认知技能标准化生产——AI重构分工的规模经济逻辑

　　彭文生/文

　　近来，以大模型为代表的新一轮AI技术快速进步，引发了有关“AI究竟是替代人还是赋能人”的巨大争议。

　　从经济学视角看，就业总量增减、职业兴衰更替是结果，深层次原因在于技术进步作为创造性破坏力量，会打破建构在原有生产力基础上的生产关系，重构分工格局。因此，对于AI如何影响就业的关心不应局限于技术层面“替代VS赋能”的简单二选一，而是应该深入到AI作为新一轮重大技术进步，究竟会如何重构分工的经济学逻辑中寻找答案。

　　技术进步重构分工的两个经济学视角

　　分工通常被认为是效率提升的重要来源。对于分工深化的经济学分析，有两个视角尤为重要：一是比较优势，可以用来分析技术进步如何改变不同技能禀赋劳动者的相对生产率，进而改变分工边界；二是规模经济，规模既是分工深化的前提条件，分工协作又是规模经济得以实现的重要微观基础。

　　比较优势的思想起点，来自于李嘉图关于国际贸易的经典阐述：即便一国在所有产品的生产效率上均劣于另一国，两国之间仍旧可以通过国际分工与贸易的方式来共同获益。

　　技术进步会改变不同技能禀赋劳动者的相对生产率，引发比较优势的变化，最终导致分工重构。对此，Autor、Levy与Murnane（2003）提出了任务分析框架，认为计算机/自动化擅长替代规则明确的常规智力任务以及常规体力任务的同时，与依赖灵活判断的非常规智力任务形成互补关系。

　　分工协作带来效率提升，已经成为基本的经济学常识。而分工协作之所以能够形成，则有赖于市场规模的扩大。亚当·斯密最早提出“分工深化程度受市场规模限制”的论断，后被称为“斯密定理”。斯蒂格勒将斯密定理从企业内部分工推广到产业内部分工，提出随着产业规模扩大，企业会将某些生产环节剥离出去，交由更具规模优势的专业化厂商承担，从而实现更深度的产业内分工。也就是说，分工协作不但是内部规模经济的微观基础，也是外部规模经济的微观基础。

　　需要说明的是，规模扩大带来的分工深化并非没有代价。伴随着分工越来越细、环节越来越多，跨环节、跨主体的协调成本也会上升，最终当由分工深化带来的协调成本超过效率收益时，规模扩大便无法再继续推动分工深化，规模经济也会因此遭遇瓶颈。实现各分工环节的标准化生产，是有效降低协调成本的重要方式之一。技术进步通常是实现标准化生产的必要条件，使得复杂的生产过程得以拆解为可重复执行的标准化任务与技能组合，由此推动基于比较优势的分工深化，进而实现规模经济。因此，建立在技术进步基础上的标准化，也是比较优势与规模经济两个视角的内在逻辑连接点。这在以大模型为代表的新一轮AI技术进步中体现得尤为明显。

　　认知技能标准化

　　标准化生产能否实现，一方面取决于管理经验决定的任务标准化拆分方式，另一方面取决于由技术进步决定的技能标准化生产模式。过去几轮科技革命，尤其是信息科技革命时代的经验表明：自动化难以承担那些依赖高灵活性、判断力与常识的非常规任务，因为执行这些任务调用的隐性技能往往只可意会、难以言传，难以被标准化为机器任务。

　　以保洁等低薪服务业为例，劳动者核心技能是非常规手工技能与社交技能。这类技能虽然在劳动者中分布较广、进入门槛相对较低，却难以被大模型之前的技术进行标准化生产。相比之下，高薪服务业的供给约束更为突出。这类行业所需要的劳动者核心技能主要是高阶认知技能，其次是社交技能。由于这种技能高度非标准化，且在劳动者之间分布高度不均匀，不同个体的知识学习与运用能力存在巨大差异，导致高薪服务业的核心生产能力往往与劳动者个体的人力资本紧密绑定。正是这一绑定带来了根本性的供给约束，导致高阶认知技能的产能，难以像制造业那样通过增加机器设备、复制标准化流程或扩大资本投入等自动化方式来快速扩张，因而在需求增长时更容易出现边际成本递增，最终引发平均成本上升的规模不经济。

　　不过，以大模型为代表的新一轮AI技术进步似乎正在改变这种情况。大模型通过标准化提升了认知技能的生产效率，进一步促进了分工深化，是AI能够实现规模经济的重要基础之一。大模型训练在算力、算法、数据等方面的高额前期投入，在模型能力形成后，可通过API、软件等形式在各类应用场景中大规模复用，因而前期成本有望随使用规模扩大而摊薄。

