AI 与生产率：重新审视劳动力培训与社会凝聚力

人工智能正在以前所未有的速度重塑生产率与就业的关系，但它的真实影响远比“取代工作”的简单叙事更为复杂。本文作者 Philippe Tibi 指出，AI 更像一台放大器——为做好准备的人放大价值，为落伍者放大不平等。生产率提升的真实收益并未转化为闲暇，而是被重新投入到更多的工作中；与此同时，初级岗位正首当其冲地消失，年轻毕业生成为矿井中的金丝雀，传统专业知识传承链条面临断裂风险。文章沿着一条清晰的线索展开：从生产率到就业，从就业到企业组织，再到一项与挑战规模相匹配的集体培训愿景。尤其值得关注的洞察是，AI 既可以被部署为增强人类能力的“认知义肢”，也可以成为取代人类劳动的自动化工具——同一技术的走向取决于我们的制度选择。作者呼吁一项面向培训的“马歇尔计划”，将人力资本投资提升至与 AI 基础设施投资同等重要的位置，并警惕“恩格斯停顿”式的财富集中。这是一篇兼具洞察与紧迫感的理性之作。

---

π Digital π Economics

核心要点

• 人工智能有潜力在不减少工作量的前提下提高生产率：实际收益被重新投入到增加的活动量中，而非转化为空闲时间。
• 同一技术既可以增强人类能力，也可以取代人类能力，具体取决于其部署方式。
• 年轻毕业生正付出沉重代价，因为初级岗位首当其冲地消失，切断了传统专业知识传承链条。
• 一项面向培训的"马歇尔计划"迫在眉睫：课程改革、大规模再培训，以及对人力资本的投资需与人工智能基础设施投资等量齐观。
• 如同"恩格斯停顿"（Engels pause）一样，人工智能可能将其收益集中在少数人手中——除非我们创造新的团结形式，并有意识地将进步导向劳动者。

很少有哪项技术能同时激起如此巨大的热情和如此深重的焦虑。一方面是自 20 世纪 70 年代以来从未见过的生产率增长前景；另一方面，整整一代年轻毕业生就业前景日渐黯淡的幽灵挥之不去。但这两种现实并不矛盾。它们共同构成了当代一个根本性的等式：人工智能是一台放大器——为做好准备的人放大价值，为落伍者放大不平等。要充分理解这一挑战，我们必须循着一条线索——从生产率到就业，从就业到企业组织，再从组织到一项与挑战规模相匹配的集体培训愿景——这正是本文将要展开的旅程。

生产率：一个开始兑现的承诺

先来说些好消息：生产率真正飙升的迹象开始增多。2026 年 1 月，由 Torsten Slok 领导的 Apollo Global Management 经济学家发现，DevOps、流程自动化和支持职能领域出现了切实的增长¹。迄今为止最全面的汇总来自"Early Signals of AI Impact"仪表盘，它实时汇集了 303 个来源——学术研究、行业报告、实地数据——涵盖 AI 驱动劳动力转型的 17 项指标：个人生产率、招聘趋势、所需技能的变化、团队重组。其共识性评估很明确：AI 工具的采用正在所有行业加速，先行企业的生产率正在上升，涉及重复性任务的岗位正在减少。这一关键细微差别可以概括为一句话：岗位变化的速度快于其消失的速度，尚无法测出任何宏观经济的总体性转变。正是这个"尚"字，让准备工作的紧迫感油然而生²。

但 AI 所做的不仅仅是取代任务：它改变了创新的根本节奏。Bontadini、Haskel 及其合著者将其描述为"元创新"（meta-innovation）——一种关于创新方法的创新——其对全要素生产率的乘数效应，美国经济才刚刚开始感受到，而欧洲在采用方面的落后程度已令人担忧³。

