AI对宏观经济的真实冲击正在从“实验模型”走向“现实数据”。面对尚未体现在生产率上的技术红利，重塑财富分配规则与开征“Token税”正成为政策制定者必须直面的未来。

2026年9月24日，哈佛大学肯尼迪学院举办了一场焦点对话。奥巴马政府前首席经济学家、哈佛大学教授杰森·费尔曼（Jason Furman）与前沿AI实验室Anthropic首席经济学家彼得·麦克罗伊（Peter McCrory），围绕AI对劳动力市场、宏观经济指引及未来政策走向的影响展开讨论。

作为业内少有的、专门针对大模型应用发布《人类经济指数》的研究团队负责人，麦克罗伊基于Anthropic的底层使用数据，介绍了AI普及过程中的阻力、潜在经济增量以及2030年的宏观情景。

J曲线效应与“消失的失业潮”

当前宏观经济的一大谜团在于：AI能力呈现指数级爆发，但全要素生产率（TFP）并未显著飙升，美国失业率也稳定在4.1%的低位。麦克罗伊对此的核心解释是，技术扩散存在时滞，同时伴随“J曲线效应”。

他说，虽然“这些模型能够自主完成的任务范围大约每四到七个月翻一番”，但企业在真正获得生产率红利前，必须先经历高昂的重组成本。

“要真正释放这项技术可能带来的生产力提升，还需要进行配套投资。能力加上背景信息，两者缺一不可。”麦克罗伊表示，大型企业受制于数据防火墙和组织架构，“除非你进行适当投资，将这些数据重新整理并提供相关背景信息，否则可能不会产生太大影响。”在他看来，各家公司目前正处于代价高昂的实验期，这构成了AI投资回报J曲线的底部。

在就业端，他表示，大规模失业并未出现。Anthropic的数据表明，“这看起来更像是一种技能偏向型的劳动增值模式，而非彻底自动化并大规模取代工作岗位的技术。”他强调，模型在解决复杂问题时高度依赖人类提供高质量输入，人机协作仍是当前主流形态。

麦克罗伊称，按照美国劳工部ONET分类标准，在美国经济约一半的工作岗位中，可以看到四分之一的任务与人们使用Claude完成的事情相对应。但在整个分类体系中，Claude并没有在某一类工作中将每一项任务都自动化完成。工作中难以自动化的关键环节，限制了完全替代人工的可能性。

他还表示，复杂输出在一定程度上依赖人类提供复杂输入。Anthropic观察到，当人类更深度参与时，模型往往更成功，人们也更能解决困难和复杂的问题，因此完全替代的空间相对有限。

宏观指引：AI是否被低估

围绕未来几年的增长前景，麦克罗伊表示，当前美国国会预算办公室（CBO）对长期增长的预测为1.7%，美联储较乐观的预期在2.4%左右，但前沿实验室认为这一基准可能偏保守。

他称，团队通过追踪用户在平台上的真实任务耗时得出结论：“基于目前的模型和当前的使用模式，劳动生产率增长率有望提高1.8个百分点。”

按他的说法，如果这些效率提升在未来十年逐步扩散到整个经济体，并叠加资本深化假设，美国经济增速有望回到上世纪90年代末至本世纪初的高增长阶段。

费尔曼则指出，目前未能实现自动化的经济环节，也就是“薄弱环节”，可能会限制总体规模的爆发；但高达1.8个百分点的劳动生产率边际增量，足以让现有货币政策和财政预测框架面临重估。

麦克罗伊表示，自己对这一数字仍有保留，但认为它提供了一个有用框架，帮助理解基于当前用户行为观察，AI潜在影响的量级可能有多大。

财富分配：不平等可能加剧

在“财富分配”和不平等问题上，麦克罗伊表示，AI大概率会加剧资本与劳动之间的不平等。

在劳动收入内部，他说，虽然一些随机对照试验显示AI可以帮助原本更像新手的人变得更像专家，但实际采用数据呈现出另一种情况：“当你查看实际采用者的数据时，会发现其主要采用群体是高薪高技能的人才。从这个角度来看，我预期这将是一种在收入层面上的普遍现象，或者说不平等会加剧，而非缩小。”

