一、美国的经济数据也打架了

去年下半年以来，美国经济出现了一个传统宏观经济无力解释的现象。

9月初，美国劳工统计局对去年3月到今年3月的非农就业数据大幅下修超过90万，为20年来这个数据下修最多的一次，加上8月的美国非农部门新增就业仅22，000 个，远低于过去十年内正常的月度平均水平，这种修正意味着目前已经达到了衰退的程度。

但其他经济数据并不支持“衰退”，8月，美国的失业率为4.3%，总体仍处于历史中等偏低水平，并未达到代表衰退的6%以上的水平。

增长数据也是如此，多个大行预测第二季度GDP年化季率终值上修至3.8%，第三季度GDP追踪预测也调升至2.6%，远远达不到衰退的标准。

为什么就业数据差，失业率一般，但经济增长却不错？

研究机构对此有很多解释，比如政府查非法移民，导致就业数据差，但不在统计内的失业率不差；比如经济数据统计人手不足导致的统计误差；比如关税冲击，让企业既不敢招聘，又不敢裁员。

这些解释都偏短期，预示着未来要么经济加速下行向就业数据靠拢，要么就业市场恢复生机向经济增长数据靠拢。

但如果是长期的原因呢？

有一种非传统经济学的解释越来越被更多证据认可，即，这个矛盾现象主要是AI投资造成的，而且，它将长期改变经济与就业结构。

二、AI投资的钱多人少

一份来自德意志银行的宏观研究报告认为，正常情况下，美国早已陷入衰退，只是因为有大规模的AI基础建设投资，才避免了衰退。

报告认为，本轮AI投资是由从事大规模云计算、网络传输和存储服务的科技巨头主导的基建军备竞争，如亚马逊AWS、微软Azure、谷歌云以及甲骨文等，它们的资本支出增长预计在今年达到顶峰。

巨头的资本开支，不但刺激了美国经济，在科技密集的北亚地区，由于芯片被豁免关税，也引发了大规模的提前采购，日本和韩国等地股市也涨声一片——事实上，本轮领涨A股行情的海外算力板块，都是受益于这些科技巨头的AI投资。

但AI投资跟传统制造业投资不同，它很难带来就业机会，所以就业数据没有表现，主要原因有三点：

首先，目前集中投入的AI数据中心是典型的资本密集型行业，一个数据中心需要数十亿美金巨额投入，主要用于土地、电力、冷却、服务器、芯片等，但建成后只需要少量运维人员。而大部分制造业的劳动密集度更高，即便有自动化，一个汽车厂仍需数千名工人。

同样金额的投资，AI 基建产业带来的就业机会只有传统制造业的10%。

其次，AI算力集群一旦搭建完成，增量需求只需扩容机架，不会线性增加人力，AI研发也高度依赖自动化工具；而制造业规模扩大往往意味着更多生产线，带来更多就业岗位。

最后，AI数据中心产业链的上下游集中在少数高科技企业，供应链层级有限，且集中在少数地区；而制造业的产业链长，从原材料、零部件到运输、零售，都能吸纳大量中低技能就业，且分布广泛。

所以，AI救得了经济数字，但救不了就业率。而且AI基建能否真实产生效益，能否持续投入，还取决于后续真实的AI应用需求能否出现爆炸式增长。

更糟糕的是，即便这个AI数字机房真的转化为需求，仍然会持续压制就业数据，甚至会长期改变经济增长与就业率的传统关系。

三、异常的“不足就业”

前面说过，近一年美国的就业数据还有一个特点：失业率不算高，但就业数据持续恶化，这个奇怪的数据结构，也与AI有关。

首先是美国的劳动参与率，8月为59.6%，降到了2008年金融危机后58%的低点，仅高于疫情期间。

美国还有一个较宽口径的失业／闲用劳动力指标 U-6，不仅包括常规失业者，还包括不太积极找工作者和兼职者，8月这个指标约为8.1%，显著高于常规失业率，说明有不少人在劳动力市场上处于“不足就业”状态。

U-6指标与失业率的差，经济正常时应该在3%以内，超过 4%，说明就业质量下降，兼职/隐性失业增加。

所以，失业率不高，但就业数据看起来差，真正的原因可能就在最后一个数据——不足就业上。

相比欧盟和日本，美国人找工作更类似于中国疫情前，职业流动性很强，加薪靠跳槽，而且不难找工作，企业也习惯于常规招聘，去应对员工的高离职率。

所以不足就业往往意味着上述规律的改变，包括两种情况：

1. 薪水低，但不敢辞职，怕找不到工作，选择兼职打第二份工，企业对需求不确定，不敢增加全职岗位，加大兼职的招聘，这些会导致就业数虚高；

2. 对找工作失去信心，技能和岗位匹配度差，其数据既不在失业，也不在就业，拉低劳动参与率。

不过，这种“就业不足”的现象，在每一次衰退之前都会看到，为什么认为这与AI有关呢？

这就不得不提近期那份引发热议的论文。

四、减少的招聘

哈佛大学两位劳动经济学博士近期有一篇论文《生成式人工智能作为偏重资历的技术变革：来自美国简历和职位发布数据的证据》，分析了包括285，000家招聘公司，6200份简历和超过1.5亿次的招聘记录，揭示了AI对就业市场已经发生的冲击。