AI 所做的不仅仅是取代任务：它改变了创新的根本节奏

不过，有两个注意事项值得一提。第一个涉及 Moravec 悖论（Moravec's paradox）：AI 擅长认知复杂的任务——写作、总结、编程——但在那些我们觉得轻而易举、需要情境判断的体力任务上却仍然笨拙。这一反差在一定程度上解释了被吹捧的潜力与实际在经济中采用之间的差距⁴。第二个注意事项甚至更加反直觉：根据 2026 年 2 月《哈佛商业评论》（Harvard Business Review）发表的一项研究，AI 并没有减轻工作量——它反而加重了工作量。使用 AI 工具的雇员处理更多案例、响应更多请求并承担新任务。生产率的提升是真实的，但它并没有自动转化为空闲时间：它被重新投入到额外的工作中⁵。

来自 NBER 和 MIT 研究的另一个关键发现是，AI 可以在不完全自动化整个任务的前提下提高工人的生产率。"增强"（augmentation）与"自动化"（automation）之间的这种区别不仅仅是语义上的——它决定了这项技术社会影响的全部范围。在增强模式下，AI 成为一种认知义肢（cognitive prosthesis）：它扩展了个人能力，使其能够处理更复杂的任务、更快地产出、更好地记录决策。工作岗位得以保留，且往往得到提升。在自动化模式下，它取代了人类活动本身：岗位可能消失或经历根本性变革。两种模式在大多数组织中并存——有时甚至存在于同一职位内，具体取决于任务和情境⁶。

Acemoglu、Autor 和 Johnson 进一步细化这一框架，区分了五类技术，其中两类值得特别关注。"拉平专长"技术（expertise-levelling technologies）使非专家能够完成以前只有专家才能完成的任务——用于诊断支持的医疗 AI 便是一例。而"创造新任务"技术（new task creation technologies）则是唯一"明确对劳动者有利"的技术：它们通过开辟以前不存在的活动，创造了人类专长的净需求。正是后一类技术承载着 AI 最坚实的承诺——尽管它在培训方面的要求也最高⁷。

图 1：五类技术及其对工作的影响（Acemoglu, Autor, Johnson 2026）

---

对就业的影响：谁是煤矿中的金丝雀？

Erik Brynjolfsson 在其 2025 年夏季研究中选择的比喻发人深省：在煤矿中，金丝雀被先行送入矿井，在矿工进入前检测有毒气体。如今，暴露于 AI 的行业中的年轻工人就是那些金丝雀⁸。

ADP 数据——此类分析中使用过的最精细的数据——不言自明：在美国，从 2022 年底到 2025 年 7 月，高度暴露于 AI 的岗位中 22 至 25 岁年轻人的就业率下降了 6%。对于年轻的软件开发者而言，与 2022 年 11 月的峰值相比，降幅达到 20%。入门级客户支持岗位也减少了近 11% 的初级员工。正是入门级职位在最先消失⁹。

图 2：煤矿中的金丝雀：2022–2025 年初级就业趋势（美国）

这一评估与《金融时报》（Financial Times）关于"毕业生就业大萧条"的调查结果相呼应：整批整批的毕业生从顶尖大学毕业，却难以找到与其资历相称的职位——不是因为 AI 取代了他们，而是因为 AI 让初级岗位所能提供的基础学习经验变得多余¹⁰。其后果是荒诞的，值得我们关注：如果年轻人不再在这些初级岗位上通过工作获得专长，专业专长的传承链条便断裂了。AI 可以放大专长——但它无法从零创造专长。如果今天进入劳动力市场的一代人未能打好基础，那么谁来培养 2035 年的专家？

