AI暗产出与经济统计失灵

摘要

AI正在制造大量真实价值，但很多价值不会进入GDP、价格指数或劳动统计。文章用暗产出概念解释这种统计盲区：AI替代人类劳动、创造过去无人承担的新任务，成本可见，产出却常常被隐藏在 token、订阅费和云服务账单里，最终让经济数据低估生产率，高估通胀，误判就业与增长。

内容框架与概述

AI带来的问题，类似上世纪计算机革命早期的统计滞后。企业、政府和媒体能看到GPU、电力、水资源、数据中心、token支出和岗位变化，却很难看到AI完成的真实工作。文章把这种统计系统难以捕捉的价值称为暗产出。它可能发生在服务业，因为服务业本来就缺乏清晰的数量单位，很多产出只能通过收入、工资和价格反推。

暗产出分为替代型和新增型。替代型暗产出指过去由人完成并收费的任务，现在由AI完成，但交易金额消失或大幅缩水，比如法律文书、HR服务、研究简报。新增型暗产出则是过去太贵所以没人做的任务，现在因为AI变便宜而大量发生，比如会议前的人物资料整理、邮件主题总结、项目启动前的文献综述。这些工作有价值，但经济账户往往只能看到很少的token成本。

文章还讨论了统计失真的几种机制：工作从市场交易转入企业内部，价格突然塌陷，AI价值被记到软件公司而非使用行业，新任务没有对应收据。宏观数据仍是政策、投资和企业决策的重要依据，如果AI让劳动、价格、产出和行业之间的关系断裂，决策者就会误把真实生产率提升看成泡沫，或只看到失业、能耗和资本开支，看不到另一侧的产出。

核心概念及解读

Dark Output，暗产出

指AI创造了真实经济价值，但GDP、价格指数、就业统计或行业账户难以直接记录。它不是说价值不存在，而是说传统统计尺子看不到这部分价值。

Substitution Dark Output，替代型暗产出

过去由人类付费完成的工作，现在由AI以极低成本完成。如果原本的市场交易消失，GDP可能只记录几美元token费用，却漏掉原来几百或几千美元服务对应的产出。

New Dark Output，新增型暗产出

AI让一些过去没人愿意购买的任务变得便宜，于是新工作开始出现。比如随手做文献综述、邮件总结、面试前背景调查。这些产出有用，但很难找到传统意义上的市场价格。

Boundary Shift，边界转移

工作从市场购买转为企业或个人内部完成。外包研究简报本来会形成一笔可见交易，现在变成内部AI流程，价值还在，但统计记录消失。

Sector Misrouting，行业错配

AI在一个行业创造价值，却在另一个行业体现收入。医院用AI提升行政效率，统计上可能只看到AI软件公司的收入，医疗行业本身反而显得没有明显生产率提升。

文章基本信息

字段	内容
原标题	AI Dark Output: The Visible Cost of Invisible Output
作者	Malcolm Spittler 和 Dylan Patel
发布日期	2026 年 5 月 30 日

AI暗产出：AI革命中的统计盲区与经济误判

一、AI的成本已经可见，产出却还看不清

1. 可见的一侧：GPU、电力、水、数据中心和岗位变化

AI革命最容易被观察到的是成本。企业购买GPU，建设数据中心，消耗电力和水资源，支付云服务和token费用，这些都会进入财务报表、行业统计和政策讨论。

就业变化也容易被捕捉。某些岗位减少、部分初级工作被压缩、企业招聘结构改变，这些都会在劳动市场中留下痕迹。

问题在于，成本和冲击很容易被看见，但AI完成了多少真实工作、创造了多少用户价值、节省了多少时间，现有统计系统很难准确记录。

2. 不可见的一侧：AI做了工作，但经济账户未必能看到

AI可以写法律文件、整理会议纪要、做文献综述、总结邮件、辅助写代码、处理客服、生成营销方案。很多任务过去需要人类劳动，现在可能只需要几美分到几美元的token成本。

