2024人工智能和工作的未來

人工智能和工作的未來2024PAGE1國際貨幣基金PAGE1國際貨幣基金-Contents執(zhí)行摘要 2Introduction AI暴露和互補(bǔ)性 5三、AI誘導(dǎo)轉(zhuǎn)型中的工人再分配 11四、人工智能、生產(chǎn)力和不平等 15V.人工智能準(zhǔn)備 六、結(jié)論和政策考慮 附件一數(shù)據(jù) 附件2關(guān)于人工智能職業(yè)暴露和潛在互補(bǔ)性的補(bǔ)充信息28附件3.工人過渡分析方法 29附件4.型號詳情 32附件5.人工智能準(zhǔn)備指數(shù) 34參考文獻(xiàn) 36盒子AI職業(yè)暴露與潛在互補(bǔ)1 24人工智能主導(dǎo)的創(chuàng)新和更大包容性的潛力1 25數(shù)字按AI敞口和互補(bǔ)性劃分的就業(yè)份額：國家/地區(qū)組和選擇 8按風(fēng)險敞口和互補(bǔ)性劃分的就業(yè)份額(選定國家) 9按人口群體分列的高暴露職業(yè)的就業(yè)份額 10按收入十分位數(shù)劃分的高暴露職業(yè)中的就業(yè)份額 11BRA和GBR大學(xué)教育高暴露工人的職業(yè)轉(zhuǎn)變 12巴西和美國按教育水平劃分的就業(yè)份額生命周期概況 13離職工人1年再就業(yè)概率 14根據(jù)職業(yè)變化估算的工資溢價 15在英國接觸人工智能和自動化和收入 17按收入百分位數(shù)劃分的總收入變化 18對骨料的影響(百分比 18人工智能準(zhǔn)備指數(shù)和 20ICT就業(yè)份額和AI準(zhǔn)備指數(shù)的各個組成部分 21工作人員討論注意事項Gen-AI工作人員討論注意事項Gen-AIPAGE10國際貨幣基金PAGE10國際貨幣基金執(zhí)行摘要人工智能（AI）將深刻改變?nèi)蚪?jīng)濟(jì)，一些評論家認(rèn)為它類似于新的工業(yè)革命。它對經(jīng)濟(jì)和社會的影響仍然難以預(yù)測。這在勞動充人類。全球近40％的就業(yè)都受到人工智能的影響，發(fā)達(dá)經(jīng)濟(jì)體面臨更大的風(fēng)險，但也比新興市場和發(fā)展中經(jīng)濟(jì)體更好地利用人工智能的好處。60AIAIAI40%，26。盡管許多新興市場和發(fā)展中經(jīng)濟(jì)體可能會經(jīng)歷較少的人工智能相關(guān)干擾，但他們也沒有準(zhǔn)備好抓住人工智能的優(yōu)勢。這可能會加劇數(shù)字鴻溝和跨國收入差距。AI將影響收入和財富不平等。與之前的自動化浪潮不同，自動化浪潮對中等技能工人的影響最大，人工智能取代的風(fēng)險延伸到了更高的工資收入者。然而，潛在的人工智能互補(bǔ)性與收入呈正相關(guān)。因此，對勞動收入不平等的影響在很大程度上取決于人工智能取代或補(bǔ)充高收入工人的程度。模型模擬表明，在高互補(bǔ)性的情況下，高收入者可以預(yù)期其勞動收入的增長比例超過比例，從而導(dǎo)致勞動收入不平等的加劇。這將擴(kuò)大收入和財富不平等的增加，這是由高收入者獲得的資本回報增加導(dǎo)致的。各國在人工智能產(chǎn)權(quán)定義以及再分配和其他財政政策方面的選擇最終將影響其對收入和財富分配的影響。生產(chǎn)率的提高如果強(qiáng)勁，可能會導(dǎo)致大多數(shù)工人的更高增長和更高的收入。AI的采用有望提高AIAI受過大學(xué)教育的工人更愿意從面臨流離失所風(fēng)險的工作轉(zhuǎn)向高互補(bǔ)性的工作；年長的工人可能更容易受到人工智能驅(qū)動的轉(zhuǎn)型的影響。