拥抱人工智能：意大利和美国家庭的比较（英）

拥抱生成式人工智能：意大利与美国家庭的对比 由大卫·洛希亚沃，奥利维耶·阿尔曼蒂耶，安东尼奥·达拉·祖阿纳，莱昂纳多·甘巴科尔塔，米克奥·莫斯卡泰利和伊拉里娅·苏皮诺 货币经济部 2026年1月 关键词：生成式人工智能，技术采纳，跨国比较，社会人口因素，对技术的信任，文化态度 BIS工作论文由国际清算银行货币和经济部门成员撰写，有时也由其他经济学家撰写，并由该银行出版。这些论文涉及当前感兴趣的主题，具有技术性。本出版物中表达的观点是作者的观点，不一定反映BIS或其成员中央银行的看法。 本出版物可在国际清算银行网站（www.bis.org）上获得。 拥抱GenAI: 意大利和美国家庭的比较∗ 大卫·洛斯卡瓦诺1, 奥利维尔·阿芒蒂耶2, 安东尼奥·达拉·祖阿纳1, 列奥纳多·加姆巴科尔塔3，米罗·莫斯卡泰利1，以及伊拉里亚·苏皮诺11意大利银行2经济科学学院 - 查普曼大学3国际清算银行和CEPR 摘要 本文探讨了美国和意大利的居民对生成式人工智能（GenAI）的采用情况，利用调查数据来比较使用模式、人口统计影响以及就业部门组成效应。我们的研究结果表明，美国的采用率更高，这是由两国社会人口统计差异推动的。尽管意大利使用GenAI较少，但他们对其改善生活质量和经济状况的潜力更加自信。意大利和美国用户都倾向于比人工操作服务更不信任GenAI工具，但在使用GenAI工具处理个人数据时，意大利人报告对政府和机构的相对信任度更高。 1 引言 生成式人工智能（GenAI）的发展，特别是2022年末ChatGPT的推出，标志着技术的转折点。GenAI能够执行复杂任务，从生成类人文本到协助创意、教育和专业活动。GenAI持续学习、适应和生成内容的能力促使其快速传播，其传播速度超过了之前的科技采用浪潮，例如电力、计算机或互联网（国际清算银行，2024）。例如，ChatGPT本身不到一周就达到了一百万用户。正如用户快速采纳GenAI一样，各经济部门的企业也迅速将GenAI整合到日常运营中（Singla等人，2024）。 多项研究已记录了与生成式人工智能（GenAI）采用相关的生产力提升（Brynjolfsson 等人，2023年，Noy和张，2023年，彭等人，2023年，崔等人，2024年，Dell’Acqua 等人，2025年）。然而，尽管生成式人工智能具有变革潜力，但其采用在不同国家之间存在显著差异，反映了数字基础设施、收入水平、人力资本、文化态度和技术准备程度上的不同（刘等人，2025年，Calvino 和 Fontanelli，2023年）。了解导致公众采用生成式人工智能的因素对政策制定者、企业和研究人员至关重要，因为这些因素可以揭示技术扩散的潜在驱动因素，以及可能阻碍公平获取和利用的障碍。在这种背景下，使用调查的比较研究尤其有价值，因为它们可以在不做特定假设的情况下突出“直接”差异，专注于多样化的社会和经济条件如何影响生成式人工智能融入日常生活。 本文是首次比较两个发达经济体家庭在GenAI采用方面的研究，依据来自美国和意大利的可比调查数据。这两个国家形成了引人注目的对比：美国是全球AI创新和快速技术采用的领导者，而意大利则经历了更渐进的数字化转型。 我们发现，过去一年中，GenAI的使用频率，无论是单次还是更频繁，在美国都比意大利高。这种差异完全是由异质的社会人口构成所驱动的。在调查可能解释当前和未来GenAI工具使用的因素时，我们发现，尽管使用率较低，但意大利人对GenAI对其福祉和财富的影响表达了更乐观的预期，并报告了更大程度地信任政府和机构数据处理。这些发现突显了文化、经济和人口因素对GenAI采用模式的影响。 所使用的分析方法。第 3 节考察了采用率及其人口统计学和部门决定因素。第 4 节探讨了两国在生成式人工智能（GenAI）方面的感知和信任差异。第 5 节总结政策启示和对未来研究的建议。 