官方网站-首页
2026-09-01 09:39:29
■蔡昌 朱博文 李梦娟
以机器学习、深度学习、计算机视觉和自然语言处理为核心的人工智能技术，已成为推动经济增长与社会进步的核心力量。与工业化导致的技术革命不同，人工智能的革命性在于其对认知与脑力劳动的深刻影响。它不仅是人类体力的延伸，而且是通过从海量数据中自主学习的内在模式与规则。这种技术特质，意味着人类首次将部分脑力劳动乃至决策权让位于机器，这使得人工智能对劳动就业的冲击更具复杂性与深远意义。
在数字智能时代，如何解决人工智能对就业的负向效应，已成为一个亟待解决的问题。当下，从年轻毕业生“一职难求”的个体焦虑，到互联网中层骨干成批次被“优化”，让“劳动力何去何从”的疑虑变得更为具体。为此，有必要系统剖析人工智能影响就业的两大规律——替代效应与扩容效应，借此厘清技术对社会冲击的内在逻辑，进而探寻我国实现充分就业的可行路径。
替代效应：人工智能“挤出”就业的逻辑机制
人工智能对就业最直观的影响，就是对部分工作岗位的彻底替代。然而，这种替代并非单纯以机器替代人力，而是沿着“技术显性—经济加速—组织断裂”的逻辑链条层层传递，并在每一层级改变着劳动与资本的投入结构。
第一，技术替代的逻辑起点，在于将模糊的“工作”拆解为清晰的“程序性任务”。理解这一机理，需要回到一个基本认知：劳动需求的最小单位不是某一职业，而是构成生产活动的任务单元。在通常情况下，任务单元可划分为程序性与非程序性两类。前者遵循明确规则，无论表现为重复性脑力劳动还是体力劳动，都易于被编程实现自动化；后者依赖情境判断、创造性思维或人际互动，难以完全被算法逻辑所替代。人工智能的核心能力，恰恰在于从海量数据中识别并执行那些规则明确的任务单元。这意味着当一项工作可以被拆解为多个程序性任务时，其天然具备了被替代的条件；若一项工作具有多重创造性要求，被人工智能替代的可能性则大幅降低。
第二，替代效应在现实场景中，体现为利润最大化下的资源配置与经营策略调整。当执行程序性任务的智能系统边际成本趋近于零、劳动力的综合成本持续上升时，替代便从“能或不能”的问题，转化为“换或不换”的经济决策。这就是为何在资本密集度高、外部融资依赖强的行业以及成本约束更紧的非国有企业中替代效应表现得尤为突出的原因。在全球市场竞争压力下，企业用脚投票，加速以资本替代劳动的进程。这种“硬替代”表面上是技术升级，本质上却是资本逻辑驱动下的效率选择。因此，替代效应并非单纯决定于技术，而是产业结构、资本压力与产权性质共同作用的结果。
第三，替代效应的深层影响在于组织替代引发的劳动制度脱节。无论是技术驱动还是资本驱动，上述替代仍发生在雇佣关系内部。但人工智能的进一步渗透，则开始解构“雇佣”模式本身，这就形成平台经济领域的“软替代”。其核心不在于以机器直接替代人力，而在于将完整工作拆解为零散的任务单元，通过外包、零工经济和平台用工等标准化流程，将原本由正式雇员承担的工作转化为由个体在组织外部独立完成的任务。长期来看，这一转变抑或导致程序化的正式岗位持续萎缩，使劳动者与组织之间稳固的依附关系日渐松动。由此，过去以稳定雇佣为前提建构的劳动关系体系，其覆盖范围与保护效力将面临“够不着、兜不住”的风险。
由此可知，替代效应是一个不断深化的逻辑链条：技术定义了替代的可能边界，资本加速了替代的现实进程，组织变革则将替代从岗位层面推向制度层面。应对替代效应的核心难点，在于既要提前预判冲击，又要紧贴产业发展的实际；既要为劳动者筑牢保障底线，又要给企业创新留出充分空间。
扩容效应：人工智能催生的新产业新岗位
如果仅从替代效应的单一视角理解人工智能对就业的影响，则容易陷入技术悲观主义误区。历史经验反复证明，技术进步在破坏旧岗位的同时，也通过多种渠道创造新的就业空间。人工智能对就业的扩容，不是零散发生的，而是沿着“创新孵化—渗透扩散”的路径渐次展开：先由技术本身创造新任务、新岗位，再由技术向各行业渗透，在存量经济中激发增量需求。
首先，扩容效应来自人工智能产业自身的创新孵化。作为新兴产业，人工智能在研发、制造、运营等各个环节能够不断孵化并衍生出各类新工种、新岗位。我国新就业的孵化过程高度集中于头部数字企业，尤其是百度、阿里巴巴、腾讯、华为、字节跳动等互联网大厂。这些企业凭借强大的资本与资源调度能力，在作为技术策源地的同时，也构建了向第三方开放的底层生态，从而成为催生新工种、新岗位的核心引擎。
