活动回放：通过真实使用数据理解劳动力市场

嘉宾介绍

Alex Martin Richmond — OpenAI 劳动经济学家 研究 AI 对劳动力市场和未来工作的影响。此前在 Burning Glass Institute 领导劳动力动态研究。MIT 经济学博士。曾任美联储理事会金融稳定部门研究助理。密西西比大学国际研究与数学学士。

Daniel Rock — The Wharton School 助理教授 研究聚焦技术经济学，特别是 AI 对劳动力市场和组织的影响。Workhelix 联合创始人。曾为 MIT 管理科学博士后研究员和博士毕业生。此前在 DRW Trading Group 担任算法交易员。

Gregor Schubert — UCLA 金融学助理教授 应用微观经济学家，研究房地产、劳动经济学和金融。聚焦新兴技术，包括生成式 AI 和机器人技术对企业和劳动力市场的影响。曾任波士顿咨询集团战略顾问。教授 AI 部署与组织变革相关课程。

Ronnie Chatterji — OpenAI 首席经济学家 OpenAI 首任首席经济学家。杜克大学 Mark Burgess & Lisa Benson-Burgess 杰出教授。曾在拜登政府担任白宫 CHIPS 协调员和国家经济委员会代理副主任。前商务部首席经济学家和白宫经济顾问委员会高级经济学家。

逐字稿

[00:00:00] Natalie Cone（OpenAI Forum 社区架构师）：

大家好。我是 Natalie Cone，OpenAI Forum 社区架构师，从德克萨斯州奥斯汀远程参加。人工智能正迅速成为日常生活的一部分，重塑人们的工作、学习和解决问题的方式。但伴随着采用，重要的问题仍然存在：我们如何衡量经济影响？它如何改变日常生活？

关于 AI 的未来影响，我们听到了很多。今天我们聚焦当前的使用情况，以及它如何改善工作、学习和生活。人们已经在日常任务和工作场所中如何使用 AI？它在哪些方面推动了生产力？为什么有些影响个人感受明显，但在经济数据中却难以体现？今天的模式能告诉我们关于未来的什么？

我们的嘉宾包括 OpenAI 首席经济学家 Ronnie Chatterji、OpenAI 经济研究团队劳动经济学家 Alex Martin-Richmond、Wharton 助理教授 Daniel Rock，以及 UCLA Anderson 金融学助理教授 Gregor Schubert。这场对话建立在证据之上，而非猜测。让我们一起探索 OpenAI 使用数据和研究揭示了什么——关于全球 AI 采用情况，以及对工作者、学习者、机构和社会的影响。

[00:02:20] Ronnie Chatterji：

很高兴见到大家。欢迎来到 OpenAI Forum。很高兴又回来了。我非常享受这些对话。现在是做经济学家的绝佳时代，尤其是正在研究 AI 对劳动力市场影响的年轻经济学家。很兴奋能和 Daniel、Gregor 以及 Alex 一起讨论关键的 AI 经济学问题和劳动力市场研究。

有个笑话——一方面，我们看到 AI 使用量飞速增长：每周活跃用户超过 9 亿，大量企业应用，你们记录的能力也在快速进步。但经济学家有两只手——另一方面，劳动力市场数据仍然不明朗，使用量和能力似乎并未映射到预期的劳动力影响。我们对当前这一时刻的理解哪里出了问题？为什么劳动力市场叙事和 AI 叙事之间看似矛盾？

[00:03:37] Daniel Rock：

很好的问题，Ronnie。感谢团队邀请我们。我不一定认为我们理解错了什么。1987 年，Bob Solow 有句名言：“你到处都能看到计算机，唯独在生产力统计中看不到。“我们正在见证类似的版本。

我们在最高层面的直觉是：如何在当前活动中使用 AI 来加速我们正在做的事情？发现新的使用场景或产品需要相当长的时间。这就是能力投资在长期回报的地方。我和同事们——Eric Brynjolfsson、Chad Syverson——写过一篇论文叫”生产力 J-Curve”。最初，要让一艘有前进动力的船转向不同方向，需要真金白银投入到无形的、更难衡量的东西上。这最初看起来像是生产力拖累。但长期来看，所建立的文化、新流程、新的工厂车间会产生回报。

