自2022年11月，美國硅谷初創公司OpenAI推出首款基于大語言模型的現象級聊天機器人ChatGPT以來，AI技術與我們的生活日益緊密。     

截至目前，AI大模型已經可以幫助我們寫程序代碼，制定旅行計劃，資料閱讀與信息檢索，快速完成分析報告，學習第二外語，乃至編輯視頻，制作商業網站或游戲……

然而，大模型降世兩年多，人們卻吃驚地發現，自己最終的那個夢想，一個有強大AI為人類工作的社會，一個有更多的閑暇，上四休三甚至每周工作更短時間的世界，卻仿佛更遙遠了，我們變得更忙了，而且，這個事實居然在數據上得到了確認。

AI增加了總體工時，讓人類自由支配的時間減少了

大模型之下，人類的體驗該如何評估？一批研究者抓住了這其間的關鍵，即：時間。

時間是每個人最寶貴的資產，其稀缺性、機會成本、投資價值及效用均使得時間成為不可或缺的資源。同時，時間也是一種絕對意義上平均供給的稀缺資源，無論個人的財富、地位或背景如何，每人每天都擁有相同的24小時。但不同時代與地域背景下，人們在不同活動中的時間分配會產生差異。所以，分析大語言模型出現前后人們在時間分配上的變化可以在某種程度上反映了AI技術對我們的生活與工作的影響。

美國國家經濟研究局（National Bureau of Economic Research，簡稱NBER）發布的一篇預印本論文就針對這個問題進行了研究^[1]。論文研究者通過美國勞工數據深入探討了接觸AI技術對員工各方面，特別是大模型對受訪者時間分配的影響，對他們工作與生活平衡的影響。

論文中所采用的核心數據為ATUS數據集。美國勞工統計局（Bureau of Labor Statistics) 每年都會組織《美國居民時間使用調查》（American Time Use Survey， 簡稱ATUS）。該調查主要收集每位受訪者的時間日記數據，記錄了受訪者在采訪前一天24小時內從凌晨4點到次日凌晨4點參與各種活動的詳細信息，包括有償工作、家務勞動、育兒、志愿服務、休閑、社交等。調查對象通常是從完成了美國勞工統計局另一項家庭采訪的收房人員中隨機抽取的成年人，每個受訪者只接受一次電話采訪。

該調查每年的受訪者約有26000人，樣本跨度20年，從2004年到2023年。受訪者通過詳細的24小時日記（以15分鐘為間隔）記錄他們的活動，從這些記錄中可以計算出市場性工作時間、休閑時間以及其他一些特殊類別（如教育和娛樂）的時間，并可通過合理的敏感性檢驗（例如，工作場所的社交活動是否應計為工作或休閑）進行調整。由于數據翔實、樣本量大，該數據集被廣泛用于分析勞動生產率、評估非市場活動（如家務勞動、照護工作）的經濟價值、研究不同群體的時間分配模式，以及探索工作與生活平衡等社會經濟問題，起到幫助政府與學者深入了解美國居民在日常生活中如何分配時間，以及這些時間分配如何影響經濟和社會生活的作用。

研究者將受訪者工作中接觸AI多少的程度稱為“AI暴露” （AI exposure）。因為ATUS數據集中記錄了每位受訪者的職業信息，所以，我們只要能獲得不同職業所受到的AI暴露水平，那么就可以推論擁有某職業的受訪者受到AI的影響程度。用這種方法，論文作者巧妙地利用了人工智能專利數據（AIPD）來衡量了各職業的AI暴露度。

AIPD由美國專利商標局（USPTO）于2021年公開發布，其收集了2000年至2023年間美國授予的人工智能專利的全面樣本。因此，通過分析每項人工智能專利的標題和摘要中的文本信息，作者能夠從文本語料庫中提取關于該專利基礎創新范圍和內容的信息。這些信息隨后被匹配到不同的職業，以評估后者受到人工智能的影響程度。前述這些工作做完之后，為了確保受試者屬于受到人工智能影響的一方，而不是主動影響人工智能的一方，作者在本研究中排除了那些受科技公司雇傭的人，以便將研究重點放在聚焦于使用人工智能的企業中的員工，而非發明人工智能的企業中的員工。 

作者利用大型語言模型——沒錯，利用AI分析AI的影響——根據任務描述與AI相關專利內容之間的文本相關性來衡量各職業的AI暴露度，并進一步區分了AI與工作之間的互補與替代關系。作者以2022年底ChatGPT的出現為時間節點分析當新型AI技術擾動或補充工人工作時受試者如何調整時間分配。

研究發現，在ChatGPT出現后，處于較高AI暴露的職業，員工群體顯著增加了工作時長，同時該群體普遍反映休閑時間減少。

文章提到了AI技術對工作的兩種影響方式：互補或替代，但并未深入對AI替代職業情況的研究，不過，根據作者的研究，對于AI技術起到了互補性的工作崗位，工作時長增加程度比替代崗位更高，且工作時長的增加在那些與AI技術有互補性質的行業以及AI普及度更高的地區的員工身上體現的更為明顯。當然，令人欣慰的一點是，這些員工的收入在接受AI暴露之后也增加了，尤其在與AI技術互補的行業里，員工收入隨AI暴露度的增加的程度而增加的程度更為明顯。

