卓賢：AI、就業和社保

資料圖。本文來源：《財經》雜志 2026年第1期 1月5日出版

本賬號接受投稿，投稿郵箱：jingjixuejiaquan@126.com

AI、就業和社保

卓賢

國務院發展研究中心

社會和文化發展研究部部長、研究員

經濟增長與就業創造常被視為硬幣的兩面。

經濟增長與就業的關系正在發生改變

在工業革命之前的漫長農耕時代，低技術進步帶來低速增長，對應的是低人口增速和低就業增速，經濟增長幾乎等同于農業就業的增長。

工業革命突破了能源動力的束縛和生產要素既有組合方式，人類的生產邊界大大拓展，工業化和城鎮化依托規模經濟相互促進，工業品價格隨生產率提升而下降，工資水平隨生產率提升而上升，大規模生產與大規模消費形成正向循環，工業藍領崗位快速增加。

現代公司制度擴大社會分工協作的范圍，原本由一個企業內部完成的眾多生產環節（如物流運輸、市場營銷、法律咨詢）獨立出專業化企業，構成龐大的中間投入品和服務網絡，在提高經濟效率的同時，也使得科層制下的知識白領崗位大量涌現。在上世紀80年代個人計算機普及后，會計、文秘、分析師等信息處理類崗位增長較快。

家庭勞動市場化是就業創造的另一重要引擎。女性大規模進入就業市場，原本在家庭內部無償進行的勞動轉化為國民經濟核算上的市場化服務業，家政、餐飲、教育、娛樂等生活性服務業崗位被不斷創造出來。

在20世紀的大部分時間里，“經濟繁榮即充分就業”是工業文明塑造的一種社會認知，并成為當前諸多商業模式和社會制度的敘事邏輯和心理基礎。

21世紀前后發達經濟體經歷的數次“無就業增長”開始挑戰這一共識。最初的研究認為“無就業增長”出現在經濟危機之后，更多來自新創設企業增加設備投資，是一種周期性的異常現象，并未形成結構性的就業與增長關系變化。但后續研究表明，常規性認知和體力工作的消失并非漸進發生，而是集中在經濟衰退期。企業利用危機作為集中“清洗機制”，永久性地淘汰了可被自動化替代的中等技能崗位。當經濟復蘇時，這些崗位不會再回來，雖然服務業最終還是吸納了大部分勞動力，卻是以犧牲工資增長和工作穩定性為代價的。

綜合近年來國內外研究AI對就業影響的文獻，人工智能未造成大面積失業。不少研究還發現，盡管高AI暴露度行業的勞動者失業率確實在上升，但更低暴露度的勞動者失業率上升得更快。一種可能的解釋是，高AI暴露度的勞動者教育程度更高，再就業能力更強，受到的影響反而更小。為數不多證明高AI暴露度人群失業率更高的研究，主要使用大型語言模型來評估各類職業被人工智能替代的風險，即“人工智能告訴我們人工智能正在加劇失業”，但統計的顯著性也不高。

雖然對就業總量的影響并不明顯，但在當前的人工智能時代，就業與增長之間的關系已經表現出一些新趨勢，可概括為三個方面的“脫鉤”。

一是就業與投資脫鉤。在工業時代和服務經濟時代，無論是基礎設施投資還是機器設備投資，都能帶來可觀的直接和間接就業。在人工智能時代，科技企業以前所未有的速度進行資本深化，但就業創造效應在下降。與上一輪互聯網投資熱潮不同，AI時代的擴張模式從“輕資產、重人力”轉變為“重資本、重算力”，依賴于數據中心、能源網絡等物理基礎設施的高密度投資。微軟、亞馬遜、谷歌和Meta在2025年的資本支出總額預計將達到4000億美元，這一規模超過了許多中等國家的全年GDP（國內生產總值）。但科技企業同時實施人力資本緊縮策略，削減數十萬個就業崗位并凍結對畢業生的初級崗位招聘。不同尋常的是，這些行為發生在科技企業股價創歷史新高、營收增長強勁的背景下，反映了企業削減人力成本以釋放算力基礎設施投資資金的決策思路。

二是技術進步與人力資本提升脫鉤。以往勞動生產率的提升，既來自資本及其凝結于機器設備的技術貢獻，也來自“干中學”過程中人力資本提升的貢獻。在人工智能時代，勞動生產率的提升卻更可能來自該指標的分母（即“勞動力規模”）的下降，人力資本提升的速度遠遠趕不上AI技術進步的速度。