然而，我们不能将暴露于 AI 等同于净岗位毁灭——我们甚至应当质疑其中的因果关系。作者本人指出，暴露于 AI 的岗位的招聘放缓始于 2022 年春季，即在 2022 年 11 月 ChatGPT 发布之前；美联储上调关键利率至少是一个同样合理的解释 ¹¹。 更令人惊讶的是，耶鲁大学预算实验室（Yale's Budget Lab）观察到，最暴露于 AI 的岗位与最不暴露于 AI 的岗位在就业水平上没有显著差异——用其负责人的话来说，"两条线看起来一样"。暴露指标确实捕捉到的是：自 ChatGPT 兴起以来，最易受影响的 40% 的职业的岗位空缺有所减少——但这并不等同于净就业岗位的损失。整体经济仍在创造就业机会；变化的是就业结构，以及随之而来的所需技能的性质 ¹² 。

在法国，情况类似。2026–2030 年的预测指出了几个尤其脆弱的社会职业类别：中级行政职业、某些支持职能的管理者以及熟练办公室员工。法国并未因其社会模式而免疫——它与其伙伴国家一样，面临着劳动力市场的加速重构¹³。

图 3：法国各社会职业类别的 AI 暴露程度——综合自 France Stratégie、OECD、INSEE 和 WEF 的评分（2025–2030）

David Autor 提供了一个更为细致、最终也更为乐观的视角：AI 可以通过放大人类最擅长的能力——判断力、人际关系和情境创造力——来恢复技能型劳动的价值。只要这项技术以增强（augmenting）人类能力而非简单替代人类为导向，它甚至可以成为技能型中产阶级岗位复兴的催化剂。但这一前景需要积极的政策措施，不会自动实现¹⁴。

企业与 AI：在犹疑采纳与深刻变革之间

宏观经济层面的影响尚有待确证，但 AI 对企业内部组织的影响已经显而易见。最严谨的实证研究给出的第一条教训是：结果在很大程度上不取决于技术本身，而取决于伴随技术而来的组织选择。两家配备相同工具的企业，根据它们是否重新设计了流程、培训了团队和重新定义了角色，可能取得截然不同的结果——也可能没有¹⁵。

自动化（automation）与增强（augmentation）之间的这种张力正是《超越二元》（Beyond the Binary）报告的核心所在：这两种动力共存且相互结合。同一项技术可以自动化常规任务，同时增强专注于高附加值任务的能力。从经验上看，已识别出三种采纳模式："赛博格"（cyborgs）——将 AI 无缝融入日常工作流程；"半人马"（centaurs）——根据任务性质在自主工作和委托 AI 之间交替；以及"自自动化者"（self-automators）——通过编程让 AI 接管其工作的整个部分。这三种模式对所需技能、过时风险和培训需求有着不同的含义。因此，问题不在于"AI 是否取代？"而在于"它如何被部署、由谁部署、用于什么目的、以及有哪些保障措施？"¹⁶

那些成功部署了增强员工技能的 AI 的企业，是刻意为之的——它们拒绝让自动化的逻辑单独决定架构选择。

一个尤其受到审视的群体是中层管理者。AI 揭示了某些管理层级——它们的附加价值（信息共享、协调、汇报）恰恰是自动化系统如今可以处理的¹⁷。但管理者的角色并不仅限于信息流通：它包括人才培养、冲突管理、情境解读和团队信任——麦肯锡全球研究院（McKinsey Global Institute）将这些技能视为 AI 时代的大赢家，对这类技能的需求正在增长，恰恰因为 LLM 无法复制它们。未来的管理者不是过滤信息的人——而是创造意义的人¹⁸。

最后——而这或许是最重要的教训——有利于劳动者的 AI 并非默认就会建成。MIT 斯隆管理学院的研究表明，那些成功部署了增强员工技能的 AI 的企业，是刻意为之的——它们拒绝让自动化的逻辑单独决定架构选择。这不是一个抽象的道德律令：在人才保留和内部信任正成为决定性竞争优势的背景下，这是可持续绩效的先决条件¹⁹。Acemoglu、Autor 和 Johnson 更进一步：这不仅是企业选择的问题，更是一种有据可查的市场失灵（market failure）。三个累积性因素在结构上推动行业走向自动化：路径依赖（path dependence）——大企业已围绕自动化工具构建了其商业模式，并从中获取利润；研究实验室中占主导地位的意识形态，它指向 AGI 且基本上对劳动影响不敏感；以及该行业日益集中的趋势，扼杀了替代性模式。"我们目前并未走在亲劳动者的 AI 道路上，"Simon Johnson 指出。这种失灵需要超越企业善意的回应²⁰。

