Anthropic 发布经济情景探索器，推演 AI 对 2030 年美国经济的三种可能影响

我们的经济未来会是什么样子？

我们尚不清楚 AI 将如何重塑经济。它会带来前所未有的增长吗？还是大规模失业？两者皆非，抑或是别的什么？我们该如何判断？

Anthropic 的经济学团队构建了一个模型，用来预测未来几年 AI 可能如何影响美国的就业、增长和失业。阅读可能的经济未来，并对 AI 能力做出你自己的预测，看看它们意味着怎样的经济。

阅读技术报告

我们研究 AI 如何重塑经济，因为我们致力于确保这一转型对社会有益，包括对劳动者有益。通过更好地洞察我们可能的经济未来，我们可以采取措施确保每个人都从中受益。

我们的经济指数衡量的是 AI 当下在整个经济中的使用情况，而这个情景探索器着眼于未来。基于我们的技术报告《变革性 AI 的经济情景》（Korinek 等，2026），这个探索器让你有机会了解，随着 AI 能力不断增强，经济可能会是什么样子。

在从一切照旧到 AI 将增长提升至约为正常水平两倍的经济情景中，失业率保持在历史区间内，工资则因行业而异持平或上涨。但在增长快于经济史上任何时期的情景中，知识工作者的工资和就业前景会受到不利影响。在这些情景中，社会要富裕得多，因此挑战在于确保收益被广泛共享。

向下滚动，你会看到 AI 如何影响经济的概览。然后，你可以输入你对 AI 能力将有多强、以及未来它将在整个经济中被多广泛使用的预期。模型将向你展示，如果你的预测成真，2030 年的经济可能是什么样子——以及你的预测与其他人的预测相比如何。

经济由任务构成

这个模型将人们在经济中从事的所有工作表示为任务组合。AI 可以帮助人们更好或更快地完成某项任务。它可以自动化该任务。它也可能完全不影响该任务。它还可以带来新的任务。

想想护士一天的生活

你可以把任何工作看作一个人所执行的任务组合。她查房查看一位生病的病人。她抽血。她对 incoming 病人进行分诊，记录病人的生命体征，并为病房订购物资。这只是清单的开始。

所列的每项任务都基于美国劳工部的 O*NET 分类法，该分类法列出了每个职业的任务。

工作随时间变化

任务会离开组合（现在几乎没人手写纸质病历了），新任务会出现（30 年前，没有人远程监测病人）。任务组合并非一成不变，工作随着任务的变化而变化。

有些任务只有人类能做

例如，AI 无法给病人洗澡。

有些任务会得到增强

AI 帮助人类更好或更快地完成它们。AI 帮助护士起草出院说明、远程监测病人，并规划当班的护理日程。

有些任务可能被完全自动化

例如，AI 可能记录病人的生命体征，或订购病房的物资。

还会出现新任务

从历史上看，新技术也为劳动者创造了新任务。对护士来说，这可能是检查 AI 分诊病人的效果如何，或审查 AI 提出的护理计划。

结果：护士的工作发生了变化

随着护士将 AI 融入工作，她能够监督并完成更多事务。她可以花更多时间与患者交谈，帮助他们理解诊断结果。生产力随之提高。

每一项任务每天都会在全国范围内发生数百万次

护士们在每个病区、每个班次都在完成自己的工作。随着更多护士使用 AI，AI 在这些数百万次任务实例中所支持的占比也随之提高。

从任务到经济

如今，如果把美国境内由人以及他们所协作的机器和软件完成的每一项任务实例加总：过去一年创造了超过 30 万亿美元的价值。那么，AI 将如何塑造未来的经济？

答案取决于 AI 如何影响构成经济的全部任务、它创造的新任务，以及 AI 承担这些工作的速度。AI 会带来更多的任务增强还是自动化？它会使我们的生产力提高多少？工人和企业将以多快的速度采用它？这些问题的答案直接影响 GDP、劳动力市场，以及劳动者所分得的蛋糕份额。