一方面，人力資本“干中學”的積累路徑變窄。過去，大學畢業生通過從事基礎性工作積累經驗，逐漸成長為高級人才。現在，AI越來越勝任初級分析師、初級程序員和初級文案等工作，一些就業崗位針對應屆畢業生的招聘需求下降。例如，傳統的律所模式依賴大量初級律師進行文件審查、法律檢索等工作，現在AI可以在幾秒鐘內完成這些工作，但離婚等案件需求并不會因為AI技術發展而上升，會導致律所大幅減少初級律師招聘。這不僅導致青年失業率的上升，還可能切斷長期以來很多類型人力資本提升的階梯——如果企業不再招聘初級員工，未來的高級專家從何而來？

另一方面，在技術和教育的競賽上，人力資本的線性積累速度跟不上技術進化的指數級速度。針對AI時代就業挑戰的一大藥方是終身教育。但教育模式的變革在AI技術進展面前并不是萬能藥，大部分勞動者的人力資本積累速度已難以追趕機器智能的進化速度。例如，當大學剛剛開設“提示詞工程”課程時，最新的模型可能已經不再需要提示詞優化。

三是勞動者工資與生產率提升的脫鉤。對美國就業市場的研究顯示，自20世紀70年代以來勞動生產率與實際工資的脫鉤一直在持續，而AI的加速應用可能擴大這一裂痕。在人工智能時代，AI推動初級代碼編寫、法律文書起草、基礎金融分析等非常規認知任務的常規化，高效率部門的超額利潤更多轉化為資本收益以及少數核心人才的薪資增長，留在高效率部門的輔助性崗位就業者不僅趨于減少，因其人力資本貢獻小于AI，薪資增長也不會與行業生產率提升保持一致。

傳統的“鮑莫爾式”生產率分享機制失效。Baumol提出的“成本病”理論指出，制造業等高生產率部門創造的超額價值會通過勞動力市場競爭（爭奪稀缺勞動力）或制度性安排（工會談判、最低工資等），溢出到醫療、護理、文娛等生產率增長緩慢的部門，從而實現全社會工資水平普漲。這種跨部門的工資傳導機制，維持了勞動力市場的相對均衡，也成為低效率部門從業者共享繁榮紅利的主要渠道。在AI時代，由于高效率部門不再需要更多崗位，無須通過不斷漲薪來維持勞動力隊伍，也就無法通過“工資示范效應”拉高全社會工資水平。當被AI替代的中等技能勞動者（如文員、翻譯、初級代碼員）流動到生產率提升較慢的服務業（如網約車、配送、基礎護理），出現勞動者供給大于需求，低效率部門勞動者工資隨高效率部門工資上升的機制被阻斷。

下降的AI成本壓低人類工資提高的“硬上限”。對于大量基于規則、邏輯分析、信息合成和模式識別的任務，AI提供了近乎無限的供給，這些領域的人力資本稀缺性被打破，相關技能的市場價格趨于下降。AI技術本質上是能源密集型的，如果智力的邊際成本最終收斂于能源成本，而能源成本隨著可控核聚變、高空風力發電、太空光伏等技術創新而繼續下降，人類完成既有任務的工資上限面臨持續下探的壓力。例如在某項任務中，當AI的部署成本下降到每小時5美元，那么原本只從事該單一任務工人的工資永遠無法超過5美元，無論其生產率提高了多少。

以穩定就業為基礎的社會保險體系面臨挑戰

基于AI對就業替代效應和創造效應發生的時點、速度和范圍的不同假設，不同機構的“水晶球”對AI影響未來就業的預測差異很大。例如，2020年以來世界經濟論壇對人工智能是否增加就業連續三次作出了相反判斷，對未來五年全球凈增和凈減崗位的預測差距達到9200萬。相比于就業總量的變化，本文更關注AI時代就業的結構性變化對社保的挑戰。

現代社會保險體系是大規模工業化時代的產物。無論是公共養老保險和醫療保險，還是失業保險、工傷保險或生育保險，其初衷都是實現“勞動者就業中斷風險”的社會化分散。因此，社保制度設計和就業貢獻之間強關聯，其持續運轉有賴于三大基石：人口紅利帶來的就業者增長、大工業生產形成的勞動關系標準化，以及生產力提升推動的工資收入增長。正是這三個條件在20世紀的歷史性交匯，使得社會保險制度在財務上具備可行性，在政治上具備操作性，成為國家管理社會風險的重要制度。