从纵向维度分析，孵化机制表现为产业链的深度拓展，层层递进不断挖掘创造新的就业空间。百度Apollo自动驾驶平台从内部项目演化为开放的岗位孵化器，创造出远程安全监督员、调度算法工程师等融合操作经验与数字素养的新职位；蚂蚁集团的AI信用评分与风控系统，带动了对数据科学家、算法合规监管专家等人才的强劲需求。从横向维度分析，孵化机制则体现为平台生态的圈层式辐射，一圈圈荡漾开去，形成不断拓展的新工种、新岗位的圈层体系。以抖音平台为例，其依托算法推荐，围绕直播电商构建出圈层状的岗位网络：内核是作为流量枢纽的主播，中间层连接品牌与产品供给企业，外围则广泛延伸至物流协调、数字供应链管理、内容审核等支持性岗位。
其次，扩容效应来自人工智能向传统行业的渗透扩散，即人工智能作为通用技术向各传统行业渗透时所激发的增量需求。这一过程的底层逻辑在于：当人类仍具有比较优势的新任务比例上升时，生产过程便会向劳动倾斜，从而提升劳动收入份额和总就业水平。从机制逻辑出发，扩容效应有三条主要渗透路径：一是规模驱动的扩张效应：AI提升生产率、扩大生产规模，即便单位产出用工减少，总劳动力需求依然上升。二是能力升级驱动的赋能效应：AI拓展人类的认知能力，使劳动者得以胜任更高价值的任务，进而提升其经济贡献与工资议价能力。三是门槛降低驱动的激活效应：数字平台与智能物流显著压低劳动参与成本，将原本因地理、信息或身份壁垒而被排斥的弱势群体重新接入就业网络。
在结构层面，扩容效应的渗透路径体现为产业链的纵向传导与延伸。从基础层的数据采集、芯片制造，到技术层的算法平台开发，再到应用层在医疗、教育、零售等传统行业中催生的新商业模式与新职业角色，各层级协同运作，形成从硬件制造到应用服务的完整扩容链。其中，应用层直接面向终端需求，是就业扩容效应最为显著的环节，即将基础层的技术突破转化为就业总量的增长。这也表明，渗透型扩容的纵深最终取决于产业链各环节的协同效率，而非技术本身的先进程度。
扩容对冲替代的净效应分析
在“创新孵化”与“渗透扩散”两条扩容路径的基础上，扩容效应的规模以及其是否能够在就业总量上对冲替代效应，需从规模估算、结构特征与政策条件三个维度进行分析。
第一，扩容效应的规模与净效应依赖于技术扩散的速度和劳动力市场的适配能力。在我国，AI替代效应集中在客服、数据录入、基础翻译等中等技能岗位，而扩容效应则更多指向高技能研发岗以及平台生态中的灵活就业岗，二者之间存在明显的技能错配。这似乎意味着，即使新增就业岗位有所增加，结构性失业和过渡性摩擦成本仍会削弱扩容效应的积极作用。因此，扩容效应能否实现对冲替代效应，取决于劳动力市场的再配置效率。
第二，我国扩容效应的结构独特性在于，人工智能扩容的增量岗位多为平台经济所衍生的灵活就业岗位。这些岗位进入门槛低、吸纳能力强，为传统制造业和低端服务业流出的劳动力提供了“蓄水池”，在就业结构的转型过程中起到了一定的缓冲作用。但同时，这些岗位普遍缺乏职业晋升通道与系统性社会保障，长期将使得劳动者与人工智能产业自身孵化的高技能岗位之间出现断层，使技能劳动群体的就业扩容陷入有量无质的困境。
第三，扩容效应的充分释放，不能仅依赖技术的自发演进，更需要现实有效的制度加以引导和支持：一是技能培训体系应从“学历导向”转向“任务导向”，辅助中等技能劳动者向高级技能劳动者转型。二是社会保障制度必须主动适应平台化、灵活化的就业形态，以降低新业态从业人员职业转换的摩擦成本。三是市场监管应为平台企业预留必要的包容空间，在推进平台算法规范化的同时，避免因过度收紧而导致岗位吸纳能力收缩。唯有制度条件及时跟进，人工智能带来的效能提升才可能转化为可持续的就业扩容，而非昙花一现的资本泡沫。
应对人工智能就业影响的对策建议
针对人工智能对就业的影响，我国已通过建立就业影响监测评估体系、推动传统产业智能化转型、加强职业技能教育等宏观政策与行动，为缓解替代冲击、强化扩容效应奠定了基础条件。但在落地实施中，有两个核心问题值得特别关注：一是支持劳动力技能转型的资金从哪里来，以形成具有可持续的转型支撑；二是新增就业岗位的质量如何保障，谁来监督和评价。对此，可从以下两个方面进行深入探讨。
