2026年1月，Alexander Bick、Adam Blandin和David J. Deming发表论文“The Rapid Adoption of Generative AI”。生成式人工智能是一项潜在的重要新兴技术，但其对经济的影响取决于其应用的速度与深度。该文基于一系列针对美国工作与家庭场景中生成式人工智能使用情况的全国性代表性调查（截至2024年末）展开分析。
数据显示，在18至64岁的美国人口中，已有45%使用生成式人工智能。在职受访者中，27%曾在过去一周内将生成式人工智能用于工作：其中10%每日使用，17%在部分工作日使用。相较于各项技术首次面向大众市场发布的时间点，生成式人工智能在工作场景中的应用速度快于个人电脑，而其整体普及速度更显著超过个人电脑与互联网。目前，全美1%至7%的工作时长得到生成式人工智能的辅助，受访者反馈的时间节约效果相当于总工作时间的1.4%。不同行业潜在的生产力提升幅度差异显著，而企业文化氛围与政策在技术应用模式中扮演着重要角色。
一、导言
生成式人工智能（生成式AI）已迅速崛起为一项具有潜在重要意义的职场技术。大型语言模型ChatGPT于2022年11月首次推出，截至2024年12月，其全球周活跃用户已突破3亿。近期多项研究发现，生成式AI能够提升劳动者的生产效率（Brynjolfsson、Li和Raymond，2023；Cui等人，2024；Dell’Acqua等人，2023；Noy和Zhang，2023；Peng、Kalliamvakou、Cihon和Demirer，2023；Toner-Rodgers，2024），部分经济学家也预测，生成式AI将对整体经济产生显著影响（Chui等人，2023；Filippucci、Gal和Schief，2024）。但也有研究认为，生成式AI对就业和生产率的实际影响较为有限（Acemoglu，2024）。
学界对于生成式AI的经济影响存在诸多争议，部分原因是目前缺乏关于该技术采用频率和使用强度的系统性实证证据，且多数相关研究均早于各类易获取的生成式AI工具的推出（Acemoglu、Autor、Hazell和Restrepo，2022；Albanesi等人，2024；Gathmann、Grimm和Winkler，2024）。
本文基于美国首项针对生成式AI职场与居家使用情况的全国代表性调查数据，对该技术的采用现状展开研究。研究数据来源于实时人口调查（RPS），这是一项自2020年起开展的全国性线上劳动力市场调查，调查对象为18-64岁的劳动年龄人口（Bick和Blandin，2023）。本文整合了2024年8月和11月两轮调查的结果，有效受访者总计超过1万人。
实时人口调查的核心问题设计、调查时间与框架均与当前人口调查（CPS）保持一致。这一标准化的框架设计，不仅能让本研究的调查估算结果以当前人口调查为基准进行校验，还能通过构建权重确保调查样本的全国代表性。同时，依托与当前人口调查的对标，本文得以将生成式AI的采用情况与个人电脑（PC）、互联网的普及历程展开对比。美国人口普查局自1984年起开展计算机与互联网使用情况补充调查（CIU），该调查为研究计算机化对劳动力市场的影响奠定了重要的文献基础（Autor、Katz和Krueger，1998；Card和DiNardo，2002；Krueger，1993）。本研究严格沿用了该补充调查的问题表述与框架设计，从而能够对比不同技术自首款大众市场产品发布后的采用轨迹；同时，本文也设计了全新的问题，用以衡量个体对该技术的使用强度，以及技术为使用者节省的时间成本。
