−4.2%
极端情景下，知识工作者 2030 年的名义工资 vs 2026 年（相对路径跌 11.5%，而无 AI 路径本该涨约 8%）
同一场技术革命，同一份报告，同一张表上写着一组人的工资要跌 11.5%、另一组要涨 33.6%。分界线不是学历、不是收入、不是年龄——是AI 能不能直接替你干活。你在这条线的哪一边，比你努力多少重要得多。
坐办公室产出文字、代码、表格、分析、沟通的——管理、金融、计算机、法律、教育、销售、行政，占美国就业 62.4%——是受损方。动手、跑腿、护理、修东西、开车的，是受益方。极端情景下，前者工资跌 11.5%、就业少 21.5%、失业率 17.9%；后者工资涨 33.6%。这不是「AI 让所有人变穷」，是「AI 把知识工作的定价权拿走了」。
报告明确写了：三个情景 2026 年的读数完全一样，几乎所有的分化都发生在 2027 年之后。这意味着未来一年半里，无论发生什么，你都看不出自己在哪条路上——也意味着，现在做准备，比等到 2028 年数据明朗再动，值钱得多。
极端情景下 GDP 多出三分之一，而劳动收入总共只涨 0.5%。要把受损者拉回原水平，需要的转移支付约等于 9% GDP（社保 + 医保的规模），而经济总收益是他们损失的近 3 倍。资源是够的。报告自己承认：历史上这种补偿「基本不会自动发生」。
你给的标题是《Macroeconomic Effects of Artificial Intelligence》。原文实际标题是 《Economic Scenarios for Transformative AI》（The Anthropic Institute Working Paper No. 2026-02，2026 年 9 月，57 页）。页数和月份都对得上，是同一份，只是标题在网络转述里被换掉了。
报告不按学历、不按收入、不按行业分人。它只问一件事：你的工作日产出的是什么。然后据此把全部就业劈成两组。
| 2030 年，知识工作者 | 温和 | 显著 | 极端 |
|---|---|---|---|
| 工资变化（相对无 AI 路径） | +0.4% | −0.3% | −11.5% |
| 就业变化 | −0.5% | −3.9% | −21.5% |
| 失业率 | 2.9% | 4.5% | 17.9% |
| 2030 年，非知识工作者 | |||
| 工资变化（相对无 AI 路径） | +1.1% | +5.9% | +33.6% |
| 失业率 | 3.9% | 4.6% | 11.9% |
为什么非知识工作者的工资会涨？报告给的逻辑链条很直白：AI 让设计和许可审批这类知识工作变快 → 更多基建项目能上马 → 对建筑工人的需求上升 → 建筑工人工资上升。另一头，知识工作的供给没减少（人还在），需求却被 AI 吃掉了一部分，价格自然往下走。一涨一跌不是巧合，是同一台机器的两端。
数字是冷的，但报告和它的配套政策文件里，藏着不少直白的描述。这一节把那些话挑出来。
大多数人以为风险是「被裁」。报告描述的风险不一样。政策文件原话：
这句话的分量在于「同时」。过去的技能冲击是局部的——纺织工人受影响，钢铁工人不受影响，转行有方向。这次是所有坐办公室的岗位同时被压。
报告承认：它假设「程序员转电工」是一次性完成的、没有损失的。而现实研究（Jacobson 等 1993、Braxton & Taska 2023）显示，被迫换行的人再就业后工资要掉 10–20%。也就是说，报告里那个「知识工作者工资 −11.5%」的数字，在个人身上会更难看。
情景浏览器里有一段很具体的描述。一个护士的活被拆成四类：
报告对个人职业转换的描述也很直接：程序员和客服中心坐席，可能得转去做电工和护士。而新增任务的共同点是——从「做」变成「判断和担责」。
政策文件里有一段不加修饰的描写，说的是失业拖到一年以上的世界：
这不是修辞。实证研究（Ganong & Noel, 2019）的结论就是：失业金一耗尽，家庭消费断崖式下跌，现有救济项目只能补上一部分。
报告在「局限」一节里列了一条容易被忽略的：它没有给 AI 在家庭内部创造的价值定价——家务、育儿、照护、给老人做健康咨询。这些事大多落在 GDP 之外。
这条的意味很深。对多数人来说，AI 最先改善生活的场景不是办公室，是家里。但这份 57 页的报告，用的是一把量不到这些的尺子。所以它算出来的「生活变好还是变坏」，天生是残缺的。
