探索家庭采用和使用生成性人工智能：来自意大利的新证据（英）

探索家庭对生成式人工智能的采用和使用：来自意大利的新证据 由Leonardo Gambacorta、Tullio Jappelli和Tommaso Oliviero 货币和经济部 2025年10月 JEL分类：D10，O33 关键词：生成式人工智能，家庭调查。 货币与经济工作文件是由该机构的成员编写的。国际清算银行 BIS 部门，以及不时由其他经济学家撰写，并由该银行出版。这些论文的主题是当前感兴趣的话题，并且具有技术性。本出版物中表达的观点是作者的观点，并不一定反映国际清算银行或其成员中央银行的看法。 本出版物可在BIS网站（www.bis.org）上获得。 © 国际清算银行 2025。版权所有。在注明出处的情况下，可部分复制或翻译。 探索家庭生成式人工智能的采用和使用：来自意大利的新证据 Leonardo Gambacorta，Tullio Jappelli，Tommaso Oliviero L 摘要 我们呈现了 2024 年意大利消费者预期调查（ISCE）中的专门模块关于生成式人工智能（gen AI）的研究结果，该调查使用了具有代表性的意大利个体样本。这项分析为当前和预期的与 genAI 工具的交互以及采用带来的潜在益处提供了新的见解。截至 2024 年 4 月，18 至 75 岁的意大利人口中 75.6% 的人了解 gen AI，36.7% 的人在过去的 12 个月内使用过它，20.1% 的人报告每月使用。社会经济因素对采用率有显著影响，男性、拥有大学学位的人和年轻人（尤其是学生）的使用率更高。展望未来，预计在接下来的几个月里，gen AI 将更多地用于教育和休闲活动。最后，使用明瑟收益回归分析，我们强调与 gen AI 使用相关的收入回报率约为 2%。 JEL分类：D10；O33。 关键词：生成式人工智能；家庭调查。 这项研究得到了欧盟 - 欧盟下一代计划的支持，该计划是GRINS - 增强弹性、包容性和可持续性项目框架的一部分（GRINS PE00000018 – CUP E63C22002140007）。Leonardo Gambacorta隶属于国际清算银行（BIS）和CEPR。Tullio Jappelli和Tommaso Oliviero隶属于那不勒斯费德里克二世大学和CSEF。我们感谢ESPE年度大会（2025，那不勒斯）、GRINS 3号分会场线上研讨会参会者。本项目表达的观点是作者的观点，不一定反映国际清算银行和欧盟的观点。 1. 我roducgtion nt 现代生成式人工智能（简称gen AI）的广泛可用预计将对我们的社会产生深刻的社会经济影响。自2022年底以来，ChatGPT和Google Gemini等工具已免费提供，影响了购物、个性化金融和医疗建议、信息获取和教育等日常活动。1此外，生成式AI工具的采用可以改变劳动力市场的供需双方的就业条件。与早期的颠覆性技术（如个人计算机和互联网）相比，生成式AI的采用速度更快 (Bick等人，2024)。出于这些原因，人们日益关注调查个人使用生成式AI的程度。使用生成式AI的是谁？他们使用多少？他们使用它做什么？使用AI的潜在回报是什么？本文探讨这些问题。 本文通过呈现一项全面的、具有全国代表性的意大利基因人工智能采用调查的结果，为文献做出了贡献。我们的数据来源于一项全国性调查，即意大利消费者预期调查（ISCE）。该调查与国家就业和收入估计进行基准化，以确保其代表性（Guiso和Jappelli，2024）。在先前的研究中，类似结构的意大利家庭调查已被用于研究意大利家庭对COVID-19大流行的反应（Immordino等人，2022，2024）。 为了研究生成式人工智能的用户，ISCE 第三波调查包含了一个额外的专项模块。该模块询问了受访者对生成式人工智能的知识、使用情况以及在不同社会经济环境下的潜在使用情况。