人工智能特别是生成式人工智能的发展，并不是一般意义上的技术进步，而是对经济学中关于劳动、资本、技能和收入分配的基本理解提出了新的挑战。传统就业理论主要从劳动供求、工资水平、资本深化和技术进步等角度解释就业变化，传统收入分配理论则主要关注资本与劳动之间的收入分配，以及不同教育和技能劳动者之间的工资差距。过去的机器主要替代体力劳动和规则化任务，而人工智能已经进入写作、编程、设计、咨询、金融分析、科研辅助和管理等认知领域。因而，人工智能的影响不能简单概括为“机器替代人”，而应理解为它重新划分了人和机器承担任务的边界，改变了劳动者之间的比较优势，也改变了生产率收益在劳动者、企业和资本所有者之间的分配。
一、人工智能对就业理论的影响
（一）从“职业—技能”分析转向“任务—能力”分析
传统就业理论经常按照职业、学历和技能水平划分劳动者，并认为技术进步通常提高高技能劳动者的相对需求。这一框架能够解释教育回报和技能工资差距，却难以准确描述人工智能的影响。一个职业并不是单一劳动投入，而是由信息收集、数据处理、判断、沟通、协调和责任承担等多项任务构成。人工智能通常不会一次性消灭整个职业，而是先替代或辅助其中一部分任务。因此，真正需要分析的不是某个职业会不会消失，而是职业内部哪些任务可以被人工智能完成，哪些任务仍然需要人类判断，以及剩余任务的价值是否提高。
如在金融分析岗位中，数据整理、资料检索和初步报告可以由人工智能完成，但投资判断、风险承担、客户沟通和复杂决策仍然依赖人。这样一来，岗位名称可能不变，工作内容、能力要求和工资结构却会发生明显变化。就业理论的分析单位由职业转向任务，也意味着技能的含义需要重新界定。未来更重要的能力可能不只是掌握知识，而是提出问题、验证人工智能输出、理解具体情境、整合不同领域信息以及承担最终责任。
（二）就业效应不能只看替代，还要看生产率和新任务
人工智能对就业的影响至少包括替代效应、生产率效应、规模效应和新任务创造效应。替代效应是指人工智能接管原来由劳动者完成的任务，直接减少相关劳动需求。生产率效应是指人工智能降低成本、提高质量，使企业能够扩大产出。规模效应是指价格下降和服务改善带来新的市场需求，从而增加就业。新任务创造效应则来自模型训练、系统维护、结果审核、风险控制和个性化服务等新活动。
因此，人工智能提高生产率并不必然增加就业，替代部分任务也不必然减少总就业。最终结果取决于产品需求是否足够扩大、企业能否创造新的工作内容、劳动者能否转向新的任务，以及人工智能是被用来辅助员工还是直接压缩用工。Acemoglu和Restrepo提出的任务模型表明，自动化会产生劳动位移，但新任务创造能够使劳动重新进入生产过程。人工智能时代的就业理论不能只计算有多少任务可以自动化，还必须分析自动化之后是否出现新的劳动比较优势。
（三）人工智能改变职业阶梯和人力资本形成
传统人力资本理论认为，劳动者通过教育、培训和工作经验提高生产率。人工智能一方面可以成为学习工具，使经验较少的劳动者迅速获得信息和建议，缩小其与熟练劳动者之间的差距。已有研究发现，生成式人工智能对低经验劳动者的生产率帮助往往更大，这说明人工智能并不必然扩大技能差距。另一方面，人工智能也可能替代初级岗位中的基础任务，而这些任务原本是年轻劳动者积累经验的重要途径。
如果企业减少初级分析、基础写作、简单编程和辅助性工作，劳动者可能失去从低阶任务逐步成长为专业人员的通道。企业短期内能够减少培训成本，但长期可能出现熟练人才供给不足。因而，就业理论不仅要分析当前岗位数量，还要分析职业入口、内部培训和经验积累。人工智能究竟是促进人力资本形成，还是造成去技能化，取决于企业是否把它设计成辅助学习的工具，以及是否保留必要的训练任务和责任层级。
（四）企业组织和劳动者议价能力成为核心变量
相同的人工智能工具，在不同企业中可能产生完全不同的就业结果。有的企业利用人工智能帮助员工检索信息、提高决策质量和扩大服务范围，有的企业则用它标准化流程、监控绩效并减少员工。技术能力本身不能直接决定就业，企业的组织方式、管理制度和市场竞争同样重要。人工智能还可能通过“可替代威胁”影响工资。即使企业暂时没有裁员，只要劳动者认为自己的任务容易被机器取代，其谈判能力也可能下降。
这意味着，工资不能再简单理解为劳动边际生产率的结果。人工智能可能同时提高劳动者产出和企业控制能力，生产率上升并不一定带来工资同步增长。算法管理还可能提高劳动强度、压缩工作自主性。因此，就业理论需要同时考察就业数量、工作内容、工资、工时、职业发展和劳动者控制权，而不能只关注失业率。
二、人工智能对收入分配理论的影响
（一）资本与劳动之间的收入分配重新成为核心问题
过去关于收入不平等的研究较多关注高技能与低技能劳动者之间的工资差距。人工智能的发展使资本与劳动之间的功能性收入分配重新成为核心。如果人工智能作为一种资本服务接管越来越多劳动任务，生产率收益就可能更多流向模型、算力、平台和知识产权的所有者，而劳动收入份额可能下降。由此，经济增长与居民收入增长之间不再存在自动对应关系。
人工智能时代的关键问题不是总产出能否提高，而是谁拥有产生这些产出的关键资产。大型模型、训练数据、计算基础设施、软件平台和企业组织能力都可以形成新的资本。若这些资产高度集中，劳动者即使借助人工智能提高生产率，也未必能够获得相应工资增长。收入分配理论必须把资本所有权、利润集中和劳动者分享生产率收益的能力纳入分析。
（二）技能溢价转变为人工智能溢价
