未来的人工智能将无法满足当今世界的需求

三年前，肯尼亚的工人因在为 OpenAI 标注数据时所遭受的恶劣待遇而登上国际新闻头条。这些工人每天的工作是筛选仇恨言论、性虐待和暴力图片——互联网上一些最令人不安的内容——而他们的时薪却只有大约 1.35 美元。他们标注的内容随后被用于训练 ChatGPT，使其能够识别有害或违禁内容。

2023年，公众的愤怒主要集中在这些数据标注员的工作条件上——这无可厚非。但到了2026年，这件事却蒙上了一层新的阴影。

在新一轮人工智能焦虑浪潮中，人们开始担心更广泛的IT服务工作岗位可能会彻底消失。在这种观点看来，这些从业人员通过帮助训练ChatGPT，可能无意中助长了他们所从事的那种可交易服务工作的自动化，从而阻碍了肯尼亚走向繁荣的道路。

但是，究竟有多少证据表明，人工智能相关的失业现象已经在发展中国家真正开始出现？当受人工智能影响的工人、企业和国家自身进行调整、改进和变革以应对时，我们又该如何预测接下来的发展？

攀登成长阶梯

从历史上看，制造业增长一直是各国摆脱贫困的途径。在日本、韩国、台湾，以及最引人注目的中国，出口制造业的扩张使数百万农民走上工厂，获得了收入更高的工作。在国际竞争的压力下，东亚企业迅速向技术前沿靠拢。

但是，除了越南和孟加拉国等少数几个亮点之外，发展中国家大多未能复制东亚的成功模式。在印度，制造业占GDP的比重从未超过20%，而且自2010年以来甚至有所下降。在撒哈拉以南非洲，制造业约占GDP的10% 。 最新分析表明，过去30年来，最贫困国家的制造业生产率一直远低于全球领先水平。

输入信息技术服务。

全球范围内廉价宽带的普及，使得西方公司能够将信息技术服务外包，从而利用发展中国家更低廉的劳动力成本。1999年，印度放松了电信行业的管制，加速了高速互联网的普及，并使Infosys和Wipro等新兴公司获得了丰厚的利润。一个新兴行业——在印度被称为“业务流程外包”（BPO）——由此诞生。

对于那些难以实现经济增长的国家而言，业务流程外包（BPO）似乎是一条生命线。与以往的出口制造业工作一样，出口服务业有望在创造大量高薪就业岗位的同时，带来可观的外汇收入。2021年，世界银行发布报告，盛赞“服务业主导型发展的前景”，并强调其能够带来“提高劳动生产率的创新”。

过去几十年，菲律宾和巴西等国发展出了规模庞大的IT产业，每年出口¹数十亿美元的服务，各自雇佣了近200万名员工。¹ 但在全球范围内，印度无疑是领头羊，其IT服务业雇佣了580万人，预计到2025年出口额将达到2000亿美元。

人工智能取代人类工作的担忧如今已无处不在。在美国，人们的注意力集中在软件开发和客户服务等入门级岗位的冲击上——这些岗位就像煤矿里的金丝雀，是人工智能编码代理最容易实现自动化的预警信号。经济学家埃里克·布林约尔松、巴拉特·钱达尔和陈如玉在一篇颇具影响力的论文中指出，自2022年以来，美国受人工智能影响最大的行业中，职业生涯初期（22-25岁）的就业率相对下降了19%。

自然而然地，人们的注意力开始转向人工智能对生活在中低收入国家的68亿人口的影响。迄今为止，人工智能对仍然依赖小农耕作的25亿人口的影响并不显著，无论是正面的还是负面的。在制造业领域，人工智能的影响证据也有限，尽管或许人工智能推动的工业机器人技术进步即将到来。人工智能相关的就业岗位流失威胁最大的领域是服务出口。

煤矿里的金丝雀

ChatGPT推出至今已有四年。客服人员能够完成大部分客户服务工作；事实上， 企业支持热线越来越多地被ChatGPT或Claude等封装程序所取代。那么，在发展中国家，自动化究竟在多大程度上取代了服务出口呢？

我们可以借鉴布林约尔夫森等人近期在美国开展的关于人工智能导致失业的研究，并考察那些我们预期最易受人工智能失业影响的人群——入门级技术工人——的就业形势是如何变化² 。