在下文中，我们利用这些信息来调查这些方面是否因年龄、性别、教育程度和收入等因素而在不同家庭之间有所差异。我们还分析了生成式人工智能的使用对收入回报的影响。2 数据显示，2024年4月，75.6%的18至75岁的意大利人口了解生成式人工智能工具，大约37%在过去12个月内至少使用过一次。生成式人工智能工具的使用在工作之外更常见，但使用强度较低。其中三分之一 受访者中有32.7%的人表示他们在工作之外使用了通用人工智能，但只有6.4%的人每天都在工作之外使用它。我们发现，男性对通用人工智能的意识比女性高出大约8个百分点；在意识的基础上，男性比女性更有可能在调查前一年的某个时间至少使用过一次通用人工智能工具，高出大约7个百分点。这一通用人工智能工具采用方面的显著性别差距证实了相关研究的结果，该研究利用了2024年初联邦消费者预期调查中插入的类似调查问题（Aldasoro等人，2024b）。我们发现，在考虑社会人口统计和个人特征的情况下，通用人工智能工具的意识和使用方面的性别差距仍然存在，这一结果与奥蒂斯等人（2024）的研究结果一致，他们发现，即使在为他们提供均等的使用机会的情况下，男性使用通用人工智能的可能性也显著高于女性。 除了性别之外，教育和年龄的差异可以解释知识和采用上的差异（Aldasoro等人，2024a）。年轻人和受过大学教育的人更有可能将生成式人工智能视为提升就业前景的机会（Aldasoro等人，2024b）。年龄和教育的角色在学术环境中也很明显，在那里，学生和年轻人群体的AI采用率更高（Yusuf等人，2024）。我们的结果表明，不同年龄和教育群体在AI知识和使用方面存在显著差异。年轻人（尤其是18-34岁的人）和受教育程度较高的人也更有可能了解和使用AI。年轻人和老年人之间的明显差异反映了在其他环境中发现的“数字鸿沟”，这种鸿沟可能源于老年人对新技术感知的有限益处（Doerr等人，2022；Armantier等人，2024）。在其他社会人口特征的条件之下，较高的收入也与更高的AI意识和使用相关联，尽管效应相对较小。 生成式人工智能应用在教育界和职场中越来越多地被使用，有潜力提高生产力和效率。在教育领域，学生报告了使用人工智能工具进行语法检查、剽窃检测、语言翻译和文章大纲制作的积极体验（Malik 等人，2023）。这些工具可以增强学生的写作能力和对学术诚信的理解。然而，人们仍然担心它们对创造力、批判性思维和道德写作实践的影响。认识到评估教育中生成式人工智能工具的知识和使用的重要性，我们的研究表明学生表现出高度的认识和使用。相比之下，教师表现出较低的认识，但在认识的前提下，有相当高的采用和使用率。 我们发现，居住在较大的城市对人工智能意识和使用的影响很小且在统计学上不显著。如同任何新兴的开放技术一样，生成式人工智能工具的采用在某种程度上取决于社会信任（Brockman等人，2018年）。然而，与许多先前技术不同，生成式人工智能具有影响个人在更广泛社会环境中行为的独特潜力（Klockmann等人，2022年；2025年）。在我们的分析中，开放创新和社会活动的积极参与与采用生成式人工智能工具的可能性呈正相关。 总体而言，这些发现强调了人口和社会经济因素在塑造人工智能意识和使用方面的重要性，突出了可以通过有针对性的干预措施来鼓励更广泛采用，特别是在老年人群体和受教育程度较低的个人中。 关于通用人工智能工具发展中的一个备受争议的方面是它们对就业和工作条件的影响。文献表明，由于工作相关原因，在采用通用人工智能工具后，劳动生产率提高（Brynjolfsson等人，2023年；Peng等人，2024年），但对不同工人的影响存在显著异质性。例如，Noy和Zhang（2023年）的一项最近实验记录了ChatGPT提高了中级专业写作任务的平均生产率，减少了写作任务所需的时间并提高了输出质量。