三种 2030：当 Acemoglu 亲自审阅 Anthropic 的经济模型

9 月 11 日，Anthropic 经济学团队发布了 Econ Scenario Explorer——一个把 30 万亿美元规模的美国经济拆解成"任务清单"、推演到 2030 年的交互模型。配套的技术论文 《Economic Scenarios for Transformative AI》（Anthropic Institute Working Paper No. 2026-02）由 Anton Korinek、Charles I. Jones、Szymon Sacher、Tess Cotter、Peter McCrory 五人撰写，致谢名单里赫然是 Daron Acemoglu、David Autor、Pascual Restrepo——这几位恰恰是"AI 冲击被过度夸大"阵营最资深的代表人物。这不是巧合，而是一次刻意的选择：一家靠卖 AI 赚钱的公司，请了最可能唱反调的经济学家，来审阅自己给自己写的颠覆潜力报告。

一、30 万亿美元的任务清单：一家 AI 公司怎么给自己的产品画像

Anthropic 这次没有做又一份"AI 将影响 X% 就业"的排行榜，而是选择了一个更笨但更诚实的方法：把整个美国经济拆成一个个具体任务。模型给出的示例是一名护士的一天——查房、抽血、分诊、记录生命体征、订耗材——每项任务被标记为"AI 完全触碰不到""被 AI 辅助""被 AI 自动化"或"AI 催生的新任务"。把这套逻辑套用到美国劳动统计局 O*NET 数据库里全部约 800 个职业，加总起来，就是过去一年创造的 30 万亿美元产值。

这个建模选择本身是一种立场声明：AI 的宏观影响不是一个可以直接猜测的常数，而是"多少任务被自动化 + 每个任务节省多少成本"的乘积——这正是 Hulten 定理的应用方式，恰好也是 Acemoglu 自己那篇论文的方法论起点。换句话说，Anthropic 选择了在对手最擅长的战场上论证：用同一套框架，看看结论会不会不一样。

二、三种 2030：从"看不出差别"到"经济每 4.5 年翻一倍"

报告给出三条路径，刻意不赋予概率——报告原话是"the scenarios are not predictions and we attach no probabilities to them"。以下数字全部逐字核对自技术报告 PDF正文的 Table 4：

温和情景：AI 的宏观足迹接近互联网——到 2030 年 GDP 只比无 AI 基准高出 1.6%，年增速比正常水平（2%）只快 0.4 个百分点，知识型职业就业规模仅收缩 0.5%，失业率几乎不动。

显著情景：AI 到 2030 年能完成一半的知识工作，但大部分知识工作仍由人类完成。经济增速翻倍到年化 5.4%，2030 年 GDP 比基准高出 8.3%。知识型职业就业规模收缩 3.9%，知识工作者失业率升至 4.5%，全社会失业率 4.6%——仍在历史正常区间内。工资开始分化：知识岗位工资几乎停滞，其他工种工资上涨近 6%。真正剧烈的是收入分配：劳动收入份额从 60% 跌到 56%——四年跌四个百分点，报告特别指出，这个跌幅"只比 1980 年后美国劳动份额四十年间的累计跌幅略小"（引用 Karabarbounis and Neiman, 2014）。

极端情景：AI 在绝大多数知识工作任务上比人类更高效，90% 的受影响任务被直接自动化而非辅助，且几乎不再为人类创造新任务——这大概率需要递归自我改进的 AI 出现。GDP 年增速冲到 15.4%，经济体量每 4.5 年翻一番，到 2030 年 GDP 比无 AI 基准高出 32.4%。但代价同样极端：知识型职业就业规模萎缩 21.5%，知识工作者失业率飙升至 17.9%，全社会失业率 11.9%——超过 2008 年金融危机后的峰值（约 10%）和新冠衰退峰值（约 8%）。

知识岗位工资下跌 11.5%，其他工种工资反而暴涨 33.6%；劳动收入份额从 60% 崩至 45%，资本收入比无 AI 路径高出 81%。报告测算，只需拿出约 9% 的 GDP——相当于社保加医保的规模——做转移支付，就足够让知识工作者维持无 AI 情景下的收入水平，同时让其余经济体还能多赚两成以上；但报告也坦承，历史上这种规模的转移支付从未在技术冲击后自发发生过。

