自2022年11月30日發布以來，ChatGPT的月活躍用戶數量已經達到大約1億人，創造了最快增長的消費類應用紀錄。

雖然AI極大地提高了人們的工作效率。但隨著對不同領域的滲透，促使人們重新審視「技術取代」的問題。

最新研究則揭示了「拐點」的存在：一旦AI取代效應占主導地位，它將無法逆轉。

具體而言，作者在理論上，提出了AI進步對自由職業者影響的「拐點」：在AI能力超越拐點之前，自由職業者始終從AI的進步中受益；但在AI能力跨越拐點之后，隨著AI的進步，自由職業者都會變得更加不利。

文章引起了網友對就業市場的擔心：

以往的企業高管或AI專家，更多在理論上，預測AI的智能水平可以取代人類從事哪些工作。

這次研究不僅提出了一般就業市場的「拐點猜想」，而且還用數據證明了：在不同的在線勞動力市場（online labor markets，OLMs）中，寫作、咨詢、編程相關崗位更多體現的是取代效應，運營、創意更多體現的生產力效應。前者表現為工作機會和收入將逐漸減少，而后者卻完全相反。

研究的主要亮點如下：

1. 對在線勞動平臺，翻譯和網頁開發的實證研究，證實了AI的取代效應和生產力效應。
2. 利用Cournot競爭模型，在適當假設下得到了「拐點猜想」：隨著AI能力的不斷提升，崗位數量和報酬水平會先升高（也就是生產力效應）；但一旦超過某個閾值后，崗位數量和報酬水平會不可逆轉的下滑（也就是替代效應）。
3. 根據「拐點猜想」，分析了在線勞動平臺上其他崗位，再次證明了AI的能力一旦超過拐點，則會出現不可逆轉的替代效應。
4. 結果表明在寫作、咨詢、編程、運營和創意等相關崗位，AI的取代效應依次減弱。

該研究發表在2025年第58屆夏威夷系統科學年會上，作者來自新加坡國立大學、羅切斯特大學和清華大學。值得一提的是，他們全都是清華校友。

論文地址：https://scholarspace.manoa.hawaii.edu/server/api/core/bitstreams/4f39375d-59c2-4c4a-b394-f3eed7858c80/content

爭議焦點

這一爭議的核心在于：信息技術（IT）能夠將許多任務自動化，從而提升人類勞動的生產力，但也可能導致勞動力被技術所取代。

這兩種對立的效應稱為取代效應和生產力效應。

這兩股相反的力量相互競爭，共同決定技術如何最終影響勞動力市場。

在以往的相關文獻中，技術本身通常被當作黑箱處理，作為生產函數中的一個因素與人類勞動一起作用于經濟。然而，這種宏觀視角的做法忽視了具體技術的影響，側重于任意自動化技術的長期效果。

然而，考慮到當前AI技術的飛速發展，了解AI對勞動市場的影響顯得尤為重要，尤其是對在線勞動市場（OLM）的影響。

與較為穩定的全職工作不同，自由職業工作更加容易受到市場變化的影響。作者預計，AI創新對工作市場的影響將首先在自由職業市場上顯現。

主要內容

文章直接回答了一個問題：為什么相同的AI創新，在不同類型的工作中會產生完全相反的效果？

為了解決這一問題，作者收集了跨多個職業的個人級數據，并提出了「拐點假設」來解釋實證發現，從而為未來的實證研究和理論分析提供了新的視角。

具體而言，作者從頗受歡迎的在線勞動平臺收集了數據。通過采用雙重差分（Difference-in-Difference, DiD）設計，發現在線勞動力市場中自由職業者受ChatGPT的影響，呈現兩種不同情況：

1）翻譯與本地化OLM的取代效應，表現為工作機會和收入的減少；

2）網頁開發OLM的生產力效應，表現為工作機會和收入的增加。

為了理解AI對自由職業者產生不同影響的原因，作者建立了Cournot競爭模型。

在競爭模型中，AI因為取代效應降低了市場潛力，但生產力效應降低了邊際成本。

盡管是個簡化模型，但它暗示每個職業都有一個拐點。

在AI達到某一職業的拐點之前，人類勞動能夠從AI性能的進步中獲益，體驗到的是生產力效應。然而，一旦AI超越拐點，進一步提升AI性能，將對人類勞動產生負面影響，展現出取代效應。