例如，在英國和巴西，受過大學(xué)教育的個人歷史上更容易從現(xiàn)在被評估為具有高流離失所潛力的工作轉(zhuǎn)移到具有高度互補(bǔ)性的工作。相比之下，沒有受過高等教育的工人的流動性降低。適應(yīng)和熟悉新技術(shù)的年輕工人也可能能夠更好地利用新機(jī)會。相比之下，年長的工人可能會在再就業(yè)，適應(yīng)技術(shù)，流動性和新工作技能培訓(xùn)方面苦苦掙扎。為了充分利用人工智能的潛力，優(yōu)先事項取決于各國的發(fā)展水平。一項新的人工智能準(zhǔn)備指數(shù)表明，先進(jìn)和更發(fā)達(dá)的新興市場經(jīng)濟(jì)體應(yīng)該投資于人工智能創(chuàng)新和整合，同時推進(jìn)適當(dāng)?shù)谋O(jiān)管框架，以優(yōu)化人工智能使用增加帶來的好處。對于準(zhǔn)備不足的新興市場和發(fā)展中經(jīng)濟(jì)體，基礎(chǔ)設(shè)施發(fā)展和建立數(shù)字技能勞動力至關(guān)重要。對于所有經(jīng)濟(jì)體來說，社會安全網(wǎng)和對人工智能易感工人的再培訓(xùn)對于確保包容性至關(guān)重要。Introduction人工智能（AI）有望提高生產(chǎn)率和增長，但其對經(jīng)濟(jì)和社會的影響尚不確定，因工作角色和部門而異，有可能擴(kuò)大差距。作為積極的生產(chǎn)力沖擊，人工智能將擴(kuò)大經(jīng)濟(jì)的生產(chǎn)邊界，并將導(dǎo)致勞動力和資本之間的重新分配，同時引發(fā)許多就業(yè)和部門的潛在深刻變化。人工智能為解決復(fù)雜問題、提高預(yù)測準(zhǔn)確性、加強(qiáng)決策、促進(jìn)經(jīng)濟(jì)增長和改善生活提供了前所未有的機(jī)會。然而，正是由于其在眾多領(lǐng)域的廣泛而靈活的適用性，對經(jīng)濟(jì)和社會的影響是不確定的（Ilzetzi和Jai2023）。AI代表了廣泛的技術(shù)，旨在使機(jī)器能夠感知，解釋，行動和學(xué)習(xí)，以模仿人類的認(rèn)知能力。在這個范圍內(nèi)，生成AI（GeAI）包括復(fù)雜的大型語言模型等系統(tǒng)，這些模型可以通過從大量的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)來創(chuàng)建從文本到圖像的新內(nèi)容。相比之下，其他AI模型則更為專業(yè)化，專注于模式識別等離散任務(wù)。同時，自動化的特點是專注于優(yōu)化重復(fù)性任務(wù)以提高生產(chǎn)率，而不是生產(chǎn)新內(nèi)容。人工智能領(lǐng)域正在經(jīng)歷快速發(fā)展，特別是隨著GeAI的出現(xiàn)，它擴(kuò)大了人工智能的潛在應(yīng)用。這表明其影響將擴(kuò)大，以重塑工作職能和分工。需要考慮的一個關(guān)鍵方面是人工智能的社會可接受性。-以及其-超越了部門間的重新分配。除了直接的就業(yè)影響之外，另一個關(guān)鍵的經(jīng)濟(jì)層面是資本收入渠道。人工智能挑戰(zhàn)了這樣一種信念，即技術(shù)主要影響中產(chǎn)工作，在某些情況下還影響低技能工作：它的先進(jìn)算法現(xiàn)在可以增強(qiáng)或取代以前認(rèn)為不受自動化影響的高技能角色。雖然自動化和信息技術(shù)集成的歷史浪潮主要影響日常任務(wù)，但AI的功能擴(kuò)展到認(rèn)知功能，使其能夠處理大量數(shù)據(jù)，識別模式并做出決策。因此，即使是高技能的職業(yè)，以前被認(rèn)為不受自動化的影響，因為它們的復(fù)雜性和對深厚專業(yè)知識的依賴，現(xiàn)在也面臨著潛在的破壞。