如何评估 AI 增长与劳动力相关主张

关于 AI 驱动增长的主张，常把几种不同命题压缩成一句话：工具改善一项任务，公司产出更多，投资创造工作，社会变得更繁荣。每一步都可能合理，却不能证明下一步。严肃的评估会将它们分开，指明受影响人群，并追问何种证据能区分持久收益与被转移的成本。

这种纪律的必要性可见于 G20 的 2026 年 AI 议程。各国部长通过自愿目标，把研究、商业化、技术教育、数字基础设施和产业投资联系起来。该框架确立了方向，却没有提供有约束力的资金机制、共同时间表或衡量劳动力结果的完整体系。这一缺口的意义不止于某次会议：政策承诺、公司公告和市场预测是评估的输入，而不是结果的证明。

本指南提供一个由五部分组成的框架，用于检视生产率、暴露、转型成本、基础设施和分配。它可用于政府项目、企业 AI 推广、投资提案、培训计划或关于就业的公开主张。

从把主张转化为检验开始

在审视统计数据之前，先用可操作的术语重写主张。明确干预措施、比较对象、时间段、受影响群体和拟议结果。“AI 将创造工作”过于宽泛，无法检验。“一项获资助的数据中心计划将在三年内产生既定数量的本地建筑工作以及较少数量的永久运营岗位”则可检验。“AI 辅助将在不增加错误率或无偿返工的情况下，缩短完成既定工作流程所需时间”同样可检验。

将预测、承诺、活动和结果置于不同栏目。已宣布的投资不是已签约支出；已签约支出不是已安装容量；已安装容量不是生产性使用。课程报名不是结业，结业不是安置。模型能完成任务的一部分，并不能证明某个职业已经消失。

还要确定反事实。生产率可能因 AI、流程再设计、更强需求、新员工或同时发生的多项改变而提高。基础设施地点的就业可能增加，即使其他地方的初级办公室招聘下降。没有比较——较早的基线、类似单位或商定目标——评估者就无法有把握地归因于这一变化。

检验 1：任务生产率会变成组织价值吗？

从证据支持的最狭窄层面开始。在就角色、公司、行业或经济作出主张前，衡量一项明确任务。有用的任务指标包括完成时间、吞吐量、质量、纠正工作量，以及需要人工升级处理的产出比例。若核验和修复耗掉节省的时间，更快的初稿并不是生产率收益。

接着追踪任务层面的节省如何流经组织。管理层可以将节省的时间用于增加产出、改善服务、减少积压、缩短工时或减少人员配置。即使同一工具表现同样出色，这些选择也会产生不同的经济和劳动力影响。记录领导者打算走哪条路径，以及实际发生了什么结果。

公司层面的指标应将产出与质量和成本配对。跟踪完成的工作、错误或事故率、客户结果、劳动工时、AI 服务成本和监督成本。当主张延伸到经济层面时，要求持续的企业形成、投资、工资和产出等额外证据——而不是一组孤立的演示。

关键问题既有关因果也关实务：AI 是否帮助组织利用所消耗的资源创造更多有用价值，还是仅仅把工作转移到审查、基础设施或另一个部门？

检验 2：劳动力主张说的是暴露、转型还是替代？

这些术语不能互换。暴露是指 AI 能在某职业内完成一些活动。转型是指任务组合发生变化。替代是指对劳动者的需求下降，或劳动者失去职位。创造工作涉及另一种流动，可能发生在其他职业或地点。

国际劳工组织的精细化全球指数说明了这种区别。其 2025 年分析发现，四分之一劳动者处于对生成式 AI 有一定暴露的职业，而全球就业的 3.3% 处于最高暴露类别。它得出结论：由于大多数职业仍含有需要人类参与的任务，转型比完全替代更可能发生。这些发现是调查的基线，不是预测每个受暴露雇主都会以同样方式采用 AI。

按职业、任务、收入群体、性别、地区、资历和合同类型细分证据。ILO 发现，高收入国家的暴露率为 34%，低收入国家为 11%，且女性在最高暴露类别中的代表性更高。因此，一个汇总百分比可能掩盖实质不同的风险与机会。

观察流动而非单一就业总量：招聘、职位空缺、晋升、工时、工资、裁员、留任和职业间流动。尤其关注初级岗位。一个组织可以避免裁员，同时减少初级招聘，从而削弱未来劳动者获得经验的路径。

检验 3：计算中包含转型成本了吗？

培训常被描述为连接暴露与机会的桥梁，但课程只是转型体系的一部分。劳动者还可能需要被认可的证书、先决条件、时间、育儿、交通、设备、学徒机会以及有真实空缺的雇主。为数据中心技术员设计的项目，并不会自动服务于任务正在改变的行政人员。

