AI越牛，人越牛马？：人工智能技术进步与打工人工作负担-香樟经济学术圈的财新博客-财新网

图片来源：

Stable Diffusion绘制

原文信息：

Wei Jiang, Junyoung Park, Rachel (Jiqiu) Xiao & Shen Zhang. AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents. NBER Working Paper 33536, February 2025.

引言

随着人工智能（AI）技术的进步，很多人都觉得有了新技术的帮助，以后打工人肯定能少干点活，多享受生活。但实际上，AI技术渗透对人类工作时间的影响，目前还没个定论。这项研究想探究的是，AI会不会让大家一天工作更久，或者改变公司和员工之间的协议，以及最终利益怎么分配。为了搞清楚这个问题，作者用了2004年到2023年的个体层面的时间日记数据，追踪了AI技术普及之后，人们每天工作、休闲的时间是怎么变化的。他们想看看，AI的影响到底有多大，对公司赚钱，对经济发展，又有什么关系。

研究发现，AI好像并没有让大家少干活，反而工作时间变长了，休闲时间变少了。主要是因为AI现在更多是辅助人类工作，而不是直接取代人类。而且，如果AI能明显提高工作效率，老板更容易盯着你干活。更惨的是，如果劳动力市场竞争激烈，工人没啥话语权，那AI带来的好处可能大部分都进了公司或者消费者的口袋。所以，大家都以为科技进步会让打工人更轻松，结果发现，打工人反而可能工作更辛苦，生活更难平衡。

理论框架

作者在文章第二部分构建了一个理论模型，旨在阐释人工智能（AI）如何影响劳动者的工作时间供给决策。该模型基于经典的委托代理框架，将AI视为一种影响劳动者生产率和激励机制的关键因素。核心假设在于，AI对工作时间的影响并非简单地取决于其对劳动力的替代效应，而更多地取决于其与劳动力的互补效应以及由此带来的生产率提升。

模型首先考虑AI与劳动力的互补性。如果AI能够显著提高劳动者的边际生产率，那么劳动者将倾向于增加工作投入，从而延长工作时间。这一效应源于劳动者在边际上获得更高收益的动机。然而，这种效应并非必然成立，劳动者能否将AI带来的生产率收益转化为更高的效用，还取决于其在劳动力市场中的议价能力。

此外，模型还强调了AI在绩效监控方面的作用。AI技术的发展使得企业能够更有效地监控劳动者的工作表现，从而降低信息不对称。这种监控效率的提高将促使劳动者付出更多的努力，进而延长工作时间。然而，这种效应在自雇人士中可能并不显著，因为他们无需面对委托代理问题中的激励约束。

最后，模型着重分析了劳动力市场竞争对劳动者工作时间决策的影响。在竞争激烈的劳动力市场中，劳动者的议价能力较弱，AI带来的生产率收益更有可能被企业或消费者所获取，而非劳动者本身。在这种情况下，劳动者可能难以通过减少工作时间来享受技术进步带来的福利提升，反而可能迫于生计而延长工作时间。因此，文章提出，AI对工作时间的影响受到多种因素的复杂交互作用，包括技术特性、市场结构和劳动者议价能力等。

数据与变量

1. 数据来源

作者主要使用了以下数据：

美国时间利用调查数据 (ATUS)：核心数据来源于美国劳工统计局(BLS)的美国时间利用调查(ATUS)数据库(2004-2023年)。ATUS是唯一一个同时涵盖市场工作和非市场活动的联邦数据来源，提供了个体层面详细的时间分配信息，包括活动类型、地点和参与者等。通过ATUS数据，可以构建每周的工作时间、休闲时间以及其他活动时间等关键变量。考虑到数据的代表性，所有回归分析均使用了ATUS样本权重。为控制极端值的影响，作者对所有连续变量进行了1%水平的Winsorize处理。