為了更全面地描繪AI的影響，還進行了額外的實證分析，展示AI如何影響不同類別的市場。這些估算結果進一步揭示了AI對自由職業者可能帶來的兩種不同情境。

此外，作者還考慮了ChatGPT 4.0的發布帶來新的影響，并評估比較了ChatGPT 3.5和4.0的區別。實證結果揭示了這兩次AI升級的三種模式：1）兩種取代效應；2）從生產力效應過渡到取代效應；3）兩種生產力效應。

值得注意的是，我們還沒有從取代效應主導的模式過渡到生產力效應主導的模式，這與拐點假設相一致，表明一旦取代效應占主導地位，它將無法逆轉。

實證背景

職業選擇

作者將ChatGPT的發布視作一個外部沖擊。ChatGPT于2022年11月30日發布，并對多種任務產生了顯著影響。它是第一個獲得主流認可的GenAI工具，因此成為研究AI沖擊的理想對象。

在自由職業平臺中，作者重點關注了兩個受AI影響較大的工作市場，即翻譯與本地化和網頁開發，這兩個領域的LLM在執行相關任務時表現出了出色的能力。

首先，LLM在實際環境中完成各種翻譯任務的能力已經得到驗證。

研究人員和從業者已表明，ChatGPT與流行的翻譯工具（如Google Translate和DeepL）不相上下，并且能生成上下文相關的內容。ChatGPT在某些語言考試中的表現甚至優于人類。

因此，作者選擇了翻譯與本地化OLM作為研究AI影響的一個重點。

其次，近期研究發現，使用GitHub Copilot時，網頁開發人員實現HTTP網頁的速度可以提升55.8%。

網頁開發工作涉及多種任務，要求具備全面的技能，如編程能力、系統規劃和設計專長。

雖然ChatGPT不能完全獨立完成所有任務，但在調試代碼和識別功能等方面，它已能夠為人類程序員提供支持。因此，作者選擇了網頁開發OLM作為分析的另一個重點。

最后，作者選擇了建筑設計OLM作為對照組，因為已有研究表明這是ChatGPT影響最小的行業之一。

將ChatGPT集成到像3D Max等建筑設計軟件，仍處于概念階段，AI還不能獨立實施實際項目。因此，建筑設計OLM中的自由職業者可以作為一個良好的對照組。

此外，作者通過利用Felten等提出的AI職業暴露指數（AIOE）和谷歌搜索量指數（SVI），評估了ChatGPT對這三個市場的影響程度。

首先，作者將三個市場與AIOE指數進行映射，將每個市場與AIOE數據庫中最相關的職業關聯起來，并計算出平均AIOE指數，如圖1所示。

其次，作者通過共同搜索ChatGPT和特定市場名稱，獲得了Google的搜索量指數（search volume index，SVI），并繪制了圖2中的每周時間趨勢。

結果表明，建筑設計OLM受到ChatGPT影響較小，而網頁開發OLM和翻譯與本地化OLM受到了更顯著的影響，這支持了作者選擇受影響市場和對照市場進行進一步分析。

數據與變量

作者通過定位平臺提供的相關「專業」分類，識別了上述三種在線勞動力市場中的工人。

由于平臺的數據檢索限制，作者獲得了來自建筑設計OLM的6743名工作者、翻譯與本地化OLM的7582名工作者和網頁開發OLM的1.5萬名工作者的個人資料和工作歷史。

隨后，剔除了在2022年11月1日之前未接受任何工作的非活躍工作者，并按月將數據聚合到個人層面。

在文中，作者將與主要勞動市場相關的工作定義為「核心工作」，而將其他工作定義為「非核心工作」。通過關鍵詞搜索，作者確定了自由職業者的核心工作。隨后，基于工作者在給定月份接受的核心工作來構建度量，而非基于已完成的工作。

為了考慮ChatGPT發布前的潛在影響和假期效應，作者排除了2022年11月和12月的數據。因此，研究的時間框架涵蓋了沖擊發生前的六個月和沖擊發生后的十個月，時間跨度為2022年5月1日至2023年10月31日。

