报告概述
本报告利用韩国央行2025年家庭调查数据，实证分析生成式AI采用对工人工作时间和产出的影响。研究范围覆盖全国15-64岁就业人口，重点考察AI是否通过节省时间带来潜在生产率提升，以及这些时间节省是否转化为实际产出增长。报告采用生产函数框架，分别估计潜在生产率与实现生产率，并探讨“生产率脱节”的原因，为理解AI的经济影响提供微观证据。
报告的核心结论
AI采用显著减少工作时间，但未转化为产出增长
报告发现，使用生成式AI的工人平均工作时间减少3.8%（约每周1.5小时），由此估算的潜在生产率提升约1.0%。然而，工作时间节省与产出增长之间的相关系数几乎为零，表明存在“生产率脱节”——节省的时间未被重新分配到更高价值的活动中。
生产率脱节源于组织和工作流程未相应变革
当前AI应用主要停留在个人任务层面，工作流程、组织结构和激励制度未同步调整。工人虽提升了单项任务效率，但整体产出因流程瓶颈、激励错位和缺乏互补性投资而未能增长。自雇人士、专业人士和高强度AI使用者等拥有高自主权和直接绩效激励的群体例外。
AI处于效率阶段，尚未进入生产率阶段
报告将当前阶段视为通用技术采用的典型过渡期（J曲线、索洛悖论）。AI在个体任务上表现出效率提升，但从企业层面看，AI采用率仅9.6%，远低于工人个体采用率51.8%，证明系统性变革尚未展开。未来生产率路径取决于政策响应和企业组织转型。
报告回答的关键问题
AI采用真的能提高生产率吗？
报告显示，AI采用确实节省了工作时间（平均3.8%），但并未带来整体产出增长。生产率提升仅出现在自雇人士、专业人士和高强度AI使用者等特定群体中，这些群体具有高自主权和直接绩效激励。对于大多数劳动者，时间节省未转化为产出。
为什么AI节省的时间没有转化为更多产出？
主要原因包括：AI应用停留在个人任务层面，工作流程和组织结构未重新设计；生产过程中存在瓶颈环节；激励结构不匹配，工人缺乏将节省时间投入生产活动的动力。此外，企业层面的AI采用率远低于工人个人使用率，表明系统性变革不足。
哪些工人能从AI中真正获得生产率提升？
自雇人士、专业人士（如工程师、科学家）以及高强度AI使用者（使用时长前50%）展现了时间节省向产出增长的转化。这些群体的共同特点是工作自主性高、绩效与收入直接挂钩、或者能够通过大量使用AI克服学习成本。年轻工人（15-39岁）也表现出更强的转化能力。
报告中的代表性数据
AI采用后平均工作时间减少率
截至2025年调查，基于韩国央行2025年5-6月家庭调查，使用生成式AI的工人平均工作时间减少3.8%，相当于每周节省约1.5小时（按40小时工作周计算）。
潜在生产率提升估计值
2022年Q4至2025年Q2，假设所有时间节省完全转化为产出，采用生产函数法估算的潜在生产率提升幅度。报告指出这是实际生产率提升的上限估计。
工人AI采用率 vs 企业AI采用率
2025年（工人）、2024年（企业），工人个人使用生成式AI的比例为51.8%，而企业层面的AI采用率仅为9.6%（基于2024年企业活动调查），表明AI扩散主要发生在个人层面，企业系统性变革滞后。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 详细的研究设计、样本构建方法和数据描述，包括韩国央行2025年家庭调查的抽样方案、分层变量和后分层加权调整。
- 完整的回归分析结果表，展示工作时间节省和产出增长率的影响因素，包括职业、年龄、AI使用强度、雇佣状态等交互效应。
- 按行业和职业细分的时间节省分布图表（图3-5），揭示不同群体和任务类型的AI效应异质性。
- 包含ChatGPT推出前后行业生产率对比的Box 1分析，以及产出增长率回归模型的Box 2完整结果。
- 关于工作流程刚性、生产瓶颈和激励错位三个维度的深入讨论，结合近期学术文献解释生产率脱节原因。
- 针对标准化任务与开放性任务的区别，提出AI时代组织重构的具体建议：围绕AI重新设计标准化任务流程，在人机协作中增强开放性任务能力。
- 关于年轻员工技能形成路径重塑的政策讨论，包括如何通过开放式任务提供学习机会，避免AI替代导致人力资本积累断裂。
- 未来监测框架建议：持续追踪AI使用强度、任务重组和岗位转换等领先指标，以数据驱动方式调整政策响应。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
