图片来源：ELIAMEP
人工智能提升生产率，并不意味着所有人会按相同比例分享增长成果。
希腊欧洲与外交政策基金会 ELIAMEP 10 月 14 日发布工作论文《Artificial Intelligence and Inequality》。研究由 Audencia Business School 教授 Manthos Delis、欧洲央行高级经济学家 Sofia Anyfantaki、Montpellier Business School 副教授 Maria Iosifidi 和约阿尼纳大学教授 Nikolaos Mylonidis 共同完成。
论文把 AI 与不平等之间的关系拆成五条相互影响的路径：技能需求、工资极化、资本和市场集中、数字鸿沟，以及金融领域的算法应用。它的核心结论并不是“AI 必然扩大不平等”，而是：当技能、基础设施和经济权力本来就分布不均时，AI 往往会加速既有差距；制度则决定这种加速是否会发生。
AI 首先改变的是“谁能被技术放大”
AI 是一种通用技术。它既可以替代标准化任务，也可以增强需要分析、创造、复杂判断和沟通的工作。
这两种作用并不会平均落到所有劳动者身上。具备较强数字能力、专业知识和组织资源的人，更容易把 AI 变成生产率工具；大量从事重复性认知工作的中等技能岗位，则更容易面对任务压缩、岗位重组和议价能力下降。
因此，AI 对劳动力市场的影响不能只用“创造多少岗位”或“替代多少岗位”衡量。更重要的问题是，新增价值流向工资、企业利润还是资本回报，以及不同群体是否有能力从被替代的任务迁移到与 AI 互补的岗位。
论文称这种变化可能形成工资极化：高技能岗位受益，部分难以自动化的低薪服务岗位继续存在，而处于中间位置的行政、文职和支持性工作受到挤压。企业引入算法管理系统后，目标设定、任务分配和绩效监控也可能被进一步标准化，使中间层岗位的自主性下降。
数字技能会变成新的收入分界线
研究引用 OECD 成人技能调查 PIAAC 2023 的数据指出，高水平数字和认知技能已经对应明显的工资溢价。
在样本中，具有较高数理能力的劳动者平均收入比处于常见中等水平者高 31%；在接受过高等教育的人群中，这一差距达到 40%。数字环境问题解决能力达到较高水平的劳动者，工资溢价约为 28%。不同国家的差异同样明显：高技能工资溢价在美国达到 48%，在瑞典约为 28%。
这组对比说明，技能本身并不是唯一变量。瑞典较小的工资差距还与集体谈判、工资协调和劳动制度有关。同样的技术冲击进入不同制度环境，分配结果可能完全不同。
AI 因此可能形成一个自我强化循环：已经具备更好教育和数字技能的人，更早使用高质量模型和数据，获得更高生产率和收入；增加的收入又使其能够继续投资教育、工具和资产。数字能力较弱的人则可能因为缺少培训、设备、网络和工作机会而进一步落后。
论文特别提出，应优先帮助处于工资分布中间位置的劳动者。这部分人承担了较多可被自动化的认知型例行任务，但也往往最有可能通过再培训转向 AI 监督、分析和协作岗位。
AI 红利也可能从劳动转向资本
训练和部署 AI 需要算力、数据、软件平台和专业人才。这些资源具有明显的规模效应，并集中在少数大型企业手中。
当数据越多、模型越强、客户越多的企业可以进一步获得更多数据和收入时，市场会出现正反馈。拥有云平台、搜索入口、社交网络、芯片或大量专有数据的公司，不只是比竞争者效率更高，还可能控制其他企业使用 AI 的成本和条件。
ELIAMEP 的分析把 OECD 和欧盟 25 个行业的市场集中度、AI 专利强度和利润率放在一起比较。论文报告，AI 专利强度与市场集中度之间存在较强正相关，相关系数为 0.70；与利润率之间的相关系数为 0.78。
搜索引擎、社交媒体、云计算和 AI 芯片等行业的集中度明显高于传统零售、餐饮和建筑业。论文所列数据中，搜索引擎、社交媒体和云计算行业的经营利润率约为 28.5% 至 35.8%，传统行业则约为 4% 至 6%。
这里需要谨慎解释：相关性并不等于 AI 专利直接导致垄断或高利润。资本门槛、网络效应、并购、品牌和监管环境都可能共同作用。但数据至少表明，AI 扩张发生在一个利润和控制力已经高度集中的产业结构中。
如果生产率红利主要表现为平台利润和无形资产升值，而不是更广泛的工资增长，那么 AI 即使提高了整体产出，也可能同时扩大财富差距。
算法金融可能同时改变投资回报和获得贷款的机会
金融应用是论文特别关注的一条路径。
一方面，能够接触高质量数据、高性能计算和算法交易系统的机构与高净值人群，可以获得普通家庭难以使用的投资工具。论文以 2010 至 2024 年的资产组合进行模拟：若初始资本均为 100，最高财富组在 15 年后可能增长至 533，而最低组约为 131。
