人工智能带来的总体收益及其分配：基于使用数据的全球证据

人工智能的聚合收益及其分配：来自使用数据的全球证据 范宇婷·拉切尔·黄明海 WP/26/147 国际货币基金组织工作论文（IMF Working Papers）刊登作者正在进行中的研究成果，旨在征求评论并鼓励讨论。国际货币基金组织工作论文中表达的观点是作者的个人观点，不一定代表国际货币基金组织、其执行董事会或国际货币基金组织管理层（的看法）。 2026年7月 国际货币基金组织工作论文 能力建设研究所 人工智能的聚合收益及其分配：来自使用数据的全球证据 由范宇婷 Rachel Yuting Fan 和阮明 Ha Minh Nguyen* 编写 由梅赛德斯·加西亚-埃斯克里瓦诺授权发行 2026年7月 国际货币基金组织工作论文（IMF Working Papers）刊登作者正在进行中的研究成果，旨在征求评论并鼓励讨论。国际货币基金组织工作论文中表达的观点是作者的个人观点，不一定代表国际货币基金组织、其执行董事会或国际货币基金组织管理层（的看法）。 摘要：人工智能节省了多少劳动力成本，以及这些成本如何在各职业间分布？利用《人类经济指数》（2025年1月至2026年2月）的五个波次数据，我们根据全球各国的观测人工智能使用情况构建了两个新型指标。人工智能集中指数（ACI）显示，在发展中经济体，几乎所有基于人工智能使用的价值都产生于一个较小的专业群体（ACI接近1.0）；高收入经济体平均为0.4至0.5，且在许多国家集中度正在下降。劳动力成本当量（LCE）将人工智能目前节省的时间价值评估为每年2.7万亿美元（占GDP的3.4%），这是衡量该时间劳动力成本的一个指标。收入和监管准备程度预测集中度；缺乏官方英语会阻碍普及，对发展中国家构成障碍。 推荐引文：范宇婷·拉切尔与阮明·哈（2026年）"人工智能的总体收益及其分配：来自使用数据的全球证据"，国际货币基金组织工作论文26/147 人工智能的聚合收益及其分配：来自使用数据的全球证据 范宇婷· Rachel Yuting Fan * 阮惠英·Ha Nguyen 2026年7月 摘要 人工智能节省的劳动力成本有多大，以及它是如何分配到不同职业中的？我们利用《Anthropic经济指数》的五个周期数据（2025年1月至2026年2月），构建了两个基于全球各国人工智能使用情况的新指标。人工智能集中指数（ACI）显示，在发展中国家，几乎所有基于人工智能产生的价值都由一个规模较小的专业群体创造（ACI接近1.0）；高收入经济体平均为0.4至0.5，且在许多国家中集中度正在下降。劳动力成本当量（LCE）将人工智能目前节省的时间价值评估为每年2.7万亿美元（占GDP的3.4%），这是衡量该时间劳动力成本的一个指标。收入水平和监管准备程度可以预测集中度；缺乏官方英语会阻碍普及，这对发展中国家构成了一道障碍。 关键词：人工智能采用、分布倾斜、人工智能集中指数、职业构成、技术扩散、发展中国家 JEL代码：D63, O33, O14, O12, J31 1 简介 谁从使用人工智能中受益，以及收益有多大？现有文献在描绘人工智能的潜在影响范围方面取得了长足的进展：暴露指数将职业任务与人工智能能力进行评分，并提供系统性的跨职业比较（Felten等人，2021年；Eloundou等人，2024年）。这些暴露指数询问人工智能可能影响哪些职业；相比之下，使用数据则显示了当前采用情况的发生地点。它们无法量化已实现使用的总收益，并且它们并非设计用来追踪人工智能的分布性后果如何随着其在各国和收入水平中的采用而演变。这些问题对于将人工智能作为发展工具进行权衡的发展中经济体尤为重要。 本文提出了一种不同的方法。与其询问哪些工作可能受到人工智能的影响，我们观察哪些工作正在使用人工智能、在哪些国家使用，以及这种模式正在如何变化。我们根据超过一百个国家的观察到的使用人工智能的数据，构建了两个新的衡量指标。