（WoottonKemmerer2007）--AI等。這種轉(zhuǎn)變挑戰(zhàn)了傳統(tǒng)觀點，即技術(shù)進(jìn)步主要威脅低技能工作，并指出勞動力市場的轉(zhuǎn)變比以前的技術(shù)革命更廣泛，更深入。人工智能的影響也可能在不同發(fā)展水平或不同經(jīng)濟(jì)結(jié)構(gòu)的國家之間存在顯著差異。發(fā)達(dá)經(jīng)濟(jì)體及其成熟的行業(yè)和服務(wù)驅(qū)動型經(jīng)濟(jì)體相反，新興市場和發(fā)展中經(jīng)濟(jì)體通常仍然依賴體力勞動和傳統(tǒng)產(chǎn)業(yè)，最初可能會面臨較少的人工智能導(dǎo)致的中斷。然而，這些經(jīng)濟(jì)體也可能錯過早期人工智能驅(qū)動的生產(chǎn)率增長，因為它們?nèi)狈A(chǔ)設(shè)施和熟練的勞動力。隨著時間的推移，人工智能的鴻溝可能會加劇現(xiàn)有的經(jīng)濟(jì)差距，發(fā)達(dá)經(jīng)濟(jì)體利用人工智能獲得競爭優(yōu)勢，而新興市場和發(fā)展中經(jīng)濟(jì)體則努力將人工智能融入其增長模式。為了說明人工智能對未來工作的潛在影響以及各國應(yīng)制定哪些政策作為回應(yīng)，本說明旨在回答六個問題。AIAIAI本說明建立在越來越多的工作基礎(chǔ)上，探討了人工智能對勞動力市場和宏觀經(jīng)濟(jì)的影響。到目前為止，許多實證研究主要集中在美(例如，F(xiàn)elteRajSeamas2021年2023Elodo2023Webb2020年（OECD2023Albaesi2023BriggsKodai2023）Gmyre，BergBescod（2023）AI的接觸較少MercorioMezzazaica（2019）例如，AtorDor2013，AcemoglRestrepo2022，DasHilgestoc2022）本注釋在四個重要方面對現(xiàn)有文獻(xiàn)做出了貢獻(xiàn)AI暴露措施通常隱含地將暴露與人類任務(wù)的可替代性等同起來，但Pizzielli（2023）AI是否可以補(bǔ)充或取代角色。這增加了最近的研究，這些研究試圖使用純粹基于（AcemoglRestrepo2018，2022Gmyre，BertBescod2023）工人從面臨流離失所風(fēng)險的職業(yè)過渡到具有高人工智能互補(bǔ)性潛力的職業(yè)，利用一個先進(jìn)和一個新興市場經(jīng)濟(jì)的微觀數(shù)據(jù)。第三，深入研究人工智能如何影響國家內(nèi)部的收入和財富不平等。它剖析了不同人口統(tǒng)計學(xué)和收入水平的人工智能暴露模式，并使用基于模型的分析來評估人工智能對勞動力和資本收入不平等以及收入水平的影響。最后，該說明使用了大量先進(jìn)和新興市場以及發(fā)展中經(jīng)濟(jì)體的樣本，研究了不同收入水平的國家對這一技術(shù)轉(zhuǎn)變的人工智能準(zhǔn)備情況如何不同。通過此分析，有一些重要的警告。模——人工智能暴露的分析假設(shè)部門規(guī)模是固定的，每個職業(yè)所需的任務(wù)是不變的。因此，結(jié)果對于中短期而言更為相關(guān)。從長遠(yuǎn)來看，工人可能會在不同的部門和角色之間遷移，或者獲得新的技能，工作也會發(fā)生變化。此外，該分析假設(shè)同一職業(yè)AI（Babia和其他人，即將出），（）AI暴露的跨境溢出中抽象出來。最后，雖AI暴露和社會準(zhǔn)備的分析使用了經(jīng)驗方法，但對不平等和生產(chǎn)率的潛在影響是通過模型分析的。因此后者取決于潛在的強(qiáng)校準(zhǔn)假設(shè)。