川海智库

报告概述

本报告基于2025年1月至2026年2月的Anthropic经济指数五个波次数据，构建了两个新颖的测度指标：AI集中指数（ACI）和劳动力成本等价（LCE），用于衡量AI使用带来的总收益及其在不同职业和国家间的分配。报告覆盖超过100个国家，利用观测到的AI使用数据而非潜在暴露指标，揭示了AI收益如何向高工资职业倾斜，以及这种倾斜在不同收入水平国家的差异。研究还探讨了收入、监管准备度、英语官方语言等国家特征对AI收益总量和分布的影响，为理解AI的经济影响提供了全球视角。

报告的核心结论

AI收益集中于高工资职业，但集中度正在下降。

在几乎所有国家，AI的劳动力成本节约都更多流向高工资职业，ACI指数为正。然而，随着AI从软件开发向教育、销售和办公领域扩散，这一集中度正在降低。在2025年8月至11月期间，32个国家的ACI下降；到2026年2月，下降国家增至53个。

高收入国家AI收益分布更广泛，发展中国家集中于少数专业职业。

高收入国家（如美国）的ACI约为0.49，AI收益相对分散；而低收入国家（如坦桑尼亚）的ACI接近1.0，几乎所有收益来自少数专业职业。这反映了AI在发展中国家的使用范围狭窄，主要局限于高技能岗位。

英语官方语言国家AI收益扩散更快。

即使控制收入水平，英语作为官方语言的国家其ACI下降速度更快。原因在于英语国家的制度知识（法律、教育、商业文件）在英语主导的大语言模型训练数据中更充分，使AI能提供更准确、局部相关的帮助，覆盖更广泛职业。

监管准备度是预测AI总收益和分布的关键因素。

AI监管准备度（IMF AI准备指数中的监管子指数）是预测LCE占GDP比重的首要因素，同时也是预测ACI水平的显著因素。监管环境更好的国家不仅获得更多AI经济价值，而且收益分布更均匀。

AI年度劳动力成本等价估计约为2.7万亿美元。

基于当前AI使用模式，以各国职业工资计算，AI节省的时间折合劳动力成本约2.7万亿美元，占样本国家GDP的3.4%。这一数值随AI进入更广泛的低工资职业而增长，尽管每场对话的价值在下降。

报告回答的关键问题

AI收益在不同国家间如何分布？

AI收益高度集中于高收入国家。高收入国家贡献了总LCE的96%，其LCE占GDP比（4.2%）是中等收入国家的7倍，是低收入国家的40倍以上。低收入国家的AI对话集中在少数专业职业，限制了规模效应，导致收益份额极小。

哪些因素导致AI收益集中在高工资职业？

收入水平和监管准备度是主要因素。富裕国家和监管准备度高的国家ACI更低，即收益分布更广。收入不平等（Gini系数）和互联网普及率与更高的ACI相关，表明结构性不平等和有限的使用范围会加剧集中。

英语是否为AI扩散的关键驱动因素？

是的，英语官方语言地位显著加速了AI收益的扩散。即使控制收入和其他变量，英语国家ACI下降更快。原因在于英语国家的制度知识在大语言模型训练数据中更充分，使AI能更准确服务于本地需求，从而覆盖更多职业。

AI的总收益有多大？

通过LCE指标估算，当前全球AI使用每年节省的劳动力成本约2.7万亿美元（占样本国家GDP的3.4%）。这一数值基于Claude等平台的使用数据，并已缩放至全市场。在不同假设下，估计值在1.6万亿至6.1万亿美元之间。

报告中的代表性数据

2.7万亿美元

全球年度劳动力成本等价（LCE）

2026年2月（R5波次），基于86个样本国家ISCO-1职业工资，以Claude使用数据缩放至全AI平台。相当于样本国家GDP的3.4%。

高收入0.4-0.5，低收入接近1.0

AI集中指数（ACI）范围

2026年2月（R5波次），高收入国家（如美国ACI 0.49）AI收益分布较广；低收入国家（如坦桑尼亚ACI 0.98）几乎全部收益来自顶端职业。

下降5.5%

全球AI对话工资指数变化

2025年1月至2026年2月，使用加权平均职业工资衡量AI对话的工资水平。从82,353美元降至77,845美元，表明AI正从高工资职业转向较低工资职业。

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

  • 详细的数据来源说明：包括Anthropic经济指数五个波次的时间跨度、地理覆盖、以及如何将对话映射到O*NET任务和SOC-2/ISCO-1职业分类。
  • 方法论推导：给出劳动力成本等价（LCE）和AI集中指数（ACI）的完整公式，以及从Claude缩放至全AI平台的参数假设（如每周对话量、市场份额），并提供敏感性分析表格。
  • 全球及国别层面的AI对话分布：包含各职业的对话份额、时间节省估算，以及工资指数随时间下降的趋势图，揭示AI从计算机与数学向教育、销售等职业扩散的详细轨迹。
  • 六个代表性国家的AI集中曲线和职业扩散网络图：以美国、英国、德国、印度、巴西、肯尼亚为例，展示ACI的计算过程和职业空间分布差异。
  • 核心回归结果：包括三组OLS回归（LCE/GDP、ACI水平、ACI变化）的完整表格，提供逐步添加控制变量的渐进结果，标准误按国家聚类。
  • 扩展样本分析：使用115个国家（包括29个借用邻国工资/就业数据）重新回归，验证结论稳健性，并给出35个国家的异质性分析。
  • 对时间节省假设的鲁棒性检验：通过构建上界和下界时间节省区间（考虑95%置信区间），展示LCE在2.5-2.9万亿美元范围内稳定，且ACI几乎不变。
  • 附录：包含完整的职业分类与工资来源对照表、缩放参数推导、相关系数矩阵、以及85个样本国家列表和借用数据的国家对照表。

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。

相关报告