Stanford 双实验室
用数据丈量 AI 对工作的真实影响

Erik Brynjolfsson 是斯坦福数字经济实验室主任，Stanford HAI 高级研究员，麻省理工学院出身的经济学家，与 Andrew McAfee 合著的《第二次机器时代》和《与机器赛跑》是过去十年最有影响力的技术经济学著作。Digital Economy Lab 的核心方法论是在真实企业和工人中实地测量 AI 工具对生产率、工资、就业的影响，而不是做理论模型预测——数据来自真实的企业部署场景，而非实验室或模拟环境。实验室同时与 Daron Acemoglu（MIT）、Tom Mitchell 等顶尖学者合作，并为美国国家学科院和欧盟 AI 政策委员会提供研究支持。

Diyi Yang 是斯坦福计算机系助理教授，研究方向是社会计算与自然语言处理（NLP）。SALT Lab（Social Algorithms and Language Technologies Lab）关注 AI 与人类社会互动的计算层面，在"AI 与工作"议题上做了一件独特的事：大规模实证调研工人本身如何看待 AI，而不只是依赖外部研究者的判断——AI 能不能做某件事，与工人是否愿意让 AI 做这件事，是两个截然不同的问题。

两个实验室共同参与了一个重要合作：对美国劳动力 AI 暴露的全面审计，将 O*NET 职业数据库（800+ 种职业）中的每个任务标注 AI 自动化和增强潜力，形成可公开查询的数据库。

《Generative AI at Work》（2025）——追踪一家大型科技公司客服团队引入 AI 辅助工具后的表现：平均生产率提升 14%，新入职员工提升幅度是经验丰富员工的 2 倍以上，专家-新手知识差距显著缩小。AI 在此充当的是"将优秀复制给平均"的均衡器，而非"让最强者更强"的放大器——原本最优秀的员工反而受益有限。

《Canaries in the Coal Mine》（2025）——分析 ChatGPT 出现后 2 年内的就业数据：30 岁以上在 AI 高暴露职业的就业人数增长了 6–12%，但早期职业工作者（22–25 岁）出现就业下降，与 MIT SFW 的发现相互印证。AI 的影响是非线性的——同时在增强（augmentation）和替代（displacement）两个方向运作。

《Future of Work with AI Agents》（2025，SALT Lab）——结合 1,500 名工人问卷（覆盖 104 种职业）、52 位 AI 专家的技术评估、AI Agent 的实际能力测试。研究提出四象限框架（工人自动化意愿 × AI 自动化能力）：绿灯区可直接部署（数据录入、日程安排）；红灯区需极度谨慎（如医生诊断决策，AI 能力已强但病人和医生都强烈抵触）。SALT Lab 还引入 Human Agency Scale（HAS），从 H1（无需人类介入）到 H5（人类介入不可或缺）标注每个任务中人类判断的必要程度。

AI 带来的生产率提升不会自动惠及工人。企业的部署策略——是把 AI 用于监控降本，还是用于赋能提效——决定了谁获益，这需要有意识的组织设计，不能依赖市场自发调节。SALT Lab 的调研进一步证明，工人对 AI 自动化的态度远比 AI 开发者预想的复杂：红灯区的存在——"技术能做，但工人强烈抵触"——在医疗、教育、招聘等领域会造成真实的阻力，忽视这个变量的 AI 部署项目注定失败。

工人最希望自动化的是繁琐的行政事务和简单信息检索；最抵触的是情感互动、创意判断和影响他人命运的决策。这与"人们会欢迎 AI 解放重复劳动"的预设有重要出入——工人的抵触并非来自不理解 AI，而是来自对自主性和尊严的保护。

两个实验室的互补构成了完整地图：Digital Economy Lab 回答"AI 对宏观经济指标的影响是什么"，SALT Lab 回答"在任务和工人意愿层面，AI 的边界在哪里"。两者合力，才能给出既有数字支撑又有社会可行性的 AI 政策建议——这正是学术界能提供、而单一企业研究部门难以提供的独特价值。