或许，在所有发展中国家中，印度的定期劳动力调查（PLFS）是目前可获得的最佳数据来源，该调查以高频次的方式追踪就业和工资趋势。我们可以使用经济学家所谓的“三重差分法”来精确定位人工智能的影响。 ³ ，我们计算受人工智能影响行业中年轻劳动者（15-24岁）的就业趋势，并减去同一行业中年劳动者（25-39岁）的就业趋势。然后，我们对受人工智能影响较小的行业中年轻劳动者和年劳动者的就业趋势进行同样的比较。最后，通过计算这两个差值之间的差异，我们可以分离出受人工智能影响最大的行业中入门级就业岗位所受到的冲击。

上图展示了就业方面的三重差异，置信区间用竖线标出。在 ChatGPT 发布前的三年里，无论是人工智能应用最广泛还是应用不广泛的行业，入门级员工和资深员工之间的就业差距都很小。但自 2022 年 ChatGPT 公开发布以来，最年轻的人工智能应用行业员工的相对就业率突然下降了 32%。此后，相对就业率一直未能恢复，在最新的 2025 年快照中，仍比 2022 年的基准水平低约 20%。

我们应该谨慎解读这一结果。这种下降可能反映了与生成式人工智能兴起同时发生的结构性因素。例如，一些印度IT公司在疫情期间过度招聘，并在2023年冻结了应届毕业生的招聘。

尽管业务流程外包（BPO）公司自身大谈人工智能应用推广，但就业市场却未能出现强劲复苏，这暗示着人工智能的影响或许是真实存在的。顺便一提，这与布林约尔松及其合作者最新修订的研究结果相呼应，该研究发现，受人工智能影响的年轻劳动者的就业率下降了19%，而且这一趋势至今仍未消失。

但这并不意味着所有工作岗位都在消失。这些数据仅来自一个国家的一个行业，而且只针对我们预期受影响最大的群体。目前尚无证据表明所有年龄段或受人工智能影响的行业都出现了普遍的就业下滑。即使是这一结果，在统计学上也几乎与零无显著差异。

我们如何以及何时才能得出更明确的结论？这可能比我们预期的要长——在大多数其他发展中国家，数据滞后性要大得多。

自起飞以来一直盲飞

“先生们，你们来晚了60天。大萧条已经结束了。” 赫伯特·胡佛，1930年6月⁴

1930年，大萧条远未结束。但胡佛又怎能知晓呢？当时库兹涅茨的《国民收入》报告尚未发表，这份报告是现代国民收入核算和国内生产总值（GDP）的前身，于1934年问世。此外，可靠的月度失业统计数据也尚未出现，因为现代家庭调查直到1940年才开始实施。

当今许多领导人，尤其是在中低收入国家的领导人，发现自己处境与20世纪30年代的胡佛类似——进入经济转型期，却对本国经济的实时变化浑然不觉。印度的PLFS（产品生命周期评估）是一项卓越的举措，在其他可能同样易受IT出口冲击的国家中，尚无类似案例。

以菲律宾为例，该国服务出口行业规模庞大。其年度商业和工业调查报告的发布时间比调查周期晚一年多。这使得该报告几乎无法用于分析人工智能能力变化引起的高频劳动力市场变化。或许要等到Fable 8发布后，我们才能彻底厘清Fable 5（以及当今其他前沿模型）对菲律宾IT行业劳动力市场的影响。 ⁵根本没有实时跟踪数据。

随着越来越多的关注和资金涌入人工智能经济学研究，我们可能会看到大量与我们自己类似的估算，这些估算来自刚刚发表的工作论文摘要，它们告诉我们人工智能如何取代了某些类别的工人，或者如何提高了某些公司的生产力，使其高于其他公司。

因此，我们很容易过度解读现有数据——比如在推特上发帖，大谈特谈印度年轻IT从业者即将面临的就业危机。但每一项结果都只是拼图中的一块。这项结果——以及其他类似的结果——并不能告诉我们整体的影响。

此外，还有一个小问题，那就是如何将这种趋势推演到未来。即使我们今天能够完全理解经济运行规律，仅仅根据现有模型的能力进行推断，也可能导致极具误导性的预测。

不那么愚蠢的农民和那场并非真正意义上的人口爆炸

许多关于人工智能经济影响的担忧源于将未来技术的影响投射到一个与当今世界大致相似的未来世界。但这类推断由来已久，且结果往往不尽如人意，因为我们人类的适应能力往往远超我们自身的想象。

国际发展史上最臭名昭著的预测或许要数保罗·埃利希1968年的畅销书《人口爆炸》了。埃利希根据观察到的人口增长趋势和粮食生产进展缓慢的情况推断，人口过剩和大规模饥荒的可能性令人担忧。《人口爆炸》中最乐观的设想——即便需要“美国具备一种似乎不太可能实现的成熟观念和行为”——也意味着将有五亿人（占世界人口的五分之一）死于饥饿。 ⁶