人工智能采用的速度，受公司投資于任何必要的實物資本所需的時間以及利用人工智能所需的重組的影響，很難預(yù)見。同樣，發(fā)揮總體宏觀經(jīng)濟(jì)效應(yīng)所需的時間，對部門間生產(chǎn)要素重新分配的影響，新產(chǎn)業(yè)的誕生以及人工智能對經(jīng)濟(jì)和社會的確切影響都具有挑戰(zhàn)性。任何估計都體現(xiàn)了一定程度的不確定性，讓人想起過去引入的通用技術(shù)，例如電力。這種不確定性也適用于本注釋的結(jié)果。注釋的其余部分結(jié)構(gòu)如下。第二節(jié)說明了人工智能暴露和互補(bǔ)性的概念框架，并試圖從經(jīng)驗上量化各國和各國工人群體對人工智能的暴露和互補(bǔ)性。第三部分研究了歷史上工人在面臨不同程度的AI暴露和互補(bǔ)性的角色之間轉(zhuǎn)移的容易程度。第四節(jié)使用一個模型來預(yù)測人工智能采用對生產(chǎn)力、收入和不平等的潛在影響。第五節(jié)評估各國在關(guān)鍵政策領(lǐng)域的人工智能準(zhǔn)備情況。第六節(jié)總結(jié)并提出政策考慮。AI暴露和互補(bǔ)性概念框架評估人工智能對就業(yè)的影響是復(fù)雜的，因為它的快速發(fā)展、整個生產(chǎn)過程整合的不確定性以及社會觀念的轉(zhuǎn)變。鑒于基于AI的技術(shù)的快速發(fā)展和不斷發(fā)展的能力，哪些生產(chǎn)流程將集成AI和哪些人隨著時間的推移，人工智能不斷變化的社會可接受性也可能影響其與生產(chǎn)過程的整合。本說明完善了一個常用的概念框架，以更好地衡量人類工作對人工智能的暴露程度和互補(bǔ)性。為了研究技術(shù)創(chuàng)新對工作的影響，標(biāo)（AcemoglRestrepo2022Restrepo2022）Felte，RajSeamas（2021，2023）AI“AI應(yīng)用程序與每Pizzielli（2023）AI互補(bǔ)性指數(shù)來增強(qiáng)這種方法。該指數(shù)（1）AIAIAI的互補(bǔ)性潛力。例如，由于文本分析的進(jìn)步，“”的機(jī)——（2023）AI“”。."對暴露和互補(bǔ)性的聯(lián)合考慮表明，每個職業(yè)更有可能經(jīng)歷人工智能采用的勞動力市場發(fā)展類型。人工智能可以自主完成任務(wù)的高曝光率職業(yè)可能會導(dǎo)致人類勞動力需求減少，從而導(dǎo)致工資下降。需要人類對AI進(jìn)行監(jiān)督的工作可能會提高生產(chǎn)率，這將提高現(xiàn)有工人的勞動力需求和工資。然而，即使在人工智能可能補(bǔ)充人類勞動的職業(yè)中，沒有人工智能相關(guān)技能的工人也有減少就業(yè)的風(fēng)險。因此，獲得AI相關(guān)技能的難易程度將決定這項技術(shù)的最終影響。根據(jù)這兩個標(biāo)準(zhǔn)，職業(yè)可以分為三類：“高暴露，高互補(bǔ)性”；“高暴露，低互補(bǔ)性；和“低暴露”（見方框1）。3盡管（）AI暴露和互補(bǔ)潛力方面的AI的范圍有限。這些主要是具有高度責(zé)任感和人際交往的認(rèn)知工作，例如由外科醫(yī)生，律師和。AsdiscussedinBox1,complementationisoflimitedrelevantwhenAIexposureislimited.Hence,forthesakeofsimplicity,thisnotegroupsocitieswithlowexposuretogetherwithoutoftheirpotentialcomplementation.法官。