人工智能专利数据：为衡量个体所处职业的AI暴露程度，作者收集了2000年至2023年间的AI专利数据。数据来源于人工智能专利数据集(AIPD)，该数据集由美国专利商标局(USPTO)于2021年公开发布。作者提取了专利的标题和摘要文本信息，用于后续的文本相似度计算。

职业数据：为将AI专利与职业相联系，作者采用了美国劳工部维护的职业信息网络(ONET)数据库。ONET数据库详细描述了各职业的具体任务，并使用8位数的标准职业分类(SOC)代码进行标注。作者利用ONET数据库构建职业任务描述文本，用于与AI专利文本进行相似度匹配。为跟踪职业任务的演变，作者使用了ONET数据库的历史版本，构建了一个2000年至2023年的职业年度面板数据。

就业补充数据：为补充个体层面的就业信息，作者使用了来自Revelio Lab的LinkedIn数据，该数据包含了用户个人资料中的教育和就业信息。通过汇总LinkedIn数据，可以构建职业×企业×年度层面的就业面板数据。此外，作者还利用Revelio Lab提供的Glassdoor数据，该数据包含了关于薪酬、工作负荷和员工评论等信息。作者仅保留了位于美国、目前在职员工的评论数据。

其他数据：为考察劳动力市场的议价能力，作者采用了2023年Oxfam发布的“最佳工作州指数(BSWI)”，该指数衡量了美国各州的工资、劳动保护和组织权利等政策。此外，作者还使用了Compustat、CRSP等数据库，提取了美国上市公司财务信息，用于后续的企业绩效分析。

2. 主要变量

作者的核心变量如下：

工作时间：作者将工作时间定义为核心市场工作时间加上辅助活动时间。核心市场工作时间包括主要工作、加班和在家工作等时间。辅助活动时间包括安保程序、等待工作相关活动等时间。

休闲时间：作者将休闲时间定义为包括观看电视电影、娱乐计算、阅读、体育等在内的活动时间。考虑到睡眠、饮食等活动既满足基本生理需求，也提供休闲价值，作者将超出基本需求的睡眠和饮食时间也计入休闲时间。

AI暴露程度：作者将AI暴露程度定义为AI专利文本与职业任务描述文本之间的文本相似度。具体而言，作者使用了ChatGPT模型计算职业与AI专利的文本相似度得分，并构建了AI净互补性指标，衡量AI对职业任务的净提升作用。为控制量纲，作者将AI暴露程度和AI净互补性指标转化为百分位数排名。

图1 美国AI暴露度和AI净互补指数的时间序列趋势

劳动力市场竞争程度：作者使用赫芬达尔-赫希曼指数(HHI)以及“最佳工作州指数(BSWI)”作为劳动力市场竞争程度的代理变量。HHI衡量了美国各州劳动力市场的集中度，BSWI衡量了各州对劳工权益的保护程度。

实证设计与结果

1. ChatGPT的影响

首先，研究利用了ChatGPT发布这一外生冲击，考察生成式AI对劳动者工作时间分配的短期影响。研究设计上，采用双重差分(DID)方法，将ChatGPT发布视为一个准自然实验，并根据生成式AI暴露程度构建了实验组和对照组，以此评估生成式AI对个体工作时间的影响。样本期间限定为2022年至2023年，以捕捉ChatGPT发布后的短期效应。关键的识别假设在于，不同职业对生成式AI的敏感程度存在差异，这种差异将反映在劳动者工作时间分配的变化上。

为量化职业对生成式AI的暴露程度，作者借鉴Eisfeldt et al. (2023)的方法，利用大型语言模型对各职业的任务描述进行分类，判断其是否能通过ChatGPT更有效地完成。基于此，构建了生成式AI暴露程度()这一关键变量，衡量个体所处职业对生成式AI的潜在影响。这个分析结果会给每个职业赋予一个生成式AI暴露程度的得分。这个得分越高，说明这个职业的任务越容易受到ChatGPT的影响。实证模型如下：