表1提供了主要分析中關鍵變量的定義和描述性統計數據。

職場「雙城記」

識別策略

為了考察AI對自由職業者的影響，作者使用了以下固定效應雙重差分法（DiD）模型進行識別。

為了確保被處理組和控制組的工人可比，作者還使用了傾向得分匹配（PSM）方法，通過考慮工作者的經驗、接受的核心工作總數、工資（即核心工作的平均價格和小時費率）以及工作質量（即核心工作的平均評分）來改善樣本平衡。

所有這些變量只考慮了ChatGPT發布前的工作記錄。

作者采用了1:1最近鄰匹配策略，并排除了落在公共支持公共區域之外的觀察值。

翻譯與本地化在線市場

第一次分析考察了ChatGPT對翻譯人員的影響，并將建筑設計OLM的工人作為控制組。

總體而言，論文發現，與建筑設計OLM相比，ChatGPT對翻譯與本地化OLM產生了顯著的替代效應。

在ChatGPT發布后，工作者們接受的核心工作數量的絕對數顯著下降了9.0%，在相對意義上接受的核心工作數量也有所減少；從核心工作中獲得的收入也減少了29.7%。

這些結果表明，ChatGPT具備了足夠的語言理解能力，能夠處理翻譯任務，從而對該領域的從業者產生了替代效應。

網頁開發在線市場

作者的第二次分析考察了ChatGPT對網頁開發人員的影響，同樣將建筑設計OLM的工作者作為控制組。

與建筑設計OLM相比，ChatGPT發布后，網頁開發人員的交易量平均顯著增加了6.4%。在相對交易量方面也存在類似情況。

此外，ChatGPT的發布顯著提高了網頁開發人員的月收入，增加了66.5%。

這些結果表明，ChatGPT不太可能自動化網頁開發的過程，而是作為助手來提高了網頁開發人員的生產力。

可能是因為網頁開發工作需要多方面的知識和精心的規劃，而ChatGPT從互聯網文本中學習，難以成為合格的網頁開發人員，從而對網頁開發人員產生了生產力效應。

拐點猜想

AI與職業的局部轉折點

為了探討為什么AI的進步對不同職業市場中的工人產生不同的影響，作者構建了一個微觀模型來分析AI在作者實證背景中的作用。

考慮一個Cournot競爭模型，其中有n個工人，每個工人都以相同的邊際成本提供相同的服務。

這個模型包含三個基本概念。

首先，職業代表市場中的一種工作類別，在本研究的背景下通常被稱為OLM（職業勞動市場）。其次，工作是發布在自由職業平臺上的具體項目或任務。最后，任務是成功完成工作所需的最小認知單元。該模型基于由多個任務組成的工作。

假設邊際成本為(1?a)c，其中c>0，a∈[0, 1]。作者將a解釋為在提供服務過程中，AI能夠成功完成任務的百分比。因此，c表示工人在沒有使用任何AI幫助的情況下的邊際成本。

服務的市場需求由以下公式確定：

其中p為價格，qi為工人i提供的服務數量，S(a)表示市場潛力。S(a)隨著a的增加而遞減。

對于那些AI技術更為熟練的潛在雇主，AI可以更可靠且更能勝任他們發布的主要工作，這使得他們更傾向于用AI替代人工勞動。

隨著AI的改進，即a的增加，更多潛在的雇主會進入這一類別，從而減少市場潛力。此外，S(a)可能是凹函數的，因為技術的采用通常隨著技術的成熟而加速。

有幾種可能的機制。

首先，隨著AI表現的提高，更多的雇主將使用它，這會產生更多的口碑推薦，從而促進更多的采用。

其次，由于更多雇主使用AI，會產生積極的外部效應，因為AI的使用傳播了專業知識和最佳實踐。

第三，創新型企業將開發專門的軟件來幫助特定職業使用AI，因為隨著AI變得越來越強大，它能夠幫助完成這一類工作。作者對技術假設進行了約束：|S′(0)|<c和|S'(1)|>c，以避免出現不相關的情況。

工人的目標是獲取最大利潤：

最后的Nash均衡（Nash equilibrium）狀態下的價格、利潤和收入為

附加一些對S(a)函數的技術性假設，最后作者的得到了「拐點猜想」：

簡而言之，在AI的能力比較低時，a小于「拐點」，相關崗位數量和利潤會隨著AI能力的增加而增加；但當AI的能力足夠大時，a大于「拐點」，AI能力越強，相關崗位的數量、收益、利潤越少，被AI消滅的崗位數量越多。而且一旦超越拐點，替代效應將無法逆轉。