　　更重要的是，大模型实现了认知技能的标准化生产，大幅降低了运用认知技能的门槛，能够满足原来因认知技能供给规模不经济，而未得到满足的任务需求，扩大市场规模。这会反过来进一步促进分工深化，再叠加单位认知成本的下降，进而能够在经济层面实现规模报酬递增。

　　但需强调的是，AI在应用层面的规模经济并不意味着AI应用的边际成本为零。当前，每一次推理仍然会产生大量算力、电力等可变成本，复杂任务甚至还需要进行多轮调用和人工复核，可变成本相当可观。这与传统数字经济的边际成本几乎为零形成了很大区别。当然，由于算法优化、硬件进步和市场竞争等因素，同等能力基准下的单位推理价格有望持续下降。

　　创造性破坏

　　以信息技术革命对于分析师的影响为例。分析师这个职业至少包含数据收集、计算与分析、报告写作以及路演交流等多项任务。但在电脑进行繁杂数据计算的能力超越了分析师后，分析师不用再亲自执行计算任务，而是可以将自己的技能更多专注于数据分析、报告写作与路演交流等电脑无法胜任的任务上。

　　在这个例子中，信息技术进步显著超越了分析师的计算能力，但这个职业所需要完成的任务集合没有发生根本变化，只是各任务在劳动者与机器之间的分配格局出现了重构。

　　需要说明的是，职业重构带来效率提升的同时，究竟表现为对劳动者的替代还是赋能，取决于技术进步超越的是劳动者的核心技能还是边缘技能。

　　伴随着大模型渗透率持续提升，不同技能的供求格局发生显著变化，导致不同技能的回报率也出现持续分化。这不但会导致认知技能的回报率下降，也会导致原本因认知技能供给规模不经济而享受了高薪的岗位受到较大影响。

　　大模型作为一种创造性破坏力量，对于分工的影响不仅体现为既有岗位的职业重构，也体现为新职业的创造。早在2019年，“人工智能工程技术人员”便已被列为新职业，这是由底层大模型及算法的开发需求催生的。在国际前沿领域，围绕大模型和智能体的新职业也在加速形成。

　　如何理解新职业创造的经济逻辑？从分工是指技能与任务基于比较优势的匹配角度看，可以将新职业的创造也视为一种广义的职业重构，因为新职业通常并非凭空出现，而是沿着可辨认的方向从现有职业中演化出来。一种可能的来源是伴随着AI渗透率的提升，在现有职业内部产生出了因AI应用而来的新任务。

　　根据市场规模扩大促进分工深化的规模经济逻辑，一旦这些新任务的市场规模达到一定程度，便有可能从现有职业中独立出来演化为一种新职业。以分析师为例，AI在分析师职业中的渗透率越高，这种质量审核与事实检验的新任务需求量就会越多。新任务的需求量一旦扩大到某个程度，规模经济的逻辑意味着这些新任务有望从分析师岗位中剥离出来，成为一种高频、专门的独立任务，并吸引在审核检验而非分析方面具有技能比较优势的劳动者与之匹配，由此演化出“AI产出审查员”等全新的职业分工。

　　从零工经济到“一人公司”

　　从上述新职业产生的规模经济视角看，近期广受关注的“一人公司”现象，与其说是一种新的职业，不如说是一种新的产业组织形态。基于新制度经济学的分析框架，企业之所以存在，并非因为市场机制无效，而是因为市场组织本身需要成本。

　　交易成本的逻辑可以很好地解释数字经济时代的零工经济现象。以出租车市场为例，在没有数字技术支持的场景下，打车人和司机之间的交易意愿可能会因为双方信息不对称而受到显著抑制，例如打车人可能会因为担心司机的背景而不敢乘车。这个时候组建出租汽车公司，并以出租汽车公司的信用为出租车司机进行“信用增进”，能够有效克服信息不对称下使用市场机制的高成本，促成交易的发生。

　　大模型作为数字技术最新进展，随之而来的“一人公司”现象与数字经济时代的“零工经济”模式有异曲同工之处。如果企业每次生产都临时从市场上采购所需的高阶认知技能，不仅需要付出高昂的搜寻成本来识别具备相应技能的劳动者，而且为隐藏在劳动者人力资本中的非标准技能进行准确定价，也要付出较高的谈判成本。这意味着，此时使用市场机制的交易成本高于企业内部的协调成本，企业的理性决策是直接雇佣这些掌握高阶认知技能的劳动者，以节约市场交易成本。