未来有多种可能，但我们重点展示三种情景

未来将取决于 AI 能力如何进步，以及行业和劳动者如何采用这些能力。我们分享的三种情景捕捉了不同类型的影响。

在温和情景中，很难在宏观经济数据中看到 AI 的影响：其经济影响大致类似于互联网。在显著情景中，AI 的影响超过互联网或铁路。而在极端情景中，AI 推动一个完全转型、前所未有的经济，可能由递归自我改进的 AI 系统和更快的 AI 采用速度驱动。

小幅经济收益

在温和情景中，AI 的影响与互联网大致相同。它带来真实的经济收益，但这些收益处于新技术的历史常态范围内，并且是逐渐到来的。

知识工作的革命

在显著情景中，到 2030 年 AI 有能力完成一半的知识工作，其中大部分是自主完成，但并非所有这类工作都被采用：大多数知识工作任务仍在不使用 AI 的情况下完成。经济以正常速度的两倍增长。知识工作者的工资没有上涨，但其他劳动者获得了收益。

深刻的经济转型

在极端情景中，AI 在绝大多数知识工作任务上的生产力都高于人类。它几乎自主完成所有这些任务，并且基本上不为人类创造新的知识任务。这一情景很可能需要递归自我改进的 AI，并在知识工作中被迅速采用。

随着 AI 扩散，年 GDP 增长率达到每年 15%，使经济规模每 4.5 年翻一番。作为一个社会，我们远比以往任何时候都更富有，但从事知识工作的劳动者数量大幅减少，失业率已升至典型衰退水平之上。

强大的 AI 可能如何改变经济？

你认为未来几年 AI 的发展会如何？这条路径对经济意味着什么？我们邀请你思考这些问题，并用我们的情景探索器探索可能的答案。

人们对未来 AI 能力的预期各不相同。

8月，我们调查了超过1万名美国人，了解他们对当前和未来AI能力、采用情况，以及如果需要转换职业时找到新工作的难易程度的看法。

典型受访者的回答所暗示的结果接近“重大变革”情景：到2030年，GDP比没有AI的情况下高出10%，整体失业率升至约5%。约10%的受访者观点与极端情景一致。

人们如何回答这五个问题（各答案的受访者占比）

能力
What tasks can AI do?
采用
How much do people use AI?
自主性
How much does AI do by itself?
生产率
How much more productive does AI make people?
调整
How long does it take people to find a new job?

普通公众n = 10,980

你预测了经济的一种可能未来。这个未来可能是什么样子。

发现1：GDP增长AI在所有情景中都促进经济增长，但某些情景增长更多

AI在所有情景中都推动GDP增长，但规模因情景不同而差异巨大。

2030年美国GDP，按情景划分（单位：万亿美元）*

温和情景

+1.6%

34.1万亿美元GDP

重大变革情景

+8.3%

36.3万亿美元GDP

极端情景

+32.4%

44.4万亿美元GDP

任务类型任务增强任务自动化AI创造的新任务生产率

*GDP按2025年价格水平计算

但增长并不是我们唯一关心的经济动态。这些潜在未来对劳动者能从增长中获得多少薪酬，或有多少人不得不寻找新工作，意味着什么？

这个模型并非现实的完整映射，但它向我们展示了一些有趣的发现。国家GDP将会增长，但即使整个社会富裕得多，其中更大份额的繁荣可能流向用于创造更多财富的资源和技术（资本），而非劳动者。

而且在大多数情景中，岗位重新配置和失业率都保持在历史曾出现过的范围内，只有一个例外。在极端情景中，如果我们看到递归式自我改进和快速采用，失业率可能飙升至历史水平。