---

走向培训领域的马歇尔计划

如果人工智能正在减少入门级岗位，那么它也在削弱企业传递人力资本的核心机制：在职学习。从"赛博格"到"半人马"和"自自动化者"，所有类型的人机交互都需要先前的专业知识，AI 只是放大了这些知识。但这种专业知识是在职业生涯的早期——在那些恰恰正在消失的初级岗位上——建立起来的。系统性风险是真实存在的：通过阻断早期职业生涯的学习，AI 有可能创造出一代没有坚实基础的专业人士——没有底层的大楼²¹。

这一判断要求我们做出马歇尔计划级别的回应。这个类比并非仅仅是修辞上的：1948 年的计划是对物质资本大规模破坏的集体性、结构性回应。AI 正在导致人力资本的加速破坏——不是通过暴力，而是通过过时。牛津大学关于技术性失业的研究提供了一个有用的提醒：每一次重大的自动化浪潮都带来了意想不到的适应；然而，没有哪一次浪潮有如此之快的速度，或对从最底层到最高技能职业的整个认知功能谱系产生如此跨领域的影响²²。

技能的保质期越来越短，而继续职业发展体系是为以十年而非年为单位衡量过时的世界设计的。

三个领域的工作需要并行推进。首先是课程改革：从初等教育到大学校（grandes écoles），我们不仅需要纳入与 AI 交互的技能，更重要的是纳入 LLM 无法复制的能力——批判性判断、推理、情境创造力和关系智能。关于 AI 时代 K-12 技能的研究表明，如果我们投入必要的资源将其列为优先事项，这项改革可以大规模实施²³。

第二个优先事项是面向最危险的 40% 职业的大规模再培训计划。耶鲁大学预算实验室（Yale's Budget Lab）的精细数据使得这些干预措施能够以前所未有的精度进行优先级排序。挑战在于开发简短且可认证的学习路径，让在职人员能够参与，并采用由国家、专业机构和企业共同参与的三方治理。速度在这里至关重要：技能的保质期越来越短，而继续职业发展体系是为以十年而非年为单位衡量过时的世界设计的。

第三个领域是资金。企业正在向 AI 基础设施——数据中心、芯片、基础模型——投入数千亿美元。在人力资本上进行可比的投入不仅是一种道德义务：它是该模式社会可持续性的前提。2026 年 2 月在伦敦，由 Windfall Trust 和格雷沙姆学院（Gresham College）召集的经济学家和政策制定者参与的前瞻性工作中开发的变革性 AI 经济情景，精确地说明了这一点：在所有生产力收益被广泛分配的发展轨迹中，对培训的投资始终先于——或伴随着——技术部署。反之亦然：在培训被推迟的地方，AI 的收益集中在少数参与者手中，扩大了不平等而非缩小了它们²⁴。

图 4：两种路径：早期培训与延迟培训，2025–2035（英国，预测）

这三个重点领域——课程改革、再技能化和资金——是必要的。但除非根本原因得到解决，否则它们还不够：即 AI 本身的方向。Acemoglu、Autor 和 Johnson 指出了三项互补的政策杠杆。第一是运用竞争法来打破该行业的集中局面，向具有不那么专注于纯粹自动化的商业模式的新进入者开放市场。第二是对专业知识的法律保护：其专长被 AI 系统吸收的劳动者应当对这种贡献享有权利，作为防止"专长盗窃"的保障²⁵。第三是劳动者声音在部署决策中的制度化——既在企业层面，也在行业监管层面。培训人类以适应 AI 至关重要；引导 AI 面向人类同样紧迫²⁶。