Anthropic 配套的 Morning Consult 调查（8 月对逾 1 万名美国成年人）显示，受访者预期的中位数换算进模型后，几乎精确落在"显著情景"上——2030 年 GDP 比无 AI 基准高 8.6%，知识型职业就业收缩约 4.2%，失业率约 4.6%；约一成受访者的预期已经对齐"极端情景"。报告自己也承认模型的局限：它没有纳入政策响应、商业周期、总需求或金融市场冲击，也没有纳入灾难性风险——这些都是"未来版本要处理的问题"。

三、审稿人名单里的分歧：从 Acemoglu 到 Amodei 自己

真正有意思的地方在审稿名单。Anthropic 致谢的经济学家里，Daron Acemoglu、David Autor、Pascual Restrepo 三人恰恰是过去十年里对"AI/自动化冲击"最谨慎的一批学者。Acemoglu 在自己那篇 《The Simple Macroeconomics of AI》（NBER Working Paper 32487，后发表于 *Economic Policy*）里给出的结论是：基于现有的任务暴露度和效率提升估计，AI 十年内对全要素生产率的拉动"不超过 0.66%"——如果把"难学任务"的滞后效应也算进去，这个数字甚至可能低于 0.53%。

这不是说 Acemoglu 自相矛盾——他审阅的是 Anthropic 情景框架的方法论是否自洽，而不是背书某个具体情景发生的概率；他本人的独立测算，更接近 Anthropic 三条路径里最保守的"温和情景"下限。这恰恰暴露了当前经济学界的真实状态：顶尖学者们对"AI 会不会有巨大冲击"这个方法论框架已经趋同，但对"冲击到底有多大"这个数字，分歧大到能相差二十倍以上。

分歧甚至不局限在审稿人名单内部。不在名单上的 Tyler Cowen 在 Marginal Revolution 称这份报告"sober, reasoned, scientific"，随后明确表态个人押注"比温和情景略高一点"——比 Anthropic 自己给出的最保守路径还要谨慎；评论区里一名读者的反应更直接："如果你觉得 GDP 能年增 15%，那我有一座桥要卖给你"，另一位则指出实体世界的规划审批、邻避效应（NIMBY）等现实摩擦，会把显著情景以上的增速死死摁住。

反过来，分歧的另一端来自 Anthropic 自家：CEO Dario Amodei 在 2025 年 5 月曾公开预警，五年内最多一半的入门级白领岗位可能消失，失业率可能达到 10%–20%——这组数字恰好精准落在自家团队定义的"极端情景"里，比调查显示的公众预期中位数（对应"显著情景"）激进得多。牵头这份报告的 Anton Korinek 对此的立场要谨慎得多，他强调"如果 AI 能做惊人的事，但没人用它，那它就不会产生经济影响"——采用速度，而非能力本身，才是决定走向哪条路径的关键变量；Anthropic 联合创始人 Jack Clark 也对 NPR 表示，"技术扩散的难度，很可能比大多数人想象的更大"。一家公司的创始人、自家经济学家、外部审稿人和公众预期，四方给出的数字彼此相差悬殊，这本身就是"经济学界还没有共识"最有力的证据（Euronews 报道对此有详细梳理）。

四、现实数据打的问号：劳动力市场眼下到底发生了什么

三条情景都指向 2030 年，但 Anthropic 经济学团队另一篇论文 《Labor market impacts of AI: A new measure and early evidence》（Massenkoff & McCrory，2026 年 3 月）把镜头拉回了现在。他们构建了一个"实际暴露度"指标——不只看 AI 理论上能不能做某项任务（引用 Eloundou et al. 2023 的 β 值），还叠加了 Claude 真实使用数据里这项任务是被自动化还是仅被辅助。

结论相当克制：自 2022 年底以来，暴露度最高的职业没有出现系统性失业上升——真实数据目前离任何一条 2030 情景都还很远。唯一"疑似信号"是：在暴露度最高的职业里，年轻员工（招聘环节首当其冲）的雇佣有放缓迹象，这与 Brynjolfsson 等人（2025）用 ADP 薪资数据观察到的年轻从业者"悄悄被挤压"现象相呼应。换句话说，如果三条 2030 路径中有哪一条正在发生，此刻能看到的最多是最早期的信号，而不是结果。

五、所有模型都漏掉的一个变量：当经济行为体本身变成 Agent

以上所有模型——无论是 Anthropic 的任务拆解框架还是 Acemoglu 的 TFP 测算——本质上都还在回答同一个问题：当 AI 是一件被人类使用的工具时，经济会怎样变化。 MIT 的 Gillian Hadfield 与 Andrew Koh 在 《An Economy of AI Agents》（现收入 NBER *Handbook on the Economics of Transformative AI*）里指出，这个假设本身正在过期：能够自主规划、长周期执行、几乎不需要人类实时监督的 Agent，会作为独立的经济行为体互相交易、订立合约、组建市场——这需要一整套现有制度经济学都没有现成答案的基础设施：Agent 之间如何建立信任和责任认定？谁来做 Agent 经济的反垄断监管？