这个转移本身没有好坏，但它逼出一个报告不回答的问题：资本是谁的？报告模型里的「资本」是一个抽象的存量，不分算力、厂房、股票还是债券，也不区分被一百万人持有还是被一千个人持有。这个问题恰恰是决定社会后果的那个。
政策框架自己写明了：美国的劳动有效税率显著高于资本。收入从劳动转向资本，意味着税基萎缩；而同时，需要维持收入支持的人在增加。两头挤压——这是报告和它的政策配套都没有给出解法的部分。
报告明确声明：三个情景不是预测，也不附概率。它们的用途是让你看清「条件变了，结果会差多远」。
用大白话概括三个情景的性质：温和情景里，AI 像当年的互联网——有变化，日子照过。显著情景里，AI 像铁路——重塑经济版图，一代人的职业路径被打断。极端情景里，AI 不是一次技术冲击，是经济体制的重写。
报告本身不给个人建议。以下是我根据报告的数据结构推出来的——每条都能倒推回原文的某个数字。
配套的《Anthropic 经济政策框架》比技术报告实用得多。它按失业率分三档，每档配不同的工具——因为「临时冲击」和「永久重构」需要完全不同的应对。
政策文件区分了两种性质完全不同的冲击：临时性冲击（劳动市场会自己恢复，用临时支持）和持久性重构（对人力的需求结构性下降，需要更永久的机制）。它还点破了一件事：某些在 Tier 1 管用的工具，在 Tier 3 反而会把「收入=工作」这个连接锁得更死，到时候需要主动退场。
报告最大的实用性在这儿：它把「我该怎么办」变成了「我该看什么」。它自己列的五个参数里，有三个普通人根本观测不到。我筛掉那些，留下四个你能真看到的。
| 信号 | 现在的读数 | 看什么 | 偏了意味着 |
|---|---|---|---|
| AI 自用的自动化比例 最容易观测 | 约 50% | 聊天工具里，你是「让 AI 替你做完」还是「跟 AI 一起做」。行业层面看 Anthropic 经济指数对话分类 | 自动化比例往 75%、90% 走 → 接近显著 / 极端情景 |
| 企业实际用 AI 的比例 官方数据 | 约 10%（按任务算） | 美国普查局 Business Trends and Outlook Survey 的 AI 模块 | 该指标是唯一有权威统计的扩散度指标 |
| 知识工作岗位的招聘率 最关键 | 与其他岗位持平 | 知识岗位的招聘率是否开始系统性低于其他岗位。看 JOLTS，或你自己行业里的招聘量 | 这是「需求端真的在收缩」的第一手证据，比失业率早 |
| 被迫转行后的再就业时长 最难测但最实 | 约 3 个月 | 问身边换过行的人实际花了多久。报告给的换算：3 个月 = 正常；8 个月 = 接近显著情景；一年以上 = 往极端走 | 再就业时长拉长，是「摩擦变大」的直接信号 |
报告说「几乎所有分化都发生在 2027 年之后」。这句话对作者是保护——未来一年半无论发生什么，他的框架都不会被证伪。对你是个信息黑洞——你没法靠短期数据判断方向，只能靠结构判断。所以上面这四个信号，看的是趋势不是单点。
最扎实的批评不在外部，在报告和它的配套网页里——它公开列了审稿人的反对意见，而且没有反驳。
Anthropic 的措辞是：「外部审稿人未被要求认可我们的结论，剩余的错误是我们的。」这份坦诚值得记一分，但结论也要打折看。
报告结语原文：「我们希望留下的贡献是框架本身——一种把关于 AI 经济影响的分歧，表达成关于几个可测量参数的分歧的共同方式。」 它没有预测未来。它给的是一套逐月核对未来的仪表盘——以及一张足够清楚的分人表，让你先知道自己站在哪一边。
正文用不到的技术细节都收在这里。不看的可以直接跳到页尾的原文链接。
| 指标（2030 年） | 无 AI 基准 | 温和 | 显著 | 极端 |
|---|---|---|---|---|
| A. 产出 | ||||
| GDP，高出无 AI 路径 | 0 | +1.6% | +8.3% | +32.4% |
| GDP 增速（年） | 2.0% | 2.4% | 5.4% | 15.4% |
| B. 要素价格与收入份额 | ||||
| 平均工资，高出无 AI 路径 | 0 | +0.7% | +2.1% | +9.7% |
| 知识工作者工资 | 0 | +0.4% | −0.3% | −11.5% |
| 非知识工作者工资 | 0 | +1.1% | +5.9% | +33.6% |
| 资本净回报（年） | 6.5% | 6.6% | 7.0% | 8.3% |
| 资本存量，高出无 AI 路径 | 0 | +2.3% | +13.8% | +56.3% |