因此，这项培训计划对于技能受到人工智能威胁的人来说至关重要。然而，历史告诉我们，工业革命会颠覆传统的社会框架。当它们规模巨大时，生产力收益不仅仅是一个统计事实；它们预示着深刻的结构性转型。

19 世纪，机械和热能的利用粗暴地将农民从他们的土地上驱离，取代了工匠，取而代之的是由低技能工人操作的工厂。这一过程创造了一个因劳动力供给过剩而陷入贫困的城市无产阶级。尽管 GDP 出现了惊人的增长，工人的生活条件却在近半个世纪里停滞不前。这就是"恩格斯停顿"²⁷——产业精英攫取生产力增长所创造的大部分财富的时期。这场剧变的特点还包括社会坐标的灾难性迷失：被迫迁徙、家庭团结的瓦解、传统工作场所等级制度的侵蚀，以及勉强糊口的工资。用波兰尼（Polanyi）的话来说，经济由此从社会中"脱嵌"²⁸。知识和政治上的回应是强有力的：从卡尔·马克思的《资本论》（1867 年）到革命和改良运动的形成，资本与劳动之间逐渐形成了一种力量平衡，最终导致了现代社会保障体系的建立，而并未出现曾预言过的"大革命"。

当然，这一历史概述是简化的。社会契约的缓慢建构既非自然发生，也非和平实现。它是在政治和地缘政治剧变的残酷压力下发生的：殖民扩张、帝国主义冲突、苏联革命和两次世界大战。社会契约还长期依赖于服务业中替代性工作的出现，这些工作能够吸收农业和工业中变得多余的劳动力。道格拉斯·诺斯（Douglass North）强调，这样一个体系的生存取决于其制度能否演化以管理这些转型²⁹。

AI 可能带来堪比以往工业革命的变化。

由于其认知特性，AI 革命将比蒸汽机革命传播得更快——这使得干预更加紧迫：一个持续 60 年的"恩格斯停顿"在 21 世纪是不可接受的，即使有所缩短。在其物理应用中，AI 依赖于现有的机器人架构，或可以在相对较短的时间内重新编程的架构。像电力一样，AI 是一种跨领域技术，能够大规模提高所有行业的生产力。一切都是部署速度和实际影响的问题，但风险是存在的，必须加以分析和预判。AI 可能带来堪比以往工业革命的变化。这更多是时间问题，尤其是在一个在技术和研发领域投资不足已超过 10 年的欧洲。此外，过去 20 年来，互联网革命将利润集中在少数能够大力投资工业和人力资本的参与者手中。这种资本积累使美国大型科技公司能够通过收购竞争对手的初创企业、招募最优秀的人才以及确保部署所需的电力资源，将自己置于 AI 的最前沿。这些策略让人回想起第二次工业革命中的石油寡头，后者最终在 20 世纪初被解体。

面对被抛在后面的风险，我们难以设想未来可以依赖的行业。尽管人口老龄化、教育、休闲和医疗保健是强大的就业驱动力，但它们目前薪酬低且缺乏吸引力。与此同时，技术正在重新点燃地缘政治紧张局势：例如，它是中美摩擦的根本原因之一。因此，我们必须为双重革命做好准备——技术对我们生产体系的内部影响，以及新财富分配的外部效应。正如 Acemoglu 和 Johnson 所指出的³⁰，继 Korinek 和斯蒂格利茨（Stiglitz）之后³¹，调整不太可能自发发生，我们需要"引导"技术进步³²。这一立场遭到那些担心监管俘获风险的人的质疑；然而，它提出了一个有趣的问题，我们很可能需要提前思考。