你建立了这些，突然就像爆发性的能力释放。但关键是要进行前期投资。现在有大量的深度用户和探索正在为其他人照亮道路。

[00:05:23] Ronnie Chatterji：

完美过渡到 Gregor。你在企业采用方面做了非常独特的研究——企业如何更深入地使用 AI，发现新的使用场景。你怎么看这个问题？企业使用 AI 更多了，但正如 Daniel 所描述的，指标并不一定向上映射？

[00:05:46] Gregor Schubert：

这里有一个重要因素，Alex 也会谈到：存在原始的暴露度衡量指标——企业和职业对 AI 的暴露度、潜在的生产性用途。然后是将这些转化为企业是否真正使用了技术。一个过滤层是：将 AI 的潜力转化为实际应用。我们看到企业在将潜在收益转化为实际收益方面存在差异。

我的研究考察企业层面已有的技术能力是否让采用变得更容易或更困难。拥有现有技术能力的企业在实际采用这些工具方面更快、更好。部分原因是技术出现、理论生产力收益和实际组织收益之间存在滞后。Daniel 的 J-Curve 效应加剧了这一点：即使实施技术也需要时间来重组组织。你大量投资于无形的组织资本。从外部看，就像是雇了更多人、花了更多钱但没有生产力收益。但你实际上是在构建工具包，然后再去应用。

我教授关于组织重组和管理 AI 工作流的课程。学生告诉我，对齐和弄清新角色需要大量时间。工作内容不会保持不变；关于新的工作职能会有实验。产品经理变成了跨越营销和开发的非常不同的角色。企业在摸索中前进。在操作手册明确之前，我们会看到新角色不断涌现，人员被雇用和裁撤，但不一定是单向的生产力直线上升。

[00:08:14] Ronnie Chatterji：

Gregor，关于工作重新设计的讨论非常有趣。我们很幸运，OpenAI 经济研究团队有人在讨论工作设计和变化。通常我们邀请的是外部嘉宾。这次离不开 Alex Martin Richmond，他在劳动力市场方面做了出色的工作。Alex，你在数据中看到了什么关于工作变化、角色变化，劳动力市场如何应对 AI 加速？

[00:08:49] Alex Martin Richmond：

很明显，AI 在招聘广告中的出现方式——尤其是与当前 AI 有效性对齐的角色，比如编程——正在变革工作。许多人的任务构成已经在发生变化，尤其是在 OpenAI 内部。人们做知识工作和编程的方式与几个月前截然不同。自从我 12 月加入 OpenAI 以来，我的分析工作流在代码编写、数据分析和测试设计方面已经完全不同了。

延续 Gregor 和 Daniel 所说的，人们在尝试这些东西，工作流随时间逐渐变化。我们看到的显著趋势是：使用量在快速扩展——尤其是在 AI 擅长的使用场景中，能力进化迅速——AI 现在擅长的事情可能在几个月或一年前还做不到。我们称之为”能力溢出”——大量人在使用工具，但仍在摸索前沿用法，在工作流中充分发挥 AI 能力。

[00:10:34] Ronnie Chatterji：

Alex，在我们团队内部，使用 CodeX 的技能扩散，或者其他人在跟进——看到同事对 AI 使用的影响很有趣。这将会在企业研究中体现出来。你描述的是 AI 作为工作的补充，而非大量替代。这与之前关于技术如何最终改变工作的研究是一致的。在补充和替代的叙事中，我们未来应该关注什么？从劳动力市场数据来看，考虑到你的工作，人们关注的焦点是什么——变化速度、AI 是否会继续当前轨迹？你怎么思考这个问题？

[00:11:00] Alex Martin Richmond：

绝对关键。衡量自动化与增强确实非常困难，这是”什么是工作”和”什么是任务”这些根本问题的核心。也许 AI 能做某些任务——我可以把某件事分配给 CodeX。然后出现了我之前没有的新任务：在告诉 Ronnie 结果正确之前，验证 CodeX 是否正确完成了工作。这算是自动化了那个任务吗？如果 CodeX 正确完成了分析，就会有新的人工验证步骤。这是自动化还是增强？