在這樣的角色中，員工可能會從人工智能中獲得生產(chǎn)力優(yōu)勢，只要他們具備與技術(shù)交互所需的技能。另一方面，高曝光率、低互補(bǔ)性的職業(yè)非常適合人工智能整合，但人工智能取代人工任務(wù)的可能性更大。這可能導(dǎo)致勞動力需求下降和這些工作的工資增長放緩。電話推銷員就是一個很好的例子。最后，低暴露職業(yè)“在人工智能應(yīng)用方面的潛力很小或根本沒有。這個小組涵蓋了各種各樣的職業(yè)，從洗碗機(jī)和表演者到其他人。這個概念框架有幾個注意事項。First,theindexofFelten,Raj,andSeamans(2021)andthecomplementationmeasurediscussedinBox1offeronlyarelativeinterpretation.Inotherwords,thesemeasurestelluswhetheragivenoccupiationismoreorlessexposed,orcomplementary,than.其次，高度的互補(bǔ)性仍然可能導(dǎo)致不具備所需技能或雇主不投資于技術(shù)的工人脫離職業(yè)。早期投資這些技術(shù)的公司將鞏固相對于競爭對手的商業(yè)優(yōu)勢。換句話說，盡管分析假設(shè)同一職業(yè)中的工人將受到相同的影響，但AI的影響可能會有所不同。在整合人工智能方面更成功的公司可能會比競爭對手提高生產(chǎn)率，并支付更高的工資，加劇職業(yè)內(nèi)部的不平等。第三，概念框架僅提供了暴露和互補(bǔ)性的靜態(tài)視圖。在這方面，它沒有提到必要的IT基礎(chǔ)設(shè)施的現(xiàn)有或未來可用性，也沒有提到工人獲得所需技能或跨不同職業(yè)搬遷的能力。它也沒有考慮到人工智能和機(jī)器人技術(shù)持續(xù)集成的影響。此外，它沒有考慮到社會偏好的潛在變化，這也將影響法規(guī)，并可能使無監(jiān)督的人工智能在越來越多的環(huán)境中被接受，或者禁止在其他環(huán)境中使用。在宏觀經(jīng)濟(jì)方面，它沒有考慮采用速度和影響采用的因素，包括企業(yè)承擔(dān)的成本與生產(chǎn)率收益相比。概念框架也沒有考慮到反饋效應(yīng)，例如，通過采用人工智能帶來的更高的整體生產(chǎn)率，可以提高大多數(shù)類型工作的勞動力需求，部分抵消人工智能的潛在負(fù)面影響。該說明采用這種分類來評估許多國家當(dāng)前的就業(yè)結(jié)構(gòu)對人工智能的影響。（ILO）142400（）（）跨國差異全球約有40％的工人從事高暴露職業(yè)；在發(fā)達(dá)經(jīng)濟(jì)體中，這一比例為60％，這表明潛在的巨大宏觀經(jīng)濟(jì)影響。與新興市場經(jīng)（11），273316和。142（ISCO）-0872（2）。微觀數(shù)據(jù)分析使用了印度相同分類的130個次要組（3位數(shù)）和其他五個國家的436個單元組（4位數(shù)）。有關(guān)詳細(xì)信息，請參閱附件1。分別為24％，低收入國家的份額分別為8％和18％。5在使用更精細(xì)的分類來查看選定的單個國家時，也會出現(xiàn)類似的結(jié)果（圖1，面板2）。幾乎70%和60%的英國和美國就業(yè)，分別是在高曝光率的職業(yè)，大致平等地分布在那些高和低互補(bǔ)性的職位之間。新興市場經(jīng)濟(jì)體的高暴露就業(yè)從巴西的41%到印度的26%不等。圖圖1.按人工智能敞口和互補(bǔ)性劃分的就業(yè)份額：國家組和選定的單個國家1.國家組2.選定國家(百分比)(百分比) PesquisaNacionalporAmostradeDomicíliosConínua/（ISO）/AE=EMs=LIC==/地區(qū)。