在美国，生产率上升，工资却还在等待

根据美国劳工统计局数据，美国非农业部门劳动生产率从2023年的1.6%升至2024年的2.3%。这一加速与人工智能在企业中的大规模普及同步发生，但根据现有NBER研究，总体层面的因果关系尚未得到证实。收益存在，也可衡量。针对美国企业高管的调查显示，这些收益首先流向利润，工资要滞后两到四个季度才能跟上。问题不在于进步是否发生，而在于谁来设定分配条件，以及这些条件能否改变。

要点

• 美国劳动生产率从2023年的1.6%升至2024年的2.3%（美国劳工统计局，非农业部门）
• NBER针对企业高管的调查确认，收益首先集中于利润，工资滞后两到四个季度
• 受影响最大的行业是专业服务和金融业，即人工智能辅助或替代重复性分析任务的领域
• 2024年美国实际工资中位数增幅有限，远落后于生产率增速
• 收益能否传导至劳动者，取决于企业税收、工资谈判能力和培训投资等政策选择，而非自动机制

最能说明当今美国处境的，是1990年代的先例。1996年至2004年间，美国经历了信息化带来的类似生产率加速。工资最终跟上了，但滞后数年，且分配不均——低技能工人从技术繁荣中所获甚少，收益集中在高技能群体。如今，跟踪同一周期的布鲁金斯学会经济学家发出警告：阻碍收益传导的机制依然存在，有据可查，不会自行消失。

生产率加速，数据证实

2024年测得的加速并非统计假象。美国劳工统计局每季度按行业发布生产率数据。2.3%的增幅与大多数高认知强度行业的趋势一致：商业服务、金融、保险、法律咨询。这些正是自2022年以来生成式人工智能工具普及最快的行业。

NBER调查为上述数据提供了定性支撑。受访高管中，相当一部分人表示在使用人工智能的团队中观察到了生产率提升。但同样相当一部分人指出，这些收益首先用于改善运营利润率，之后才考虑加薪。这一顺序有其商业逻辑：先改善资产负债表，再考虑分配。问题在于，这个平均两到四个季度的延迟，在没有外部压力的情况下可能被无限拉长。

一项针对约6,000名高管的NBER研究（工作论文34836）显示，十分之九的受访者在过去三年中未观察到人工智能对本公司生产率有任何影响。这表明，人工智能采用与总体生产率提升之间的因果关系仍存争议。另据美国劳工统计局2024年数据，实际时薪增长约2.0%，约为生产率增幅（2.3%）的87%。差距比表面看起来要小，但收益的分配机制仍值得深究。

滞后并非自然法则

古典经济学认为，全要素生产率最终会惠及包括劳动力在内的所有生产要素。在完全竞争的劳动力市场中，实现生产率提升的企业必须提高工资以吸引和留住人才。2024至2026年的美国现实在多处使这一机制失灵。

第一个摩擦点是市场集中度。托马斯·菲利蓬在其关于美国竞争”大逆转”的研究中记录了：自1990年代起，整个行业被少数参与者主导，企业无需在工资上竞价便能完成招聘。本应将生产率收益传导至工资的竞争压力已经减弱。

第二个摩擦点是谈判权力结构。美国工会化率约为10%，是发达经济体中最低的之一。通过人工智能实现生产率提升的工人，很少拥有正式要求分享收益的制度性工具。经合组织的比较研究表明，在集体谈判仍然强大的北欧经济体，生产率收益向工资的传导速度在结构上更快。

第三个摩擦点是税收制度。自2017年税改以来，股票回购和股息在美国享有税收优惠，企业因此有了比加薪更合算的盈余使用方式。据标普全球数据，2024年标普500成分股公司的股票回购达到创纪录水平。从股东角度看，这种分配选择合乎理性。但它表明，生产率收益的分配是一套规则体系的产物，而非自动机制。

替代还是互补：重回核心的问题

专注于人工智能与劳动力市场研究的经济学家阿克塞尔·阿尔基耶在近期研究中提出：人工智能是在替代工人，还是在补充工人？答案因行业、任务和技能水平而异。2024至2026年的美国数据已可初步作出回答。

在专业服务和金融这两个NBER调查认定转型最大的行业中，人工智能目前主要发挥互补作用。它加速分析任务、缩短文件制作时间、提高预测精度。这些行业的就业岗位并未大规模消失，而是在转型。使用工具的专业人士产出增加，但人数并未按比例减少。这正是测得的生产率提升背后的机制。

但互补性也有其代价。收益集中在已具备高技能、高薪、且身处活跃行业的工人身上。对于从事物流、客服、数据录入等更常规任务的工人，替代压力更大。风险不是均质化的大规模失业，而是一种分化：掌握工具的人收益显著，无法接触工具的人则面临停滞或降级。正如我们在关于单一操作员新创业模式的文章中分析的，自主智能体以更尖锐的方式提出了同样的问题。

具体阻碍传导的三个机制

布鲁金斯学会的分析指出了当前美国背景下减缓收益传导的三个具体机制。

第一是培训投入不足。人工智能带来的生产率提升需要新技能。投资员工培训的企业既能提高生产率，也能提高留任率。但这种投资分布不均：大型科技和金融公司大规模培训，而雇用了大多数美国工人的中小企业投入少得多。这一差距拉大了捕获人工智能收益的工人与承受其冲击却未受益的工人之间的鸿沟。