如果这些任务没有形成新的市场交易，GDP就很难记录它们。一个人用AI完成原本价值几百美元的服务，统计系统可能只看到几美分的AI调用成本。

这就形成了暗产出：产出真实存在，但没有被传统经济数据完整捕捉。

二、暗产出的核心问题：价值存在，交易消失

1. GDP依赖交易，但AI正在减少交易痕迹

传统GDP更擅长记录有价格、有合同、有发票、有收入的活动。企业买一份咨询报告，服务商收到钱，这笔交易进入统计系统。

但如果企业员工用AI自己生成报告，市场交易消失了。报告仍然产生了价值，但经济账户只看到AI订阅费或token费用。

这会造成一种荒唐结果：同样的工作完成了，用户得到的效用可能没变，甚至更高，但GDP可能下降。

2. 服务业的问题更严重，因为服务没有清晰单位

制造业比较容易统计。生产多少颗螺丝、多少辆车、多少台机器，都可以计量。价格下降以后，如果产量上升，统计系统还能识别生产率提高。

服务业麻烦得多。法律服务、咨询服务、医疗文书、研究工作、软件审查，没有统一的物理单位。统计机构常常只能用收入、工资、价格调查来反推产出。

AI一旦让这些服务价格大幅下降，统计系统可能把它误读成收入减少、行业萎缩，甚至生产率下降。

3. AI让服务业的价格塌陷速度变得极端

过去一份简单遗嘱可能从几百美元逐渐下降到一百多美元，这种变化发生在几十年里，统计误差相对缓慢。

AI带来的变化可能是一年内从一百多美元降到几毛钱。价格变化太快，旧统计方法来不及调整，交易记录也可能直接消失。

这不是轻微偏差，而是整块价值从数据表里掉出去。

三、替代型暗产出：AI接手原本人类收费完成的任务

1. 法律文书是典型例子

一份简单法律文书，过去可能由律师完成，形成法律服务收入。现在用户可以通过AI生成初稿，成本接近token费用。

从用户角度看，工作完成了。从统计角度看，原来几百美元的法律服务消失了，只剩下少量AI调用成本。

如果律师行业留下来的工作更复杂，平均价格还可能上升。数据会显示法律服务更贵了，但真实情况可能是便宜任务被AI拿走，样本结构变了。

2. HR、咨询、研究、客服都可能发生类似变化

企业过去外包HR流程、研究简报、客服处理、合同初审，这些都会形成市场收入。AI进入后，这些任务可能转为内部流程。

外部服务支出减少，企业成本下降，工作仍然完成，但GDP可能只记录到软件订阅费。

这种替代不一定马上表现为大规模裁员，也可能先表现为少招人、压缩初级岗位、提高单个员工产出。

3. 暗产出不是简单等于失业

AI替代任务，并不等于对应岗位立刻消失。很多场景中，AI先是增强人类劳动，让一个人完成更多工作。

所以暗产出更准确地对应任务层面的变化，而不是岗位层面的简单消灭。

某个职业暴露在AI影响下，只能说明其中部分任务具备被AI改造的经济条件，不能直接推导为该职业会整体消失。

四、新增型暗产出：过去没人做，现在AI让它发生了

1. 很多新工作过去不是没价值，而是太贵

文献综述、邮件主题梳理、面试前背景调查、项目启动前的信息汇总，这些事情都有价值。

过去的问题是成本太高。请人做一次可能要几百到几千美元，于是很多人干脆不做。

AI把成本降到几美分或几美元之后，这类任务会变成日常动作。

2. 新增型暗产出可能比替代型更大

替代型暗产出来自原有市场规模，范围相对容易估算。新增型暗产出来自过去没有发生过的任务，空间更大，也更难测量。

当每个会议前都能生成背景资料，每个项目都能自动做初步调研，每封长邮件都能被总结，每段代码都能被审查，经济活动的密度会增加。

这些增量不会完全表现为新的收入，很多只会藏在工作流中。

3. token消费无法直接代表经济价值

同样一百万token，可以生成废话，也可以生成有用的法律文件、研究报告、代码修复方案或战略判断。

token是投入单位，不是产出单位。用token数量衡量AI价值，就像用汽油消耗量衡量运输价值，只能看到机器跑了，不能知道货送到哪里、值多少钱。

真正重要的是输出带来的效果，但这恰好最难统计。

五、捕获型AI产出：只有保住价格，AI价值才容易进入GDP