---

因此，审慎的做法是探索创新范式，尤其是在制度和融资方面。经常被提出的选项都代表了对现有体系的突破：全民基本收入、公共服务免费获取，以及通过缩短工作时间有意识地降低生产率。对这些方案做出最终定论还为时过早，但这些计划仍需资金支持。这个问题看似简单，因为生产率的提高增加了可供分配的财富总量。有人谈论对机器人³³和生产性资本征税，甚至对数据征税，因为仅对劳动力征税将不够³⁴。又或者建立一个非常庞大的社会保障基金，像养老基金一样管理，由新公司出资，以回报它们赖以成功的社会基础设施——仿照阿拉斯加永久基金（Alaska Permanent Fund），该基金将州石油收入的一部分重新分配给公民，或者仿照由 John Roemer 提出、Daron Acemoglu 接续发展的学术性"公民基金"（citizen fund）提案。与此类似，David Autor 和 Neil Thompson（MIT）提出了"普遍基本资本"（Universal Basic Capital）：每个孩子出生时将获得一揽子生产性资产，赋予他们对资本收入（包括来自自动化的收入）的永久权利，而无需依赖政治上脆弱的预算转移。还需要更多的想法，因为这里提到的金额与面临的挑战不相匹配。此外，由于资本和企业家的流动性，这些提案需要全球共识。这场辩论必须在劳动力市场的发展将我们不希望看到的解决方案强加给我们之前展开——到那时我们将是"被动的"而非"主动的"。

经济学家 David Autor 这样表述：AI 可以通过放大人类最擅长的能力来重建中产阶级。Brynjolfsson 用数据提醒我们，目前承受转型代价的是最年轻的一代。在这两种真相之间，并不存在矛盾——存在的是一个议程。

AI 是一个放大器。它放大了为之准备就绪的组织的生产率；它放大了未做准备的组织中的不平等。它可以放大人类判断的价值；它也可以放大那些缺乏培训机会者的脆弱性。真正的问题不是技术性的。它是一个政治问题：我们是否有集体意愿，将培训置于与数字基础设施投资同等紧迫的优先地位？并找到创造性和现实性的方案来资助体系的转型？对这个问题的回答将决定 AI 红利惠及少数人——还是所有人。

---

术语表

原文	中文
Acemoglu	Acemoglu（保留原文）
AGI	AGI（通用人工智能）
Alaska Permanent Fund	阿拉斯加永久基金
augmentation	增强
automation	自动化
Autor	Autor（保留原文）
Bontadini	Bontadini（保留原文）
Budget Lab	预算实验室
centaurs	半人马
ChatGPT	ChatGPT（保留原文）
citizen fund	公民基金
cognitive prosthesis	认知义肢
cyborgs	赛博格
Douglass North	道格拉斯·诺斯
désencastrement	脱嵌
Engels pause	恩格斯停顿
Erik Brynjolfsson	Erik Brynjolfsson（保留原文）
expertise-levelling technologies	拉平专长技术
Financial Times	金融时报
grandes écoles	大学校
Great Transformation	大转型
Gresham College	格雷沙姆学院
Haskel	Haskel（保留原文）
Johnson	Johnson（保留原文）
market failure	市场失灵
Marshall Plan	马歇尔计划
meta-innovation	元创新
middle managers	中层管理者
Moravec's paradox	Moravec 悖论
new task creation technologies	创造新任务技术
path dependence	路径依赖
Polanyi	波兰尼
Robert Shiller	Robert Shiller（保留原文）
robot tax	机器人税
ré-encastrement	再嵌入
self-automators	自自动化者
Stiglitz	斯蒂格利茨
Torsten Slok	Torsten Slok（保留原文）
Universal Basic Capital	普遍基本资本
Windfall Trust	Windfall Trust

---

此文章由 AI 翻译

Footnotes

1. 1 Torsten Slok, Rajvi Shah and Shruti Galwankar., Quantifying the Productivity Gains from AI Adoption, Apollo Global Management, janvier 2026.↑ ↩

2. 2 Early Signals of AI Impact, tableau de bord en temps réel (jobsdata.ai), mars 2026. Agrège 460+ sources / 18 indicateurs. Diagnostic: adoption accélérée, productivité en hausse, postes d'exécution en compression — aucun déplacement macroéconomique agrégé encore mesurable.↑ ↩

