麥肯錫報告

1. 翻譯: 生成式人工智能的經濟潛力 第一部分商業價值 The economic potential of generative AI
2. 翻譯: 生成式人工智能的經濟潛力 第2部分行業影響 The economic potential of generative AI

1. 工作和生產力的影響

技術幾十年來一直在改變工作的解剖學。多年來，機器賦予了人類工人各種“超能力”；例如，工業時代的機器使工人能夠完成超出自己身體能力的物理任務。最近，計算機使知識工作者能夠執行手動完成需要數年才能完成的計算。

這些例子說明了技術如何通過自動化工人本來需要自己完成的個體活動來增強工作。在概念層面上，生成式人工智能的應用可能會遵循現代工作場所的相同模式，盡管正如我們在本章后面所展示的那樣，生成式人工智能可能會影響到的活動類型以及活動類型可能會發生變化的職業類型，與舊技術不同。

麥肯錫全球研究所（McKinsey Global Institute）于2017年開始分析技術自動化對工作活動的影響，并對采用情況進行建模。當時，我們估計工人將一半的時間花在了那些有潛力通過采用當時已經存在的技術進行自動化的活動上，或者說是技術自動化潛力。我們還模擬了一系列潛在的情景，以了解這些技術采用的速度以及對全球經濟中工作活動的影響。

技術的大規模采用不會一蹴而就。實驗室中的技術能力潛力不一定意味著它們可以立即整合到自動化特定工作活動的解決方案中 - 開發這樣的解決方案需要時間。即使開發出這樣的解決方案，如果其成本超過人工勞動力成本，那么使用它可能并不經濟實惠。此外，即使存在部署的經濟激勵，采用也需要時間才能在全球經濟中得到推廣。因此，我們的采用情景考慮了這些因素以及技術自動化潛力，提供了工人活動可能隨時間發生變化的速度和規模的感覺。

本文的分析考慮了生成式人工智能對當今工作活動的潛在影響。生成式人工智能的新能力，與先前的技術相結合，并融入全球企業運營，可能加速個人活動的技術自動化潛力，以及采用增強勞動力能力的技術。它們還可能對知識工作者產生影響，而這些工作者的活動預計直到將來才會因這些技術而發生轉變（參見側邊欄“關于研究”）。

2. 自動化潛力加速增長，但采用速度落后。

基于生成式AI的發展，技術表現現在預計將在廣泛的能力范圍內達到中位數人類表現，并比之前預計更早地達到前四分位數人類表現（展覽6）。例如，MGI先前確定2027年可能是技術實現自然語言理解中位數人類表現的最早年份，但在這項新分析中，相應點為2023年。

由于對生成式人工智能技術能力的重新評估，今天已存在的技術整合可以自動化的工作時間百分比從大約50%增加到60%至70%。由于生成式人工智能自然語言能力的加速，技術潛力曲線非常陡峭。

有趣的是，與2017年專家評估相比，早期和晚期情景之間的時間范圍已經壓縮，這反映了對于在特定時間段內會出現更高水平技術能力的信心增強（見陳列7）。

我們對采用情景的分析考慮了將技術能力整合到可以自動化個人工作活動的解決方案所需的時間；這些技術的成本與世界各地不同職業和人力成本的比較；以及技術在整個經濟中擴散所需的時間。隨著生成式人工智能所帶來的技術自動化潛力加速增長，我們對自動化采用的情景也相應加速。這些情景涵蓋了各種結果，因為解決方案的開發和采用速度將會根據在投資、部署和監管等其他因素上所做的決定而有所不同。但它們表明了工人每天所做的活動可能會發生的程度（圖8）。

作為特定職業中可能發生的情況的一個例子，可以考慮高等教育的英語語言和文學教師，他們的詳細工作活動包括準備測試和評估學生的作業。隨著生成式人工智能增強的自然語言能力，這些活動中的更多內容可能會由機器完成，也許最初是由教師編輯的第一稿，但最終可能需要遠少于人工編輯。這可能會為這些教師節省時間，讓他們有更多時間用于其他工作活動，比如引導課堂討論或輔導需要額外幫助的學生。

我們之前建模的采用情景表明，在2035年至2070年之間，2016年工作活動所花費的50%時間將被自動化，中間情景大約在2053年。我們更新的采用情景考慮到生成式人工智能的發展，模型表明在2030年至2060年之間，2023年工作活動所花費的時間將達到50%的自動化，中間情景為2045年，與先前估計相比加速了大約十年。

