生成式AI驅動服務業生產率躍遷

自工業革命之后，人類社會的生產力增長呈現出顯著的非均衡性。制造業憑借資本深化、自動化流水線以及標準化的技術進步，實現了勞動生產率的指數級攀升。然而，作為現代經濟半壁江山的服務業，卻長期受困于威廉·鮑莫爾（William Baumol）在20世紀60年代提出的“成本病”假說。該理論指出，由于教育、醫療、表演藝術等服務業部門高度依賴勞動投入，且生產與消費具有同時性，技術進步難以有效替代人工，導致其生產率增速長期滯后于制造業。“停滯部門”的存在不僅推高了服務價格，更由于勞動力向該部門的轉移，在宏觀上拖累了全要素生產率的整體提升。

進入數字經濟時代，盡管互聯網和數字化技術在一定程度上降低了信息搜尋成本，但并未從根本上改變服務業“勞動密集型”的要素組合特征。然而，隨著以大模型為代表的生成式AI的突破性進展，這一局面正在發生質的轉變。不同于以往主要替代體力勞動或簡單重復性腦力勞動的技術浪潮，生成式AI開始具備處理非結構化數據、理解復雜語境并生成創造性內容的通用認知能力。這標志著技術進步的邊界從藍領任務拓展至白領任務，從手臂的延伸躍升為大腦的擴展。

人機協同 本報AI制圖

認知勞動的規模化：突破工時約束的生產函數重構

“鮑莫爾病”的核心癥結在于服務業所面臨的工時約束（Man-hour Constraint）。傳統模式下，一位資深律師起草一份合同、一位心理醫生進行一次診療，其產出嚴格受限于投入的時間。單位時間內，服務產出的數量和質量很難像工業品那樣通過增加機器設備來實現倍增。然而，生成式AI的介入使得以知識和符號處理為核心的服務環節，首次具備了工業化大規模生產的可能。

生成式人工智能通過將依賴直覺與經驗的隱性知識顯性化，成功突破了強調“所知多于所言”的波蘭尼悖論，打破了長期制約服務業自動化的核心技術瓶頸。基于海量數據的預訓練大模型，通過對人類語言邏輯和行為模式的深度概率學習，成功將這種非結構化的隱性知識轉化為可計算、可生成的顯性算法。這使得原本需要由高技能勞動者親力親為的文案撰寫、代碼編寫、初步醫療診斷等工作，能夠以極低的邊際成本由AI智能體完成。在經濟學意義上，這是將原本屬于可變成本的高技能勞動轉化為用于模型訓練與部署的固定成本，遠非簡單的勞動替代。而一旦跨過這一固定成本門檻，服務產出的邊際成本將迅速趨近于零，從而呈現出強勁的規模報酬遞增特征。

生成式AI改變了服務業生產函數中資本與勞動的替代彈性。在傳統服務業生產函數中，資本與勞動往往是互補品，例如醫生需要聽診器，教師需要黑板和粉筆，資本的投入無法脫離勞動者的操作而獨立產出價值。生成式AI則表現出獨特的“任務偏向型”技術特征，能夠作為一種獨立的新型資本要素直接替代人類完成特定的認知任務。根據任務模型理論，AI將原本屬于勞動范疇的任務剝離出來，轉由算法執行。如此一來，不僅釋放了人類勞動者的時間，使其能夠專注于那些AI尚無法處理、具有更高情感價值或復雜決策權的任務。更重要的是，它使得服務業的產出不再線性依賴于勞動力的增加，從而在微觀機制上消解了導致“鮑莫爾病”的要素剛性。

非貿易品的貿易化：重塑服務業的市場邊界與競爭結構

“鮑莫爾病”的一個重要推論是，由于生產率增長緩慢，服務業產品的相對價格會持續上升。這一現象在很大程度上源于服務業的“不可貿易性”——傳統的服務往往要求生產者與消費者在特定的時空內同時在場，難以像工業品那樣進行跨區域、跨國界的遠距離貿易。這既限制了競爭，也阻礙了專業化分工的深化。生成式AI正在通過一種深層的數字化轉譯機制，將大量的非貿易性服務轉化為可貿易的數字資產，從而徹底改變服務業的市場結構與價格形成機制。

一方面，生成式AI極大地降低了服務業的距離成本和語言成本，推動了服務的可貿易化進程。借助實時精準的機器翻譯和多模態生成能力，優質的教育資源、法律咨詢、金融分析等服務可以瞬間跨越語言和地理的障礙，以數字化的形式交付給全球消費者。這種變化使得服務業開始具備制造業的特征：產品標準化程度提高，市場競爭范圍從本地擴展至全球。根據國際貿易理論，市場范圍的擴大將直接引致分工的深化和生產率的提升。高效率的服務提供者將迅速占領市場，淘汰低效率的供給者，從而在行業層面提升整體的全要素生產率。

另一方面，生成式AI通過對長尾效應的深度挖掘，平抑了高端服務的稀缺性溢價。在傳統服務市場中，優質醫療、資深投顧等高端服務由于供給稀缺、價格高昂，往往只能服務于少數群體。生成式AI則通過對頂級專家知識的蒸餾、復制與分發，使得高質量的服務供給曲線大幅右移，呈現出供給彈性顯著增加的特征。這不僅意味著普通消費者能夠以低廉的價格享受到過去僅限于高端市場的服務，更意味著服務業的價格機制將逐漸脫離單純的勞動力成本定價，轉向基于算力成本和數據價值的定價體系。

互補性創新與人機協同：邁向高質量發展的服務經濟新范式

雖然生成式AI在技術邏輯上為破解“鮑莫爾病”提供了充分條件，但經濟史的經驗表明，由于新技術的引入需要與之相適應的組織資本積累、人力資本投資以及制度環境的優化，重大技術變革轉化為現實生產率的提升往往存在時間滯后性。因此，服務業生產率的真正躍遷不僅取決于技術的引進，更取決于生產關系的適應性調整。

首先，組織形式需要從科層制向人機協同的網狀結構演進。在生成式AI介入后，服務業企業的核心競爭力將不再單純取決于擁有多少員工，而在于如何構建高效的“人+AI”協作流。傳統以人為核心的線性工作流將被“AI生成初稿—人類審核優化—AI迭代修正”的循環工作流所取代。這種變革要求企業進行深度的流程再造，打破部門壁壘，建立適應算法驅動的敏捷組織。

其次，勞動力結構面臨去技能化與再技能化的辯證統一。生成式AI雖然替代了部分常規認知技能，但也降低了許多復雜任務的準入門檻。在這一過程中，勞動者的核心職能將從操作執行轉向指令設計和價值判斷。因此，服務業生產率的提升路徑并非簡單地用機器替代人類，而是通過教育培訓體系的改革，增加與AI互補的人力資本供給。這種人機共生的新型生產關系，將激發出單純依靠人或單純依靠機器都無法實現的創新涌現，為經濟增長注入源源不斷的內生動力。

最后，數據要素的制度安排是保障生產率持續增長的關鍵。在人工智能時代，數據已成為服務業最重要的生產資料。不同于土地、資本等傳統要素，數據具有非競爭性和規模報酬遞增的特性。要釋放生成式AI的潛力，就必須建立清晰的數據產權界定機制、合理的收益分配機制以及包容審慎的監管框架。因此，構建適應數字生產力的生產關系，特別是完善數據要素市場的基礎制度建設，是確保服務業生產率躍遷具有可持續性的制度保障。

作者系中央財經大學經濟學院教授

來源：中國社會科學報

責任編輯：梁華

新媒體編輯：宗敏

如需交流可聯系我們