10 个角度理解 AI 对经济的影响

• 公众号：老钱日日谈
• 发布时间：2026-06-04T15:11:38+08:00
• 微信链接：https://mp.weixin.qq.com/s/ear-CAvwu8F5kTEp5GPgzg
• RSS ID：3860762374-2247505794_1
• Feed ID：MP_WXS_3860762374
• Glance 当前首页可见：是

---

总结一下广发证券郭磊团队的一篇报告，探讨 AI 对宏观规律的影响。

第一，经济增长模型。

传统增长靠三个变量：劳动力、资本、全要素生产率。

AI 是一个新的参数，一边用「智能资本」替代和增强劳动、缓解边际报酬递减，一边靠「自我迭代式创新」把技术从外生变量变成随数据、算力、算法积累而自我加速的内生力量。它符合通用技术的三个条件——广泛适用、自身持续改进、诱发互补创新，理论上大概率抬高潜在增长率。但能抬多少，分歧大得惊人。

乐观一派如 Aghion and Bunel 估算未来十年 AI 让全要素生产率年均多涨 0.68 个百分点；保守一派如 Acemoglu 把「20% 任务受影响」乘上「23% 真正有成本优势」，得出实际只触及 4.6% 的工作任务，十年 TFP 增幅不超过 0.66%，年均才 0.07 个百分点。

同一个变量，两派算出近十倍的差距。

第二，生产率。

「索洛悖论」很可能重演——1987 年索洛那句「到处都是计算机时代，唯独生产率统计里看不到」，换成 AI 同样成立。

微观实验里效果确实惊人：ChatGPT 缩短写作时间还提质量，客服场景里生成式助手专门帮低经验员工追赶高手。

可宏观体感会冷得多：近 6000 名高管的调查里，多数人觉得过去三年 AI 对就业和生产率影响很小，约 69% 的企业在用 AI，但高管个人每周平均只用 1.5 小时。

这道落差靠「生产率 J 型曲线」解释：通用技术不是买来就增产，而是先砸钱重写流程、重组岗位、积累数据、培训员工，这些投入在账上记成当期成本而非未来资产，所以早期统计上反而是生产率承压，等组织和数据适配了才能集中释放。

对宏观来说，AI 早期表现为资本开支上升而非利润率上升，数据中心、芯片、光模块、电力、冷却先吃肉，终端效率兑现得晚。

第三，劳动力市场。

五句话概括判断：

长期就业中性；

短期先「替代」后「复原」；

岗位「任务重组」；收入结构调整；

无差异性劳动议价能力下降。

Autor 提醒过去两百年自动化从没让人类劳动整体过剩——技术消灭具体岗位，需求会沿新产品、新服务重新长出来。

但这轮和以往不同，Eloundou 的暴露度研究显示高工资、高教育、白领职业暴露度更高，程序员、客服、数据录入、医疗记录、市场研究、金融分析这些岗位首当其冲；

ADP 工资单数据更进一步发现 AI 高暴露职业里早期职业劳动者就业承压最明显。落到数据上，今年 4 月美国非农里信息业减 1.3 万人、金融业减 1.1 万人——离 AI 最近的两个行业，就业已经开始往下走了。

第四，通胀。

通胀在时间轴上是两副面孔。

初期是「投资拉动型升通胀」——企业大规模砸芯片、服务器、数据中心、电力、通信，又把有色等上游资源品的需求和价格顶上去，还在新产业里制造收入效应往地产、消费传导。

中后期才是「生产率提升型降通胀」，即边际成本下来、供给曲线右移，压低物价。能源约束让这种阶段性更鲜明：IEA 指出算力扩张抬高电力需求，要是算力跑在电力和基础设施前面，短期就形成局部成本压力。

还有一个容易被漏掉的点：价格指数测不准 AI 带来的质量改善，而算法差别定价会让消费者实际支付的价格分布更散，平均通胀看着稳，不同人群的真实体验已经分化了。

第五，菲利普斯曲线。

传统版本讲的是失业率和通胀的此消彼长，但在AI 时代，这条曲线会变形。

初期可能是「双高」——替代效应推高失业率，抢资源品推高通胀，两头一起涨。

成熟后价格调整粘性会显著下降，BIS 说算法定价让企业更快识别需求、更快调价，通胀对冲击的反应速度被改写。

更麻烦的是央行更难判断价格变动到底来自需求过热、成本冲击、市场势力还是数据驱动的快速调价。

Calvano 等人的研究尤其值得记一笔：寡头重复定价环境里，Q-learning 算法即便没有任何明示沟通，也能自己学会维持高于竞争水平的价格——AI 提效的同时，也在悄悄养出默示合谋。