本文得出六项核心研究结论。第一，已有相当比例的受访者在工作和生活中使用生成式AI。2024年8月至11月，26%的就业受访者表示在工作中使用过生成式AI：其中9%的受访者每个工作日都会使用，14%的受访者在过去一周的部分工作日使用过，还有3%的受访者在过去一周未使用过。三分之一的受访者表示在工作之外使用生成式AI，其中27%的受访者在过去一周至少使用过一次。整体来看，39%的受访者表示曾在工作中或工作之外使用过生成式AI。使用最普遍的产品为ChatGPT（占所有受访者的28%）、Gemini（17%），以及微软Copilot等嵌入式产品（14%）。
为验证研究结果的可靠性，我们还于2024年12月在工作安排与态度调查（SWAA）中加入了生成式AI相关调查模块。该调查自2020年5月起每月开展，采用的线上调查样本库与实时人口调查不同（Barrero、Bloom和Davis，2021）。工作安排与态度调查和实时人口调查得出的生成式AI采用率高度一致，无论是整体采用率、按使用频率划分的采用率，还是各类产品的使用情况均无显著差异。本研究的结论也与其他针对美国ChatGPT使用情况的调查结果相符，包括那些不要求受访者具备网络访问条件的调查（Fletcher和Nielsen，2024；McClain，2024）。与以往研究相比，本文的调查数据具备多项优势：不仅涵盖所有生成式AI的使用情况，而非仅针对ChatGPT；还对工作场景和非工作场景的使用进行了明确区分；同时收集了更详细的相关数据，包括不同特征劳动者的使用情况、使用频率，以及该技术为使用者节省的时间。
自20世纪80年代起，计算机及相关信息技术的广泛普及推动了整体生产率的提升，同时也加剧了收入不平等问题（Autor、Levy和Murnane，2003）。将生成式AI的早期采用模式与计算机进行对比，有助于我们分析生成式AI是否会对经济产生与这些早期技术相似的影响（Autor，2024）。本文的第二项核心研究结论为，生成式AI的采用速度目前至少与计算机、互联网持平，甚至更快。1984年，25%的劳动者表示在工作中使用计算机，而2024年，有27%的劳动者表示在工作中使用生成式AI。（1984年是首款大众市场计算机——IBM个人电脑推出后的第三年；从这一视角来看，2024年作为ChatGPT推出后的第二年，生成式AI的职场采用轨迹与当年的计算机基本一致。）
与之形成对比的是，生成式AI在非工作场景的采用速度远快于计算机。尽管我们无法对互联网的工作场景使用和非工作场景使用进行区分，但生成式AI的整体采用率（含工作和非工作场景）已超过个人电脑和互联网。这一差异可能源于技术采用成本和易用性的不同：计算机的普及需要购置昂贵的硬件，互联网的使用则需要购买调制解调器并签订网络服务提供商的服务合约，而ChatGPT这类生成式AI产品可免费使用，或仅需支付较低的订阅费用，且使用该技术无需具备专业的技术知识。较低的采用成本，加之生成式AI产品以消费者为核心的设计导向，或许也是个体层面的采用速度远超企业官方层面采用速度的原因（Babina、Fedyk、He和Hodson，2024；Bonney等人，2024）。
本文的第三项核心研究结论为，生成式AI的采用在不同人口统计特征和劳动力市场特征群体间存在显著差异，且这一差异分布与计算机的早期采用模式高度契合。计算机和生成式AI在年轻群体、高学历群体、高收入劳动者中的采用速度均更快。二者在不同职业和行业中的采用模式也较为相似，不同之处在于，计算机的采用相对集中在少数几个职业领域，而生成式AI的采用则分布得更为均匀。二者唯一的显著差异体现在性别维度：生成式AI的早期使用者中男性占比更高，而计算机的早期使用者中女性占比更高，这一现象源于秘书及其他行政类职业对计算机的快速普及，而这类职业在当时的从业者中女性占比极高。