第二是缺乏收益分享条款。在部分欧洲集体合同中，存在自动分享生产率收益的机制：绩效改善的一部分直接转化为工资增长或工时缩短。在美国，这类安排罕见，通常只保留在工会化程度较高的行业，如部分汽车制造业。对于绝大多数工人而言，个人谈判是常态，劳动力市场稍有松弛便会在结构上有利于雇主。

第三是资本投资的时序安排。企业部署人工智能工具时，会立即承担成本：许可证、基础设施、初始培训、内部重组。生产率提升了，但首先用于摊销投资，之后才能产生可再分配的盈余。这个周期不是人为操纵，是投资回报的正常逻辑。但它解释了NBER调查中观察到的两到四个季度的滞后，也说明再分配的窗口期终将到来——但需要公共政策提前介入，否则收益将再次被股东吸收。

可用的政策工具，有些已有成效

美国经济史提供了可参考的先例。二战后，工业机械化带来的生产率提升伴随着持续的工资增长。这种传导并非自发：它有赖于强大的工会、累进税制，以及充分就业带来的紧俏劳动力市场。条件已经变化，但政策工具仍然可以识别。

在税收层面，包括丹尼·罗德里克在其”好工作”研究中在内的多位经济学家，主张将激励措施转向投资员工而非股东的企业。将税收抵免与加薪或培训投资挂钩，是已在州一级试验过的工具。马萨诸塞州和华盛顿州测试了此类措施，根据初步评估结果有所成效。

在培训层面，关键在于覆盖范围。联邦政府资助的再培训项目规模，远不及当前转型的体量。布鲁金斯学会估计，公共职业培训投资需增加两倍，才能跟上人工智能在企业中的部署速度。拜登政府曾通过《芯片与科学法案》启动相关项目，这些项目在现任政府下的持续性仍不确定。

在竞争层面，联邦贸易委员会在莉娜·汗及其继任者主导下执行反垄断法，已开始审视受人工智能影响最大的行业的集中度问题。数字和金融服务领域更充分的竞争，将对工资产生上行压力。这个工具见效慢，但影响深远。人工智能智能体本身的治理也提出了类似的经济权力集中问题，正如这篇关于自主智能体治理挑战的文章所分析的。

1990年代的先例与今日的不同

卡尔·贝内迪克特·弗雷的研究表明，历次重大技术浪潮的分配效应各不相同。19世纪的机械化首先在数十年内压低了实际工资，然后才反弹。1980至1990年代的信息化破坏性较小，但加剧了技能不平等。2022至2026年的生成式人工智能有一点特殊：它触及的是高技能认知任务，而不仅仅是体力或常规任务。

这种向高技能层次的渗透，改变了所需的政策应对。当技术冲击低技能工人时，经典应对是职业培训和社会保障。当它触及中级职业和管理人员时，应对必须更复杂：向高关系价值和创造性任务转型、缩短工作时间、建立对数字工具的新型所有权形式。这些方向在美国公共讨论中已有声音，经济学家丹尼尔·萨斯金德和黛安·科伊尔均在思考数字时代的价值衡量与分享问题。但这些讨论尚未在联邦层面转化为立法。

人工智能带来的生产率提升是真实的、可衡量的，也可能是持久的。但其分配不会自动发生，取决于力量对比、税收规则、培训投资和谈判结构。盈余已经存在。现在的问题是：美国的制度能否在企业自定的两到四个季度窗口内，设计出让大多数人受益的机制——赶在这些收益被其他地方完全吸收之前。

来源

1. 布鲁金斯学会，”人工智能增长加速与分配公平”，https://www.brookings.edu/articles/ai-growth-acceleration-versus-distributional-fairness/
2. 美国劳工统计局，生产率与成本，https://www.bls.gov/productivity/
3. 亚特兰大联邦储备银行，工资增长追踪器，https://www.atlantafed.org/chcs/wage-growth-tracker
4. NBER，针对750名美国高管关于人工智能收益的调查，2026年3月，美国国家经济研究局（发布时URL不可用）
5. 托马斯·菲利蓬，《大逆转：美国如何放弃自由市场》，哈佛大学出版社，2019年
6. 丹尼·罗德里克，关于”好工作”和产业政策的研究，https://drodrik.scholar.harvard.edu/
7. 标普全球，标普500指数股票回购数据，2024年，https://www.spglobal.com/
8. 经合组织，关于集体谈判和生产率收益传导的报告，https://www.oecd.org/employment/
9. 美国劳工统计局2024年生产率，官方年度数据，https://www.bls.gov/opub/ted/2025/productivity-up-2-3-percent-in-2024.htm
10. NBER工作论文34984，针对750名首席财务官的调查，2026年3月，https://www.nber.org/papers/w34984
11. NBER工作论文34836，针对6,000名高管的调查，人工智能与生产率，https://www.nber.org/papers/w34836
12. 亚特兰大联储工资增长追踪器，https://www.atlantafed.org/research-and-data/data/wage-growth-tracker
13. 美国劳工统计局2024年工会会员数据，https://www.bls.gov/opub/ted/2025/union-membership-rates-highest-in-hawaii-and-new-york-lowest-in-north-carolina-in-2024.htm
14. 菲利蓬，《大逆转》，哈佛大学出版社，https://www.hup.harvard.edu/books/9780674260320
15. 布鲁金斯学会，人工智能与劳动力市场2026，https://www.brookings.edu/articles/research-on-ai-and-the-labor-market-is-still-in-the-first-inning/
16. 芝加哥联储——信息技术与生产率，1990年代，https://www.chicagofed.org/publications/chicago-fed-letter/2003/september-193