第一塊基石是有利的人口結構，這為社會保險提供了精算基礎。在社會保險體系下，人口增長本身被轉化為一種特殊的資產類別，代際轉移支付產生一種隱含的“生物回報率”，其水平甚至可以超越貨幣資本的積累。如果一個經濟體的人口增長率（n）與實際工資增長率（g）之和大于市場實際利率（r），那么引入現收現付制的社會保險體系將增加社會總福利。在二戰后的幾十年“黃金時代”里，嬰兒潮使得這種“無資本的回報”成為現實，參加社保不僅僅是一種強制性負擔，更是一種優于私人儲蓄的投資行為。有利的人口結構建立了有社會共識的社保代際契約，實現了養老風險管理從分散的家庭轉移到集中的社會供給。

第二塊基石是長期穩定的雇傭關系。與基于經濟狀況調查的社會救濟不同，現代社保體系強調權利與義務的對等，即待遇水平與繳費歷史嚴格掛鉤。這種設計的初衷是維持勞動者退休后的體面生活。長期穩定的雇傭關系使勞動者有清晰、連貫的收入流，保證了“退休待遇”與“勞動貢獻”掛鉤的可能性。高度組織化的雇傭關系不僅創造了穩定的中產階級，還使得工人的收入變得透明、可計算且易于扣除。這就將現代企業制度轉化為國家能力的延伸，讓企業轉化為國家工資稅（費）汲取的代理，提高了社保基金征繳的行政效率，擴大了其覆蓋范圍。

第三塊基石是勞動者工資與生產率同步增長。工資與生產率的同步增長確保社保繳費基數的內生性擴張。在人口結構和征繳機制確定的情況下，社保待遇水平的提升和基金的償付能力，從根本上取決于繳費基數的增長速度。即使出現人口老齡化，當n出現下降甚至負值，如果實際工資增長率g維持較高增長，社保福利水平也能隨社會總財富的增加而自然提升。“二戰”后的30年里，西方國家經歷了生產率增長的黃金期，高工會化率確保生產率提升轉化為工資增長，形成生產率收益廣泛分享的良性循環。人口紅利疊加生產率紅利形成的復利增長，使得每一代人只需繳納收入的一小部分，就能供養上一代人過上比他們年輕時更好的生活。

現代社會保險體系是人類社會通過理性設計來駕馭工業化風險的制度安排。它成功地將三個特定的宏觀歷史條件內化為制度運行的參數，增加了社會凝聚力，提高了經濟與社會穩定性。但20世紀末以來，人口老齡化撼動了第一塊基石的精算邏輯，第二塊和第三塊基石在人工智能技術的躍遷中也面臨挑戰。

人口老齡化對第一塊基石的沖擊多有論述，本文不再贅述。但需要指出的是，老齡化對社會保險體系的影響是漸進且可預測的，而人工智能的進展是非線性和指數級的，可能會對既有社保模式的第二和第三塊基石產生速度更快、范圍更廣、規模更大的挑戰。

首先，人工智能會改變工業文明的生產組織模式和企業形態，使得原有的正式雇傭關系碎片化，動搖第二塊基石。

一方面，人工智能降低市場交易成本，推動知識白領零工化。如果市場是有效的資源配置機制，為什么還會存在企業？科斯的答案是：市場交易存在搜索、議價、締約、監督等成本。當企業內部的組織成本低于外部市場的交易成本時，企業便隨之產生并擴張。隨著AI技術在勞動力市場平臺的應用，“按任務雇傭”（Hiring by Task）的交易成本相對于“按崗位雇傭”（Hiring by Job）變得微不足道，工作的基本單元逐漸會從一攬子長期、模糊的任務集合的“崗位”（Job），轉變為單一、明確、短期交付的“任務”（Task），甚至出現所謂的“科斯奇點”。在科斯奇點下，大量原本屬于企業的核心任務可以外包出去，甚至出現“一人公司”，企業原有長期穩定雇傭的工人變為外包人員。全球自由職業者平臺Upwork和Fiverr等的財報顯示，大型企業正在系統性地用高技能自由職業者替代全職員工。如果作為社保征繳核心節點的“企業”被知識性任務的“交易網絡”所取代，更多辦公室白領崗位從固定雇傭轉向零工的可能性就會提高。