2 数据 我们使用了来自两个调查的数据，分别是纽约联邦储备银行于 2024 年 2 月进行的消费者预期调查（SCE）以及意大利银行于 2024 年 8 月和 9 月进行的家庭前景调查（HOS）。这两个调查共享一套社会人口统计变量（年龄组：40 岁以下、40 至 60 岁、60 岁以上；就业状况：就业、退休、其他非就业；性别；教育：持有大学学位）和一个特殊的 GenAI 模块。该模块仅针对受访者，而非整个家庭，收集了关于 GenAI 使用频率、受访者如何看待其对工作前景的影响以及他们对信任和数据隐私的担忧的详细信息。完整问题集可以在SCE 的附录 B 和 HOS 的附录 C 中找到。1 重要的是，本论文所使用的题目子集在HOS和SCE调查中向受访者使用相同的（翻译）措辞、顺序和评分量表，从而确保了回答的可比性。 为了进行我们的分析，我们使用每个调查提供的权重将两个调查合并到一个数据集中2我们进一步校准权重，以便按年龄组、性别、教育程度和就业状况对受访者进行分类的比例与美国人口普查局和意大利国家统计局提供的成年人人口官方数据相匹配3. 2.1 消费者预期调查（SCE） 美联储纽约银行每月发布的基于互联网的调查，称为SCE。该调查于2013年启动，已成为研究人员和政策制定者了解预期如何形成及其对消费者行为的影响的宝贵资源。SCE使用一个由约1300名美国家庭户主组成的12个月轮换的全国代表性样本。新回应 每月都会根据美国社区调查的人口统计目标进行人员抽样，他们会在样本组中保留长达12个月，然后被替换。 2.2 家庭前景调查 (HOS) 家庭前景调查 (HOS)是意大利央行自2024年起开展的双季度的在线调查5 为了满足意大利央行的信息需求，家庭收支调查（HOS）旨在追踪在意大利央行主要家庭收入与财富调查（SHIW）未进行的那几年的家庭经济状况的变化。尽管HOS是线上进行的，但目标样本是从先前通过面对面访谈进行的SHIW调查的受访者中选出的。6 这种方法提供了两个主要优势：i) 与典型的在线调查相比，它增强了代表性，因为它可以通过利用参与和未参与SHIW家庭户的特征来纠正在线数据收集方法引入的部分偏差；ii) 它提供了更丰富的家庭信息，因为上一轮SHIW的详细数据可以补充更集中的HOS问题。2024年8月和9月进行的HOS轮调查包括1,916户家庭。 3 美国和意大利对生成式人工智能的采用 首先，我们研究过去一年至少使用过一次GenAI的人的比例差异（通用使用）；然后，我们关注过去12个月至少每周使用一次GenAI的人的份额差异（常规使用）。常规使用与通用使用之间的区别使我们能够区分对技术的持续参与和更广泛的接触，后者可能也包括由好奇心或一次性需求驱动的短暂参与。我们记得，由于GenAI模块的问题仅针对回答调查的人，而不是他们的整个家庭，因此分析的对象人群仅仅是成年人口。 基于2024年2月开展的SCE结果，美国报告使用通用GenAI的人的比例为36.4%，而根据2024年8-9月举行的HOS，意大利人为31.0%。当我们关注定期使用时，数值变为13.7 表1：美国和意大利的社会人口构成和GenAI使用情况 表1显示了两国不同社会人口群体在使用GenAI方面的构成和采用情况。与总体更高的使用率一致，美国在那些与GenAI使用率更高的群体（如40岁以下人员、大学毕业生和已就业人员）中的人口比例更大。8 然而，在组内使用方面，我们并未观察到美国GenAI使用率的普遍提高。例如，年轻的意大利人更广泛和更经常地使用GenAI，而毕业生和就业人士在意大利的GenAI泛用率更高，且常规使用率相当；另一方面，老年人GenAI的使用 意大利的个人、受教育程度较低者和退休人员，其比例比美国要低。 美国的高GenAI使用率因此可能源于两个来源：(i)美国高使用群体在社会人口统计构成中的较高代表性（社会人口统计构成效应）；(ii)某些社会人口统计群体在意大利对GenAI使用的较低水平，可能与未观察到的因素有关（群体内部差异效应）。