类似地，使用GitHub Copilot等人工智能工具也能提高生产率3以及其他生成式人工智能应用在软件开发任务中可提高多达26%（崔等人，2024年），针对战略咨询量身定制可提高约25%的生产力（德尔阿夸等人，2023年）；企业采用和使用人工智能也被证明可提高多个行业中的生产力（查尔尼茨基等人，2023年）。这些发现说明了通用人工智能在提高不同职业效率方面的广泛应用。 利用我们的数据，我们通过分析人工智能使用对收入的影响来估计人工智能的回报。具体来说，我们将一种明瑟式收入回归应用于2700名就业受访者的子样本。我们的结果表明，人工智能的使用与收入增加1.8-2.2%相关，相当于多接受半年的教育，并且是20世纪90年代初计算机使用回报的十分之一（Di Nardo和Pischke，1997）。这一估计影响在不同的包含行业和职业固定效应的模型中保持稳健，并且对男性来说略高。 表明人工智能的采纳可能会加剧性别工资差距。尽管人工智能的采用给个人带来了显著收益，但人工智能的接触与更广泛的经济指标之间的关系，例如总工资增长和就业，仍然没有定论，一些研究报告了有限的总影响（Acemoglu，2025年），而另一些报告了更显著的影响（Baily等人，2023年；Briggs等人，2024年；Filippucci等人，2024年）。 本文结构如下。第二节介绍了ISCE。第三节呈现了影响基因人工智能认知和使用因素的实证分析。第四节提供了与基因人工智能使用相关的收入回报估计。最后一节总结了主要发现并讨论了其政策启示。 2. 调查 我們關於人工智能的數據來自對意大利消費者期望調查（ISCE）的回答，這是一項代表18至75歲年齡段的意大利居民人口的旋轉組合調查。該調查於2023年10月以及2024年1月、4月、7月和10月進行。作為季度性調查，它收集了關於人口統計變量、收入、財富、消費以及對微觀經濟和宏觀經濟變量的期望數據。每次調查波次約包含5,000個個體觀察值，為分析提供了一個堅固的數據集。 ISCE建立在两个突出的国际在线高频调查基础上，这些调查收集关于已实现结果和预期、偏好以及认知的信息。纽约联储消费者预期调查收集有关消费者对通货膨胀、就业、收入和家庭财务的看法和预期的数据。类似地，欧洲央行消费者预期调查每月从11个欧元区经济体中的约20000人收集家庭预期数据。ISCE与这些调查的结构保持一致，确保高质量数据收集和结果的可比性。 ISCE抽样方案借鉴了意大利中央银行家庭收入和财富调查（SHIW）中使用的 methodologies。样本按居住地区（东北、西北、中部、南部）、年龄组（18-34岁、35-44岁、45-54岁、55-64岁、65岁以上）、性别、教育程度（大学学历、高中学历、中学以下学历）和职业（就业、失业）分层。数据采集采用计算机辅助网络访谈 (CAWI)。各轮次的平均响应率为33%，与类似的月度高频调查相当。样本权重被应用于确保代表性的人口描述性统计。有关调查设计、样本结构和与SHIW的比较的详细信息，请参见ISCE统计公报（参见Guiso和Jappelli，2024年）。 问卷包含一个每季度执行的稳定核心部分，以及轮换的特殊部分。对于我们研究而言，我们关注人口统计学和经济背景变量，以及2024年4月（第三波）的特殊部分，该部分调查人工智能相关主题。具体而言，2024年4月的ISCE包含关于人工智能知识、使用方式和使用目的的问题。一个问题要求受访者使用1-7分的量表评估他们对人工智能工具（例如ChatGPT或Gemini）的熟悉程度。第二个问题询问过去12个月内使用人工智能的频率，范围从“从未”到“每周多次”。这些数据被转换为年度使用指标（例如，每年的使用天数）。最后一个问题使用1-7分的量表评估受访者在不同领域（工作、财务咨询、医疗咨询、教育或培训、休闲）使用人工智能的可能性。为了减少框架效应，这些问题以随机顺序呈现，以确保无偏见的回答。调查问题报告在附录A中。 表1提供了该数据集关键描述性统计的概述。样本包括5005名受访者，其中按各种人口学、教育程度和地区特征进行细分。数据显示