1. 如果AI服务还能按原价收费，统计系统就能看见

比如一家企业过去花一万美元购买HR服务，现在仍然花一万美元购买AI驱动的HR服务。虽然背后的人力成本下降了，但交易金额还在，GDP仍然能记录这笔产出。

这种情况下，AI带来的价值会表现为服务商利润率提高。

2. 市场权力决定价值能否被捕获

只有具备定价能力的公司，才能在成本下降后继续维持价格。没有定价能力的市场，AI会迅速把价格打下来。

价格打下来对用户是好事，但对GDP统计未必友好。因为GDP依赖可见交易金额，价格塌陷会让产出在账面上缩小。

3. 内部化会让产出更容易消失

如果原来一万美元的外包服务变成企业内部十美元token成本，统计系统看到的是市场服务支出大幅减少。

真实工作还在，但它从市场交易变成内部流程。GDP中的可见部分减少了。

六、服务业为何比制造业更容易被AI弄乱

1. 制造业有数量，服务业常常只有金额

螺丝、汽车、钢材都有数量。即便价格下降，只要产量上升，真实产出能被识别。

服务业缺少类似单位。没有一吨法律意见，也没有一桶咨询服务，更没有一公斤文献综述。

所以服务业统计常常用收入除以价格指数，反推真实产出。

2. AI让价格指数更难构建

如果简单任务被AI替代，市场上剩下的人工服务更复杂，平均价格可能上涨。

统计系统可能看到服务价格上涨，推导出通胀压力增强。但真实情况可能是低端任务价格暴跌，高端任务留在人工市场。

这种样本变化会把生产率提升误读成价格上涨。

3. 质量提升也难被记录

AI辅助的文献综述可能比过去更全面，代码审查可能更频繁，客服响应可能更快。

但统计系统很难给服务质量建立稳定单位。质量提升如果没有对应价格，就很难进入GDP。

结果是，用户体验提升了，企业流程变好了，宏观数据却未必反映。

七、暗产出的几个统计失灵机制

1. Boundary Shift，生产边界转移

原来在市场上购买的任务，转移到企业或家庭内部完成。

付费研究简报变成内部AI生成，外包合同初审变成员工提示AI，家庭原本可能购买的服务变成自己用AI处理。

交易消失，价值仍在。

2. Price Collapse，服务价格塌陷

AI把某些任务的边际成本压得极低，价格迅速下跌。

如果统计系统只能看到收入减少，就可能把它记为产出下降。

但从用户角度看，同样的服务变得更便宜，购买力提升，生产率上升。

3. Sector Misrouting，行业错配

AI在一个行业创造价值，但收入记在另一个行业。

医院用AI提升文书效率，统计上可能只看到AI软件公司的收入。医疗行业自己的产出改善并不明显。

结果是AI供应商显得增长很快，采用AI的行业看起来停滞。

4. New Work Invisibility，新工作不可见

AI完成了大量过去没人付费购买的工作。由于没有旧价格作为参照，也没有明确交易记录，统计系统很难估值。

这类工作可能会极大提高个人和组织的准备程度、判断质量和执行效率，但它很难变成宏观数据中的清晰项目。

八、就业数据会留下暗产出的影子

1. 初级岗位先受冲击

很多AI替代从常规、重复、低经验门槛的任务开始。这些任务往往由初级员工承担。

当初级岗位减少，行业平均工资可能反而上升，因为低工资人群离开了样本。

这不代表每个人都涨薪了，只是样本结构变了。

2. 就业下降和工资上升可能同时出现

在AI暴露程度较高的领域，可能出现就业相对走弱，但平均工资相对上升的现象。

这是一种值得关注的暗产出痕迹。AI接手低端任务，留下更高工资、更复杂的人工岗位，数据表面会变得矛盾。

3. 这种信号不能直接等同于AI替代完成

就业和工资变化只是间接证据。劳动力市场受到利率、行业周期、企业预算、外包、监管等多种因素影响。

所以这种信号更适合用来观察压力区域，而不是直接宣判某个职业已经被AI取代。

九、为什么市场信号比单纯Benchmark更重要

1. Benchmark回答的是测试能力，不是经济替代能力

模型在测试中能不能完成任务，与它在现实商业环境中能不能替代或增强岗位，是两件事。

经济替代需要满足三个条件：足够好、足够便宜、足够可靠。