我们整个团队都在研究如何衡量自动化和增强的能力。随着智能编程的兴起，通过准确观察你如何与代码、文档、幻灯片、电子邮件在电脑上交互，我们能获得更清晰的工作流演变画面。这比看起来要复杂：即使那些看起来完全自动化的任务，往往也没有呈现完整的自动化图景。但增强的力量——让编码更快、分析更快、帮助理解数据集或代码库——正在迅速扩展。

[00:12:36] Ronnie Chatterji：

Gregor，你研究的企业中——很多都有像 Alex 这样使用 CodeX 和编码工具来提高生产力、增加更多工作的人。企业在如何招聘？是更多人使用这些工具？还是每个工人产出更多？还是在以不同方式思考团队？我们应该关注哪些组织优化方式？

[00:13:54] Gregor Schubert：

我喜欢 Alex 的观点：突然之间，使用工具会产生新任务。AI 做的是”中间到中间”而不是”端到端”。你在开头添加新任务——规划、设置——再加上验证。这对更广泛的组织结构同样适用：不是交给人类内部完成任务后再返回，而是 AI 工作流在中间，大量投资于专业技能：构建数据结构、构建 AI 工作流任务，再加上专业的验证和输出评估角色。这改变了招聘和组织结构。

最近和一位韩国银行 CEO 交谈，他正在转移资源，雇用具有领域专业知识的人，赋予他们技术能力来实施 AI 工作流，而不是从 IT 部门主导技术实施。设计好的验证和任务输入最终需要领域专业知识。这几乎就像是在设计内部产品，这些工作流。你不能把这交给纯技术后端和不了解什么是好产出的企业人员。他们不应该设计有客户或内部影响的 AI 工作流。

新角色正在涌现，新的工作流也在形成。

[00:15:30] Ronnie Chatterji：

我喜欢”中间到中间”与”端到端”的概念，以及两端涌现的新角色——构建问题和验证。这对早期、年轻的工作者很重要，让他们补充而非被不断进步的机器智能替代。Daniel，你也在做实施方面的工作。前沿是如何打开的？看到 Gregor 提到的那些角色了吗？Alex 讨论的工作重新设计？对于企业，特别是快速增长的创业型初创公司——讨论较少的领域——关于 AI 优势以及补充与替代的问题，有什么建议？在小型组织中是否有所不同？

[00:15:42] Daniel Rock：

对。你在设计利用技术优势的新工作配置。没有哪家公司一开始就完美设计——也许 OpenAI 或其他实验室除外——但每个人都有转型工作要做。通过创业公司 Workhelix，我们与大型企业和初创公司合作，推广最佳实践。每个人都应该加入群聊、建立社区、分享发现。

在文化层面涌现的实践：表彰那些发现令人兴奋的新用例的人非常关键。有些人成为最优秀的员工，因为他们发现新事物，将发现传播给他人，将其纳入工作流——这需要允许实验和失败的文化。这对加速推进 AI 是强有力的补充。

同时，要尊重”工匠”——那些追求真正高质量工作的人。有时 AI 会带来风险。那些人可能会放弃犯错的技术，缺乏耐心，产生风险。承认他们的偏好，但建立防护栏，让工人承担责任。你可以把他们拉进来，让他们成为发现正确做事方式的技术布道者。然后其他人愿意学习最佳实践并向前推进。

从更宏观的层面看：这相当于组织层面从蒸汽机到电力的转型。蒸汽机有一个大发动机房，通过滑轮、皮带、电缆为其他机器提供动力——集中式动力，机器依赖它运行。电力发电机最初看起来就像用巨型电力发动机替换蒸汽机，做同样的事——有一些改进，但过了几十年人们才弄清如何模块化电力，创建小型电源，彻底重新配置工作。

大多数公司都有集中的技术职能——中心辐射模型——服务于构建技术的人。但如果每个人都为自己的目的构建工具，你应该模块化技术职能，因为 IT 部门虽然不知道销售、营销、采购的最佳方法，但他们知道如何构建安全、可维护、可靠的软件。当每个人都在构建时，我们可能仍然需要来自艰苦积累的知识的监督来构建这些工具。我见过一些组织将工程师部署到组织的其他部门。这种做法能更快地带来良好的生产力提升。