本文的第四项核心研究结论为，近期基于工作任务测算的生成式AI潜在影响程度，能够高度预测该技术的实际采用情况。Eloundou、Manning、Mishkin和Rock（2024）依据各职业中可能受生成式AI显著影响的任务占比，为每个职业设定了相应的潜在影响评分。他们所测算的“生成式AI潜在影响度”与该技术的实际采用率高度相关，这也印证了该测算指标对研究人员的参考价值。几乎所有职业群体都存在一定程度的生成式AI采用行为，这与Eloundou、Manning、Mishkin和Rock（2024）的研究中发现的生成式AI影响范围的广泛性相一致。同时，部分职业的实际采用率高于其潜在影响度（尤其是管理类职业），而部分职业的实际采用率则低于其潜在影响度（尤其是办公室及行政支持类职业）。
本文的第五项核心研究结论为，生成式AI的使用强度存在显著的个体差异。在工作中使用生成式AI的受访者中，34%的人在过去一周的每个工作日都使用过，52%的人在过去一周的部分工作日使用过，还有14%的人在过去一周完全未使用。在使用生成式AI的工作日中，32%的劳动者日均使用时长达到1小时及以上，47%的劳动者日均使用时长在15至59分钟之间，21%的劳动者日均使用时长不足15分钟。使用生成式AI的工作日越多的劳动者，其日均使用时长也通常越长。结合这些数据与受访者过去一周的工作天数和工作时长信息，我们估算得出，美国当前有1%至5%的职场工作时长由生成式AI辅助完成。
本文的第六项核心研究结论为，我们基于受访者自报的时间节约数据，对生成式AI对整体生产率的早期影响进行了粗略估算。我们向受访者询问，若无法使用生成式AI，完成上周同等工作量需要额外花费多少小时。经估算，所有在工作中使用生成式AI的受访者平均节约了5.4%的工作时长，这意味着全体劳动者（含非使用者）的平均工作时长节约率为1.4%。时间节约的幅度与生成式AI的使用强度高度相关，因此在不同职业和行业间存在显著差异。基于标准的总生产函数模型，我们估算得出，在当前的劳动者使用水平下，生成式AI有望推动整体生产率提升1.1%。这一估算结果与Acemoglu（2024）的研究结论相近，后者基于工作任务的生成式AI潜在影响度而非实际采用数据，估算出生成式AI有望推动生产率提升0.7%。
本文的结构安排如下：第二部分介绍调查方法与数据来源；第三部分呈现生成式AI采用率的相关估算结果；第四部分分析生成式AI采用的群体异质性；第五部分探究生成式AI的使用情况、时间节约效应及其带来的潜在生产率提升；第六部分为研究结论。
二、 数据来源与测度方法
2.1 实时人口调查（RPS）
本文的主要数据来源为实时人口调查（RPS），这是一项针对美国 18-64 岁成年人开展的全国性劳动力市场调查（相关详细论述参见 Bick 和 Blandin，2023）。该调查由专业商业调研机构 Qualtrics 通过线上形式开展，自 2020 年起，每年都会完成多轮调查数据的收集。
实时人口调查的设计核心，是在关键维度上与当前人口调查（CPS）保持一致。调查中关于人口统计特征和劳动力市场结果的问题，均与基础版当前人口调查及当前人口调查外出轮换样本的问题相匹配；在实际操作中，尽可能沿用原问题的逐字表述，并复刻了一系列严谨的问题提问顺序，确保劳动力市场相关结果的收集方式与当前人口调查保持统一（美国人口普查局，2015）。复刻这份高质量既有调查的核心内容，能够保证调查概念的可比性，不仅让研究人员可以将实时人口调查的结果与这一样本量更大的权威基准进行验证，也能在必要时通过构建样本权重对数据进行调整。Bick 和 Blandin（2023）的研究表明，在疫情期间，实时人口调查所测算的就业率、工作时长、收入水平、行业构成以及员工任职年限等指标，与当前人口调查的统计结果高度相近。