另一方面，人工智能減少企業內部協調成本，有可能形成“中層塌陷”。傳統企業中，中層管理者的核心職能是信息傳遞、任務分配和流程監控。AI智能體開始在缺乏人類持續干預的情況下執行復雜工作流，并以極低的成本完成這些協調工作。這可能導致企業組織架構的扁平化，高層領導者可以直接監管更多的業務單元，負責協調任務和信息處理的中層管理人員不再不可或缺。Gartner預測，到2026年，20%的組織將利用AI來扁平化組織結構，一半以上的中層管理職位將不再需要。

以上兩方面，都會使得零工經濟從現在的建筑業、制造業和外賣、快遞等生活服務業領域，發展到知識白領為主的生產性服務業，出現更大規模的非長期雇傭關系，導致社會保險繳費的雇主責任下降，勞動者個人繳費責任和風險暴露度上升。

再者，如果人工智能超大規模的資本深化以現有方式持續，國民收入分配向資本所有者和少數高技能者傾斜，將動搖第三塊基石。

人工智能可能使中等收入群體的工資收入難以和生產率提升同步。社會保險體系資金的主要來源是龐大的中等收入群體。與歷次工業革命主要替代藍領體力勞動不同，生成式AI加速了非常規認知的常規化，讓中高級認知能力變成了可以工業化復制的服務，主要沖擊的是受過高等教育、從事認知型工作的白領階層，而這一群體工作穩定、工資較高且合規繳納率高。

勞動者報酬比重下降會導致社保稅基相對規模下降。經合組織和國際勞工組織的數據都顯示，數字化程度最高的行業中，勞動收入占增加值的份額呈現加速下降趨勢。這意味著技術進步帶來的紅利更多流向了擁有算法、數據和算力的資本所有者。由于高收入者在公共基本養老保險、醫療保險、失業保險等繳費時有上限，這部分人收入的進一步增長對社保基金的貢獻幾乎為零。如果AI時代資本深化導致勞動收入份額特別是中等收入群體的收入份額減少，社保稅基相對于經濟總量的比重將下降，經濟增長將無法轉化為社保基金的同步增長。

在人工智能時代構建就業友好型發展方式

技術本身是中性的，但技術創新并非天然導向于人類福祉。如果人工智能的目的是提高人類潛能和增加生命質量，而不是“如何用機器取代人”，前文所述挑戰都將迎刃而解，并能以技術紅利彌補人口紅利消失。例如，歐洲醫療技術行業協會估算，AI在醫療領域的廣泛應用有望為歐洲醫療系統每年節省1700億至2100億歐元，其中僅可穿戴AI設備一項每年就能節省約500億歐元，直接減輕醫保基金在藥品采購上的壓力。再如，解決養老金危機的重要途徑是增加繳費年限。AI技術可消除老年人參與勞動力市場的生理和認知障礙，讓年長員工專注于需要判斷力、同理心和復雜決策的高價值工作，降低工作疲勞度，使老年人可選擇從全職工作過渡到兼職工作的“漸進式退休”方式，而不是突然切斷收入來源。

但當前至少有四方面因素使得人工智能的創新方向不利于就業和社保。一是資本驅動的“圖靈陷阱”。斯坦福大學的Erik Brynjolfsson提出“圖靈陷阱”的概念，指出當前AI研發過度專注于“像人一樣思考和行動”，發展的是“類人智能”，而非增強人的能力。這是資本驅動下的創新對稀缺性反應的結果。價格作為稀缺性的信號，指揮著技術變遷的方向，使得創新傾向于替代那些規模巨大且價格較高的要素。在發達經濟體，這就使創新引向替代高成本的勞動力。二是地緣經濟助推勞動節約型創新路線。近年來在地緣經濟的影響下，發達經濟體推動產業回流，但又面臨嚴峻的熟練勞動力短缺問題。為避免跨境投資、移民政策、關稅政策等的不確定性，企業將技術投資的重心轉向“勞動節約型”方向。三是比特世界的無盡需求加劇原子世界的稀缺。AI技術的創新無法直接打破原子的稀缺，土地、淡水、鋰鈷等關鍵礦產的物理約束依然存在，經濟增長的稀缺性轉移到能源、環境容量、關鍵原材料上。從就業的角度來看，這些都是勞動力稀薄型領域，若加速開發，還可能會造成人工智能與人類福祉競爭稀缺資源的問題。四是AI4Science的創新局限。一項分析了生物學、化學、地質學、材料科學、醫學和物理學等六大領域6700萬篇論文的研究指出，雖然AI工具提高了科學家的個體產出，但它導致了科學研究選題的收斂，即科學家們傾向于研究AI容易處理的數據豐富的領域，而通過AI難以建模的數據稀缺或邊緣領域則被忽視。這種傾向可能導致科學發現的廣度收窄，也降低了以突破性創新開拓人類需求和就業空間的可能。