这不是纸上谈兵。本站此前记录过的 Agent 自主赚钱基础设施——支付协议标准化、Agent 自主接单流水线——以及 VendingBench 系列实验里 Agent 之间自发形成价格卡特尔的结果，正是 Hadfield 与 Koh 论文里"制度真空"的具体样本。与此同时，本站另一篇文章《公司大脑时代》从组织理论角度提出了一个几乎同构的问题：当 Skill File 能被当作"员工"来管理，公司的边界还是不是由科斯讲的交易成本决定的？Anthropic 的三条情景回答了"AI 替代多少任务"，却没有回答"当 Agent 本身开始互相议价、串谋、组建供应链时，宏观模型里的'企业'和'市场'这两个基本单元还成立吗"——这恰恰是 Agent 时代区别于此前所有自动化浪潮、经济学最没准备好的部分。

六、管理学最前沿：当"委托代理"里的代理人，第一次可能真的是个 Agent

管理学界有一个用了近五十年的词——"代理人"（agent）。委托代理理论（agency theory）研究的核心问题一直是：所有者（委托人）把决策权交给经理人（代理人）之后，该如何设计激励和监督机制，防止代理人偏离委托人的利益。2026 年，这个理论第一次要面对一个字面意义上的巧合：企业里的"代理人"，可能真的是个自主运作的 AI Agent。

Journal of Management Studies 2026 年一组论文正在系统性地处理这个巧合。Bridget Humberd 在《当 AI 变成企业的代理人：用委托代理理论的视角审视 AI 在组织中的演变》里，直接借用委托代理理论的框架重新审视 AI 的组织角色——她指出，过去一百年，企业管理技术系统的一个基础假设是"人类控制机器"，这个假设第一次真正被动摇：当 AI Agent 具备自主规划和执行能力，谁是委托人、谁是代理人，这条线开始模糊。Duncan Chalmers 等人的《人工智能的加速：在快速技术变革时代重新思考组织与工作》则提出，应该把 AI 理解为一个"流动的能力前沿"而非单一稳定的技术客体——算法正在成为组织生活里的"伙伴"，与人类共同生产组织惯例（routine），这带来一个尚无答案的问题：当权威的落脚点变成非人类主体，责任该由谁承担？

不是所有管理学者都愿意把 AI 拟人化到"自主代理人"的程度。Monika Stelmaszak 在同一期期刊提出了反方立场：《人工智能作为一种源于人机算法关系的组织能力》主张，与其把 AI 当作自主实体，不如理解成一种从人机协作关系中产生的"组织能力"（organizing capability）——这个框架提醒研究者，过度强调 AI 的"自主性"，可能会掩盖组织如何设计人机协作关系这个更本质的问题。这场理论内部的分歧，和经济学家之间的分歧遥相呼应：不是要不要认真对待 AI 的冲击，而是该用哪一套概念工具去描述它。

管理学界不只是在做概念之争，也有硬数据。Liudmila Alekseeva、José Azar、Mireia Giné 与 Sampsa Samila 发表在《Strategic Management Journal》的《人工智能采用与管理专业技能需求》，用 Lightcast 招聘数据衡量企业的 AI 采用程度，发现一个和直觉相反的结果：AI 采用程度越高的公司，管理岗位招聘反而越多，管理岗位占招聘总量的比例也越高——这个效应在制造业和研发密集型企业里最强。更细致的发现是技能结构的转移：AI 采用程度高的公司，对管理者的技能要求正在从预算、排期、人事管理、客户服务这类常规行政技能，转向利益相关方管理、创造力、销售管理这类人际和增长导向型技能。换句话说，AI 没有减少"管理"这份工作的需求，而是在重新定义"管理"到底意味着什么。

这个发现需要放在一个更大的采用速度背景里理解。Alexander Bick、Adam Blandin 与 David Deming 发表在《Management Science》的《生成式 AI 的快速采用》——一份全国代表性调查——显示，截至 2024 年底，美国 18-64 岁人口中近 40% 已在使用生成式 AI，23% 的受雇者过去一周内在工作中用过，9% 每个工作日都在用；生成式 AI 在工作场景的采用速度，已经追平个人电脑（PC）当年的普及曲线，整体采用速度甚至快过 PC 和互联网。目前生成式 AI 已经辅助了 1%–5% 的工作时长。这意味着 Alekseeva 等人观察到的"管理岗位技能重构"，不是一个遥远的理论推演，而是正在采用曲线陡峭上升阶段同步发生的真实变化。