把培训作为序列来评估：目标职业、可及性、报名、结业、证书认可、安置、工资增长和留任。报告参与者在哪个环节退出。仅靠结业率不能显示项目是否将人们连接到持久需求。

纳入地理位置和时间。基础设施工作可能出现在制造厂、数据中心集群、电力系统或大学附近，而与软件相关的替代可能发生在别处。建筑岗位可能是临时的；运营岗位可能更少且更专业。当新岗位来到另一地区，或在劳动者收入支持结束后才出现时，再培训的价值有限。

明确分配转型责任。雇主可以披露变化中的技能要求并提供带薪学习时间。教育提供方可以使证书与具名空缺相匹配。政府可以资助可及性并追踪流动性。若一项提案承诺适应却未说明谁付费、谁雇用、支持何时可用，其劳动力论证就是不完整的。

检验 4：基础设施能支撑预期增长吗？

AI 不只是软件。增长主张可能依赖芯片、服务器、数据中心、冷却、电气设备、电网连接、建筑劳动力、融资和许可。一个层面的容量并不能消除另一个层面的瓶颈。

能源值得单独设账。国际能源署预计，2030 年全球数据中心用电量约为 945 太瓦时，超过当前水平的两倍，略低于全球电力需求的 3%。它预计 2024 至 2030 年年均增长约 15%，并将 AI 与其他数字服务一起列为最重要的驱动因素。这些是全球预测；本地影响取决于需求集中在哪里，以及可用的发电和输电条件。

对于项目或政策，记录预期计算容量、总电力需求、接入日期、建设阶段、冷却或用水需求及升级责任。将每台服务器或每次模型请求的效率与总需求分开。部署扩大时，较低的单位消耗可以与较高的总使用量并存。

然后考察本地影响。谁为电网或公共基础设施升级付费？接入或许可延迟会怎样？建筑工作是否与永久运营工作分开统计？可信的增长估计包括实体时间表和社区成本，而不是把算力当作即时可得。

检验 5：谁获得收益，谁承担风险？

总生产率可以上升，而其收益仍然集中。至少评估四类受益者：劳动者、雇主、客户和承载基础设施的社区。对劳动者，考察工资、工时、工作质量、议价能力和职业流动。对雇主，衡量产出、成本、韧性和新收入。对客户，考察价格、可及性、质量和补救途径。对社区，纳入就业、税收收益、能源或用水压力和公共成本。

分配也适用于失败。在就业、教育、医疗或公共服务中，AI 辅助的决定可能影响未选择该系统的人。G20 目标呼吁在允许灵活国家做法的同时，采用安全、可靠和值得信赖的方式。评估者应把这些原则转化为具名控制：访问规则、来源保留、人工审查、错误责任以及挑战重大决定的途径。

不要把不相同的影响净额化为一个就业数字。新的建筑工作不能抵消某位劳动者失去办公室职位。国家层面的收益不能证明承载社区状况更好。先按群体报告收益和成本；仅在分配可见后再汇总。

建立证据记分卡

对每项重大主张，记录基线、目标、数据所有者、报告间隔和置信程度。将证据标记为预测、承诺、活动、中间结果或结果。这一简单分类法可防止将新闻稿直接与已测量的就业或生产率相比较。

使用成对指标揭示权衡：产出与错误率、节省时间与审查投入、培训结业与安置、投资与运营容量、创造工作与工作持续时间，以及单位效率与总能源需求。注明缺失数据，而不是用假设填补空白。

在预定间隔审查记分卡。短期运营试点可能每月审查，而职业流动和工资影响需要更长观察。使用场景、部署规模、劳动力计划或基础设施时间表变化时，更新评估。

实用评估清单

在接受或实施一项 AI 增长提案前，确认你能回答以下问题：

• 主张是否写明了确定的干预、群体、比较、期间和可衡量结果？
• 预测、资金承诺、已部署活动和已核验结果是否分别报告？
• 生产率指标是否包含质量、纠正工作、监督和 AI 运营成本？
• 劳动力分析是否区分任务暴露、角色转型、替代和创造工作？
• 在相关情况下，结果是否按职业、地区、性别、收入群体、资历和合同类型细分？
• 培训报告是否从可及性和结业延伸至被认可的证书、安置、工资和留任？
• 临时建筑岗位是否与永久运营岗位及其他地方被转型的工作分开？
• 基础设施计划是否列明计算、电力、电网、冷却、时间表和本地成本约束？
• 劳动者、雇主、客户和承载社区的收益与风险是否分别报告？
• 对具有重大后果的用途，是否规定人工审查、来源访问、错误责任和申诉路径？
• 每项指标是否指定数据所有者和审查日期？
• 什么证据会使领导者暂停、重新设计或停止该项目？

这一框架的目的不是假定 AI 增长有益或有害，而是让宽泛主张可审计。生产率、劳动力变化、培训、基础设施和分配相互作用，但在逐项测量之前不应混合。当决策者保留这些区别时，他们就能识别真正收益、揭示被转移的成本，并在乐观措辞固化为政策或投资承诺之前修订项目。