[00:19:11] Ronnie Chatterji：

有趣，Daniel。当思考人们在工作中做什么时，这是否延伸到家庭？消费者与商业的对比非常有趣。这项技术几乎同时在企业和消费者端获得了先进能力——这与你提到的技术非常不同——蒸汽机、电力发电机——先出现在工厂然后才到家庭。消费者密集使用 AI 与商业采用之间发生了什么？这如何影响经济影响？什么时候会体现在统计数据中？消费者与商业的角度是否会影响你的回答？

[00:19:52] Daniel Rock：

企业在某种程度上获得了大量免费培训。人们在家里使用这些东西，问各种问题——不是工作相关的——但感觉它让工作变得更好。我看到的一个区别是：消费者与工作使用——利用专业知识——我会向模型提问，直到获得足够的信息来帮助构建工作文档或产出物。在消费端可能做得少一些——更多是单向的。但消费端的使用驱动工作端更好的结果似乎是可能的。

[00:21:12] Ronnie Chatterji：

Gregor，思考你研究的企业赋能？大量消费者在家使用 AI，在工作中并非第一次接触。你看到了什么？

[00:21:26] Gregor Schubert：

我喜欢 Daniel 关于家庭实验可能在一定程度上帮助工作生产力的想法。这确实是真的——我们在座的所有人，很多对 AI 应用充满热情的人——可能在私人和工作中都在使用它们。人们不会严格区分。目前很难精确衡量这种溢出效应。

我最近与 Michael Blank 和 Ben Zhang 一起做了研究，考察人们在家用 AI 做什么。目前在家使用聊天机器人的人比在工作中使用的多。在家庭中正在发生一个巨大的消费者收益冰山，未被劳动力市场指标或 GDP 衡量所捕捉。人们做的是不一定在市场经济中的生产性活动。规划旅行、晚宴派对、购物清单、研究健康问题——所有这些都创造了经济价值，也许为后来的市场经济做准备或转移到工作生活中。但我们没有在官方宏观经济统计中捕捉到这些——GDP 中什么都不会显示，因为这是消费者剩余。人们为先进模型付很少的钱，得到大量使用，获得巨大的家庭生产收益。

[00:23:33] Ronnie Chatterji：

你如何思考将这些转化为经济指标？我们听到个人有惊人的生产力提升，但不一定体现在宏观数据中。

[00:24:07] Alex Martin Richmond：

从信号来看，大约 30% 的消费者 ChatGPT 使用量与工作相关，所以人们在模糊界限。确实很难——这是正在进行的研究——人们如何评价 ChatGPT 的消费者用途。Gregor 的研究支持它在个人生产力提升和福利方面是巨大的，但从市场时间的角度思考——如何转化为 GDP 再到总生产力——确实很难衡量。

随着专业工作流的发展，我们可能会开始在生产力统计中看到更多改善。我希望美国有更好的方式来衡量职业层面的变化。美国缺乏与税收或工资数据关联的良好行政衡量手段。我们依赖较小的调查来推断按职业分类的就业水平变化，帮助将生产力估计和消费者 ChatGPT 使用变化与总体统计联系起来。我乐观地认为也许我们会改进，但在总体数据方面我们还没到那一步。

[00:25:17] Ronnie Chatterji：

好问题，Alex。思考政策制定者关注的指标——特别是就业指标——但也包括价格、GDP。如果工作转型发生得比政策制定者预期更快，什么样的政策解决方案应该放在桌面上？

[00:25:52] Alex Martin Richmond：

听到了一些非常有趣的解决方案。一个被低估的：美国的失业保险其实设计得相当好，能在人们遭受负面就业冲击时做出响应，帮助他们过渡到下一个机会。我们应该对现有失业保险基础设施能够更好地适应短期缺口持开放态度。

随着 AI 的发展，我们可能会看到人们需要更大技能距离的转型——与之前的工作有很大不同。让失业保险更慷慨或延长期限可以帮助应对潜在的更激进变化。

此外，税收系统也在某种程度上辅助这些事情，通过从高收入者向低收入者的转移——我们有累进税制。虽然工资保险政策很有意思，但持续评估我们应该如何做到这一点，认真思考提供再培训或技能提升，我认为我们不应低估现有政策在适当支持、资金以及或许一些调整使其在这方面更有效的条件下所能发挥的作用。