3. 3 Filippo Bontadini, Carol Corrado, Jonathan Haskel et al., AI as an Innovation in the Method of Innovation, SPRU/Imperial, octobre 2025.↑ ↩

4. 4 Anjana Susarla, A Gap in AI Adoption? Moravec and the AI Productivity Paradox, Forbes, janvier 2026.↑ ↩

5. 5 Harvard Business Review, AI Doesn't Reduce Work — It Intensifies It, février 2026.↑ ↩

6. 6 Acemoglu, Autor, Johnson, op. cit.; MIT Sloan, Pro-Worker AI Doesn't Just Happen, 2026. Sur la distinction augmentation / automatisation comme variable déterminante des effets sociaux de l'IA.↑ ↩

7. 7 Acemoglu, Autor, Johnson, op. cit. Les auteurs distinguent cinq catégories de technologies (augmentant le travail, le capital, automatisantes, nivelant l'expertise, créant de nouvelles tâches). Seule cette dernière est « unambiguously pro-worker ».↑ ↩

8. 8 Erik Brynjolfsson, Bharat Chandar, Ruyu Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI, Stanford Digital Economy Lab, août 2025.↑ ↩

9. 9 Ibid. Les données ADP couvrent plusieurs dizaines de millions de salariés américains — base empirique la plus granulaire disponible sur l'impact de l'IA sur l'emploi des jeunes travailleurs.↑ ↩

10. 10 Financial Times, The Great Graduate Job Drought, 2026.↑ ↩

11. 11 Budget Lab at Yale, Labor Market AI Exposure: What Do We Know?, février 2026; Gad Levanon, AI Exposure and Labor Market Change: What Charts Do and Don't Show, LinkedIn Pulse, 2026. À noter: Natasha Sarin, présidente du Budget Lab, précise dans une conversation publiée par le New York Times (4 février 2026) que les données de l'institution ne montrent pas de différence significative entre les niveaux d'emploi dans les métiers les plus exposés à l'IA et les moins exposés.↑ ↩

12. 12 David Autor, Anton Korinek, Natasha Sarin, entretien conduit par David Leonhardt, « What Economists Really Think About A.I. and Jobs », The New York Times, 4 février 2026. Autor y souligne que le ralentissement de l'embauche dans les métiers exposés commence avant ChatGPT et que la hausse des taux Fed est une explication concurrente. Sarin y indique que le Budget Lab ne détecte pas de différence significative entre métiers exposés et non exposés. Autor et Neil Thompson y esquissent le concept d'« Universal Basic Capital ».↑ ↩

13. 13 Exposition à l'IA générative et emploi: application à la classification socio-professionnelle française, 2024; Zety, Les métiers en France face au risque de l'IA (2026–30).↑ ↩

14. 14 David Autor, AI and the Future of Work, Issues.org; NBER working paper w32140, Applying AI to Rebuild Middle Class Jobs.↑ ↩

15. 15 MIT Initiative on the Digital Economy, Effective AI in the Workplace: What the Research Shows, Medium, février 2026; SYPartners, Still Loading: Humans at Work in the AI Age, 2026.↑ ↩

16. 16 Matt Sigelman et al., Beyond the Binary: How Automation and Augmentation Are Combining to Reshape Work, janvier 2026.↑ ↩

17. 17 Le Figaro Décideurs, IA, recherche d'efficacité: les managers intermédiaires sont-ils une espèce en voie de disparition?, février 2026.↑ ↩

18. 18 McKinsey Global Institute, Human Skills Will Matter More Than Ever in the Age of AI, 2025; Eric Hazan, Anu Madgavkar, Michael Chui et al., A New Future of Work: The Race to Deploy AI and Raise Skills in Europe and Beyond, MGI, 2024.↑ ↩