传统技能偏向型技术进步理论认为，新技术通常与高技能劳动互补，从而提高高学历劳动者的工资。生成式人工智能的影响更复杂。一方面，它可以放大专家的能力，使少数高水平劳动者同时处理更多项目，形成更强的“超级明星”效应；另一方面，它也可以把部分专业知识标准化，使经验较少的劳动者完成过去需要较高训练的任务。因此，未来不一定表现为所有高技能劳动者受益、所有低技能劳动者受损。
更准确地说，人工智能时代可能出现人工智能溢价。能够提出高质量问题、识别错误、整合知识、与客户建立信任并承担责任的劳动者，可能获得更高回报；主要从事标准化检索、文本加工和规则判断的劳动者，即使学历较高，也可能面临工资压力。与此同时，人工智能可能缩小同一岗位中熟练者与新手的生产率差距，却扩大最顶尖人才与普通劳动者之间的收入差距。收入分配理论需要分析工资分布的不同部分，而不能只比较平均教育回报。
（三）企业差异、市场势力和新的租金来源更加重要
人工智能带来的收入差距不仅发生在个人之间，也发生在企业之间。拥有高质量数据、技术人才和流程改造能力的大企业，更容易把人工智能转化为生产率和市场份额；中小企业则可能只能购买标准化服务。结果是，工资差距可能越来越取决于劳动者进入了什么企业，而不仅取决于个人能力。人工智能具有高固定成本、低复制成本和数据反馈等特点，还可能强化平台企业和超级明星企业的市场优势，使利润进一步集中。
同时，人工智能产生了数据租金、模型租金和组织租金。人工智能能力来自大量人类创造的文本、代码、图像和工作经验，但这些知识的贡献者未必能够分享模型产生的收益。谁拥有数据，谁控制模型接口，谁能够把人工智能嵌入企业流程，谁就可能获得更大的收入。传统收入分配理论通常把收入划分为工资和资本回报，而人工智能要求进一步分析数据、知识产权、平台控制和组织能力形成的租金。
（四）工资不平等与财富不平等都很重要
人工智能对长期分配的影响可能更多通过财富而不是当期工资实现。拥有企业股权、基金、知识产权和数字资产的家庭，可以通过资本收益分享人工智能红利；主要依赖工资收入且缺乏资产的家庭，则更容易承担职业转换和收入下降的风险。即使短期工资差距变化不大，人工智能相关企业价值上升也可能扩大财富差距，并进一步影响子女教育、住房和创业机会。
因此，收入分配理论不能只问哪些劳动者工资上升，还要问谁拥有人工智能资本，谁有能力投资于互补技能，谁能够承受转型期间的收入损失。人工智能把工资分配、资本收入分配和代际财富传递连接在一起，使资本所有权成为决定长期不平等的重要因素。
三、结论
人工智能并没有使传统就业理论和收入分配理论失效，而是迫使这些理论从更细的层次重新构造。就业理论需要从职业和学历分析转向任务、能力和工作流程分析，从简单替代转向替代、生产率、规模和新任务创造的综合分析，并把职业阶梯、企业组织、议价能力和就业质量纳入框架。收入分配理论则需要从一般技能溢价扩展到人工智能互补性溢价，从劳动者之间的工资差距扩展到资本与劳动之间的分配、企业间差异、平台和数据租金以及财富所有权。
人工智能对经济学理论最重要的改变，是把技术进步是否提高生产率这一问题，进一步转化为技术替代哪些任务、增强哪些能力、由谁拥有和控制、收益如何分配？人工智能最终会改善还是恶化就业与收入分配，并不是由技术能力自动决定的，而取决于企业采用方式、市场结构、资本和数据所有权、劳动者议价能力以及教育和社会保障制度。只有把技术、组织和制度放在同一框架中，才能真正理解人工智能时代就业和收入分配的变化。
参考文献
[1] Autor D H, Levy F, Murnane R J. The Skill Content of Recent Technological Change: An Empirical Exploration[J]. Quarterly Journal of Economics, 2003, 118(4): 1279-1333.
[2] Acemoglu D, Autor D H. Skills, Tasks and Technologies: Implications for Employment and Earnings[C]//Handbook of Labor Economics. 2011, 4B: 1043-1171.
[3] Acemoglu D, Restrepo P. Automation and New Tasks: How Technology Displaces and Reinstates Labor[J]. Journal of Economic Perspectives, 2019, 33(2): 3-30.
[4] Acemoglu D, Restrepo P. Tasks, Automation, and the Rise in U.S. Wage Inequality[J]. Econometrica, 2022, 90(5): 1973-2016.
[5] Brynjolfsson E, Li D, Raymond L R. Generative AI at Work[J]. Quarterly Journal of Economics, 2025, 140(2): 889-942.
[6] Autor D H, Dorn D, Katz L F, Patterson C, Van Reenen J. The Fall of the Labor Share and the Rise of Superstar Firms[J]. Quarterly Journal of Economics, 2020, 135(2): 645-709.