为了隔离多少跨国差异应归因于不同的人口构成，我们使用Blinder-Oaxaca分解（Jann, 2008）。我们采用这种技术是因为它考虑了社会人口统计变量之间的相关性，从而能够估计跨类别（如性别、年龄、教育程度和职业）的联合构成效应。例如，如果年轻人中最大的使用率仅仅反映了GenAI主要被就业人士使用这一事实，那么Blinder-Oaxaca分解将只会将效应正确归因于就业状况，从而避免重复。 3.1 社会人口学角度解析通用人工智能采用差距 个体概率i使用 GenAI 进行建模，每个国家分别进行c∈{IT,US},作为其人口统计特征的线性函数: 哪里人工智能如果个体，取值为 1 i, 在国家c, 使用 GenAI 工具, 否则为 0 Xd i,ci,c是二元社会人口统计学变量，和[ε] = 0. 具体来说，该模型包括二元爱i,c年龄指标（40岁以下、40至60岁之间、60岁以上为参考组）、教育程度（大学学历）、性别（女性）和就业状况（就业和退休，其他非退休状况如失业或不活动为参考组）。X人工智能=β0+βdXd+εi,ci,c c c i,c d 那么，美国和意大利在生成式人工智能使用方面的差异可以分解为 X [AI − AI] =d+βU·d−d,(ππ)爱美国IT IT US IT d{z}|社会人口学成分 哪里πd = [Xd]表示该群体中的人口比例d国内c. 第一爱 ci,c右侧的项——通常被称为解释在Blinder–Oaxaca分解中——组件——捕捉了在GenAI使用上的观察差异中，可归因于两种社会人口构成的差异的部分。它代表了如果我们 美国集团层面的使用率与意大利的相等，而社会人口构成仍然是我们在实际中观察到的那些9。当参考类别的选择可能影响单个估计系数时βd , 它不影响解释成分的值。c 残差项U，或无法解释组件，捕获归因于未观察到的因素的差距部分，并解释组内生成式人工智能使用的差异。10 表2报告了，对于通用和常规使用，将美国和意大利之间的使用差距分解为社会人口统计分量和未解释分量，以及每个社会人口统计变量的点估计值和标准误差（整体产品βd. ·(πd- πd(上述公式) ) 社会人口学差异在解释美国和意大利之间通用GenAI使用率存在5.4个百分点的差距中起着关键作用（第（1）列）。将两国群体层面的（条件性）使用率固定为意大利观察到的情况，隐含的差距将超过10个百分点。这反映了表1中的结果，我们在其中表明，在GenAI采用率较高的社会人口学群体中，意大利的使用率高于美国；例如，如果美国大学毕业生不仅人数多于他们的意大利同行，而且GenAI使用率也显著更高，我们预计差距将超过5.4个百分点。年龄结构、教育水平和退休人员比例的差异即使在考虑它们之间的相关性后，也对观察到的差距有显著贡献。教育的影响尤为突出，反映了美国大学毕业生（一个GenAI采用率较高的群体）在33.3%的高于意大利的16%（表1）的巨大跨国差距。相比之下，群体内部差异往往倾向于减少整体使用差距，这意味着扩大差距的群体水平差异（例如，在老年人和非毕业生之间）被缩小差距的那些差异（例如，在年轻人和毕业生之间）所抵消的多余。IT US IT 当然，增加意大利大学毕业生人数未必会自动导致GenAI使用率上升4.4个百分点（如表2所示），因为新增毕业生的使用行为可能与我们所观察到的当前行为不同。尽管如此，这项研究表明，针对已受教育人士提高采用率的政策可能收益有限，因为他们的使用率已经很高。 美国人口的年龄结构较年轻。由于相对较高比例的年轻意大利人经常使用 GenAI（22.6%，而年轻美国人则为17.2%；参见表1），将较高的青年比例分配给意大利将显著增加其预测使用量。组内差异在任一方向上都没有实质性地贡献于差距。 表1的一个显著发现，并由表2中未解释成分的小估计值证实，是不同国家就业人员之间GenAI使用差异之小。鉴于GenAI采用在不同行业之