麦肯锡报告

1. 翻译: 生成式人工智能的经济潜力 第一部分商业价值 The economic potential of generative AI
2. 翻译: 生成式人工智能的经济潜力 第2部分行业影响 The economic potential of generative AI

1. 工作和生产力的影响

技术几十年来一直在改变工作的解剖学。多年来，机器赋予了人类工人各种“超能力”；例如，工业时代的机器使工人能够完成超出自己身体能力的物理任务。最近，计算机使知识工作者能够执行手动完成需要数年才能完成的计算。

这些例子说明了技术如何通过自动化工人本来需要自己完成的个体活动来增强工作。在概念层面上，生成式人工智能的应用可能会遵循现代工作场所的相同模式，尽管正如我们在本章后面所展示的那样，生成式人工智能可能会影响到的活动类型以及活动类型可能会发生变化的职业类型，与旧技术不同。

麦肯锡全球研究所（McKinsey Global Institute）于2017年开始分析技术自动化对工作活动的影响，并对采用情况进行建模。当时，我们估计工人将一半的时间花在了那些有潜力通过采用当时已经存在的技术进行自动化的活动上，或者说是技术自动化潜力。我们还模拟了一系列潜在的情景，以了解这些技术采用的速度以及对全球经济中工作活动的影响。

技术的大规模采用不会一蹴而就。实验室中的技术能力潜力不一定意味着它们可以立即整合到自动化特定工作活动的解决方案中 - 开发这样的解决方案需要时间。即使开发出这样的解决方案，如果其成本超过人工劳动力成本，那么使用它可能并不经济实惠。此外，即使存在部署的经济激励，采用也需要时间才能在全球经济中得到推广。因此，我们的采用情景考虑了这些因素以及技术自动化潜力，提供了工人活动可能随时间发生变化的速度和规模的感觉。

本文的分析考虑了生成式人工智能对当今工作活动的潜在影响。生成式人工智能的新能力，与先前的技术相结合，并融入全球企业运营，可能加速个人活动的技术自动化潜力，以及采用增强劳动力能力的技术。它们还可能对知识工作者产生影响，而这些工作者的活动预计直到将来才会因这些技术而发生转变（参见侧边栏“关于研究”）。

2. 自动化潜力加速增长，但采用速度落后。

基于生成式AI的发展，技术表现现在预计将在广泛的能力范围内达到中位数人类表现，并比之前预计更早地达到前四分位数人类表现（展览6）。例如，MGI先前确定2027年可能是技术实现自然语言理解中位数人类表现的最早年份，但在这项新分析中，相应点为2023年。

由于对生成式人工智能技术能力的重新评估，今天已存在的技术整合可以自动化的工作时间百分比从大约50%增加到60%至70%。由于生成式人工智能自然语言能力的加速，技术潜力曲线非常陡峭。

有趣的是，与2017年专家评估相比，早期和晚期情景之间的时间范围已经压缩，这反映了对于在特定时间段内会出现更高水平技术能力的信心增强（见陈列7）。

我们对采用情景的分析考虑了将技术能力整合到可以自动化个人工作活动的解决方案所需的时间；这些技术的成本与世界各地不同职业和人力成本的比较；以及技术在整个经济中扩散所需的时间。随着生成式人工智能所带来的技术自动化潜力加速增长，我们对自动化采用的情景也相应加速。这些情景涵盖了各种结果，因为解决方案的开发和采用速度将会根据在投资、部署和监管等其他因素上所做的决定而有所不同。但它们表明了工人每天所做的活动可能会发生的程度（图8）。

作为特定职业中可能发生的情况的一个例子，可以考虑高等教育的英语语言和文学教师，他们的详细工作活动包括准备测试和评估学生的作业。随着生成式人工智能增强的自然语言能力，这些活动中的更多内容可能会由机器完成，也许最初是由教师编辑的第一稿，但最终可能需要远少于人工编辑。这可能会为这些教师节省时间，让他们有更多时间用于其他工作活动，比如引导课堂讨论或辅导需要额外帮助的学生。

我们之前建模的采用情景表明，在2035年至2070年之间，2016年工作活动所花费的50%时间将被自动化，中间情景大约在2053年。我们更新的采用情景考虑到生成式人工智能的发展，模型表明在2030年至2060年之间，2023年工作活动所花费的时间将达到50%的自动化，中间情景为2045年，与先前估计相比加速了大约十年。

