没有证明哪一种方案最优。报告第 35、39 页

回到开头那个工作速度变快、却没有加薪的人。他的处境可能与努力有关，也可能与需求增长、供给扩张、组织选择和收益分配有关。理解这些机制，不会自动消除困难，却能让他提出更好的问题。

我在提供什么？这件事为什么仍然需要我？效率提高后，谁得到时间，谁得到收入，谁承担调整成本？出现什么证据时，我会改变现在的判断？

对于 AI 从业者，也值得把同样的问题带回产品：我们提高的是哪个环节的效率？用户最终的生活或经营结果改善了吗？谁可能在平均值之外承担成本？

Anthropic 原文强调，未来并未注定。它的三个情景提醒我们，技术进步可以创造巨大的空间，但不会替我们完成分配和转型。

当生产变得越来越容易，让普通人有能力、有尊严地参与一个更富裕的社会，仍然需要人来作出选择。

---

原始来源与编译范围

• 网页：What will our economic future look like?，Anthropic，2026 年 9 月版本。
• 完整报告：Economic Scenarios for Transformative AI，The Anthropic Institute Working Paper No. 2026-02，57 页。
• 作者：Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter、Peter McCrory。
• 本文覆盖模型机制、校准与三种情景、资本供给和工资刚性分析、调查与附录边界；不逐式复述数学推导。配图为本站根据原始数据或本文思考框架制作，非 Anthropic 原图。外部审阅者的反馈不等于对报告结论的背书。