实验组选择那些生成式AI暴露程度高的职业。也就是说，这个职业的任务特别适合用ChatGPT来完成，因此ChatGPT的出现会对这个职业产生较大影响。对照组选择那些生成式AI暴露程度低的职业。这些职业的任务不太适合用ChatGPT来完成，因此ChatGPT的出现对他们的影响相对较小。

此外，为控制个体层面的混淆因素，作者在回归模型中纳入了个体特征变量（年龄、子女数量、性别、教育程度、婚姻状况、种族）以及一系列固定效应（职业、州×年、行业×年、年月、星期几），以确保识别的可靠性。

研究结果表明，在ChatGPT发布后，受到生成式AI影响更大的劳动者，其工作时间显著增加，休闲时间显著减少。具体而言，生成式AI暴露程度每提高一个百分位排名，每周的工作时间将增加0.063小时，休闲时间将减少0.064小时。这意味着，在2023年相对于2022年，生成式AI暴露程度提升四分位数的劳动者，其每周工作时间将额外增加3.15小时，休闲时间将减少3.20小时。进一步的分析表明，这种效应在生成式AI互补性更强的职业以及AI认知程度更高的地区更为显著。这些发现为理解生成式AI对劳动力市场的潜在影响提供了重要的经验证据。

表1 ChatGPT对劳动者工作时间和休闲时间的影响

2. 职业AI暴露度对工作时间的长期影响

作者进一步考察了职业AI暴露程度与劳动者工作时间之间的长期关系。研究设计上，采用回归分析方法，以2004年至2023年的ATUS数据为基础，考察了滞后一期的职业AI暴露程度()对个体工作时间和休闲时间的影响。为控制内生性，采用了滞后一期的AI暴露变量，并纳入了个体特征、职业固定效应、州×年固定效应、行业×年固定效应、年月固定效应以及星期几固定效应等一系列控制变量，以尽可能缓解潜在的混淆因素。模型如下：

实证结果表明，较高的职业AI暴露程度与更长的工作时间显著相关。具体而言，在控制了所有其他固定效应之后，职业AI暴露程度每提高一个百分位排名，个体每周的工作时间将增加0.018小时。为了解这一发现背后的机制，本文进一步控制了诸如机器人暴露、常规任务强度（RTI）、以及离岸外包暴露等其他常见的职业暴露指标，并验证结论的稳健性。

此外，研究结果还显示，较高的职业AI暴露程度与更少的休闲时间显著相关。结合工作时间的增加和休闲时间的减少，这一发现表明，AI技术在提高生产效率的同时，也可能导致劳动者工作与生活失衡的现象加剧。

表2 AI暴露与劳动者工作时间

3. AI暴露对劳动者工作模式和福利的影响

（一）边际生产力：AI互补性与替代性及工资效应

作者旨在区分AI对劳动力的互补效应与替代效应。作者首先使用ChatGPT对AI专利进行分类，将其划分为互补型、替代型和中性三种。然后，构建了AI净互补性指标()，衡量特定职业与AI技术的净互补程度，并将其作为关键解释变量纳入回归模型，考察其对工作时间的影响。

实证结果表明，AI净互补性与劳动者工作时间的增加显著相关。也就是说，当AI更多地作为工具来辅助劳动者完成任务时，劳动者倾向于投入更多的工作时间。此外，AI净互补性还与更高的工资水平显著相关，这表明AI技术在提升生产力的同时也增加了劳动者的收入。这些发现支持了AI与劳动力互补的观点，并揭示了技术进步对劳动者收入的积极影响。

表3 AI互补性与劳动者工作时间

表4 AI互补性与劳动者工资

（二）绩效监控：AI监控

作者还考虑了AI监控技术对劳动者工作时间的影响。作者利用2020年新冠疫情期间远程办公的激增，将AI监控技术的快速采用视为一个准自然实验。作者使用了Dingel and Neiman (2020)开发的远程办公可行性(WFH)指标筛选出能够进行远程办公的职业，并使用ChatGPT评估了AI监控技术对这些职业的增强程度，构建AI监控暴露指标()。采用双重差分方法，考察了AI监控暴露程度与劳动者工作时间之间的关系。