实时人口调查还会收集当前人口调查未涵盖的信息，包括企业间员工再配置的趋势、居家办公情况、州际人口迁移，以及通货膨胀与求职行为之间的关联等（Bick 和 Blandin，2023；Bick、Blandin 和 Mertens，2023；Bick、Blandin、Mertens 和 Rubinton，2024；Pilossoph 和 Ryngaert，2023）。2024年 6 月起，实时人口调查新增了专门的调查模块，用于测度职场和居家场景下的生成式 AI 使用情况，并在 2024 年 11 月持续开展相关数据收集。
2.2 生成式 AI 使用情况的测度
本研究设计调查的核心目标之一，是实现生成式AI与其他技术历史普及情况的对比。为达成这一目标，我们以当前人口调查中既有的技术采用相关问题为蓝本，设计了生成式AI的调查问题。1984年10月，当前人口调查首次推出补充调查模块，研究彼时的新兴技术——计算机的普及情况（该模块后正式命名为计算机与互联网使用补充调查，即CIU）。针对就业受访者，其关于职场计算机使用的核心问题为：
你是否[直接]在工作中使用计算机？（否/是）
第二个问题则围绕居家计算机使用展开：
你是否[直接]在家中使用计算机？（否/是）
2001年和2003年的调查中，上述问题里的“直接”一词被剔除。2001年，调查新增了互联网使用相关问题：
你是否在任一地点使用互联网？（否/是）
该问题在2001、2003、2007和2009年的计算机与互联网使用补充调查中均有提及，且与计算机相关问题不同，这一问题未对使用地点进行限定。
由于生成式AI是相对新兴的技术，我们认为有必要在调查中为受访者明确这一概念的定义，并列举具体案例。因此，在生成式AI调查模块的开篇，我们对生成式AI作出如下定义：
生成式AI是一种能根据指令生成文本、图像、音频或视频的人工智能技术，典型案例包括ChatGPT、Gemini和Midjourney。
我们纳入主流生成式AI产品案例，是考虑到部分受访者可能对这些产品名称的熟悉程度，远高于“生成式AI”这一宽泛概念。在给出定义后，模块会先询问受访者，在本次调查前是否听说过生成式AI：总体而言，74.5%的受访者表示听说过，其余25.5%回答“否”的受访者，将跳过该模块的剩余问题；回答“是”的受访者则继续完成调查，后续会被要求从列表中选择使用过的生成式AI产品，或填写列表外的其他产品。
针对就业受访者，接下来的问题将围绕职场生成式AI使用展开：
你是否在工作中使用生成式AI？（否/是）
这一问题的设计，与上述计算机与互联网使用补充调查中关于计算机使用的问题相呼应，我们选用了2001年及以后剔除“直接”一词的版本。
另一问题（并非紧随上述问题提出）则针对工作之外的生成式AI使用情况：
你是否[在工作之外]使用生成式AI？（否/是）
针对非就业受访者，问题中将省略方括号内的内容。计算机与互联网使用补充调查中，关于计算机使用的问题限定为“在家中”，而本研究未使用这一表述，以涵盖受访者通过移动设备在非居家场景使用生成式AI的情况。
所有回答使用过生成式AI的受访者，都会被问及具体使用的产品，可从列表中选择（如ChatGPT、谷歌Gemini），或填写列表外的其他产品。
对于表示在工作中使用生成式AI的就业受访者，我们会询问其在过去一周内使用生成式AI的天数；若其表示上周未使用，则进一步询问是否在过去四周内使用过。同时，我们也会询问其在使用生成式AI的工作日中，日均使用该技术的时长。此外，还会问及受访者使用的具体产品、生成式AI辅助完成的具体工作任务，以及关于该技术使用场景和使用收益的一系列综合性问题。
对于使用生成式AI的非就业受访者，以及在工作之外使用生成式AI的就业受访者，我们会向其发放相同的后续调查问卷；针对后者，会在问题中明确限定为“工作之外”的使用场景。
三、生成式人工智能的使用普及程度如何？
