1980 至 2016 年间,美国企业投入真实资本,把那些拿到最高租金的工人——协调员、复核者、中层分析师,其薪酬高于其边际产出——作为自动化对象,结果损失了自动化本应带来的 60% 到 90% 的生产率收益。这是 Daron Acemoglu 与 Pascual Restrepo 发表于 Quarterly Journal of Economics 2026 年 5 月号(第 141 卷,第 2 期,第 1521 页)的论文 Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity 的核心数字 (Acemoglu & Restrepo, QJE, 2026)。同一篇论文把美国收入不平等在该时期上升的 52% 归因于这种错配,其中约 10 个百分点专门来自薪酬溢价的替代 (Acemoglu & Restrepo, NBER w32536, 2024)。
四十年的历史终于有了一个数字。2026 年对 200 FTE 公司的 Head of Operations 而言,问题是:这一季桌面上的智能体 AI(agentic AI)路线图,是不是在更高分辨率下重复了同一个错误——证据表明,默认情况下,就是。
Acemoglu–Restrepo 机制:租金耗散,而非替代
读者熟悉的 Acemoglu 早期文献的主要发现,是自动化替代了常规工人,压低了底端薪资。2026 年 QJE 论文是一个更尖锐的主张,值得单独阅读。作者把 2022 年的任务替代模型扩展为纳入工人租金——工人所得与其劳动边际产出之间的差距——并表明:企业自动化时,优先瞄准租金最高的任务,而不是生产率上限最高的任务 (Acemoglu & Restrepo, NBER w32536, 2024)。
机制如下:一位薪酬高出边际产出 25% 的协调员,在自动化提案抵达的那一刻,在表格上看起来就是 25% 的节省。一位完成高杠杆工作、薪酬-产出比更紧的前线工人,看起来是较小的节省。资本流向更大的节省。生产率收益——自动化能做的事与原本所做之事的差异——在前一种情况下更小,因为按定义,提取租金的角色就是薪酬高估产出的角色。净结果是一种部署模式:它最大化可见的薪酬节省,同时最小化真实的生产率提升。
Acemoglu 和 Restrepo 把这正式称为租金耗散:资本被花费用以撤掉本不需为生产率上升而削减的薪酬,同时把自动化真正能推动产出之处的更大收益留在桌上。利用 BEA、ONET 和人口普查 1980–2016 数据,横跨 49 个行业和 500 个人口学群体,他们发现生产率红利的三分之二到十分之九因这一动态而流失 (Washington State University 工作论文, 2024)。在不平等方面,同样的错配解释了大部分薪酬结构变化:"专门从事高自动化暴露的常规任务的工人薪酬下降,占 1980–2016 年美国薪酬结构变化的 50% 到 70%" (WorkRise, 2021)——QJE 论文现在把这个数字分解为租金成分与生产率成分。
作者写进论文(而不是新闻稿)的结论:当你把自动化瞄准人而不是产出时,你能捕获不平等,却捕获不到生产率。这就是 1980–2026 年美国自动化的经验模式。
为什么 2026 年的智能体 AI 部署重复了这一模式
运营评审中的本能反应是:1980–2016 的工业自动化不是 2026 的智能体 AI——技术不同,单位经济学不同,时间表不同。单位经济学确实不同。瞄准逻辑没有不同。
进入这一季任何一场中端市场的智能体部署评审,ROI 计算几乎总是以同样方式呈现:角色 X 每年成本 Y 美元;智能体可完成角色 X 工作量的 60%;因此智能体节省 0.6 × Y。这些幻灯片上点名的角色,不是按 AI 的边际生产率提升最大处选择的。它们是按薪酬线最大、且工作结构化到智能体看起来可信的地方选择的——这把瞄准偏向协调员、复核者、高级分析师和客户成功负责人。这些正是 Acemoglu 和 Restrepo 框架中具有薪酬溢价的角色:由于企业内租金(信息不对称、难以衡量的判断力、内部议价能力)而使薪酬超过边际产出的角色。
然后,智能体根据这条薪酬线上的节省进行评估,而不是根据假如瞄准别处可能达到的生产率上限。两个问题——这个智能体节省什么?与这个智能体在哪里能产出最大?——不是同一个问题,而中端市场几乎没有一场部署评审把它们分开。
MIT Initiative on the Digital Economy 两年来一直在论证这一观点的一个版本:AI 的生产率红利集中在人的当前产出受认知吞吐量制约的任务,而不是人的当前薪酬高的任务 (MIT IDE, 2024)。两种分布有重叠,但不是同一分布。Acemoglu–Restrepo 论文是第一份测量了该差距规模的历史证据——差距很大。
60–90% 这个数字,两种读法
60–90% 的生产率税有两种运营读法,50–500 FTE 的运营职能应同时持有两种。
