AI 与就业的冲突，怎么缓？——Acemoglu 的任务框架与中国证据的对照

一、先统一语言：技术消灭的是任务，不是职业

Acemoglu 与 Restrepo 的任务框架（task-based framework）是理解 AI 就业效应的起点。它不把“劳动”当作同质要素，而是把任务作为分析单位：技术进步的作用，是改变“哪些任务由机器做、哪些由人做”的边界。在这个框架下，技术对劳动有三重效应——

• 替代效应（displacement effect）：机器接管原先由人完成的任务，直接压低对劳动的需求；
• 生产率效应（productivity effect）：自动化降低成本、扩大需求，间接带动其他任务和行业对劳动的需求；
• 复原效应（reinstatement effect）：新技术创造出人类有比较优势的新任务，把劳动“请回”生产过程。

有意思的是，王永钦、董雯（2023）用的正是同一套语言：替代效应、生产率效应、新工作创造效应——第三个就是 reinstatement 的中文版。两边的术语几乎可以一一对应，这不是巧合：任务视角已经成为劳动经济学讨论技术冲击的通用语法。

关键推论：净就业效应是三者之和，不是一个常数。只盯着替代效应看，得到的是“AI 消灭工作”；只盯着复原效应看，得到的是“市场自会解决”。两种极端叙事都只讲了三分之一的故事。

二、最该警惕的不是最强的 AI，而是“平庸技术”

Acemoglu 提出过一个反直觉的概念：“so-so technologies”（平庸技术）。指那些刚好“值得企业采用”、但生产率提升微小、几乎不创造新任务的技术——有替代效应，无复原效应。典型例子：自助结账机、航空公司的自动语音菜单。它们替代了收银员和接线员，但企业没有理由因此多雇人，也没有理由给其他工人加薪。

这个概念的政策含义很锋利：就业冲突最严重的，往往不是最先进的 AI，而是那些“只够替代、不够创造”的自动化。前沿大模型至少还伴随生产率跃升和新职业涌现；平庸技术则是纯粹的“省人工”，社会为此付出的调整成本，换不回相应的生产率红利。

出处标注：该概念见于 Acemoglu 与 Restrepo 的 “Automation and New Tasks”（Journal of Economic Perspectives, 2019）及 “Unpacking Skill Bias: Automation and New Tasks”（AEA Papers and Proceedings, 2020），经 MIT News 2020 年报道后广为流传。学界转述中对其首次出处的归属有两种说法，此处并列标注。

落到中国语境：各地“机器换人”补贴的甄别标准值得一问——补的究竟是真正提升生产率的自动化，还是只省人工的平庸替代？前者值得鼓励，后者是在用公共资金加速就业冲突。

三、诺奖得主泼的一盆冷水：AI 的宏观影响其实温和

Acemoglu 在 2024 年的工作论文 “The Simple Macroeconomics of AI”（NBER Working Paper 32487）里算了一笔账：未来 10 年，只有约 5% 的任务能被 AI 以经济上划算的方式自动化；全要素生产率累计提升约 0.66%，GDP 累计提升约 0.9–1.6%。他自己的评价是 “nontrivial but modest”——不可忽视，但温和。

这与他和 Simon Johnson 在《Power and Progress》（2023）里的论点一脉相承：“productivity bandwagon”（生产率红利自动转化为工资上涨）是个迷思。技术进步不会自动带来广泛繁荣，共享繁荣只在社会主动引导技术方向、制衡权力分配时出现。换句话说，真正的战场不在“AI 有多强”的总量问题，而在分配和方向。

这对缓解冲突意味着什么：恐慌和狂热都过头了。既然宏观冲击温和，政策就不必在“堵技术”和“放任”之间二选一，而可以把火力集中在两个精准目标上——被替代最集中的群体，和技术研发的方向。

四、中国的证据：极化来了，但和美国不一样

王永钦、董雯（2023）用中国正式公布的三版《中华人民共和国职业分类大典》（1999、2015、2022 年）建了一个长期职业变迁数据库，测度任务结构、任务密集度与新工作创造。2010 年以来的中国劳动力市场，呈现出三个特征：

1. 制造业内部的“就业极化”。以常规任务为主的中等技能职业就业占比收缩，高技能和低技能职业扩张——但极化集中在制造业内部，全行业层面尚不明显；
2. 总体仍是高技能化趋势。无论制造业内部还是全行业，高技能行业就业增长更快——这一点与美国“高技能职业增速放缓”形成对照；
3. 新职业分布不对称。以常规型、程序化任务为主的中等技能职业，新工作创造效应相对较小；常规任务型职业工资增长受负面冲击，但尚未出现美国式的长期下降。