实证结果表明，对于能够远程办公的劳动者，AI监控暴露程度的增加与其疫情后的工作时间显著增加相关。也就是说，AI监控技术的存在促使劳动者投入更多的工作时间，这可能是由于更有效的绩效监控降低了信息不对称，提高了劳动者的工作动力。为了验证结果的可靠性，本文还考察了自雇人士，由于自雇人士并不存在绩效监控问题，发现AI监控对其工作时长没有显著影响，支持了主要结论。

表5 AI监控与劳动者工作时间

（三）保留效用：雇员福利与市场竞争

作者还探讨了AI对劳动者保留效用（Reservation utility）的影响，以及劳动力市场和产品市场竞争如何调节这种影响。首先，作者使用Glassdoor的员工评论数据，构建了员工满意度和工作生活平衡(WLB)等指标，衡量劳动者的总体福利水平。然后，考察AI暴露程度与员工福利指标之间的关系，并进一步考察了劳动力市场竞争（由HHI和BSWI衡量）以及产品市场竞争对这种关系的影响。

实证结果表明，较高的AI暴露程度与较低的员工满意度和工作生活平衡相关。这意味着，尽管AI提高了生产力并可能增加工资，但劳动者的总体福利水平并未相应提升。此外，在劳动力市场和产品市场竞争激烈的行业中，AI暴露程度对员工福利的负面影响更为明显。这可能是由于竞争压力迫使企业将AI带来的生产率收益更多地分配给消费者或股东，而非劳动者，从而导致劳动者福利水平的停滞甚至下降。

结论与反思

这项研究强调了人工智能(AI)对劳动力市场和个体福利的复杂影响。作者通过对过去二十年美国劳动力市场数据的深入分析，揭示了AI普及背景下劳动者工作时间分配的新趋势。

研究发现，职业AI暴露程度较高的劳动者普遍面临工作时间延长和休闲时间减少的困境，这挑战了技术进步必然带来劳动解放的传统观点。更令人担忧的是，即使AI提高了生产力并可能带来工资增长，劳动者的总体福利水平（根据工作满意度和工作生活平衡衡量的福利水平）并未得到相应的提升，甚至在劳动力市场和产品市场竞争激烈的行业中出现下滑。简单来说就是，AI技术的进步可能会导致打工人更“牛马”。

本文细致地刻画了AI对劳动者工作时间分配的集约边际的影响，而且深入探讨了影响这种效应的多种调节机制。但考虑到AI技术的快速演进和劳动力市场的复杂性，本文的研究结果可能存在一定的时效性。未来的研究可以进一步关注不同类型AI技术对劳动力市场的异质性影响，并考察政策干预在促进技术进步与劳动者福利之间的平衡作用。

推文作者

秦清华，中国科学院大学博士研究生，电子邮箱tsinghuaqin@pku.org.cn。

Abstract

This study investigates how occupational AI exposure impacts employment at the intensive margin, i.e., the length of workdays and the allocation of time between work and leisure. Drawing on individual-level time diary data from 2004–2023, we find that higher AI exposure—whether stemming from the ChatGPT shock or broader AI evolution—is associated with longer work hours and reduced leisure time, primarily due to AI complementing human labor rather than replacing it. This effect is particularly pronounced in contexts where AI significantly enhances marginal productivity and monitoring efficiency. It is further amplified in competitive labor and product markets, where workers have limited bargaining power to retain the benefits of productivity gains, which are often captured by consumers or firms instead. The findings question the expectation that technological advancements alleviate human labor burdens, revealing instead a paradox where such progresses compromise work-life balance.

声明：推文仅代表文章原作者观点，以及推文作者的评论观点，并不代表香樟经济学术圈公众号平台的观点

话题：