但埃利希的预测是基于对人类行为的静态外推。他未能预见到绿色革命（这场革命极大地提高了粮食产量，尤其是在印度）和人口转型（生育率下降）。事实上，营养不良和饥荒造成的死亡人数有所减少。埃利希低估了我们常常被低估的创新和适应能力，他将一个快速增长的人口强加于一个生产力变化过于缓慢的未来世界。

事实上，千年虫危机（Y2K） ⁷这场需求冲击极大地推动了印度IT出口行业的蓬勃发展——再次印证了预测最终无法被适应的现实。这一次，在1999年12月31日午夜钟声敲响之前，印度的程序员们迅速调整并修改了数百万行代码，从而避免了灾难的发生。最终，那些关于全球金融、政府和交通系统同时崩溃的末日预言并未成为现实，因为我们及时调整，确保了这些灾难不会发生。

近几十年来，气候经济学也吸取了类似的教训。早期关于气候变化对农业损害的模型通常采用预测气温，代入不同温度下的作物产量方程，从而预测损害程度。不出所料，早期预测中估计的气候损害往往非常巨大。但这些模型隐含了一个关键假设：农民不会适应气候变化。

当然，气候变化仍会带来巨大的代价。而且并非所有适应措施都能成功：在美国农业领域，长期来看，适应措施最多只能缓解气候变化造成的损失的一半，甚至很可能根本无法缓解。适应气候变化确实存在诸多限制——即使有适应的意愿，也未必有可行的方法。

人工智能的发展轨迹或许会与以往的挑战类似。适应过程中很可能会出现一些失败者。甚至可能存在适应能力的极限。但是，如果你试图预测五年或十年后的世界，却忽略了我们未来自身的适应能力，那么你的预测最终可能会大错特错。未来的人工智能将面向未来的世界，而非当下的世界。

这为我们提供了一个虽小但或许颇具建设性的建议，供经济学家参考。过去20年来，因果推断——即清晰区分原因和结果的能力——一直是学术经济研究的必要条件。相比之下，预测却被降格为次要甚至次要地位，成为政策制定者和（想想都可怕）银行家的专属领域。

这种劳动分工在我们可以合理预期未来世界与今日世界相似时是合理的。但如果人工智能真的即将重塑增长路径，经济学家最有用的工作不是不断精确衡量昨天的冲击，而是更好地预测下一次冲击。

要更准确地展望我们的经济未来，必须同时考虑机器的能力和人类的适应能力。正如人类不会坐以待毙一样，Infosys 的企业高管也不会坐以待毙。工作岗位或许会减少，或者类型会发生变化，但如果他们能做些什么，这个在危机中诞生的行业将会再次尝试适应。

奥利弗·金是一位发展经济学家，目前担任“系数捐赠”全球增长基金的研究员。他在Substack上撰写名为⁸全球发展”的文章。奥利弗·汉尼是《发展》杂志的特约编辑，也是VoxDev的执行编辑，并在VoxDev主持“发展理念”播客节目。

如果您对本文有任何评论，或想参与讨论，请发送电子邮件至 letters@indevelopmentmag.com。您的回复将在读者来信栏目中刊登。

1. OpenAI 的故事相对来说比较特殊，因为它以非洲工人为主角； 到 2025 年，肯尼亚的该行业仅雇佣了 36,000 人。 ↩︎
2. 资深技术工作者可能已经掌握了更多“软技能”和更专业的技能，这使得他们更难被人工智能取代。 ↩︎
3. PLFS 的调查方法在 2025 年进行了修订，这使得进行回溯比较变得棘手。尽管如此，它仍然是我们所能获得的最佳数据。 ↩︎
4. 确切的措辞不确定，但他很可能说过类似这样的话。 ↩︎
5. 越来越多的研究正在探索新的测量方法，例如，基于机器学习的实时预测、卫星数据、移动电话数据和自动分类。这些新方法能否取代传统的行政和调查数据来源，还有待观察。 ↩︎
6. 保罗·埃利希， 《人口爆炸》 （塞拉俱乐部巴兰坦出版社），第 80 页。 ↩︎
7. 最初被称为“千禧虫”；许多计算机程序只使用两位数字存储年份，导致人们普遍担心系统会将“00”误认为 1900，并在 2000 年 1 月 1 日大规模崩溃。 ↩︎
8. Coefficient Giving旗下的另一个团队——Effective Giving & Careers团队——是In Development的资助方。他们并未参与我们委托、编辑和发表这篇文章的编辑决策，Oliver是以个人身份撰写此文的。 ↩︎