　　大模型实现了知识学习与使用的标准化，不但可以通过资本化来削弱高阶认知技能的稀缺性，也使得认知技能的供给与定价具备了标准化、透明化的可能，大幅降低了企业通过市场机制购买高阶认知技能的交易成本，导致企业雇佣相关劳动者的必要性下降，造成了传统企业边界收缩的压力，为一人公司的大量出现奠定了基础。

　　“一人公司”与零工经济的相似之处不仅在于传统企业边界的收窄，也有新型企业规模的持续扩大，呈现出典型的内部规模经济效应。这些企业均能通过强大的内部规模经济，为一人公司提供标准化的认知技能供给等服务，并在此基础上促成一人公司赖以生存的、具有外部规模经济效应的大模型生态。

　　在本轮AI浪潮中，“一人公司”的蓬勃发展，也受益于建构在大模型企业之上的大模型生态。在这个生态下，“一人公司”无需承担高昂的底层大模型研发成本，便可依托API、云服务、智能工具等，低成本共享整个大模型生态的外部规模经济红利。字节跳动旗下大模型即梦AI，联合抖音于2025年11月推出“即梦AI青年导演合作计划”便是一个典型案例。

　　总之，在大模型生态下，一人公司的变小与大模型企业的扩大并不矛盾，而是相辅相成的，体现了内、外规模经济互相促进的特点：一方面大模型企业的规模持续扩大，通过内部规模经济效应提供标准化的认知技能供给；另一方面，认知技能标准化显著降低了市场化采购认知技能的交易成本，有效削弱了高阶认知技能的稀缺性，促进了传统企业边界的收缩，形成了一人公司的产业组织新模式。

　　规模经济下的生产关系挑战

　　本文从认知技能标准化出发，探讨了以大模型为代表的新一轮AI技术，如何改变人机任务边界、重塑分工结构的规模经济逻辑。毋庸置疑，内、外部规模经济相互促进有望显著提升生产力，但对于本文开篇提到的争论而言，也即AI技术进步对于劳动者究竟是赋能还是替代，难以一概而论，核心取决于技术进步究竟是在超越劳动者的核心技能还是边缘技能。

　　以大模型为核心的新一轮AI技术进步，对于就业数量的影响是不确定的，但对于劳动者报酬的影响是相对确定的，无论是AI超越劳动者核心技能的替代论，还是AI降低职业技能门槛的赋能论，最终结果均是抑制劳动者薪酬增长动力。

　　从经济史来看，这种由技术进步引发的劳动者薪酬增速低于生产力增速的情况并不罕见，其直接结果是技术进步创造的增量财富（生产力提升红利）更多流向了资本要素，导致劳动报酬占国民收入份额的下降，劳资分配的持续失衡最终传导并表现为全社会收入分配差距的持续扩大。

　　在新一轮技术进步方兴未艾的当下，如何未雨绸缪地进行干预？从历史来看，财政政策，尤其是转移支付类财政支出政策，可能是缓解收入分配差距更有效的宏观政策。例如，1935年美国推出了《社会保障法案》，着重为失业群体、老弱病残等弱势群体提供财政支持，一定程度上促进了此后美国贫困率的下降。

　　综上，为应对AI重构分工所造成的生产关系挑战，可考虑在利用AI技术进行精准识别的基础上，着力加大面向中低收入群体的转移支付力度，以完善中国特色的社会保障制度，进而为AI技术通过创造性破坏来提高生产力筑牢社会安全网。至于具体措施，除了可根据家庭收入水平进行累退性的转移支付外，还可以从“投资于人”的角度，考虑如下重点惠及中低收入群体的转移支付措施：一是更大力度提升城乡居民基本养老保险待遇；二是考虑到AI对于隐性知识有限的年轻人就业冲击更大，需重点完善面向年轻人的失业救济制度；三是加大适应AI时代的再就业培训投入，避免摩擦性失业演变为长期化、永久性失业；四是低收入群体的生育意愿更高，加大生育养育支持力度，既有利于改善收入分配格局，也有助于增强未来的供给；五是降低社保缴费率，（阶段性）降低增值税税率，有利于更多提升中低收入群体购买力。在供强需弱的当下，转移支付所需的资金来源可主要考虑通过央行扩表支持增发财政赤字的方式募集。

　　（作者为中金公司（601995）首席经济学家；内容有删改）