用 Acemoglu 的语言翻译：中国的替代效应真实存在（制造业极化），但复原效应（新工作创造）的不对称分布，决定了哪些群体真正承压——常规任务密集度高的生产制造岗位，一边承受强替代、一边新工作创造弱，正是论文所说的“高风险暴露度群体”。

五、对照：同一套任务语言，两种答卷

这张表的价值在于：它说明任务框架不是美国特产——在发展中国家同样成立，只是答卷不同。中国的版本里，替代效应的“震中”更集中（制造业），复原效应的“盲区”更明确（中等技能常规岗位），这恰恰给政策指明了靶心。

六、怎么缓：四条路

把两边的理论和证据合起来，缓解 AI 就业冲突不是一句“加强培训”能概括的，而是四条各有靶心、可操作的路：

1. 别补贴“平庸自动化”：让税制不再偏袒机器。Acemoglu、Manera 与 Restrepo（2020）在 “Does the US Tax Code Favor Automation?”（NBER Working Paper 27052）中指出，美国税法对资本（自动化设备与软件）的实际税负轻于雇佣劳动，人为刺激了过度自动化（亦见《Power and Progress》第 287 页）。中国语境下的对应动作：对“机器换人”补贴做甄别——投向真提生产率的自动化，而不是只省人工的平庸替代。
2. 把研发投向“机器有用性”，而不是“机器智能”。Acemoglu 与 Johnson 在 2023 年《纽约时报》专栏里写下关键一句：“rather than machine intelligence, what we need is ‘machine usefulness,’ which emphasizes the ability of computers to augment human capabilities”（我们需要的不是机器智能，而是“机器有用性”——增强人类能力）。Acemoglu、Autor 与 Johnson（2023）在 CEPR Policy Insight No. 123《Can We Have Pro-Worker AI?》中进一步主张用公共研发把 AI 引向增强劳动者。对应王永钦、董雯的分类：培养“技术互补型”人才，而不是让“易被替代型”劳动者自生自灭——职业教育与终身培训体系是这条路在中国的载体。
3. 给高暴露群体托底：精准的安全网。常规任务密集型生产制造岗位是第一波冲击的承压面。对这类群体，泛泛的社会保障不够，需要精准设计：失业缓冲期（提前告知＋过渡期＋转岗支持，此前拆解国办 29 号文的一篇已详述）、灵活就业与新就业形态的社保覆盖、失业保险的覆盖面与精准度。目标是把“断崖”摊成“缓坡”。
4. 让劳动者参与技术部署的决策。这是《Power and Progress》全书的主线，也是 CEPR Policy Insight No. 123 的政策主张之一：技术方向是可选择的，不是注定的；劳动者的话语权决定 AI 是“替人”还是“帮人”。在中国语境下，这对应着企业层面的协商机制与职工参与渠道——方向对了，替代与创造的速度差才会朝着有利于就业的一边移动。

四条路的共同逻辑：Acemoglu 的框架告诉我们“机制在哪”，王永钦、董雯的证据告诉我们“靶心在哪”。前者管方向（别补贴平庸自动化、投向增强型技术），后者管对象（高暴露群体、常规任务密集型岗位）。两边缺一不可。

写在最后

缓解 AI 就业冲突，靠的不是拦住技术，而是管住方向：少补平庸自动化、多投增强型技术、给高暴露群体托底、让劳动者在技术部署中有席位。王永钦、董雯的中国证据，补上了 Acemoglu 理论里最缺的一块拼图——在发展中国家，这套任务语言依然成立，只是答卷不同：极化更集中，复原更不对称，靶心也因此更清楚。

而对于每一个担心被 AI 触碰到岗位的人，这两套研究给出的答案是一致的：决定你处境的不是“AI 有多强”，而是“你做的任务离常规化有多远”——离得越远，越安全；离得越近，越值得现在就开始向“技术互补型”移动。

此前一篇《在替代与创造之间：国办 29 号文与就业友好型 AI 变革》从政策文本角度拆解了“就业友好型”的制度设计，本文是其理论对照篇；关于王永钦教授 2020 年机器人与中国劳动力市场的研究，可与其 2023 年这篇对照阅读。