其他崗位分析

利用其他市場的交易數據，論文研究了AI在不同職業勞動市場（OLM）中的異質性影響。

在主分析中包含的職位類別之外，作者為每個額外的類別選擇了一個特定的職業勞動市場，并采用與主分析相同的方法進行研究。

不同模型的結果（見表6）揭示了AI的兩種不同效應，表明不同職業有不同的拐點。

此外，作者進一步考慮了2023年3月14日發布的ChatGPT 4.0作為AI的第二次升級，并估算了ChatGPT 3.5和4.0對上述十一種職業勞動市場（OLM）的影響。

以下是用于估算的固定效應雙差分（DiD）模型。

根據「拐點猜想」，只有三種可能的結果：

1）持續保持生產力效應：AI在兩次升級后仍低于拐點。

2）從生產力效應轉變為取代效應：AI在第一次升級后沒有達到拐點，但在第二次升級后超過了拐點。

3）持續保持取代效應：AI在第一次升級后超過拐點，并在第二次升級后繼續超過拐點。

表7中呈現的結果證實了這三種結果同時存在，而且沒有任何市場經歷能從取代效應轉變為生產力效應。

這一發現表明，一旦AI越過了某項工作的拐點，隨著進一步升級，AI不可能恢復到拐點以下。

具體結論與建議

與寫作相關的OLM（例如，專業與商業寫作）特別容易受到取代效應的影響。

與咨詢相關的OLM（例如，國際法與移民法）通常為客戶提供專門的建議以支持其決策，隨著ChatGPT能力和知識庫的擴展，這些領域可能越來越面臨取代效應。

與編程相關的OLM（例如，網頁開發），在這些領域，ChatGPT表現良好，目前正經歷生產力的提升。然而，ChatGPT有可能取代程序員，并最終導致未來的取代效應。

相比之下，與運營相關的OLM（例如，項目管理）和創意相關的OLM（例如，攝影）需要大量的人際互動、專門知識或創造性思維，而ChatGPT在這些方面的能力較弱。因此，這些市場可能會繼續經歷顯著的生產力提升。

與以往在宏觀層面進行AI與勞動關系的研究相比，新模型是在微觀層面上進行的，結合了大語言模型的內在特性和工作特征。這些發現對未來工作具有重要的實踐意義。

從工作者的角度來看，這項研究突出了AI的雙重作用。一方面觀察到某些市場的衰退，促使個人重新考慮職業道路。與此同時，鼓勵從業者與AI合作，提升生產力，并在繁榮的市場中抓住機會。

平臺方面，也建議進行戰略性資源重新配置，如創建基于AI的新型工作市場。在快速發展的數字經濟中，這些調整將有助于平臺保持競爭優勢。

作者簡介

夏威夷系統科學年會，全稱Hawaii International Conference on System Sciences，簡稱HICSS，是信息系統技術領域歷史最悠久的科學會議。

自1968年以來，它吸引了世界各地來自學術界、工業界和政府機構的高水平學者和專業人士，來展示他們的前沿研究。過去的五十年中，在HICSS上發表的研究論文有效促進了全球范圍內信息系統和技術的創新和發展。

Dandan Qiao，2018.07-至今任新加坡國立大學信息與分析系統助理教授。

她在2018年獲得清華大學信息系統博士學位，本科畢業于北京郵電大學信息系統專業，曾在2015.08-2017.09期間前往德克薩斯大學奧斯汀分校進行訪學。

Huaxia Rui，目前任羅切斯特大學西蒙商學院施樂計算機與信息系統講座教授。

從2000-2007年，他在清華大學攻讀控制理論與工程學士和碩士學位，之后前往德克薩斯大學奧斯汀分校攻讀經濟學系碩士和麥考姆斯商學院博士。

博士畢業后，入職羅切斯特大學西蒙商學院，先后任助理教授、終身副教授、教授。

Qian Xiong，目前是清華大學與新加坡國立大學聯合培養博士生。2020年，于武漢大學獲得土木工程工學學士學位。