第六，资本开支周期。

按理来说， AI 支出该走「朱格拉周期」，但实际复杂得多。

一是它带康波特征，产业预期久期更长，市场对盈利期被拉长更能容忍。

二是「赢家通吃」加「加速回报」，头部企业的超大规模资本开支直接筑成行业准入壁垒，传统周期里靠价格信号引导的分散决策失效了；

三是前沿研究一旦在算力、算法上突破或换路径，既有开支瞬间变沉没成本，再触发一轮量级更高的投资浪潮，「折旧—更新」的老逻辑被「颠覆—重置」取代。

所以这轮周期到底是多少年，目前能见度很低。

宏观上还得分清两种投资：

有效投资

会降低成本、提高产出、变成未来潜在 GDP 的一部分；

泡沫投资

则是重复建设、低利用率算力、没有商业闭环的应用，最后变成资产减值和金融风险。

第七，货币政策。

影响初期，判断难度陡增。连美联储主席提名人沃什都说，相比产出，他对 AI 之于就业的影响更没把握，结果 2026 年年中市场罕见地出现加息、降息预期并存。

等 AI 成熟应用后，货币政策的滞后效应逻辑上会下降——企业和消费者借 AI 提升了预测、定价、风控、库存能力，对利率变化反应更快，算法定价也缩短了政策传导到通胀的时间。

但央行的难题是双重的：模型要更实时，经济结构却更不稳定，不能只盯总量产出缺口和滞后通胀，还得监测 AI 资本开支、企业采用强度、劳动再配置、算法定价、数据中心能耗、核心资产估值等等一长串新变量。

第八，财政领域。

如果劳动收入份额趋降、超额收益向头部平台和算力所有者集中，税基会从劳动所得、消费流转、企业常规利润，慢慢转向资本利得、平台超额利润、数据要素价值、算力租金、无形资产。

具体来说，有四个转变：

社保缴费基础变弱，因为入门岗、流程岗、部分认知劳动被替代；

教育、再培训、失业保障支出上升，因为冲击是持续的岗位重组而非一次性失业；

政府可能转去依赖数字基础设施、算力、电力、数据产业培育新税源，替代过去的土地和地产链条；

资本跨境流动和无形资产定价让征管更难，利润在辖区间转移，而算力、电力、数据中心又带强地域属性。

一句话，财政如果只盯短期项目建设，AI 就带来重复建设和资产减值；财政若能把投资引向真实生产率、再用税制和转移支付补偿受冲击的人，AI 才可能从少数人的收益变成更广的社会福利。

第九，国际分工和专业化。

旧全球化的护城河是低成本劳动力、土地、制造规模经济；

AI 时代护城河换成算力基础设施、能源供给、数据资源、工程师红利。

低成本劳动力不再天然安全，因为可离岸、可标准化、可文本化、可流程化的任务会被大幅替代——印度、菲律宾的外包市场就是案例。

更扎心的结论是 AI 未必促进全球收敛，反而可能加剧国家间不平等：先进经济体职业结构、数字基础设施、制度准备度更好，先拿到生产率红利；低收入和部分新兴经济体短期暴露度虽低，却因基础设施、技能、数据、算力不足而吃不到红利。

叠加地缘政治因素，比如先进芯片、关键设备、云服务、模型生态都成了战略竞争对象，出口管制和供应链安全直接决定技术扩散速度。未来谁在国际分工里站哪个位置，取决于各国在 AI 产业的相对竞争优势：有的国家强在原始技术和模型参数，有的国家强在产业场景、制造体系、工程师供给、电力和通信基础设施。

第十，资产定价。

AI 对通胀的影响不一。

债市先分化：供给能力强的经济体能控住通胀，利率主线是传统部门融资收缩，债券走牛；供给能力弱的经济体被资源品和消费品推高通胀，债券走熊。

股票看三条线：

营收

，新老资产的收入预期分化加大；

贴现率

，AI 头部企业商业模式和盈利成形早，不像传统科技股那样对利率敏感；

风险溢价

，若 AI 靠供给变革长期压低经济波动率，市场要的股权风险溢价可能系统性下降，撑起更高的估值中枢。

还有一条技术革命的老规律值得盯：导入期上游稀缺、容易逐步泡沫化，展开期上游要素价格下降、价值转移到大规模应用的下游商业模式。

 ⚠️ 风险提示：以上

 材

 料中提及的相关策略可能随市场环境变化而进行调整，仅供参考之用。「老钱日日谈」只是机械地记录作者每天的胡思乱想，所有内容皆仅以交流个人想法和分享知识为目的，完全不构成任何投资建议或参考。请读者注意判断其中风险，结合个人投资目标、财务状况和需求，独立思考，谨慎决策。your money your decision.