我们的研究发现，人工智能的收益不成比例地流向了高薪职业。这些基于使用的收益最终是归属于工人还是企业，可能取决于人工智能在这些职业中是补充工人还是取代工人，这是一个超出本文范围的问题（Cazzaniga 等人，2024）。这种集中趋势在发展中国家更为极端：在乌干达和柬埔寨，几乎所有人工智能的收益都归属于一个小的专业人士群体，而在澳大利亚和英国，收益则分布得更广泛。值得注意的是，随着人工智能从最初的软件工程核心领域扩展到教育、销售和办公工作，这种集中趋势正在下降。 我们使用了五波Anthropic经济指数（AEI）数据，该数据记录了从2025年1月至2026年2月期间，每波一百万次Claude AI对话的记录，并按地理位置覆盖了100多个国家。每场对话都与O*NET职业任务相匹配，并映射到22个SOC-2职业组别中的其中一个；对于需要进行一致就业和工资数据的国家间分析，我们将这些数据交叉匹配到九个ISCO-08一位数组别，这是跨国家ILO数据可获得的最高精细程度。这为我们提供了全球范围内五个波次、国家范围内三个波次（R3至R5）的职业AI使用观察面板数据，而无论是调查研究还是暴露指数方法，均无法提供此类数据。 本文有三个贡献。首先，我们衡量了总体的AI收益。我们构建了一个劳动成本等值（LCE）体系，以各国自身的工资水平来评估AI带来的时间节省价值。根据第2.3节中关于Claude市场渗透率的假设，我们估计总LCE约为每年2.7万亿美元，约占86个样本国家GDP总和的3.4%。1 LCE最好被理解为当前AI使用所隐含的生产力收益指标，即AI节省时间的劳动成本，而不是对GDP影响的直接估计，后者需要额外的假设来解释时间节省如何转化为产出以及市场如何调整。这些总体收益反映了两种相互抵消的力量。随着AI的传播， 人工智能在教育、办公工作和销售领域的软件开发，典型的人工智能对话越来越多地服务于低收入职业：使用权重平均工资在13个月内下降了5.5%。但总体劳动力成本（LCE）正在上升，因为低收入职业雇佣的工人数量远超人工智能最初开始的软件核心领域。人工智能辅助工作的巨大数量超过了每次对话的低工资。全球层面的总体数字掩盖了国家间分配的不对称性：低收入国家在全球LCE中贡献的份额不成比例，不仅因为工资较低，还因为它们的人工智能对话集中在狭窄的职业切片中，限制了驱动其他地区总体人工智能增长的就业规模效应。本文不涉及劳动力市场结果，包括工作替代和工资压缩；参见Cazzaniga等人（2024）和Jaumotte等人（2026）的研究，他们发现人工智能的暴露和互补性集中了替代风险，并在某些职业工资上升的同时减少了就业。 其次，我们构建了一个人工智能集中指数（ACI），借鉴了健康经济学中的集中指数（Wagstaff等人，1991年；Kakwani等人，1997年），用于衡量人工智能的使用是否集中在高薪或低收入职业，相对于其就业份额。当人工智能收益向顶端倾斜时，ACI为正；向底端倾斜时，ACI为负；收益中性时，ACI为零。在几乎所有国家的每次调查中，ACI都为正：人工智能的收益都向高薪职业倾斜。收入水平决定了这些收益的集中程度。在高收入的美国（ACI为0.49），收益相对广泛地分布在各个职业中；在低收入坦桑尼亚（ACI为0.98），几乎所有的收益都流向了工资分布的顶端。坦桑尼亚的专业职业劳动者不足5%，因此如此高的ACI意味着人工智能的生产力收益目前主要产生于专业职业，而农业、初级和服务业劳动者（构成劳动力主体的群体）的直接参与有限。但在越来越多的国家中，这种倾斜趋势正在下降。在2025年8月至11月期间，108个国家中有32个国家（占30%）的ACI下降；在2025年11月至2026年2月期间，这一数字上升至110个国家中的53个国家，接近一半。 第三，我们考察了哪些因素可以预测各国AI总收益的差异及其集中程度。AI监管准备程度是决定一个国家相对于其GDP能捕捉到多少AI价值的主要预测因素；经济结构也至关重要，服务型经济体往往能获得更大的收益。