图2a展示了2024年8月和11月实时人口调查（RPS）受访者中使用生成式人工智能的人群占比。“整体使用”和“工作外使用”两项统计的样本为所有受访者，“工作中使用”的统计样本为就业受访者。整体使用占比的测算，以受访者对“你是否在工作中使用生成式人工智能？”或“你是否在工作之外使用生成式人工智能？”任一问题回答“是”为依据。随后，我们根据受访者对后续问题“你上周是否[在工作中/在工作之外]使用过生成式人工智能？”的回答，对生成式人工智能使用者进一步分类。
首个柱状图显示，39.6%的受访者表示曾在工作中或居家场景使用过生成式人工智能：其中9.2%的受访者上周每天都使用，23.1%的受访者上周有使用但并非每天都用，7.3%的受访者上周未使用。第二个柱状图显示，26.5%的就业者在工作中使用生成式人工智能：9.0%的就业者每个工作日都会使用，13.9%的就业者上周有使用但并非每个工作日都用，由此得出职场周使用总占比为22.9%。在工作之外的场景，生成式人工智能的整体使用占比更高（35.5%），但使用强度更低，仅有5.2%的受访者表示上周每天都在工作外使用该技术。
四、哪些劳动者在使用生成式人工智能？
图4a的数据显示，1984年个人电脑的职场采用率与2024年生成式人工智能的职场采用率极为接近。那么，四十年前推动个人电脑普及的那部分劳动者，是否也是如今推动生成式人工智能普及的核心群体？解答这一问题，是初步探究生成式人工智能对劳动力市场异质性影响的关键一步（Acemoglu，2024；Autor，2024；Autor、Levy和Murnane，2003）。
图5展示了1984年个人电脑和2024年生成式人工智能按不同人口统计群体划分的职场采用率。图5a显示，拥有学士及以上学位的劳动者使用生成式人工智能的比例（40%）约为学历低于大学的劳动者（20%）的两倍，这一特征与个人电脑的早期普及模式高度相似。图5b按年龄划分了采用率，我们再次发现生成式人工智能和个人电脑的普及规律趋于一致：2024年，50岁以下的劳动者使用生成式人工智能的比例远高于50岁以上的劳动者，而1984年个人电脑的使用也呈现出这一年龄特征。但二者在性别维度的采用模式存在差异：图5c显示，男性使用生成式人工智能的比例比女性高出7.5个百分点，而个人电脑早期的女性采用率则比男性高出6个百分点。这一差异的原因在于，1984年秘书及其他行政支持类职业对个人电脑的普及推动作用显著，而彼时这类职业的从业者以女性为主。
图6a绘制了1984年个人电脑和2024年生成式人工智能的采用率按周收入百分位划分的核密度曲线，二者的分布模式依旧高度相似：采用率随收入水平稳步上升，直至收入达到约80百分位后开始回落。
为进一步探究技术使用与劳动力市场结果之间的关联，我们在控制职业、行业、受教育程度和人口统计特征的前提下，将个人电脑和生成式人工智能的使用指标对收入、工资和工作时长进行回归分析，结果如图6b所示。研究再次发现个人电脑和生成式人工智能的影响特征相近：使用这两项技术的劳动者，周收入均存在21个对数点的溢价，小时工资存在约15个对数点的溢价，周工作时长存在5个对数点的溢价。
图6c对上述回归模型进行了调整，纳入了生成式人工智能不同使用强度的指标（上周未使用、上周部分工作日使用、上周每日使用）。由于当前人口调查未收集个人电脑的使用强度数据，无法对个人电脑开展同类回归分析。在控制人口特征、职业和行业因素后，上周每个工作日都使用生成式人工智能的劳动者，收入比非使用者高出40%；上周部分工作日使用的劳动者，收入比非使用者高出22%。与之相对，那些表示使用过生成式人工智能但上周未使用的劳动者，其收入与非使用者之间无统计学意义上的显著差异。这类收入差异主要源于小时工资的不同：每日使用生成式人工智能的劳动者小时工资比非使用者高出30%，每周部分工作日使用的劳动者小时工资比非使用者高出15%。