[00:27:50] Ronnie Chatterji：

在现有制度基础上建设很有用。Gregor，思考工作转型可能比预期更快地展开，什么政策让你感兴趣？

[00:28:11] Gregor Schubert：

考虑投资于 AI 赋能。如果新角色涉及 AI 工具提升生产力和更广泛的 AI 赋能组织，我们必须提供前沿模型的访问权限和能力赋能，帮助人们弄清如何与工具协作。

一个令人惊讶的方面：我教 MBA 课程来赋能管理者。五周几乎不够——这还是知识水平相当高的研究生——才能感到使用工具时真正自信。大多数劳动力缺乏这种准备。需要至少同等程度的培训——10 到 20 周的 AI 培训——才能让每个人完全熟练。这需要大量的公共投资来资助培训作为公共品，而不仅仅是企业培训——那只惠及目前在职的人。

确保每个人都能使用最好的模型。观察到的最大差距：那些未曾尝试前沿模型的人对能力有扭曲的认知，更难设想生产性的用途。

[00:30:07] Ronnie Chatterji：

以这种方式实现 AI 民主化——这是我们非常强调的——让人们更熟悉工具，缩小 Alex 提到的能力溢出。Daniel，思考工作转型可能比预期更快，你在关注什么或者有什么政策解决方案在视野中？

[00:30:16] Daniel Rock：

我以前是期权交易员。看到这么大的不确定性，我想的是我们怎样能获得政策议程的期权？感谢 Anton Kornak 提醒了这种可能性。我们能不能有一种元政策，做小规模的实验？如果某个实验对特定政策情况有效，我们可以快速扩大。

Alex 和 Gregor 都提出了很好的观点。完全同意 Alex 的：失业保险在解决某些问题方面设计得相当好。关于培训的思考——我和 Pamela Michigan 以及 AI 那边的 Taina Lindow，还有现在在 GovAI 的 Sam Manning 一起写过 GPT 论文。我们思考了劳动力市场暴露度。人们通常将暴露度做负面解读。我们没有做那样的声明。只是：存在任务变化的可能。我认为通常这会是好事。

所以回到 Gregor 的观点：我们如何实现 AI 赋能？你可能会培训人们冲向 AI 密集型工作。对我来说，思考劳动力市场的专业知识意味着首要问题识别和解决方案工程——专业领域。我们能否创建更灵活的项目，使人们能够为 Alex 提到的更大技能距离快速发展专业能力？

我们可能希望人们涌入这个行业获益，而不是想着”哦不，让 AI 离远点”。恰恰相反。只有拥有专业知识才能了解问题。如何让解决方案成为你自己构建的东西？

[00:32:17] Ronnie Chatterji：

太棒了。思考如何提供培训来缩小差距同时帮助人们更好地学习使用 AI 和前沿模型，这非常有趣。

好了，我想现在进入问答环节。

[00:34:02] Natalie Cone：

也许我先抛出这个问题，Daniel，既然 AI 如此深刻地改变了工作市场，你会建议青少年在开始大学学习时选择什么专业？

[00:34:10] Daniel Rock：

天哪，我经常被问到这个问题，而且不总是确定自己有好的答案。敷衍的回答：当然是 AI。第二个回答：经济学。但除此之外，我认为更重要的是解决问题的能力。

建立感觉来说，工程学是很好的选择。工程和科学一直很好，因为这是同事们所说的不可能的任务——发明和创新的方法。我们有了发现各种新事物的新工具。但同时，这些系统改变了我们的运作方式，我们真的需要人文学科的人来解释这如何改变世界，无论结果是好是坏。

我真的不认为学不同的东西会出错。重要的是在各类别中定位自己，利用这些技术的优势。我建议不要抵触这些技术。不是每个人一开始都超级感兴趣。但要整合它们，说：看，这是我们生活的一部分。如何确保它发展得好？