在發達國家，采用速度也可能更快，那里的工資更高，因此采用自動化的經濟可行性會更早出現。即使技術自動化某項工作活動的潛力很高，也必須將實施自動化所需的成本與人工工資的成本進行比較。在中國、印度和墨西哥等國家，工資水平較低，自動化采用的速度模型預計會比高工資國家慢（見附件9）。

3. 生成式人工智能對知識工作的潛在影響

以往的自動化技術特別擅長自動化與收集和處理數據相關的數據管理任務。生成式人工智能的自然語言能力在一定程度上增加了這些類型活動的自動化潛力。但是它對于更為物質的工作活動的影響相對較小，這并不令人意外，因為它的能力基本上是為認知任務而設計的。

因此，生成式人工智能可能對知識工作產生最大的影響，特別是涉及決策和協作的活動，這些活動以前的自動化潛力最小（見圖10）。我們估計，自動化專業知識應用的技術潛力提高了34個百分點，而自動化管理和人才發展的潛力從2017年的16％增加到2023年的49％。
生成式人工智能能夠理解和運用自然語言進行各種活動和任務，這在很大程度上解釋了自動化潛力為何急劇上升。經濟中有約40%的工作活動需要至少中等水平的人類自然語言理解能力。

因此，許多涉及溝通、監督、文檔編制以及一般人際交往的工作活動有潛力被生成式人工智能自動化，加速了教育和技術等職業中工作轉型的進程，而這些職業的自動化潛力先前預計會較晚出現（見附件11）。

勞動經濟學家經常指出，自動化技術的部署往往對受教育水平最低的工人產生最大影響，這是根據教育水平或所謂的技能偏向來衡量的。我們發現生成式人工智能具有相反的模式——它很可能通過自動化一些受過更高教育的工人的一些活動，產生最大的增量影響（見附件12）。

另一種解釋這個結果的方式是，生成式人工智能將挑戰多年學位證書作為技能指標，一些人主張采取更注重技能的方法來發展勞動力，以創造更公平、高效的勞動力培訓和匹配系統。生成式人工智能仍然可以被描述為技能偏向的技術變革，但對技能的描述可能更加細致，更有可能被機器所取代而不是被補充。

以往的自動化技術往往對收入分布中間的職業產生最大影響。對于低薪職業來說，很難提出自動化工作的理由，因為自動化的潛在好處與人力成本較低相競爭。此外，一些在低薪職業中進行的任務在技術上難以自動化，比如操縱織物或采摘嬌嫩的水果。一些勞動力經濟學家觀察到了“中間空心化”的現象，我們先前的模型表明，自動化工作可能會對中低收入五分之一產生最大的中期影響。

然而，生成式人工智能的影響可能最大程度地改變高薪知識工作者的工作，因為他們的活動在技術自動化潛力方面取得了進展，這些活動以前被認為相對不容易被自動化（參見圖13）。

4. 生成式人工智能可能推動更高的生產率增長

從2012年到2022年，全球經濟增長速度比前兩個十年要慢。盡管COVID-19大流行是一個重要因素，但長期結構性挑戰——包括出生率下降和人口老齡化——是持續的增長障礙。

就業下降是其中之一。全球勞動力總數的復合年增長率從1972年至1982年的2.5%減少到2012年至2022年的僅0.8%，主要是由于人口老齡化。在許多大國，勞動力規模已經在下降。生產率，即產出與投入之比，或者說生產的貨物和服務的價值與生產它們所需的勞動力、資本和其他資源的數量之比，在1992年至2022年的三十年間是經濟增長的主要引擎（見陳列品14）。然而，自那時以來，生產率增長隨著就業增長放緩而減緩，令經濟學家和決策者感到困惑。

部署生成式人工智能和其他技術可以幫助加快生產率增長，部分補償就業增長下降，并實現整體經濟增長。根據我們的估算，這些技術帶來的個體工作活動自動化可以在2023年至2040年間每年為全球經濟提供0.2%至3.3%的生產率提升，具體取決于自動化采納速度——生成式人工智能貢獻了其中的0.1%至0.6%，但前提是受到技術影響的個體能夠轉移到其他工作活動，至少能夠達到他們2022年的生產率水平（見附件15）。在某些情況下，工人會繼續從事相同的職業，但他們的活動組合會發生變化；在其他情況下，工人需要轉換職業。

參考

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