（一）征收机器人税的伦理性与财税考量
既然替代效应的实质是资本对劳动的倒逼与替代，且受益方与受损方之间存在财富转移，那么一个自然的对策思路就是通过财税手段实现技术红利的再分配。在实践中，可通过对因大规模采用人工智能技术获得超额资本收益的企业或项目进行征税，并将税收定向投资于社会保障基金和被替代劳动者的转岗培训，从而形成“技术收益—人力再投资”的良性循环，这也与中央提出来的“投资于人”的逻辑相吻合。这一税收补偿机制的价值是在扩容端和替代端之间架设了一座制度桥梁，让技术红利的受益者为技术冲击的承受者提供转型保护和价值补偿，使人工智能影响就业的解决方案闪耀着社会伦理性的光辉。
但对以人工智能技术为支撑的机器人或自动化系统课税，在实践中存在以下难题：一是机器人税的税基难以清晰界定。因为人工智能与普通自动化设备之间的边界本就模糊，企业为规避税收，很可能将相关投入归为一般技术升级，使税源无法被有效捕捉。二是机器人税征收门槛的设定需要审慎考量。若门槛过低，不仅可能抑制企业的创新活力、削弱其扩大再生产的动力，还可能催生出更为激进的避税行为。例如，企业为减轻税负，可能将成本转嫁给消费者或劳动者，抑或抬高商品售价、压低在岗人员工资，从而削弱国内市场的购买力。三是机器人税的征收可能导致税基向海外流失。在国际资本流动性日益增强的当下，若一国单方面征收机器人税，那么，人工智能密集型企业便有动力迁往国际上低税或无税区，致使本国产业空心化或税基大幅流失。如何应对上述难题，可分而治之。
其一，转换税基以化解征税难题。假设人工智能对劳动的替代价值，体现在服务生效并完成交易的那一刻，那么，与其在模糊地带强行区分人工智能与人力劳动，不如将课税环节前移至销售端，依据企业对AI服务的使用量或订阅支出向供应商征税。从而将难以量化的劳动力被替代量转化为清晰可计的“AI服务交易额”，从源头解开了税基确认的难题。
其二，嵌入国际税收框架以抑制资本外迁。OECD“支柱二”规则要求年收入超过7.5亿欧元的跨国企业承担15%的最低有效税率，自2024年起在欧盟及亚洲主要经济体陆续实施。若企业在低税辖区注册公司以转移利润，来源国可对其差额征收补充税。机器人税可借鉴此逻辑：若一国对AI密集型企业征税，企业迁往低税地区后实际税率很可能低于15%，即可援引最低税规则追缴差额，显著削弱其外迁动机。当然，这一方案能否可行，还取决于机器人税是否属于规则认可的“有效税种”，以及两者税基计算口径是否兼容等条件。
（二）构造并推行以平台为载体的就业吸纳网络
扩大就业，需要创造就业吸纳网络。就业吸纳网络一方面可以增加劳动者的就业机会，另一方面也可增加劳动者的职业转型与薪酬提升空间。理由如下：其一，平台通过算法将成本与风险系统性转嫁给劳动者。算法基于性别、教育、地区等特征形成劳动者画像，并依据历史接单率、完成时间、行动轨迹等细颗粒数据，推算出劳动者的最低报酬底线，据此压低派单出价。其二，平台条款存在缺陷时，会尽量将后果损失推卸给劳动者。部分平台甚至默许劳动者以不合规身份参与，直至法律后果显现，合规风险完全转移到劳动者自身。因此，经济处境越脆弱的低收入劳动者，越易成为算法的受害者及成本、风险的承担者。
破解这一困境，可从以下层面着手：一是在社会保障层面，可将社保权益的锚点从雇主转向劳动者个人。例如，平台为低收入劳动者建立与其个人而非雇主绑定的社保账户，按其累积工时或收入的一定比例注入社保缴费额。二是在劳动报酬层面，监管机构可要求平台披露工资算法的计算逻辑，禁止依据收入水平、接单率等特征实施差异化定价。同时，将最低时薪保障扩展至平台工人。三是在平台监管层面，可建立算法审查机制，倒逼平台改进算法。例如，赋予劳动者获取本人平台就业数据的权利，使相关部门能够据此审核平台算法的逻辑规则，从而形成外部监督压力，推动平台主动优化算法体系。
（蔡昌系中央财经大学教授、税收筹划与法律研究中心主任；朱博文系中央财经大学税收学研究助理；李梦娟系河北大学教授、北京大数据协会财税大数据专委会理事）
400-86503662
数据边界与算法效能：从“没有更多数据了”谈起