19. 19 MIT Sloan, Pro-Worker AI Doesn't Just Happen: Companies Need to Act, 2026; Daron Acemoglu, David Autor, Simon Johnson, Building Pro-Worker Artificial Intelligence, The Hamilton Project / Brookings, NBER Working Paper 34854, février 2026.↑ ↩

20. 20 Acemoglu, Autor, Johnson, op. cit. Les auteurs identifient la path dependence, l'idéologie pro-AGI des laboratoires et la concentration du secteur comme facteurs de sous-investissement structurel dans l'IA pro-travailleur.↑ ↩

21. 21 Steven Randazzo (Warwick/Harvard Business School WP 26–036), Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling, 2025.↑ ↩

22. 22 Anselm Küsters et Benjamin Schneider, What is Technological Unemployment?, Oxford Economic and Social History Working Paper n° 218, mars 2025.↑ ↩

23. 23 Which Skills Matter Now? A Data-Driven Framework for K‑12 in the Age of AI, V5.1, 2025↑ ↩

24. 24 Danny Buerkli (Windfall Trust) et Daniel Susskind (Gresham College, Oxford), Securing humanity's AI future — Economic Scenarios for Transformative AI, Londres, 5 février 2026. Construit sur des travaux antérieurs avec Brynjolfsson, Korinek et Agrawal.↑ ↩

25. 25 Des accords de compensation collective existent déjà dans ce domaine: le syndicat américain SAG-AFTRA (Screen Actors Guild – American Federation of Television and Radio Artists, sagaftra.org) a obtenu en 2023, après une grève de 118 jours, que les studios s'engagent contractuellement à recueillir le consentement des acteurs et à les indemniser avant toute utilisation de leur image ou voix pour l'entraînement de modèles d'IA. Ce précédent montre que des mécanismes sectoriels de compensation sont opérationnels — même si leur extension aux professions cognitives reste un chantier ouvert.↑ ↩

26. 26 Acemoglu, Autor, Johnson, op. cit. Neuf directions politiques analysées: antitrust, protection de l'expertise des travailleurs, institutionnalisation de leur voix, focus sectoriel santé et éducation.↑ ↩

27. 27 Robert C. Allen (2009), « Engels' Pause: A Pessimist's Guide to the British Industrial Revolution », Explorations in Economic History, vol. 46.↑ ↩

28. 28 卡尔·波兰尼，《大转型》（1944年）：波兰尼描述了这样一个过程——在19世纪，市场不再是为社会服务的工具，而是成为一股施加自身规则的自主力量。在他看来，经济的脱嵌（désencastrement）造成了结构性的社会不稳定，迟早会引发一场再嵌入（ré-encastrement）运动。↑ ↩

29. 29 North, D. C.（1990）。《制度、制度变迁与经济绩效》。剑桥大学出版社。↑ ↩

30. 30 Acemoglu, D., & Johnson, S.（2023）。《权力与进步：人类千年科技与繁荣之争》。PublicAffairs。↑ ↩

31. 31 Korinek, A., & Stiglitz, J. E.（2021）。「引导技术进步」，AEA《论文与会议录》，第111卷。↑ ↩

32. 32 Acemoglu（《权力与进步》，2023）主张，技术进步的方向是一项政治选择。如果人工智能仅仅被导向自动化（替代任务），就会压缩就业并集中收益。↑ ↩

33. 33 多位经济学家曾提议对机器人或AI系统征税以资助社会转型，包括Robert Shiller（《劳动力机器人化与机器人税的必要性》，2017）和比尔·盖茨（Quartz采访，2017年2月：「取代你工作的机器人应该纳税」）。这一想法仍存争议：反对者担心它会抑制创新。↑ ↩

34. 34 Korinek, A., & Stiglitz, J. E.（2021）。「引导技术进步」，同前引书。作者强调，若没有干预措施，与AI相关的生产率提升将从结构上惠及资本持有者而非劳动者。↑ ↩