AI 每年“省下”2.7 万亿美元，为什么大多数人没有感觉
IMF 2026 年 7 月发布的一篇工作论文，给出了一个惊人的估算：AI 每年节省的时间价值约为 2.7 万亿美元，相当于样本经济体 GDP 的 3.4%。
但大多数人并没有在工资、商品价格或公共服务中感受到如此巨大的红利。
原因在于，论文计算的不是新增收入，而是“劳动成本等价”（Labor Cost Equivalent，LCE）：如果这些时间原本需要由人完成，按当地职业工资计算值多少钱。它证明 AI 节省了大量有价值的时间，却不代表这些价值已经进入企业或个人账户。
从节省时间到可以分配的收入，中间还隔着三次转化：
节省时间 → 新增产出 → 企业收入 → 工资、降价、利润或税收
高收入国家拥有更多可数字化的高工资工作，因此成为红利的主要发生地；企业控制数据、流程和客户，因此拥有第一分配权；个人只有形成议价权或所有权，才可能把效率提升变成自己的收入。
所以，2.7 万亿美元真正提出的问题不是 AI 能节省多少时间，而是：谁有能力把时间变成收入，以及谁最终拿走这笔收入？
一、2.7 万亿美元到底是什么
研究使用了五期 Anthropic Economic Index 数据，每期约 100 万条 Claude 对话，覆盖 2025 年 1 月至 2026 年 2 月。系统先把每条对话映射到 O*NET 职业任务，再估计人类独立完成和使用 AI 完成任务的时间差，最后按照各国对应职业的工资定价。
以 2026 年 2 月为例，论文假定 Claude 每周产生约 2 亿次对话，占整个 AI 市场的 25%，据此推算所有平台每周约有 8 亿次对话。将节省工时年度化后，86 个具有完整就业和工资数据的经济体合计得到约 2.7 万亿美元，相当于这些经济体 GDP 的 3.4%。
| 2.7 万亿美元衡量了什么 | 没有衡量什么 |
|---|---|
| AI 对话可能节省的工时 | 已经增加的 GDP |
| 按当地职业工资计算的时间价值 | 已经进入企业账户的利润 |
| 当前使用规模对应的年度化快照 | 已经进入劳动者账户的工资 |
| 现有任务中的潜在劳动成本 | AI 投资、能源、订阅和流程改造成本 |
这个数字高度依赖市场规模假设。论文的保守情景为 1.4 万亿美元，激进情景为 5.5 万亿美元。数据也只观察 Claude.ai 消费端使用，再用 Claude 的市场份额外推整个市场；中国因 Anthropic 不提供服务而未进入样本。
所以，2.7 万亿美元不是一张已经可以分配的支票。它更像一座被发现但尚未完成开采、冶炼和出售的矿山。
二、红利先集中在富国，再集中到高薪职业
即使把 2.7 万亿美元理解为潜在价值，它的分布也极不均匀。
| 经济体收入组 | LCE 占本组 GDP | 占样本 LCE |
|---|---|---|
| 高收入经济体 | 4.2% | 96% |
| 中等收入经济体 | 约 0.6% | — |
| 低收入经济体 | 0.1% | — |
这不只是因为富国工资更高。同样一小时在纽约和内罗毕按当地工资定价，本来就会产生不同的美元价值；LCE 的设计天然会放大富国权重。
但工资换算无法解释全部差距。即使除以各组 GDP，高收入经济体的 LCE 仍是中等收入经济体的 7 倍、低收入经济体的 42 倍。真正拉开距离的，是 AI 是否进入了足够多的职业和工作流程。
论文设计了 AI 集中指数（ACI）：指数越接近 1，说明 AI 节省的时间越集中在工资阶梯顶端。美国为 0.44，文职、销售和服务岗位已经获得一部分收益；印度为 0.86，肯尼亚为 0.81，红利主要停留在不足劳动力 10% 的经理和专业人员中；坦桑尼亚达到 0.98，而该国专业人员占就业人口不到 5%。
对许多发展中经济体来说，AI 不是一项覆盖全社会的通用技术，而是一块嵌在本国经济中的“专业职业飞地”。
但“96% 出现在高收入经济体”不等于这些收益进入了国家财政，更不等于当地居民平均分享。它只说明这些国家拥有更多能够使用 AI 的高工资数字化工作。红利具体落到企业利润、劳动者工资还是消费者低价，仍要经过企业内部和市场中的第二次分配。
三、为什么 AI 首先形成职业飞地
AI 首先进入的，是可数字化、工资较高、已经拥有结构化知识的工作：软件开发、研究、金融、咨询、管理和专业写作。
这些职业同时具备三个条件：
- 工作可以在屏幕和文本中完成；
- 企业已经积累可调用的数据、文档和流程；
- 节省一小时具有较高的市场价值。
农业、建筑、清洁、照护和大量现场服务不具备同样条件。它们并非不需要知识，而是工作的关键部分发生在物理环境中，本地经验也很少以模型能够调用的形式存在。给这些劳动者购买一个 AI 账号，不会自动把现场任务变成可计算流程。
语言进一步强化了这种差距。论文发现，官方语言是否包含英语，能够显著预测一国的 AI 集中度是否下降。关键不只是用户会不会说英语，而是法律、教育、行业规范和公共信息是否以模型充分学习过的语言存在。没有本地制度知识，模型可以聊天，却难以可靠地进入更多职业。
因此，技术扩散的瓶颈不是模型访问权本身，而是一个经济体有没有把更多职业变成“AI 可用的工作环境”：可调用的数据、清楚的流程、本地语言知识和能够重组工作的组织。