在发达国家，采用速度也可能更快，那里的工资更高，因此采用自动化的经济可行性会更早出现。即使技术自动化某项工作活动的潜力很高，也必须将实施自动化所需的成本与人工工资的成本进行比较。在中国、印度和墨西哥等国家，工资水平较低，自动化采用的速度模型预计会比高工资国家慢（见附件9）。

3. 生成式人工智能对知识工作的潜在影响

以往的自动化技术特别擅长自动化与收集和处理数据相关的数据管理任务。生成式人工智能的自然语言能力在一定程度上增加了这些类型活动的自动化潜力。但是它对于更为物质的工作活动的影响相对较小，这并不令人意外，因为它的能力基本上是为认知任务而设计的。

因此，生成式人工智能可能对知识工作产生最大的影响，特别是涉及决策和协作的活动，这些活动以前的自动化潜力最小（见图10）。我们估计，自动化专业知识应用的技术潜力提高了34个百分点，而自动化管理和人才发展的潜力从2017年的16％增加到2023年的49％。
生成式人工智能能够理解和运用自然语言进行各种活动和任务，这在很大程度上解释了自动化潜力为何急剧上升。经济中有约40%的工作活动需要至少中等水平的人类自然语言理解能力。

因此，许多涉及沟通、监督、文档编制以及一般人际交往的工作活动有潜力被生成式人工智能自动化，加速了教育和技术等职业中工作转型的进程，而这些职业的自动化潜力先前预计会较晚出现（见附件11）。

劳动经济学家经常指出，自动化技术的部署往往对受教育水平最低的工人产生最大影响，这是根据教育水平或所谓的技能偏向来衡量的。我们发现生成式人工智能具有相反的模式——它很可能通过自动化一些受过更高教育的工人的一些活动，产生最大的增量影响（见附件12）。

另一种解释这个结果的方式是，生成式人工智能将挑战多年学位证书作为技能指标，一些人主张采取更注重技能的方法来发展劳动力，以创造更公平、高效的劳动力培训和匹配系统。生成式人工智能仍然可以被描述为技能偏向的技术变革，但对技能的描述可能更加细致，更有可能被机器所取代而不是被补充。

以往的自动化技术往往对收入分布中间的职业产生最大影响。对于低薪职业来说，很难提出自动化工作的理由，因为自动化的潜在好处与人力成本较低相竞争。此外，一些在低薪职业中进行的任务在技术上难以自动化，比如操纵织物或采摘娇嫩的水果。一些劳动力经济学家观察到了“中间空心化”的现象，我们先前的模型表明，自动化工作可能会对中低收入五分之一产生最大的中期影响。

然而，生成式人工智能的影响可能最大程度地改变高薪知识工作者的工作，因为他们的活动在技术自动化潜力方面取得了进展，这些活动以前被认为相对不容易被自动化（参见图13）。

4. 生成式人工智能可能推动更高的生产率增长

从2012年到2022年，全球经济增长速度比前两个十年要慢。尽管COVID-19大流行是一个重要因素，但长期结构性挑战——包括出生率下降和人口老龄化——是持续的增长障碍。

就业下降是其中之一。全球劳动力总数的复合年增长率从1972年至1982年的2.5%减少到2012年至2022年的仅0.8%，主要是由于人口老龄化。在许多大国，劳动力规模已经在下降。生产率，即产出与投入之比，或者说生产的货物和服务的价值与生产它们所需的劳动力、资本和其他资源的数量之比，在1992年至2022年的三十年间是经济增长的主要引擎（见陈列品14）。然而，自那时以来，生产率增长随着就业增长放缓而减缓，令经济学家和决策者感到困惑。

部署生成式人工智能和其他技术可以帮助加快生产率增长，部分补偿就业增长下降，并实现整体经济增长。根据我们的估算，这些技术带来的个体工作活动自动化可以在2023年至2040年间每年为全球经济提供0.2%至3.3%的生产率提升，具体取决于自动化采纳速度——生成式人工智能贡献了其中的0.1%至0.6%，但前提是受到技术影响的个体能够转移到其他工作活动，至少能够达到他们2022年的生产率水平（见附件15）。在某些情况下，工人会继续从事相同的职业，但他们的活动组合会发生变化；在其他情况下，工人需要转换职业。

参考

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier#work-and-productivity