每個國家/地區(qū)組中的就業(yè)份額按工作年齡人口加權(quán)平均值計算。從反映各國經(jīng)濟(jì)結(jié)構(gòu)的廣泛職業(yè)群體來看，勞動力的構(gòu)成解釋了各國在接觸和互補(bǔ)性方面的大部分差異。圖2報告了三個國家按職業(yè)群體劃分的就業(yè)份額，這些國家在暴露職業(yè)中的就業(yè)份額明顯不同。英國在專業(yè)和管理職業(yè)中的就業(yè)占很大一部分，這些職業(yè)表現(xiàn)出很高的曝光率和很高的互補(bǔ)性，在文書支持工作者和技術(shù)人員職業(yè)中，通常曝光率很高，互補(bǔ)性很低。在印度，大多數(shù)工人是工匠，熟練的農(nóng)業(yè)工人和低技能或“初級”工人；其中大多數(shù)屬于低暴露類別。巴西代表了一個廣泛的中間案例。（HEHCs）20.237.3（HELC）25.946.1（LE）22.553.6HEHC5.728.2HELC10.434.7LE46.175.9HEHC235.3HELC1.433LEs54-96.1圖圖2.按風(fēng)險敞口和互補(bǔ)性劃分的就業(yè)份額(選定國家)1.巴西2.聯(lián)合王國3.印度(百分比)(百分比) （百分比） PesquisaNacionalporAmostradeDomicíliosConínuaIMF91（ISCO）08職業(yè)代碼中的每一個繪制了總就業(yè)份額。這些發(fā)現(xiàn)表明，發(fā)達(dá)經(jīng)濟(jì)體可能更容易受到人工智能采用帶來的勞動力市場變化的影響，這種變化在比新興市場經(jīng)濟(jì)體和低收入國家更短的時間內(nèi)實現(xiàn)。鑒于發(fā)達(dá)經(jīng)濟(jì)體在低互補(bǔ)性職業(yè)和高互補(bǔ)性職業(yè)中的就業(yè)比例很高，人工智能帶來的結(jié)構(gòu)轉(zhuǎn)型可能會產(chǎn)生更加兩極分化的影響。一方面，他們面臨著更大的風(fēng)險，勞動力流離失所和有害的收入發(fā)展的工人在高暴露和低互補(bǔ)性的職業(yè)。另一方面(2)。國內(nèi)差異除了每個國家對人工智能的總體暴露外，國家內(nèi)的不同群體可能會受到不同的影響。人工智能的出現(xiàn)可能會加劇國家內(nèi)部在不同方面的不平等，如個人收入水平、教育水平或性別。了解哪些群體最脆弱，對于設(shè)計可以減輕這些影響的政策至關(guān)重要。有趣的是，盡管先進(jìn)經(jīng)濟(jì)體和新興市場經(jīng)濟(jì)體以及發(fā)展中經(jīng)濟(jì)體之間的國家對人工智能的總體暴露存在顯著差異，但對于顆粒微觀數(shù)據(jù)分析中包含的兩個發(fā)達(dá)經(jīng)濟(jì)體和四個新興市場經(jīng)濟(jì)體，國家內(nèi)部個人的暴露模式非常相似。一個重要的警告是，其他國家的發(fā)現(xiàn)可能有所不同。女性和受教育程度更高的工人的接觸率更高，但與人工智能互補(bǔ)的可能性更高(圖3)。Inmostcountries,womentendtobeemployedinhigh-exposureocitationsmorethanmen(Figure3,panel1).Becausethisshareisdistributedapproximatelyequally在低和高互補(bǔ)性工作之間，結(jié)果可以解釋為意味著女性面臨更大的風(fēng)險和更多的機(jī)會。這種模式的例外可能是由于婦女在農(nóng)業(yè)工作中（）（32）(圖33。這是因為不同年齡群體在性別和教育方面的組成在各國之間非常不同，從而掩蓋了基于年齡的差異。