使用强度更高的劳动者薪资水平更高，这一现象可能源于多方面原因。第一，即便是同一职业、同一行业，工作任务也存在显著差异，而那些更能借助生成式人工智能提升效率的工作任务，本身可能就对应着更高的薪资（Deming和Kahn，2018）。第二，生产效率更高的劳动者，往往会更快地接纳新技术（Nelson和Phelps，1966）。第三，生成式人工智能可能直接提升了劳动者的生产效率，进而推动其薪资上涨。本研究的数据无法区分上述三种解释的有效性。
图7从职业和行业两个维度，对比了两项技术的早期普及模式。图7a以1984年个人电脑的职场采用率为横轴、2024年生成式人工智能的职场采用率为纵轴，绘制了各职业群体的分布情况。生成式人工智能的职场采用率在计算机与数学类、管理类、商业与金融类职业中最高，分别达到43%、42%和41%。但整体来看，生成式人工智能的使用分布较为广泛，所有职业群体的采用率均处于15%至50%之间。与之不同的是，个人电脑的使用则更为集中，有三个职业群体的采用率超过50%，还有两个职业群体的采用率低于10%。尽管如此，两项技术的早期职业采用率仍高度相关（相关系数ρ=0.66）。
图7b展示了各行业的两项技术采用率对比。生成式人工智能的职场采用率在信息服务业中最高，达到58%；在休闲住宿及其他服务业、交通和公用事业中最低，分别仅为15%和17%。整体而言，两项技术在各行业的采用率同样高度相关（相关系数ρ=0.71）。值得关注的是，个人电脑在各职业、各行业的早期采用差异，在此后的数十年间表现出高度的持续性，具体参见附录图A.4。
五、生成式人工智能的使用频率与时间节约效应
在2024年11月的调查轮次中，我们向生成式人工智能使用者询问，若无法使用该技术，完成上周同等工作量需要额外投入多少小时。图11呈现了这一问题的调查结果。在过去一周使用过生成式人工智能的劳动者中，33.2%的受访者表示该技术为其节省的工作时间在1小时及以内，26.4%的受访者表示节省了2小时，20.0%的受访者表示节省了3小时，20.4%的受访者表示节省了4小时及以上。毫无疑问，使用生成式人工智能的频率越高，受访者自述的时间节约效果也越显著。在每个工作日都使用该技术的劳动者中，33.3%的人表示其每周节省的工作时间在4小时及以上，而仅在一周中某一天使用的劳动者中，这一比例仅为11.5%。
我们为每位生成式人工智能使用者计算了时间节约占工作总时长的百分比，计算方式为上周节省的工作时长与上周总工作时长的比值。经测算，2024年11月的调查中，使用者的平均时间节约比例为工作时长的5.4%。若将未使用该技术的劳动者纳入统计范围，全体劳动者的平均时间节约比例为工作总时长的1.4%。
不同职业和行业的时间节约效果存在显著差异。图11的b面板和c面板分别以职业和行业为维度，绘制了平均时间节约比例（含非使用者）与上周使用生成式人工智能的工时占比之间的关系图。结果显示，时间节约效果与技术的整体使用程度高度相关。计算机、数学类以及管理类职业的劳动者，会将9%至12%的工作时长用于使用生成式人工智能，该技术也为其节省了2.1%至2.5%的工作时长；与之形成对比的是，个人服务类职业的劳动者仅将1.3%的工作时长用于使用生成式人工智能，对应的时间节约比例也仅为0.4%。图中虚线为普通最小二乘法拟合线，其斜率为0.170，这意味着劳动者使用生成式人工智能的工时占比每提高10个百分点，对应的时间节约比例就会提升1.7个百分点。
从行业维度来看，信息服务业的劳动者使用生成式人工智能的工时占比最高（14.0%），对应的时间节约比例也最高（2.6%）；而休闲、住宿及其他服务业的两项指标均为最低，使用工时占比仅2.3%，时间节约比例也仅0.6%。