| 劳动份额 | 60.0% | 59.4% | 56.1% | 45.2% |
| 资本份额 | 40.0% | 40.6% | 43.9% | 54.8% |
| 劳动收入总额 | 0 | +0.6% | +1.4% | +0.5% |
| 知识工作者工资总额 | 0 | −0.3% | −4.6% | −31.0% |
| 资本收入 | 0 | +3.1% | +18.9% | +81.4% |
| C. 劳动力市场 | ||||
| 知识工作者就业（相对 2026 年中） | 0 | −0.5% | −3.9% | −21.5% |
| 知识工作者失业率 | 2.9% | 2.9% | 4.5% | 17.9% |
| 全体失业率 | 3.8% | 3.9% | 4.6% | 11.9% |
| D. 技术：两条渠道 | ||||
| 实测 TFP，高出无 AI 路径 | 0 | +0.7% | +3.1% | +13.4% |
| 实测 TFP 增速（年） | 1.0% | 1.2% | 2.3% | 7.3% |
| 思想存量，高出无 AI 路径 | 0 | +0.07% | +0.20% | +0.61% |
| 思想存量增速（年） | 1.67% | 1.69% | 1.76% | 2.02% |
三个情景由 5 个 AI 参数定义。但报告自己的敏感性分析显示，真正决定「工人有多惨」的是另外两个数字——它们既不是 AI 的能力属性，也不是情景维度。换句话说，同一份 AI 能力，落在不同的经济体上，结果可以差出 40 个百分点。
Morning Consult 于 2026 年 8 月 11–23 日调查 10,980 名美国成年人，问五个问题，然后把每个人的回答映射成模型参数跑一遍。
结论：公众相信「AI 很强」，但不相信「AI 被用得很广」。他们在能力维度（m = 0.44）压过显著情景、逼近极端；在扩散维度（d = 0.40）正好落在显著情景；在自动化维度（ψ = 0.47）反而落在温和情景。两股力量抵消后，产出结果 8.6%，几乎正中显著情景。
分歧极大：约 30% 的人认为 AI 对适配任务完全省不了时间，49% 的人认为至少能省一半。报告原文：约 10% 的受访者观点与极端情景一致。
| 符号 / 含义 | 温和 | 显著 | 极端 | 来源或依据 |
|---|---|---|---|---|
| A. 技术、要素市场与思想生产（三情景共用） | ||||
| σ 任务间替代弹性 | 0.5 | 强互补 | ||
| 基准劳动份额 | 0.60 | 美国常规取值 | ||
| 知识工作者就业占比 | 0.624 | CPS 2025 | ||
| ε 资本供给弹性 | 3 | Moll et al. (2022) 长期财富弹性的一半 | ||
| 基准资本净回报；折旧 | 11.5%; 5% | 净回报 6.5%，K/Y = 3.5 | ||
| 无 AI 思想存量增速；TFP 增速 | 1.67%; 1.0% | 战后 TFP 增速 | ||
| B. AI 在商品与服务生产中的角色 | ||||
| m₂₀₃₀ 可触及任务质量 | 0.20 | 0.30 | 0.50 | Eloundou et al. (2024) 可行性评级低/中/高端 |
| d₂₀₃₀ 扩散份额 | 0.20 | 0.40 | 0.60 | 情景假设 |
| a₂₀₃₀ 单实例增益（对数） | 0.30 | 0.45 | 0.80 | 实地试验与前沿企业（Brynjolfsson et al., 2025） |
| gₐ 增益年增速 | 0 | 0.028 | 0.10 | 情景假设 |
| C. 破坏性：自动化、新任务与搜索 | ||||
| ψ 自动化份额 | 0.50 | 0.75 | 0.90 | Anthropic 经济指数：Claude.ai 约半为自动化，API 约四分之三 |
| ρ 任务补位率 | 0.50 | 0.25 | 0 | Acemoglu & Restrepo (2019) 估 0.5 |
| μ 跨行搜索折扣 | 0.17 | 0.08 | 0.04 | CPS 历史值 0.17；后两者为情景假设 |
| θ_H 招聘张贴速度（月） | 0.10 | 0.25 | 0.50 | 情景假设 |
| ξ 工资刚性（年） | 0.50 | 半衰期一年，三情景共用 | ||