济弱扶倾：生成式AI如何重塑劳动力表现
（如需转载，请后台联系管理员）
原文信息：Erik Brynjolfsson, Danielle Li, Lindsey Raymond., 2025, "Generative AI at Work", The Quarterly Journal of Economics, 140 (2): 889–942.
原文链接：
https://academic.oup.com/qje/article/140/2/889/7990658
图片来源：ChatGPT生成
推文期数：277期
成语出处：《千字文》：“桓公匡合，济弱扶倾”，指扶助弱小或处境困难的人。
引言
技术变革对劳动力市场的影响是经济学长期关注的经典问题。随着生成式人工智能（Generative AI）的诞生与发展，这一议题再次引发了学者与政策制定者的广泛讨论。尽管现有研究在类实验室环境下已证明生成式AI在写作、编程等多个领域表现优异（Peng et al., 2023；Noy & Zhang, 2023），但现实工作场景远比实验环境复杂，其问题来源更广、形式更灵活，AI可能无法妥善应对，同时，人机协作本身也存在沟通与协调的困难。因此，生成式AI在真实企业环境中能否显著提升劳动生产率仍存在较大不确定性。此外，生成式AI对不同技能与经验水平员工的影响也可能存在差异，AI究竟是产生“替代效应”，取代低技能员工、加剧劳动力市场分化，还是发挥“赋能效应”，缩小员工之间的技能与绩效差距，这一问题在学术界也尚未形成共识。
为回应上述核心问题，本文聚焦于生成式AI实际落地的前沿领域——在线客服行业，利用一家美国大型软件企业的内部运营数据，基于AI助手逐步推广的特征，识别了生成式AI在真实工作场景中的微观影响。研究发现：①AI助手显著提高了员工劳动生产率，客服人员每小时解决问题的数量平均提升约15%。②AI助手的影响具有明显异质性。技能水平较低、经验不足的客服受益最大，而高水平员工的收益有限，其工作质量甚至轻微下降。③AI助手能够加速客服的学习进程，使其更快掌握有效的沟通技巧与问题解决方式，客服对AI建议的遵循度越高，收益越大。④AI助手显著改善了客户与客服之间的互动体验，降低了新员工的离职率。
本文的研究贡献主要有以下三点：①首次提供了来自真实工作场景的生成式AI应用的实证证据。既有文献多基于实验室实验讨论生成式AI对劳动力市场和员工绩效的影响，本文使用大型企业的运营数据提供了微观层面的因果证据。②揭示了生成式AI影响员工绩效的多重机制。本文根据员工遵循度、人力资本积累、问题类型等特征进行异质性分析，系统展示了AI工具提升员工表现的内在路径。③为理解技术进步与人力资本积累的关系提供了新的经验证据。本文的研究表明，AI工具在提升整体生产率的同时，对低技能、低经验员工的帮助尤为显著，即生成式AI可以有效缩小员工之间的技能差距。
生成式AI与应用场景
1.生成式AI与大语言模型
生成式人工智能是指能够基于既有数据模式生成新内容的AI模型家族，覆盖文本、图像、音频、视频等多模态输出。本文所研究的模型，是其中专用于处理序列化文本数据，进行文本内容输出的分支，即大语言模型（Large Language Models, LLMs）。在计算规模扩大与训练方法优化的基础之上，其诞生、发展、迭代的关键在于模型架构的创新。位置编码（Positional encoding）和自注意力（Self-attention）机制的出现，大幅提高了序列信息的传播效率，使模型能够在复杂语境下捕捉语义关系，从而根据已有文本，掌握语言的统计规律，进而生成语法正确且语义连贯的新内容。基于此，通过利用海量无人为标注的数据进行预训练，模型能够学习自然语言的基本规则与通用知识，进而具备基础语言能力，再根据具体应用场景，使用针对性的有标注数据进行微调（fine-tuning），强化模型在特定领域的能力以满足需求。本文所研究的AI以GPT-3为基础，经客服对话数据微调，并对高绩效员工样本加权，以期将优秀客服的行为模式嵌入模型建议中。
2.应用场景
本文的研究对象为一家软件公司，该公司主要经营面向美国中小型企业主的业务流程软件，并通过自有团队或外包为客户提供基于文本的在线技术支持服务。数据来源为客服的运营日志，覆盖来自5172名客服的数百万条对话记录（其中大多数客服来自菲律宾，少数位于美国本土）。客服人员被编入若干团队并由各团队经理管理，其工作内容统一，即根据空闲程度随机分配客户并为其提供技术支持，但不同客服之间的绩效差异显著。
本研究使用以下月度层面的客服行业指标来对生产力进行衡量：（1）主要指标：每小时问题解决数（Resolutions Per Hour, RPH）。（2）其他指标：平均对话处理时长（Average Handle Time, AHT）、每小时处理的聊天数（Chats Per Hour, CPH）、解决率（Resolution Rate, RR）、客户满意度（Net Promoter Score, NPS）。