[00:35:39] Gregor Schubert：

不是个别学科在贬值。学习各种东西都有角色——社会的需求不会消失。是领域内的特定任务在变得不那么有价值。你要弄清楚在这些领域中做什么仍然有价值。

我再回到 AI 做的是”中间到中间”而不是”端到端”这个观点：某些领域存在执行层面的要素。比如，如果你学历史，档案工作在未来会非常不同，更像是构建自动化档案文件审阅、构建工具。在经济学中，解题和做代数做得非常好的技能在未来会变得不那么重要。但变得更重要的是找到有趣的数据集，提出有趣的问题。很多领域意味着学习方式不同——更多精力投入到提出好问题、找到大问题在哪里、发展推动事物前进的主动性和判断力、构建自己的东西，而不是聚焦于变得不那么重要的执行层面。

[00:40:11] Natalie Cone：

你认为 AI 在哪里创造了最大的机会，让工作变得更有意义、更有创造性或更少重复性？

[00:40:21] Alex Martin Richmond：

我认为这是你可以卸载那些真正不想做的事情的地方——你不想填的表格、你一直拖延发送的邮件——自动化一天中最重复、最无聊的部分。你可以花更多时间做工作中最有趣的人性化部分——更多阅读、论文理解、写作。

OpenAI 有一个小组去了国家美术馆，看策展人和文物保护师如何与艺术品打交道。他们在尝试如何使用 AI 自动化保护过程中的记录工作，花大量时间精确记录他们对画作做了什么，这确实占用了实际修复和保存艺术品的时间。人们会继续找到使用 AI 的方式，获得更多时间做最有趣的工作部分。

[00:42:10] Gregor Schubert：

Alex 说得完全对。我认为生活中往往有些部分是琐事、苦差事。我记得在战略咨询时——向年轻毕业生推销说花时间解决大的战略问题。实际上大部分时间在做幻灯片、做会议记录、总结东西。

结果是所有无聊的部分 AI 都非常擅长——总结文字、做会议记录、做幻灯片。因此，无论是这样的工作还是个人生活，我们突然可以更多地专注于高层次的战略性事务。也许销售话术变得更加真实了，你突然拥有了可以只思考大想法的工作。

个人生活中也是如此，我们做很多不觉得有成就感的事情——连续几个小时研究医疗问题，浏览不同的论坛、网站，或者旅行规划，或者求职时填无尽的表格、重新格式化不想处理的文档。如果使用 AI 工具能让这些事情变得更容易或者我们能在更高的战略层面来做，就给了我们更多时间做真正享受的事情。

我们在研究中发现：人们更快地完成个人生活中的琐事后，会花更多时间在真正享受的事情上——社交媒体、流媒体、游戏，或者任何热爱的事。目标是推动人们去做他们喜欢的事，因为 AI 正在接管其他部分。

想象一下如果我们不再整天处于认知超负荷状态。我真的认为我们带到工作生活中的战略思维和智识严谨性——我们正在为此创造空间。这非常令人兴奋。

[00:45:38] Natalie Cone：

最后一个问题。全球各国政府目前最应该聚焦解决的最重要问题是什么，以支持民众？AI 如何在这方面提供支持？

[00:46:07] Ronnie Chatterji：

从政府的角度——我在政府从事经济政策工作多年——我认为应该高度关注受 AI 影响最大的个人。很多大众讨论有一种对 AI 技术暴露度的感觉，但没有深入挖掘哪些工作最受 AI 影响，哪些可能被 AI 增强。我们正在这个领域开展工作。我鼓励政策制定者使用那些数据、我们在网站上发布的信号数据，以及其他框架和方法来弄清影响在哪里被感受到。

第二件事：尝试为个人提供直接支持，希望从现有的制度和项目开始，然后建立新的项目。通过 Daniel 谈到的实验过程，这真的非常重要。最后一点比较专业和技术性，但确实很重要：我们应该衡量我们正在做的事情，关注受 AI 影响而获得支持的人、因 AI 而工作变化的人、在工作中做得更多的人的长期结果，弄清影响有多持久以及如何影响人们的生活。

归根结底，如果我们做到这些，就能确保将有效的政策引导到最需要的人身上，我们将建立一套证据体系，确保我们始终与人类福祉保持一致。