这不是对未来收益的保证，而是用于展示复利如何把投资工具和资产配置上的初始差异放大成长期财富差距。
另一方面，AI 信用评分可以提高审批效率，却也可能把历史数据中的不平等带入新的决策系统。收入、居住地、设备类型、工作稳定性等变量，即使没有直接使用种族或阶层标签，也可能成为它们的替代指标。
研究引用的数据中，不同群体之间的信用评分差距最高达到 57 分，对应的贷款申请拒绝率分别为 17.4% 和 8.2%。当贷款成本和拒绝率持续存在差异时，影响的不只是一次借款，还会累积影响住房、教育、创业和资产形成。
因此，判断算法金融是否“更公平”，不能只比较模型与人工审核的平均准确率，还要检查错误在不同群体中的分布、申请人能否获得解释，以及是否存在有效的申诉和人工复核渠道。
数字鸿沟不是“有没有网络”这么简单
数字包容通常被理解为宽带和设备覆盖，但 AI 时代的有效接入至少包含四个层次：
- 能否使用稳定的网络、计算设备和数字身份；
- 能否接触质量足够的模型、数据和软件工具；
- 是否具备判断、验证和安全使用 AI 的能力；
- 所在组织是否允许劳动者把工具转化为工作机会和议价能力。
只有账户而缺少技能，只有免费聊天工具而缺少行业数据，都不等于真正进入 AI 经济。对小企业而言也是如此：如果关键模型、云服务和数据接口都由大型平台控制，技术虽然可以购买，利润空间和创新主动权却可能仍被上游拿走。
这也是为什么研究把数字基础设施与市场竞争放在同一个政策框架中。扩大宽带覆盖能让更多人接触 AI，但若不同时降低技能门槛、平台依赖和融资障碍，接入本身未必能够改变价值分配。
性别与职业结构会让冲击分布不均
AI 的影响还会叠加到既有的职业和社会结构上。
论文指出，女性在行政和支持类岗位中的占比较高，而这些岗位包含较多可由算法处理的任务。与此同时，女性及其他代表性不足的群体在 STEM、AI 开发和高增长技术岗位中的参与度较低。
如果企业只关注自动化比例而不追踪岗位转移结果，就可能一边削减某类岗位，一边继续从相对单一的人才群体中招聘 AI 岗位，从而扩大原有的工资和机会差距。
更有针对性的做法，应包括带薪再培训、内部转岗通道、对不同群体分别评估自动化影响，以及检查 AI 招聘和绩效系统是否复制历史偏差。
研究提出的政策重点是什么
ELIAMEP 认为，分配结果取决于技术与制度如何组合。论文提出的政策方向可以归纳为五组：
- 普惠技能建设：为数字准备度较低和中等技能劳动者提供免费、可获得的终身学习与转岗项目；
- 社会保护和劳动制度：加强失业支持、工资透明、集体谈判和过渡期保障，避免调整成本只由劳动者承担；
- 竞争政策：加强对数字平台、AI 基础设施和并购的反垄断审查，并支持开放基础设施和中小企业接入；
- 算法问责：对信贷、招聘和公共服务中的模型进行群体差异测试，提供解释、申诉与人工复核；
- 税收与公共投资：提高社会分享超额技术收益的能力，把部分收入投入公共数字基础设施、教育和基础资产建设。
这些政策并不是阻止企业应用 AI，而是避免“谁先拥有算力和数据，谁就永久占有全部收益”。如果更多劳动者能够掌握工具，中小企业能够以合理成本使用基础设施，自动化收益又能支持再培训和社会保障，AI 才可能同时提高效率与包容性。
研究也明确承认：这些数据不能单独证明因果关系
论文多次提醒，其部分实证结果展示的是相关关系，而不是严格的单向因果关系。
收入不平等、数字基础设施、教育水平、产业结构和市场集中度会相互影响。数字化程度较高的国家可能更早采用 AI，也可能因为社会保障和教育制度而拥有更低的不平等水平；高利润行业更容易投资 AI，而不一定只是 AI 让它们获得高利润。
因此，研究的价值不是给出一个简单预测，而是识别风险如何通过多个渠道叠加，并提醒政策制定者不能等到长期因果关系完全确定之后才建设缓冲机制。
真正的问题不是 AI 会不会创造财富，而是谁拥有分享财富的条件
AI 本身既不是天然的平等工具，也不是注定扩大贫富差距的机器。它更像一个放大器：能够放大个人能力、企业规模、数据优势，也会放大原本存在的制度缺口。
如果高质量教育、数字基础设施、资本和决策权集中在少数群体，生产率提升就容易转化为更高的技能溢价、平台利润和资产回报。相反，如果社会能够扩大技能供给、维持市场竞争、保护转型中的劳动者，并对高影响算法建立问责机制，技术红利就有可能分布得更广。
衡量 AI 经济是否成功，不能只看模型能力、投资额和 GDP 增长。还需要回答三个问题：普通劳动者是否因此获得更高的生产率与收入，中小企业是否拥有公平使用技术的条件，以及因自动化受损的人能否获得真正可行的转型路径。
AI 创造多少价值由技术能力决定，而这些价值如何分配，最终仍然是制度选择。
研究介绍： ELIAMEP：Artificial intelligence and inequality