在英國和美國，由30受過高等教育的人較少，但由于最近女性勞動參與率的上升，年輕群體擁有更多女性。資料來源資料來源:美國社區(qū)調(diào)查；印度勞動力定期調(diào)查；南非勞動力市場動態(tài)；全國勞動力調(diào)查；英國勞動力調(diào)查；和國際貨幣基金組織工作人員計算。12（）3/(ISO)/地區(qū)代碼。（）圖3.按人口群體分列的高暴露職業(yè)的就業(yè)份額123.按年齡(百分比)(百分比)風(fēng)險敞口沿著勞動收入分配分布，但人工智能的潛在收益與收入呈正相關(guān)。（41）（）同，在過去的浪潮中，中等收入者流離失所的風(fēng)險最高。與流行的話語一致，人工智能不同于傳統(tǒng)的自動化，可能會影響整個收入分AI（42）（43），人工智能的收益可能會不成比例地流向高收入者，特別是在印度等國家，以及在較小程度上的美國，在這些國家，互補(bǔ)性穩(wěn)步上升。在英國等國家，這種現(xiàn)象可能會更加柔和，因為在這些國家，互補(bǔ)性的增加處于頂峰。圖4.高暴露職業(yè)和潛在互補(bǔ)性中的就業(yè)份額收入十分位數(shù)-2(百分比)

高暴露、高互補(bǔ)性(百分比)

3.潛在的互補(bǔ)性PesquisaNacionalporAmostradeDomicíliosConínuaPizzinelli（2023）注：第1小組顯示了高曝光率但互補(bǔ)性低的工作中的就業(yè)份額，第2小組顯示了高曝光率和高互補(bǔ)性工作中的就業(yè)份額，每個都按收入十分位數(shù)分類。第3組顯示了Pizzielli和其他人（2023年）的潛在AI職業(yè)互補(bǔ)性，按收入十分位數(shù)進(jìn)行平均和分組。國家/地區(qū)標(biāo)簽使用國際標(biāo)準(zhǔn)化組織(ISO)國家/地區(qū)代碼。AI誘導(dǎo)的轉(zhuǎn)換中的工人重新分配從長遠(yuǎn)來看，工人將適應(yīng)不斷變化的技能需求和行業(yè)變化，有些人可能會過渡到高度人工智能互補(bǔ)的角色，有些人正在努力適應(yīng)。AI暴露的靜態(tài)圖片。然而，隨著時間的推移，工人可能會適應(yīng)不斷變化的勞動力市場。盡AI（）-但現(xiàn)任者是否是可以獲得相關(guān)利益的人尚不清楚。就業(yè)效應(yīng)可能取決于工人的特征，這反過來又會影響他們的適應(yīng)性。歷史數(shù)據(jù)表明，一些工人可能難以適應(yīng)技術(shù)引起的就業(yè)市場變化。歷史的工作過渡模式表明工人可以如何適應(yīng)。本節(jié)分析了來自巴西和英國的微觀數(shù)據(jù)，以檢查具有不同當(dāng)前AI暴露和在美國，Cortes，JaimovichSi（2017）1980年代以來，受教育程度較低的年輕男性導(dǎo)致了常規(guī)體力勞動的下降，而受過中等教育的（Cortes2020），這表明自動化對求職者的影響比對現(xiàn)有工人的影響更大。在英國，DablaNorris，PizzielliRappaport（2023）78以及這些特征如何影響收入?？偟膩碚f，工人在類似類型的職業(yè)之間切換，這AI可以為人工智能采用后可能的工人流動提供暗示性證據(jù)，并幫助識別潛在的弱勢群體。圖圖5.巴西和英國受過大學(xué)教育的工人的職業(yè)轉(zhuǎn)變1.巴西2.聯(lián)合王國(百分比)(百分比)資料來源：PesquisaNacionalporAmostradeDomicíliosContínua；英國勞動力調(diào)查；和國際貨幣基金組織工作人員的計算。“”“”“”類別中受過大學(xué)教育的工人進(jìn)入“”類別的平均過渡份額。