技術進步具有路徑依賴，一旦某種技術范式占據主導地位，整個社會的工程能力、基礎設施和認知習慣都會圍繞其構建并自我強化，將發展方式“鎖定”在特定軌道上。“十五五”規劃建議提出“構建就業友好型發展方式”，并明確要“完善就業影響評估和監測預警”，以應對“新技術發展對就業的影響”，這是高質量發展和高質量充分就業的統一，對引導人工智能技術走向正確的發展方向具有重要意義。

與美國將大部分增量創新資源押注在AI的訓練層和推理層不同，中國提出的“人工智能+”行動方案強調技術的大規模應用，創新資源在AI的訓練層、推理層和應用層上分布得更加均衡。這不僅能縮短技術創新的投資回報周期，還有利于通過創設生產、消費、流通等環節的AI應用場景來增加就業。而且，中國的勞動力成本遠低于美國，AI替代勞動力的收益并不算高，更有余地通過公共政策推動AI技術“向善”發展。除了已布局的常規政策，本文提出幾個可供討論的政策建議方向。

關于“機器人稅”。由于一些國家對自動化設備提供稅收抵扣或加速折舊政策，而對勞動力征收含社保的高額工資稅，這實際上補貼了用AI技術替代人工的行為。雖然很多研究提出機器人稅的建議，但目前各國尚無政策實踐。常被誤稱為實施“全球首個機器人稅”的韓國政府，并非直接對機器人征稅，而是縮減了企業投資自動化設備的稅收抵免。機器人稅在理論上能內化AI發展的社會成本（如失業），減緩過快的就業替代，但在操作上面臨定義難題。比如什么是機器人，對AI技術改善后的Excel需不需要征稅等？更有可能的操作路徑是，根據AI技術類型實行差別化稅率：對輔助工人的外骨骼、增強現實眼鏡等“勞動增強型”技術給予稅收抵免；對單純替代勞動的技術不予以稅收優惠或適度征稅。

關于“稅費協同”的社保融資方式。與德國、法國等歐洲大陸國家主要依賴雇主和雇員繳費的模式不同，丹麥等國選擇以一般稅收為主要資金來源的道路，其社會保障融資中繳款比重較小。日本是世界上老齡化最嚴重的國家之一，其在2019年將消費稅率從8%提高至10%，并明確提高的消費稅收入專款專用于養老、醫療和護理等社會保障支出。雖然丹麥的社保融資結構和日本的社保改革的初衷并不針對AI沖擊，但“稅費協同”的社保融資方式能讓AI創造的財富紅利回流至社會保障網，緩解社保三大基石面臨的沖擊。至于具體的稅種，從一些國家的政策實踐看，增值稅（或消費稅）、環境稅和資本利得稅是可選項，一些研究機構還提出征收AI“超額利潤稅”。

關于主權AI基礎設施。若AI算力如一些研究所說會成為未來的貨幣，那么掌握AI基礎設施即掌握了未來的鑄幣權。構建“主權AI基礎設施”不僅是國家安全問題，也可能成為社保融資的新渠道。英國、法國、加拿大和新加坡等國正在投資建設國有的“國家研究云”或主權AI計算集群。通過國家投資持有核心算力基礎設施，政府可以直接捕獲未來AI產生的經濟租金。在AI大規模商業化應用之后，這一“AI紅利”可以發揮類似當前挪威石油基金的作用，直接注入社會保障體系，實現從“向勞動征稅”到“向AI分紅”并重，讓社會保障體系分享AI帶來的資本增值。

關于AI時代的人力資本積累方式。歐洲智庫Bruegel的一項研究發現，在AI相關職位信息發布中，提及大學學位的比例下降了23%，而提及具體技能的比例大幅上升。在基礎教育和高等教育階段，由于特定專業背景和技能的半衰期縮短，教育必須轉向培養“元認知”能力、批判性思維和跨學科的系統整合能力。在青年就業方面，隨著AI接管初級工作，原本“干中學”的人力資本路徑收窄，必須設計新的畢業生見習激勵機制。可考慮由財政資金補貼初入職場青年的工資或代繳社保，鼓勵企業雇傭青年，并在工作中開展和AI共同成長的人機協作。■

掃碼入群可參加全年至少12場精彩閉門研討