发现2：岗位重新配置在更具变革性的情景中，更多劳动者不得不转换职业。这可能意味着更高的失业率。

就业市场总会有一定的流动——有人失业，有人找到新工作。在正常时期，这一过程可能痛苦，但从宏观经济角度看运行得相对良好。大多数求职者能相当快地找到新工作。

在我们的重大变革和极端情景中，知识工作者可能面临大量自动化和岗位替代。在个人层面，这意味着程序员和呼叫服务中心客服人员可能不得不转向电工和护士等受AI影响较小的职业。

但彻底转换职业很难，许多人需要很长时间才能找到新工作。情景要求的这种转换越多，处于失业状态的人就越多。

2030年劳动者的去向（占全部劳动者的百分比）

知识工作者所有其他劳动者被替代

随着我们从2026年推进到2030年，AI影响的职业（知识工作）中可用岗位数量减少，而AI不影响的职业中可用岗位增加。

转换到新职业之所以困难，有几个原因：劳动者可能不想改变职业。他们可能需要学习新技能。而且即使他们愿意，找到新工作也不容易。在极端情景中，随着大量知识工作更快被自动化，受影响的劳动者可能长期失业。

知识型工作的失业率上升；其他职业的失业率下降

温和情景

显著情景

极端情景

知识型工作者其他所有工作者总计

发现3：工资在三种情景下，平均工资均上升，但这一增长集中在知识型工作以外的职业。

这是因为工作者需要时间才能转向需求上升的职业。如果对人类知识型工作的需求减少，就会对工资形成下行压力。与此同时，随着AI提升知识型工作的生产率，受益于该生产率的体力工作需求将会增加。例如，更快地完成实体基础设施的设计和审批，可能增加建设项目数量，从而推高对建筑工人的需求，进而推高这些工人的工资。在显著情景下，知识型工作者的工资基本持平。在极端情景下，到2030年其工资将下降超过10%。

按职业群体划分的薪酬，相对于无AI的同一经济体的百分比增幅

温和情景

显著情景

极端情景

知识型工作者其他所有工作者平均

发现4：劳动与资本份额蛋糕会变大，但更大份额可能流向资本

如今，经济每产出1美元，约60美分流向劳动者，40美分流向资本。如果经济增长，但AI自动化了更多任务，每1美元中可能有更多流向资本。即使所有劳动者的工资大幅上涨，这种情况也可能发生。如果资本对更多用途变得更有用，其需求就会更高，从而推高其价格。在这种世界里，经济增长带来的更多收益将流向资本所有者。

我们发现，在显著情景和极端情景下，劳动份额明显下降，资本份额上升。平均工资上升——非知识型工作者的薪酬大幅提高——但知识型工作者的工资停滞或下降，同时失业状况恶化。

在极端情景下，快速扩张的经济所带来的收益分配不均。大多数知识型工作者面临工资下降或失业，而劳动者整体在更大蛋糕中获得的份额更小。到2030年，劳动总收入几乎不变。

在这种情景下，主要挑战不是实现经济增长，而是确保收益被广泛共享，成本不被不平等地分散。

GDP在劳动者与资本之间的分配

温和情景

34.1万亿美元GDP

59.4%流向劳动40.6%流向资本（上升0.6个百分点）

显著情景

36.3万亿美元GDP

56.1%流向劳动43.9%流向资本（上升3.9个百分点）

极端情景

44.4万亿美元GDP

45.2%流向劳动54.8%流向资本（上升14.8个百分点）

任务类型任务被增强任务被自动化AI创造的新任务生产率

在每种情景下，整体经济都会增长（以GDP衡量）。但与人们以工资形式获得的金额相比，更多增长流向资本。一些职业的工资显著上涨，但总体而言，工资在该国经济增长中所占份额更小。