他同时表示，AI也可能拓宽个体能力边界，形成某种均衡力量。Anthropic对全球约81,000人的调查显示，人们在谈到AI带来的生产率提升时，更常提到“拓展了我的能力范围，让我能够做以前做不到的事情”。但他对最终方向和幅度都表示不确定。

在资本与劳动的分配上，他称，随着AI推动资本深化，宏观模型给出了更具警示性的数据：“在极端情况下，劳动收入份额相对于此前每1美元收入中60%的占比，下降了约15个百分点。”这意味着，资本所有者可能从AI带来的增长中获得远超以往的回报，而劳动所得在国民收入中的份额则面临萎缩。

2030年前瞻：三大“奇点”

面向2030年，麦克罗伊将AI经济的终局演化概括为三大“奇点”：

• 软件奇点：模型在递归式自我改进中变得越来越好。
• 经济奇点：AI自动化突破传统增长计算模型，挑战“经济能否在有限时间内实现无限增长”。
• 科斯奇点：AI代理（AI Agents）的大规模应用将显著降低交易成本，改变企业边界与经济交换结构。

谈到“科斯奇点”时，他提到Anthropic一项名为“交易项目”的实验：Claude采访参与者，了解他们愿意出售或购买的家庭物品，再建立一个集中式市场，让代理彼此交流并完成交易。

他说，这项实验发现，“更强大的模型在与较弱的模型谈判时，系统性地榨取了更多租金；人们没有意识到这种谈判力量的不对称。”此外，模型还可能根据访谈中未被明确表达的偏好替用户做出选择，例如为某人买下一块他已经拥有的滑雪板。这在他看来，引出了谁能获取前沿模型、以及这将如何影响谈判力量和经济后果的问题。

政策讨论：消费税与“Token税”

面对潜在的财富分配重塑，麦克罗伊提出了税制改革方向。

他说：“目前，美国和许多国家的税收结构都侧重于对劳动征税。但如果劳动收入份额下降，就需要考虑其他税收制度。”在他看来，对消费征税可能是一种应对方式，但仍需要更多研究。

更进一步，他提出“Token税”的设想：“在经济政策框架中，我将代币税（Token税）视为一种抑制过度采用的激励机制。”他表示，这一思路可类比碳税或烟草税，目的是在存在失业冲击和自动化外部性的情况下，对冲过度自动化带来的负面影响，在公平与效率之间寻求平衡。

关于企业、监管与教育

在被问及AI会强化大企业市场力量，还是有利于AI原生创业公司时，麦克罗伊表示，这仍是开放问题。一方面，AI似乎会提升规模经济带来的收益；另一方面，准入门槛也在下降，成立“一人公司”变得更容易。

他提到，有研究发现AI原生公司在既定规模下可以用更少的人运营。与此同时，创业公司数量大幅增长，但其中有多少来自AI，有多少来自疫情后远程办公和组织结构变化，仍不清楚。

在监管方面，他表示，AI对经济的影响高度不确定，因此政策也应具备适应不确定性的能力。他认为，政策制定者需要面对的根本权衡是：未来更可能是低失业率但职业流动更频繁的局面，还是伴随快速增长、却出现衰退级别失业率的局面。

他还提到，若从人员流动率角度衡量AI影响，可能会为留任补贴、再培训补贴等政策提供依据，但究竟哪些政策组合合理，仍存在很大不确定性。

在教育问题上，麦克罗伊表示，这是一个“非常非常重要且悬而未决的问题”，涉及技能习得、人力资本获取以及人类发展。他说，Anthropic的数据中可以看到，学习类用例在低收入国家更为普遍，这说明AI可能帮助人们获取过去难以获得的知识和专业技能；但同时也存在学生借助这些工具作弊、却未真正内化人力资本与认知耐力的隐忧。

费尔曼的结语

对谈最后，费尔曼表示，麦克罗伊在这一议题上的表达体现出谦逊与不确定性意识。他说，人们还有很多东西需要学习，而要真正理解这一切，现在就需要落实收集数据、跟踪数据和进行预测等工作。

费尔曼表示，希望未来再次邀请麦克罗伊时，能听到他回顾哪些预测错了，以及为什么会错，“承认错误，本身就是谦逊的一部分，也是学习过程的一部分。”