保守读法是:应用于工业自动化的薪酬溢价瞄准惩罚,可能不会一对一传递到智能体 AI,因为一旦智能体已经构建,把它部署到不同任务的边际成本远低于重新部署工业机器的边际成本。原则上,一个瞄准错误的智能体可以在一个冲刺中重新瞄准,而一台错放的冲压机是多年的资本核销。这是当前部署做法的最强辩护:瞄准错误的成本是可恢复的。
激进读法是:薪酬溢价瞄准惩罚在智能体情境下更糟,不是更好,因为消除瞄准偏差的组织政治更艰难。当 C 级高层得到的部署提案是薪酬节省、且该节省已被计入明年计划时,把智能体重新指向另一个(薪酬更低、生产率更高)职能,就不再是冲刺决定——它要求撤回财务承诺,捍卫原始框架,并解释为什么先前点名的角色不再是目标。重新瞄准的政治成本,正是让 1980–2016 模式持续四十年、而不是在第二年得到纠正的原因。
两种读法收敛于同一个运营含义:第一季度的瞄准决定,远比智能体的技术能力更承重。一个瞄准正确的弱智能体胜过一个瞄准错误的强智能体,因为强智能体的收益会被耗散到本不需要被削减的薪酬上。
反方论点:具薪酬溢价的角色正是判断力之所在
来自 Head of Operations 最有力的反驳是:具薪酬溢价的角色正是杠杆最高的工作所在——协调员和高级分析师之所以薪酬高于边际产出,是因为他们持有让 200 FTE 公司得以运转的制度性背景。把智能体指向这些角色,不是租金耗散;按定义,这就是杠杆最高的自动化目标。
反驳部分正确,且与 Acemoglu–Restrepo 的发现完全一致。这些角色之所以存在薪酬溢价,正是因为判断负载——而判断负载也是大多数当前智能体系统仍然以部署提案不标记的方式失败的地方。最近关于 AI 处理高判断负载任务的随机化证据显示,对智能体输出的信心与准确性不相关,尤其是当人类用户不再是领域专家时 (Bojinov et al., HBS 工作论文, 2024)。因此,部署幻灯片中看上去杠杆最高的瞄准,也是最有可能产生静默质量倒退的瞄准——这些倒退要到两个季度后才会出现在生产率仪表盘上。
QJE 论文给这场辩论增添的是四十年的基线率:当企业瞄准薪酬溢价时,生产率收益会缩小。这些角色中存在判断负载是瞄准为何具有诱惑力的原因——但同样的判断负载也是为什么边际生产率提升小于薪酬节省所暗示的原因。正确的框架不是"具薪酬溢价的角色是坏目标",而是"具薪酬溢价的角色上的节省不是生产率数字,把它当作生产率数字才是四十年的错误。"
中端市场的具体含义:200 FTE 运营职能在这一季要改变什么
对于正在敲定 2026 年智能体目标的 Head of Operations,QJE 论文转化为部署评审中三项具体变更。没有一项需要不同的供应商或不同的智能体。
一:把薪酬节省线与生产率提升线分开。每份智能体部署提案都应评分两个截然不同的数字:部署所能实现的毛薪酬减免,以及预期产生的可测量生产率提升(每单位判断时间的产出)。两个数字不可互换。当二者差距超过 2 倍时,部署进入租金耗散领域——智能体由节省而非工作正当化。此时应问:不同的目标能否在不依赖薪酬溢价的情况下产生同样的生产率提升?
二:按产出受瓶颈处而不是薪酬集中处给目标打分。因每个周期的对账查询需六小时而导致每周关账需四天——这是生产率瓶颈。一位年薪 18 万美元的高级分析师是薪酬集中。前者是高提升的智能体目标;后者不是,即便后者产生更大的名义节省。中端市场运营职能几乎从不显式地做这个评分练习;部署评审默认回到薪酬视角,因为这是 CFO 在会议上能算出来的视角。
三:预先承诺重新瞄准协议。Acemoglu 和 Restrepo 的发现部分关乎持续性——错配持续四十年是因为没人纠正。智能体的等价物之所以持续,是因为最初的部署提案在一个季度内固化为财务承诺。对冲是把重新瞄准触发器写入部署提案本身:第三个月和第六个月,把智能体的生产率提升与原始目标对照测量;如果测得的提升低于预期提升的 40%,在重新瞄准的政治成本变得过高之前,把智能体指向不同的任务。这是 Acemoglu 与 Restrepo 所测持续性的唯一结构性防御。
这三步不是技术性的;它们是评审流程的步骤。它们不需要购买不同的智能体,也不需要雇佣不同的团队。它们需要以不同形式运行部署评审——一种不把生产率与薪酬挤进同一列的形式。
这一季的具体动作
Acemoglu–Restrepo 的 QJE 论文是四十年来第一篇用数字标注"对着薪酬而不是对着产出做自动化"成本的实证工作。这个数字——丢失了 60% 到 90% 的生产率红利,52% 的不平等上升可归因于同一动态——足够大,如果计算做对了,足以颠覆当前大多数中端市场智能体部署的 ROI 计算。
Head of Operations 这一季面前的决定很窄。在批准下一个智能体目标之前,让部署提案通过一道过滤器:这个目标是因为工作处于生产率瓶颈而被选,还是因为薪酬处于最显著的节省位置而被选?如果诚实的答案是后者,历史基线率说,这次部署将耗散掉它本可捕获的生产率收益的三分之二到十分之九。
重新给目标打分。把列分开。写下重新瞄准触发器。第一季度做这件事的成本是一次会议和一份修订模板。不做的成本是 Acemoglu 与 Restrepo 现在已经以硬数字标定的成本——也是你 2027 年生产率评审会写到的成本。