在ACI层面，富裕国家以及监管准备程度更高的国家，其AI收益分布更为广泛。但预测集中度是否下降的因素是英语作为官方语言，这使得足够的制度性知识能够进入训练数据，从而让以英语为主导的大型语言模型能够在更广泛的职业范围内提供准确可靠的协助。 该论文与四类文献相关。首先，也是最直接地，它有助于衡量人工智能的采纳及其经济影响。基于调查的研究询问企业是否使用人工智能：Bonney等人（2024）通过美国人口普查局的《商业趋势与展望调查》追踪美国企业层面的采纳率，而Yotzov等人（2026）汇集了四个国家（美国、英国、德国、澳大利亚）的平行企业调查，发现大多数企业报告没有可衡量的影响。 迄今为止，关于就业或生产力的研究。这些调查捕捉了企业层面的采用情况，但无法观察人工智能执行哪些任务，或时间节省如何在工资阶层中分配。其次，暴露指数研究将人工智能能力映射到职业任务描述中，以衡量人工智能可能影响哪些工作：Felten等人（2021年）构建了一个人工智能职业暴露指数，将人工智能应用领域与O*NET能力联系起来，而Eloundou等人（2024年）估计了那些LLM可以将完成时间缩短至少50%的任务份额。Cazzaniga等人（2024年）将这种方法扩展到142个国家，发现发达经济体面临更大的暴露，但由于数字基础设施和人力资本更强大，它们处于更好的受益地位。这些指数询问了人工智能可能影响哪些职业；我们使用观察到的对话数据来展示目前采用情况、针对谁，以及随时间推移的模式如何变化。第三，微观层面的实验发现，人工智能将生产力提高了15%至40%，收益集中在特定环境下的低技能工人中：Brynjolfsson等人（2025年）表明，客服呼叫中心的人工智能助手平均提高了15%的生产力，其中经验较少和技能较低的代理获得了最大的收益；Noy和Zhang（2023年）发现，使用ChatGPT将写作任务的时间减少了40%，并压缩了质量分布，使能力较低的工人受益最大。 本文补充了Fan (2026)的研究，该研究使用相同的数据记录了各国人工智能采用强度和广度的差异；我们则利用该使用情况的职业构成来衡量总体收益及其分布。第四，我们通过提供关于人工智能使用构成如何演变（而不仅仅是采用水平）的首个跨国多期证据，为技术扩散文献（Comin and Hobijn, 2010）做出了贡献。以往的研究测量了互联网（Hjort & Poulsen, 2019）和手机（Aker & Mbiti, 2010）如何重塑各国的劳动力市场；与人工智能的对比发人深省。那些技术扩散到广泛的职业领域，而人工智能的使用迄今为止主要集中在收入较高的职业领域，尤其是在发展中国家。 2 数据与方法 2.1 数据 人类经济指数。我们使用了人类经济指数（AEI）的五个版本，其中四个涵盖2025年1月至2026年2月。每个版本都采集了一百万次Claude AI对话。Anthropic自有的分类器将每场对话映射到O*NET职业任务，记录的是实际观察到的人工智能使用情况，而非潜在接触。前两波（R1和R2）报告了全球范围内的职业人工智能使用情况，未按国家进行细分。从第三波开始（2025年8月的R3、2025年11月的R4和2026年2月的R5），对话 它们也被地理编码到国家。例如，在R5版本中，有176个国家获得了地理编码，其中117个国家达到了Anthropic设定的任务丰富所需的最小对话门槛，并进入分析阶段。5 图1展示了R5样本的完整分解情况，从一百万次对话到最终的分析集。这些数据仅涵盖消费者端的Claude.ai网页对话，6 并不包括企业API的使用情况。7 职业映射。Anthropic的分类系统将每段对话映射到特定的O*NET职业任务，这些任务可映射到职业群组。8 我们进一步将AEI的22个SOC-2职业群组与九个ISCO-08一位数群组进行对应，这是国际劳工组织提供跨国家致密就业和工资数据的最高层级。9 时间估计。在R4