职业飞地并非固定不变。从 2025 年 11 月到 2026 年 2 月，111 个经济体中有 47 个的 ACI 下降，占 42%。AI 正从软件开发扩散到教育、办公室和销售工作。
但职业覆盖扩大，只说明红利开始在更多地方产生，并不意味着劳动者会自动获得收益。接下来的问题是：谁拥有这些新增生产能力的分配权？
四、企业拥有第一分配权
即使 AI 已经进入工作流程，劳动者仍不一定会获得对应收益。对领取固定工资的员工来说，工作时间属于企业，工作成果也通常属于企业；AI 节省的两小时，默认先成为企业可以重新安排的生产能力。
一名员工把原来三小时的任务压缩到一小时，至少可能产生四种结果：
- 企业要求他在同一天完成三倍任务，工资不变；
- 企业减少招聘，把节省转化为利润；
- 市场竞争迫使企业降价，收益流向消费者；
- 劳动者拥有议价能力，以更高工资或更短工时分享红利。
技术只决定一项任务能否更快完成，不决定剩余价值如何分配。劳动合同、市场竞争、平台定价、税制和集体议价，才决定红利最终表现为利润、工资、低价还是闲暇。
这也是“大多数人没有感觉”的直接原因：AI 的使用者、付费者、资产所有者和收益获得者并不是同一群人。员工提供工作场景，企业控制流程和产出，模型公司收取订阅与 API 费用，云和芯片企业控制基础设施。时间在工作端被节省，租金却可能沿技术栈向上集中。
因此，最先受益的不是抽象的“某个国家”，而是高收入经济体中控制以下资产的企业：
- 模型、算力和分发平台；
- 企业数据、业务流程和知识库；
- 客户关系、品牌和最终定价权。
一国的产业和制度条件决定红利更容易在哪里产生，企业则决定红利首先由谁拿走。
五、个人如何拿到一部分 AI 红利
对个人而言，关键不是有没有使用 AI，而是能否改变自己与产出的关系。一个固定工资员工只是更快完成原有任务，企业通常会首先获得增量产能；个人要分享红利，需要把效率提升转化为可计量结果、议价权或自己拥有的资产。
第一，从任务执行者变成结果负责人。 如果考核单位仍是“写一份报告用了几小时”，提速只会带来更多任务；如果个人负责的是销售额、转化率、交付规模或问题解决率，就能用 AI 扩大可计量成果，并据此争取晋升、奖金或分成。
第二，掌握 AI 难以独立取得的互补资产。 领域判断、客户信任、专有数据、现场执行、责任承担和跨部门协调，决定 AI 生成的内容能否进入真实业务。单纯的提示词技巧会快速普及，能够对结果负责的专业能力更稀缺。
第三，把生产率变化记录下来。 保存采用 AI 前后的交付时间、数量、质量和收入数据。没有可验证的增量，个人无法证明自己创造了多少价值，也就没有谈判基础。
第四，争取分配权或所有权。 对雇员而言，是把可计量增量转化为绩效奖金、收入分成、更高职级或更短工时；对独立从业者而言，是用节省的时间服务更多客户，或者把经验沉淀为自己的产品、数据、渠道和品牌。
个人最不利的位置，是只贡献劳动时间，却不控制成果、客户和资产。最有利的位置，是用 AI 放大自己已经拥有的稀缺能力，并对新增结果保留一部分索取权。
结论
2.7 万亿美元揭示的是一条清晰的分配链。
高收入国家拥有更多可数字化、高工资的工作，因此成为红利的主要发生地；控制模型、算力、数据、流程和客户的企业拥有第一分配权；个人若只是在固定工资下更快完成同样任务，得到的往往是更多工作，而不是更多收入。
个人真正能够抓住的，不是“会不会使用 AI”这一短期优势，而是能否用 AI 放大稀缺能力、创造可计量结果，并通过谈判、分成或资产所有权保留其中一部分价值。
国家决定红利在哪里产生，企业决定红利如何首次分配，个人的议价权和所有权决定自己能拿到多少。
这才是 2.7 万亿美元与每个人之间真正的关系。
参考资料
- Rachel Yuting Fan、Ha Minh Nguyen，《Aggregate Gains from AI and Their Distribution: Global Evidence from Usage Data》，IMF Working Paper 26/147，2026 年 7 月。https://www.imf.org/-/media/files/publications/wp/2026/english/wpiea2026147.pdf
- Anthropic，《The Anthropic Economic Index》，2025 年 2 月。https://www.anthropic.com/research/the-anthropic-economic-index
- Anthropic，《Economic Index: New Building Blocks for Understanding AI Use》，2026 年 1 月。https://www.anthropic.com/research/economic-index-primitives
- Eugenio Cerutti 等，《The Global Impact of AI: Mind the Gap》，IMF Working Paper 25/76，2025 年。https://www.imf.org/en/publications/wp/issues/2025/04/11/the-global-impact-of-ai-mind-the-gap-566129
本文部分内容由 AI 辅助生成，经人工审校和补充后发布。