如果说第三节讲的是经济学家们在同一套方法论框架下，对"冲击有多大"吵不出共识；那么管理学界的分歧更进一步——连"该不该把 AI 叫作一个自主行动者"这个最基本的概念问题，都还没有定论。

七、三条路不是宿命：政策能动性还在场

值得补一句平衡：Acemoglu、Autor 与 2024 年诺贝尔经济学奖得主 Simon Johnson 同期发表的 《Building Pro-Worker Artificial Intelligence》（NBER Working Paper 34854，MIT Sloan 通俗解读）明确反对"显著/极端情景里劳动份额必然崩塌"的宿命论。他们援引 19 世纪英国的先例——工业革命初期工资停滞、劳动份额下降，但随着铁路、文员、会计等新岗位出现，工资和劳动份额最终都恢复了——论证 AI 完全可能走"增强劳动"而非"替代劳动"的路径，关键在于企业的技术选择和公共政策是否主动引导。Anthropic 的三条情景描述的是可能性空间，不是必然性；走向哪一条，本身就是当下这几年的技术路线和政策选择在决定。

八、对 AI 从业者、企业管理者和政策观察者意味着什么

对 AI 从业者和投资人

关注"暴露度"而非"炒作度"。Massenkoff & McCrory 的方法论提示，真正值得跟踪的先行指标不是模型能力评测，而是具体职业里"自动化用法"占比的变化速度——这比任何单一 benchmark 都更接近显著情景是否正在兑现的证据。

对企业管理者

Anthropic 自己的模型也承认，"温和"与"显著"情景之间的分野，很大程度取决于企业选择"自动化现有任务"还是"用 AI 创造新任务"——这正是 Acemoglu/Autor/Johnson 那篇论文的核心论点。选择前者，是在把自己的组织往"显著情景"里知识工作者最脆弱的那一端推。Alekseeva 等人的实证发现给出了一个更具体的操作提示：与其把"管理岗位会不会被 AI 精简"当作问题，不如现在就着手重新设计管理者的技能培养路径——从常规行政技能转向利益相关方管理、创造力和增长导向型技能，这个转移在数据里已经发生，晚做不如早做。

对政策观察者

三条情景里，劳动收入份额下降不是"是否会发生"的问题，而是"发生到什么程度、谁来承接调整成本"的问题。年轻从业者招聘放缓，是目前唯一已经在真实数据里出现、且提前于失业率本身的信号——这才是应该现在开始设计政策响应的窗口，而不是等 2030 年数据揭晓答案。

主要参考来源

Anton Korinek, Charles I. Jones, Szymon Sacher, Tess Cotter, Peter McCrory, Economic Scenarios for Transformative AI, The Anthropic Institute Working Paper No. 2026-02 · Econ Scenario Explorer, Anthropic · Maxim Massenkoff, Peter McCrory, Labor market impacts of AI: A new measure and early evidence, Anthropic（2026-03-05）· Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487 · Daron Acemoglu, David H. Autor, Simon Johnson, Building Pro-Worker Artificial Intelligence, NBER Working Paper 34854（MIT Sloan 解读）· Gillian K. Hadfield, Andrew Koh, An Economy of AI Agents, arXiv:2509.01063 · Tyler Cowen, Economic Scenarios for Transformative AI, Marginal Revolution · Quirino Mealha, Anthropic says AI could bring both 15% growth and mass unemployment by 2030, Euronews（2026-09-11）· Bridget Humberd, When AI Becomes an Agent of the Firm, Journal of Management Studies（2026）· Duncan Chalmers et al., The Acceleration of Artificial Intelligence, Journal of Management Studies（2026）· Monika Stelmaszak, Artificial Intelligence as an Organizing Capability Arising from Human-Algorithm Relations, Journal of Management Studies（2026）· Liudmila Alekseeva, José Azar, Mireia Giné, Sampsa Samila, Artificial Intelligence Adoption and the Demand for Managerial Expertise, Strategic Management Journal（2026）· Alexander Bick, Adam Blandin, David J. Deming, The Rapid Adoption of Generative AI, NBER Working Paper 32966 / Management Science（2026）

作者：冯小平，[email protected]