從一定意義上，可以說，AI技術增加了員工的收入，但同時也增加了總體工作時長，擠壓了員工的休閑時間。在討論AI技術時，人們總是想當然地認為AI技術能讓人們更快地完成工作，并且減少工作時長。這項研究的結論則否認了這一點。

此外，作者還探討了關于 AI 技術對員工績效監控影響。他們發現，具有較高 AI 監控技術暴露的遠程工作者個工作時間明顯延長。相比之下，這一效應在在作為對照組的自雇人士中并未出現。最后，作者根據美國的求職網站Glassdoor的數據，發現較高的 AI 暴露度與員工整體工作滿意度較低相關。

此外，當勞動力市場競爭較為激烈（也就是更“卷”）以及產品市場競爭更激烈（更“卷”）時，處于該市場的員工工作時長的延長更為明顯。因為前者會削弱工人通過技術驅動的生產率提升來獲取剩余收益的議價能力；后者，在產品市場競爭激烈的情況下，大部分剩余收益會轉嫁給消費者，企業與工人之間分配的收益都相對較少。于是，在上述兩種情形下，工人的整體福利未能跟上 AI 繁榮期間生產率的增長，從而削弱了因為收入增長而應該出現的更多休閑、減少工作的效應，而很不幸的是，當今的全球市場，很多地區都面臨著這兩種情況。

于是綜合結果表明，盡管 AI 驅動的生產率提升承諾更高的效率，但實際上卻導致了更長的工作時間和較低的員工滿意度。

AI 為什么讓我們更忙了，其根源正體現了打工人與老板矛盾的本質

多方分析數據之后，要如何理解“AI技術讓我們更忙了”這件事呢？

也許，委托代理模型，可以幫助我們理解這一現象的本質。

委托代理模型（Principal-Agent Model）最初源自經濟學和組織理論領域，可以用以解釋在信息不對稱和利益不一致的情況下，如何設計契約和激勵機制來協調委托人與代理人之間的行為^[2-4]。委托人與代理人的典型例子包括雇主與員工，股東與公司經理，以及通常意義上的甲方與乙方。

在現實經濟活動中，委托人與代理人常常處于不對等的信息環境中。以雇主與員工的關系為例：在企業中，老板（雇主）作為委托人，雇傭打工人（員工）作為代理人。老板希望員工通過努力工作來提高企業績效和盈利，而員工則可能更關注自身的利益、工作條件和收入水平。由于信息不對稱，老板難以實時、全面地監督每個員工的工作表現，而員工可能會利用這種情況降低自己的工作投入，甚至從事“偷懶”或不合規的行為。

委托代理模型為這種現象提供了理論框架：雇主（委托人）雇傭員工（代理人）后，往往難以完全掌握員工的具體工作表現和努力程度。這種信息不對稱為雙方帶來利益沖突和道德風險（如代理人利用信息優勢為自身謀取不當利益）。由于委托人無法完全觀察到代理人的真實行為或努力水平，這可能導致代理人在沒有足夠監督的情況下更有可能做出有利于自身而不利于委托人的決策。委托人為了彌補信息不對稱，通常需要支付監督成本、激勵成本及因代理人行為不完全符合預期而產生的剩余損失。在AI時代，其具體體現可能是雇主在引入AI技術協助員工工作時，同時引入AI技術對員工進行更高效的監督。

通過設計合理的激勵機制可以使代理人的利益與委托人的目標變得相一致。例如，通過績效獎金、股票期權或利潤分享等方式，將代理人的收入與其工作業績掛鉤，從而激勵代理人付出更高努力，最終在增加自身的收益的同時將委托人的收益也得到最大化。所以，委托人與代理人的契約設計往往需要在風險分擔與激勵兼容之間取得平衡，以確保在不確定的環境中雙方都能獲得合理回報。

在現代公司制度下搬磚的打工人處在缺乏分享收益機會的環境中。在競爭激烈的勞動力和產品市場中，由于作為受雇者的員工的議價能力非常有限，他們的收益無法與生產率的提升同步，從而導致剩余收益流向企業或消費者。因此，由AI驅動的生產率提升和監控效率增強反而延長了工作時間。

因此，要實現一個人類工作更少、生活福祉更高的世界，無法依靠科技進步本身自發實現。論文作者認為，通過有意識的政府干預、制定利于生產率收益的公平分配的政策與制度、以及提倡以休閑和生活質量為重的文化轉變或許能實現這個理想。

而這三條，都不是AI技術能幫上忙的了。

參考文獻：

1. Jiang， W.， Park， J.， Xiao， R. (Jiqiu)， & Zhang， S. (2025， February). AI and the extended workday: Productivity， contracting efficiency， and distribution of rents (NBER Working Paper No. 33536). National Bureau of Economic Research.http://www.nber.org/papers/w33536

2. Jensen， M. C.， & Meckling， W. H. (1976). Theory of the firm: Managerial behavior， agency costs， and ownership structure. Journal of Financial Economics， 3(4)， 305–360. doi:10.1016/0304-405X(76)90026-X

3. Eisenhardt， K. M. (1989). Agency theory: An assessment and review. Academy of Management Review， 14(1)， 57–74. 

4. Sappington， D. E. M. (1991). Incentives in principal–agent relationships. Journal of Economic Perspectives， 5(1)， 75–94. 

本文來自微信公眾號：知識分子，作者：孫睿晨