很多AI任务不需要超越顶级专家，只需要达到普通工作场景里的可接受水平。

2. 企业真实部署比实验室分数更有用

如果企业公开展示AI已经进入生产流程，这比单纯测试成绩更接近现实。

如果法院认可AI完成的工作，信号更强。

如果保险公司愿意承保AI出错风险，说明第三方已经为失败成本定价，信号更强。

3. 证据应该分层，而不是二分

AI能不能替代某项任务，不适合用能或不能来处理。

更合理的方式是建立证据阶梯：测试通过、产品宣称、企业实际使用、法律认可、保险承保。层级越高，现实替代可能性越强。

十、1.5万亿美元暴露劳动不是已经消失的产出

1. 这个数字代表AI可能影响的任务池

文中提到约1.5万亿美元的任务，意思是这些任务对应的劳动成本处在当前AI有能力增强或自动化的范围内。

它不是说1.5万亿美元的岗位已经消失，也不是说1.5万亿美元GDP已经被AI替代。

它更像一张压力地图，显示哪些任务最容易被AI经济性触碰。

2. 多数证据仍然偏向增强，而非完全替代

目前更多场景是AI辅助员工，而不是AI完全接管岗位。

AI帮助人更快完成任务、减少外包、压缩低端流程、提升产出密度。

完全替代需要更强的可靠性、责任机制、组织改造和市场接受度。

3. 自驾车提供了一个有用参照

技术能力不是唯一限制。自动驾驶的发展说明，文化接受度、法律责任、保险机制、市场结构都会影响落地速度。

AI在服务业中的扩展也会遇到类似问题。即便技术可行，组织和制度仍然会拖慢替代进程。

十一、宏观数据失灵会影响政策、投资和社会判断

1. 如果只看到成本，AI很容易被误判为泡沫

数据中心、GPU、电力和资本开支都很显眼。如果产出没有被统计出来，外界会看到大量投入，却看不到对应回报。

这会让投资者和政策制定者更容易得出泡沫结论。

但如果暗产出确实存在，传统数据就会低估AI带来的真实生产率改善。

2. 通胀和生产率判断会被扭曲

AI可能降低服务成本，但统计系统如果看不到真实数量和质量变化，可能把服务结构变化误读成价格上涨。

生产率提升也可能被误读为收入下降。

这会影响央行和政府对增长、就业和通胀的判断。

3. 税基和财政体系也会受到冲击

如果AI减少劳动收入、压缩市场交易，同时创造大量未被定价的产出，传统基于工资和交易的税收体系会受到压力。

政策制定者需要理解AI价值在哪里产生、由谁获得、如何计量、如何征税。

这不仅是经济统计问题，也是财政和分配问题。

十二、女性主义经济学提供了一个重要参照

1. GDP长期忽略无偿劳动

家庭照护、育儿、做饭、清洁、照顾老人，这些活动长期产生真实价值，但很多没有进入GDP。

如果请家政人员完成，服务进入GDP；如果家庭成员自己完成，同样的劳动不进入GDP。

这说明生产边界本身带有制度选择，不是自然事实。

2. AI会扩大这种无交易生产区域

AI让大量信息任务变得可以委托给机器。个人在家庭、学习、生活中使用AI完成任务，很多都不会形成市场交易。

这些活动扩大了已生产但未定价的区域。

暗产出问题因此会变得更普遍，而不是局限在企业和服务业。

3. 当前框架仍然主要测量市场劳动

基于BLS工资、就业数据和O NET任务分类的监测框架，主要覆盖有薪劳动。

无偿照护、家庭生产、非正式经济中的AI使用仍然难以统计。

这是一种现实限制。现成数据能支持市场劳动分析，却难以支撑家庭AI使用的系统估值。

十三、暗产出监测能做什么，不能做什么

1. 能识别压力区域

暗产出监测可以显示哪些任务工资池大、AI成本低、市场信号强，因而具备替代或增强潜力。

它适合发现经济压力点，帮助观察AI影响从哪里开始。

2. 不能直接预测裁员规模

高暴露不等于岗位已经消失，也不等于未来一定大规模裁员。

真实结果取决于需求弹性、监管约束、企业文化、客户信任、责任机制和组织改造速度。

3. 可以帮助寻找不可见产出的影子

虽然暗产出不能直接被观察，但可以从就业结构、工资变化、token使用分布、企业部署信号、行业收入变化中寻找间接线索。

这些线索不能单独定论，但能拼出AI经济影响的大致轮廓。