因预算与培训资源有限，企业分批次逐步推广AI助手的使用。每名客服在完成一次性的三小时培训后即可获得AI使用权限。该培训名额有限，若已启用的客服离职，则名额可回收给尚未启用AI的客服。此外，为确保客服团队的正常运转与培训质量，同一团队内的客服被分配至不同批次的培训，当团队分配到培训名额时，具体人选由团队经理根据当天的排班情况从成员中挑选。这一逐人逐次的上线机制是本文识别策略的关键，也使得同一团队内成员的上线时间存在自然跨期差异。AI助手启用后，系统会实时监测客服聊天对话，并根据对话容适时给出建议。员工可以自行决定是否采纳，以及如何采纳建议。
实证策略
本文采用标准双重差分模型研究AI助手的因果效应。模型设定如下：
其中，Yit为衡量员工生产力的结果变量，基准回归使用每小时问题解决数，因变量AIit示员工i在时间t是否启用AI助手，若启用取1，反之取0。δt控制共同的时间趋势，αi为客服个体的固定效应，用于控制个人能力等无法观测的个体因素，Xit是客服层面的控制变量，用于控制员工经验等客服个人因素的影响。同时，为缓解经理挑选培训员工时存在选择偏误的问题，本文还以团队内首个AI启用时间作为工具变量，证明AI启用与不可观测的客服个体特征无关。
此外，考虑到AI助手是逐步推广的，使用传统双重差分模型可能存在负权重问题（Negative Weighting），本文还采用Sun and Abraham（2021）提出的交互加权方法（Interaction-weighted Estimator, IW）研究处理效应的动态路径，并使用其他稳健估计量、不同标准误聚类层级与观测值权重加以验证。
实证结果
1.AI助手对整体劳动生产率的影响
本文首先考察了AI助手上线对客服总体劳动生产率的影响，图2的结果表明，客服平均每小时解决问题的数量提高15%，该效应在AI启用后立即显现且在整个样本期内保持稳定。此外，客服单次聊天的平均时长与每小时处理的聊天数也得到显著改善，而解决率与客户满意度则未有明显变化，这表明AI助手在提升客服效率的同时并未以牺牲服务质量为代价。
2.异质性影响
为探究生成式AI工具的应用究竟会带来技能偏向还是技能扩散，本文分别按照客服的技能水平与任职期限进行分组，检验了AI助手上线的异质性效应。结果如下图所示，技能水平最低的客服受益最多，而水平最高的员工则收益有限，解决率与客户满意度甚至略有下降，这可能源于高水平员工对AI建议的过度依赖。而对于不同经验水平的客服，亦出现相似结果，这表明AI助手通过分享高绩效员工的成功经验，缩小了客服之间的技能差距。
3.客服成长速度的变化
为进一步研究引入AI助手后员工生产率的变化情况，本文画出了三类不同员工的学习曲线。结果如下图所示，刚入职就启用AI的客服学习曲线明显更为陡峭，仅通过两个月的学习，这类客服解决问题的能力就与从未使用AI的客服8-10个月的水平相当，而对于入职5-6个月才启用AI的客服，其每小时问题解决数依然在引入AI后迅速上升，这说明AI助手不仅显著加快了新手的上手速度，也提升了资深员工的进步速度。此外，客服对AI建议的遵循度越高，学习带来的生产力收益也越大，而随着时间推移，所有人都对AI建议展现出更高的遵循度与信任度，这也再次暗示了AI助手在真实工作中的实用价值。
4.客服人力资本积累
本文进一步考察了AI对客服人力资本积累的影响。对此，本文利用AI服务宕机（Outage）时段的对话数据进行了研究。结果如下图所示，可以发现，即使是在AI服务不可用的时段，那些愿意采纳AI建议的员工表现依然更为出众，其对话处理速度提升，展现出更高的工作效率，这表明AI建议能够内化为客服能力，带来持续的人力资本改善。
5.工作体验与离职率
客服岗位具有高标准、高压力的工作特征，其离职率长期居高不下，导致企业面临高昂的劳动力成本。AI的引入或许可以通过改善客服-客户关系，减少客户的情绪输出与质疑，以优化员工的工作体验进而降低离职率。本文发现，引入AI后客户情绪得到明显改善，要求转接客服上级主管的概率同样显著下降，下图的结果显示，这种工作体验优化使客服离职率显著下降。
结论
本文基于一家企业客服团队的微观数据，利用生成式AI工具逐步推广的准自然实验，揭示了AI在真实职场环境中对劳动力的复杂影响。结果显示，AI显著提升了整体生产率，但收益主要集中于低技能与经验不足者，高技能员工的表现改善有限。这表明生成式AI在提升效率的同时，也可能重塑人力资本结构与企业劳动需求格局，未来政策或应以促进技术扩散、完善技能再培训机制为重点，以实现技术进步与包容性增长的统一。
推荐理由
本文揭示了生成式AI在真实职场中对员工绩效的影响，但也留下了诸多值得深入探讨的问题。研究发现，高技能员工可能因过度依赖AI而表现下滑，这或将削弱AI系统的持续学习与优化能力；同时，企业绩效目标的动态调整可能侵蚀员工收益。更重要的是，本文的结论基于中短期的局部均衡，从长期看，企业究竟会选择以AI替代人力，还是扩大劳动需求？技术进步最终将利好低技能还是高技能群体？这些问题仍需要未来进一步的研究。
推荐人：米兰电竞·(中国区)财政税务学院 罗皓元
排版 | 杨春亭
一审 | 刘 桦
二审 | 万 欣
米兰电竞·(中国区)财政税务学院
海南大学国际商学院
米兰电竞·(中国区)收入分配与现代财政引智基地
全球公共财政研究中心
读经典之文献
学先进之方法
铸坚实之基础
享深邃之思想