论文把这些公司分为两组：简介中使用了AI技术的AI采纳公司，没有相关描述的未采纳公司，结果发现，在AI技术革命的半年后，在低级职位的招聘数量上，两者的差从持平到一路向下（前者小于后者），而在高级职位的招聘数量上，两者的差保持着原先一路向上的趋势。

结论很明显，采纳AI技术，抑制了公司招聘初级职位的意愿，对高级职位目前没有明显影响。

作者进一步把初级员工的变化分为新招聘、离职和晋升，比较了变化后，认为，公司在利用AI取代员工时，并不是粗暴地解雇，而是减少招聘。AI采纳者公司在2023年第一季度后，初级职位招聘平均每个季度下降22%。

其中的逻辑也非常好理解，下降最多的行业是批发零售业，员工中初级岗位大多与文书、客服有关，也是AI目前最得心应手的领域。

另外，美国的批发零售业行业也是喜欢大量使用兼职的行业，与U-6数据吻合。

根据报道，很多公司甚至加强了对在职员工使用AI的培训，以替代那些本应被招聘的员工——这也解释了前面的失业率与就业数据的矛盾。

但如果初级员工的就业机会越来越少，那未来的高级员工是从天上掉下来的吗？

这篇论文还有一个毕业学校数据，可以解答这个问题。

五、AI与新任务创造

论文把员工毕业的大学分为五个等级后发现，最容易被AI替代的是Tier 2和Tier 3的大学毕业生。

按照论文的等级对应中国的大学，Tier1大致相当于C9这个级别，Tier2相当于211和后排985，Tier3相当于双非一本，Tier4是二本和民办本科，Tier5为社区大学，相当于中国的大专。

这里预示了大企业未来招聘初级员工和校招的两个倾向：头部985是为公司培养未来管理人才，相当于储备干部；而二本和大专是为了用低成本招AI无法替代的劳动力。

不过，不要觉得这是AI划开的人才鸿沟，现行的大学分类是为了适应以前的人才需求，这个趋势如果延续下去，大学的专业也会更按照上述两个倾向进行调整，大学会设置更多AI无法代替的专业，最终把中间的U型底填平，毕竟能招211毕业生，谁会招大专生呢？

更重要的是，AI会创造更多需要大量员工的新产业。

从经济学的角度，这种变化在AI之前发生过多次，自动化和劳动力都是资本投入的生产力要素，这个过程就是柯布–道格拉斯生产函数：

Y：产出

A：技术水平

K：资本（包括机器、自动化）

L：劳动投入

α：资本份额

从成本的角度，K和L不只是单向替代，而是相互代替，资本家认为哪一个成本低就用哪一个，这个动态平衡的过程大概包括两个阶段：

第一阶段，当大规模的流水线和自动化工厂，一直在取代传统的职位，导致就业市场饱和，劳动力成本下降；

第二阶段，自动化成本边际下降的趋势停止后，劳动力成本的比较优势开始显现，而新技术又会创造出一些需要大规模劳动力的新行业，招聘活动回升，劳动力回报回升。

这就是由经济学家Acemoglu & Restrepo在2018年提出的“自动化与新任务创造”模型：

经济中有很多任务I，一部分任务[0，I] 可以被机器完成，另一部分任务[I，1] 只能由劳动完成。技术进步会推动I扩大，导致更多任务被机器替代，但同时也会催生新任务，大量新职业出现。

举一个例子，5G和物联网的大规模应用，促进了工厂智能化，导致了制造业初级工人的饱和，压制了制造业的人力成本；但5G和物联网又创造了移动互联网的发展，创造了外卖、在线打车、共享经济新产业，这些新产业又得益于较低的制造业转移人力成本，可以大规模地吸纳又不至于导致人力成本暴增。

过去的自动化发生在蓝领工人领域，AI冲击发生在初级白领身上，但生产力要素相互代替的原理不变，只要初级白领供应过剩，成本有优势，未来就会出现大量需要初级白领的新产业，虽然我们现在还不知道它是什么。

所以真正危险的并不是新入职场的初级员工，而是工作10年仍然是简单白领的资深员工，就像新生代蓝领员工宁愿送外卖也不愿进工厂，而美国铁锈地带的中年失业工人即便通过工作培训等救济政策，成功再就业率也不足15%。

未来这群“工作10年仍然是简单白领的资深员工”，就像20多年前的国企下岗职工，可能才是AI时代最大的牺牲品，对于这个群体，可以看一看我前年写的文章《直接给居民发钱，也许是一个好办法》。

本文来自微信公众号：人神共奋，作者：思想钢印