未来并非预先注定。

最终，2030 年的经济面貌取决于许多因素，比如 AI 能做什么，以及企业和劳动者选择如何采用它。它还取决于这项技术的经济收益如何分配。

和任何经济模型一样，这个模型也有局限。例如，我们没有纳入人类开发出超强能力机器人的情景。该模型基于我们的研究和外部评审，随着证据的发展，我们会持续补充完善它。

这个模型，连同我们的完整研究组合，将为 Anthropic 资助的研究提供参考，以识别应对劳动力市场冲击的有效干预措施。它也将为我们提出的政策构想提供参考，目标是确保 AI 的经济收益在美国乃至全球范围内被社会广泛共享。

免责声明及致谢评审人
经济情景探索器 v1.0，2026 年 9 月

经济情景探索器目前为 1.0 版。和所有模型一样，它是对复杂现实的极度简化：它孤立出少数关键力量，而省略了许多未来几年可能变得相关且重要的其他因素。例如，它没有纳入政策应对、商业周期、潜在的總需求或金融市场扰动，以及可能的灾难性风险。情景探索器仍在完善中，随着我们投入更多时间以及经济研究本身的发展，我们预计它会不断演进。

我们感谢那些阅读了阐述探索器背后框架的技术报告《变革性 AI 的经济情景》早期草稿并提出详细意见的经济学家：Daron Acemoglu、Lukas Althoff、David Autor、Tom Cunningham、Lukas Freund、Joe Hazell、Ben Jones、Pete Klenow、Danial Lashkari、Kurt Mitman、Ben Moll、Emi Nakamura、Pascual Restrepo、David Romer、Jón Steinsson、Chris Tonetti、Ludo Visschers 和 David Wiczer。他们的反馈慷慨而坦率，并且已经改进了我们的模型。举两个例子：多位评审人指出，AI 的进步可能提高资本回报率，从而使更多收益流向资本所有者；还有多位评审人指出，受 AI 影响最大的职业的劳动者工资，可能与几乎不受影响的职业出现分化。这两个渠道现在都已纳入情景之中。外部评审人并未被要求认可我们的结论，任何遗留错误均由我们负责。

其他批评意见仍未解决，我们计划在未来版本中处理其中许多问题。评审人指出，该模型不跟踪个体劳动者，因此只能非常粗略地描绘失业的代价。一些人质疑，受 AI 影响的职业究竟会不会萎缩，而不是增长。一些人认为最极端的情景更适合当作思想实验而非情景来解读，而另一些人则认为最温和的情景低估了数据中已经可见的情况。有几位评审人要求我们更明确地说明，模型没有纳入数据中心建设所驱动的總需求效应。还有不止一位评审人认为，我们可能低估了 AI 能在多大程度上加速技术进步本身。我们同意其中许多是当前模型的局限。情景探索器应被视为一种思考不同技术发展对经济意味着什么的工具——实际结果可能大不相同。

Anton Korinek、Chad Jones、Szymon Sacher、Tess Cotter 和 Peter McCrory 开发了经济模型，并共同撰写了配套技术报告。Santi Ruiz 与他们共同撰写了本文，Sarah Pollack 和 Adam Farina 提供了编辑支持。Kelsey Nanan 设计并构建了交互体验，Nikki Makagiansar 和 Monika Tuchowska 负责视觉设计与艺术指导；Kyle Turman 和 Szymon Sacher 构建了情景探索器，并主导将模型转化为交互形式；Fayaz Ashraf 和 Ryan Heller 贡献了工程工作，Kim Withee 和 Maria Gonzalez 支持了制作。Szymon Sacher 和 Tess Cotter 与 Morning Consult 合作设计并实施了配套调查，Ben Fowler 提供了支持。Peter McCrory、Anton Korinek 和 Charles Yang 协调了该项目，Jack Clark 全程提供指导。Miriam Chaum、Jack Clark、Saffron Huang、Maxim Massenkoff 和 Peter McCrory 帮助发起了这项工作。Jim Baker、Shan Carter、Johannes Hermle、Zoë Hitzig 和 Eva Lyubich 提供了反馈。