六、结论
生成式人工智能是一项具有潜在重要意义的新技术，其对经济产生的最终影响，将取决于使用该技术的人群规模、使用强度，以及它所带来的生产率提升效果。本文基于美国首项针对职场和居家场景下生成式人工智能使用情况的全国代表性调查，披露了相关研究结果。本研究的数据来源于实时人口调查（RPS），该调查经过科学构建与权重调整，具备全国代表性，且采用了与美国当前人口调查（CPS）一致的调查设计框架，而后者是美国广泛使用的全国性数据来源。
截至2024年8月和11月，有39%的劳动年龄成年人表示曾在工作或个人生活中使用过生成式人工智能。9%的就业受访者表示每个工作日都会使用该技术，14%的受访者表示会在部分工作日使用，这使得生成式人工智能的职场周使用总比例达到23%。在各类生成式人工智能产品中，ChatGPT的使用频率最高，其次是Gemini，本研究测算的ChatGPT使用率与近期其他相关调查结果相近。同时，我们在另一套不同的调查样本库——工作安排与态度调查（SWAA）中验证了本研究的发现，得出了一致的结果。
本研究以各技术首款大众市场产品的发布时间为基准，对比了生成式人工智能与个人电脑、互联网的普及速度。研究发现，生成式人工智能的整体普及速度已超过这些过往的重要技术。尽管生成式人工智能与个人电脑的职场普及比例相近，但其在非工作场景的普及速度远快于个人电脑。生成式人工智能产品的低采用成本和以消费者为核心的设计导向，是其普及速度较快的一大原因，而该技术的长期经济影响仍有待观察。值得关注的是，生成式人工智能的普及速度与20世纪80年代个人电脑的普及速度相近，而个人电脑的普及最终推动了生产率增长的加速，也加剧了收入不平等问题（如Autor、Levy和Murnane于2003年的研究所述）。
本研究还发现，生成式人工智能的采用情况在不同受教育程度、年龄、性别群体及不同职业间存在显著差异。生成式人工智能与个人电脑的普及在人口统计特征上呈现出相似的规律，年轻、高学历的专业岗位劳动者均为早期主要使用群体。但二者存在一点不同：女性是个人电脑的早期主要使用者，这在一定程度上是因为计算机在白领文职类岗位中快速普及。有趣的是，各职业的生成式人工智能采用模式，与学界基于工作任务对人工智能暴露度的专业评估结果高度相关，这也印证了这类评估指标对于研究人工智能劳动力市场影响的学者具有重要参考价值（如Eloundou、Manning、Mishkin和Rock于2024年的研究）。劳动者反馈称，生成式人工智能能为多种工作任务提供助力，其中对写作、行政支持，以及信息解读与总结类任务的辅助作用最为显著。
结合生成式人工智能使用频率与使用强度的详细数据，本研究估算得出，美国在调查期的职场总工时中，有1%至5%的工时借助了生成式人工智能完成。同时，通过询问使用者该技术为其节省的工作时间，我们估算得出：生成式人工智能为使用者平均节省了5.4%的工作工时，若将非使用者纳入统计范围，全体劳动者的平均工时节约率为1.4%。将这些数据纳入标准的总生产函数模型分析后发现，当前的生成式人工智能采用水平有望推动整体生产率提升约1.1%。但我们需提醒的是，这一估算的前提是，生成式人工智能带来的所有效率提升都转化为了劳动者产出的增加，而非职场休闲时间的增多。
本研究的发现为未来相关研究指明了多个方向。其一，有必要持续追踪生成式人工智能普及的规模、使用强度，以及不同群体间的使用异质性变化；其二，深入探究劳动者在哪些具体工作任务中使用生成式人工智能，也是一项重要的研究课题。
这篇NBER报告为理解生成式人工智能的早期应用格局及其对生产效率的潜在影响提供了宝贵的数据洞察。更多深度技术讨论与报告分析，欢迎在云栈社区继续交流探讨。
发表于 2026-2-14 08:49:56
|
查看: 30|
回复: 0
