围绕马克思的六次追问 · 第3篇
AI对差距的多维影响：拉平与分化并存
对于“AI是否加剧差距”这一问题，不宜给出单一答案。“差距”包含多个维度：任务完成能力的差距、行业内的工资差距、劳动收入与资本收益的差距，以及长期累积的财富差距。AI可能在某些层面拉平差距，而在另一些层面扩大差距。若不厘清层次，讨论易陷入各说各话。
客服与写作领域的效率提升证据
Brynjolfsson、Li和Raymond于2025年在《经济学季刊》发表的研究显示，在5,172名客服人员中，AI辅助使每小时解决问题数量平均提升约15%，且经验较少、技能较弱的员工提升更为显著。[4] 这证实了AI在特定岗位上具有拉平能力的作用，但并未证明所有职业差距均会缩小，也未证实这些收益能完全转化为员工工资。
图3｜左侧示意岗位技能差距的拉近；右侧为本文假设的企业成本分配模型。两者可能同时发生，左图非研究实测数据。
Noy和Zhang在2023年《Science》发表的实验表明，使用ChatGPT可使写作任务完成时间平均减少约40%，质量评定提高约18%。[5] 该研究支持了特定写作工作的效率改善，但长期就业影响、企业利润分配及社会财富效应仍是独立议题。
开发领域的反例与测量局限
METR在2025年的一项随机实验中，让16名资深开发者处理熟悉开源项目中的246项任务，结果显示使用当时AI工具的任务平均耗时反而增加19%。[7] 这并非证明AI普遍无效，而是提示审核、返工及上下文理解存在成本。其2026年后续更新指出，早期研究存在选择偏差等问题，难以可靠估计当前效果。[8] 因此，不应将早期结果视为对所有后续工具的永久定论。
据此，需修正“AI必然大幅提高生产力”的绝对化表述。虽然AI在诸多任务中显示出生产率提升，但企业总收益、全要素生产率及长期福利是更宏观的测量对象。模型测试分数或个人主观省时感，不能直接替代宏观经济效益。在支持AI发展的同时，也应正视具体工作场景中的负面结果。
从企业视角看分配机制
从经营者视角分析，假设一家企业收入100万元，其他成本40万元，10名员工工资总计40万元，经营剩余20万元。若AI介入使得仅需5名员工即可完成原工作，工资总额降至20万元，新增工具费5万元，则经营剩余增至35万元。尽管留任员工可能更高效，但企业工资总额下降，经营剩余增加。失业者的损失无法通过“留任员工平均生产率提升”来抵消。
此为例证而非预测。现实中，企业可能选择降价、扩张业务或提高工资，也可能面临算力、审核及售后成本的增加。这里的“经营剩余”仅为简化核算，未涵盖折旧、税费及融资成本，亦不等同于马克思理论中的剩余价值。混淆收入、利润与财富存量概念，易导致结论偏差。
收益归属与市场动态
收益未必全部归于所有者。若市场竞争激烈，价格下降将使部分收益转移至消费者；若需求随价格下降而扩张，企业可能重新招聘；若员工拥有不可替代的判断力或具备集体议价能力，其报酬也可能提升。Acemoglu和Restrepo的任务框架区分了自动化的替代效应与新任务创造对劳动需求的恢复作用，[9] 两者的净结果需经实证检验。
此外，工资微涨并不必然意味着财富平等。所有者可将收益再投资推动资产价格上涨，而依靠工资生活者需支付当期开销，积累路径迥异。财富分化还受持股、继承、储蓄、债务及公共制度影响。仅由“认知差异”推导“财富必然两极分化”，逻辑链条尚不完整。
“两极分化”一词需谨慎使用。差距扩大未必形成两个清晰的极端群体。更务实的观察指标包括：哪些人群报酬下降、劳动收入占比变化、收益与财富集中度以及离职者的去向。这些问题比预设社会结构两极化更具可验证性。
综上，AI既有可能拉平部分能力并改善基础服务，也有可能压低部分劳动需求并放大资本收益。判断其影响时，应将微观工作收益置于整体分配过程中考察。仅关注个体产出能力的提升，容易忽视市场支付意愿这一关键变量。
核对原文与研究
资料编号沿用系列统一标准。引号内马克思原话依据所列中文版本，其余推导与分析为本文观点。在线资料核对日期为2026年10月10日。研究结果受限于特定年份、工具及任务场景，不代表所有AI应用的统一效果。
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI: 10.1093/qje/qjae044。采用正式发表版本的5,172人样本及约15%提升数据；作者2024年修订稿可供公开核对。
[5] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. DOI: 10.1126/science.adh2586。约40时间节省和18%质量提升仅针对所研究的职业写作任务，不可外推至总体经济增长。
[7] Becker, J., Rush, N., Barnes, B., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR，2025年7月10日；arXiv:2507.09089。涉及16名开发者、246项任务，平均用时增加19%，仅限特定实验环境。
[8] METR (2026年2月24日). We are Changing our Developer Productivity Experiment Design。说明后续研究存在参与和任务选择偏差及用时测量问题，限制了对前文结果的时间外推。
[9] Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. DOI: 10.1257/jep.33.2.3。正文采用其关于自动化替代与新任务恢复劳动需求的分析框架。