受過大學(xué)教育的工人歷來表現(xiàn)出更大的能力，可以過渡到現(xiàn)在具有高度AI互補(bǔ)潛力的工作。受過大學(xué)教育的工人和未受過大學(xué)教育43.729.8％，在非受過大學(xué)教育的工3827(5。此外，超過三分之一的人從低互補(bǔ)性的工作轉(zhuǎn)向具有更高的人AI暴露的工作，當(dāng)他們從高暴露，低互補(bǔ)性的職業(yè)轉(zhuǎn)變時，他們不太傾向于轉(zhuǎn)向高互補(bǔ)性的職位。3提供了用于分析的數(shù)據(jù)的詳細(xì)信息，Cazzaiga（）包括隊列效應(yīng)。9這些價值與發(fā)達(dá)經(jīng)濟(jì)體和新興市場的其他職業(yè)流動證據(jù)基本一致。例如，對于美國，Kamborov和Maovsii（2009）估計每年的職業(yè)轉(zhuǎn)換率為21MoscariiVella（2008）3.534.7Moseto，MoreiraChadaSilvaBichara（2014）3010行業(yè)轉(zhuǎn)換也會發(fā)生，但人工智能暴露和互補(bǔ)性的分類尚未在行業(yè)層面進(jìn)行。雖然一些職業(yè)是特定于行業(yè)的（例如，醫(yī)生通常在醫(yī)療保健領(lǐng)域工作），但其他職業(yè)則更加通用，可以進(jìn)入其他行業(yè)。Figure6.Life-CycleProfilesofEmploymentSharesbyEducationLevel,BrazilandtheUnitedKingdomFigure6.Life-CycleProfilesofEmploymentSharesbyEducationLevel,BrazilandtheUnitedKingdom1.巴西2.聯(lián)合王國(百分比)(百分比)PesquisaNacionalporAmostradeDomicíliosContínua3人工智能的采用帶來了挑戰(zhàn)，但對受過大學(xué)教育的年輕工人的職業(yè)生涯來說是一個機(jī)會。6顯示，受過大學(xué)教育的工人通常在20303050多歲時穩(wěn)定下來，那時他們通常已經(jīng)擔(dān)任高級職務(wù)，并且不太愿意進(jìn)行重大的工作轉(zhuǎn)換。盡管未受過大學(xué)教育的工人表現(xiàn)出類似的模式，但他們的進(jìn)步并不明顯，而且他們占據(jù)的高曝光率職位也較少。這表明，受過良好教育的年輕工人既面臨潛在的勞動力市場中斷，也面臨可能受人工智能影響的職業(yè)機(jī)會。一方面，如果諸如文書工作之類的低互補(bǔ)性職位成為高互補(bǔ)性工作的墊腳石，那么對低互補(bǔ)性職業(yè)的需求減少可能會使年輕的高技能工人進(jìn)入勞動力市場更加困難。另一方面，人工智能可以使受過大學(xué)教育的年輕工人更快地變得有經(jīng)驗，因為他們利用AI的引入，AIAI的對話助理對經(jīng)（Bryjolfsso，DaielleRaymod2023）年齡較大的工人可能適應(yīng)性較差，并面臨流動性的額外障礙，這反映在他們終止后再就業(yè)的可能性較低。工作終止后，與年輕和（7），老年工人的技能雖然曾經(jīng)需求量很大，但現(xiàn)在可能已經(jīng)過時。此外,在特定地點經(jīng)歷了相當(dāng)長的時間之后,他們可能具有地理和情感上的聯(lián)系,例如與配偶和子女的聯(lián)系,這阻礙了他們?yōu)榱诵碌墓ぷ鳈C(jī)會而搬遷。多年來積累的財務(wù)義務(wù)也可能使他們不太可能接受減薪的職位。最后，在一個特定的部門或職業(yè)中投資多年，如果不是幾十年，可能會有自然的不情愿，甚至是向全新的角色或行業(yè)過渡的感知障礙。這可能反映了舒適與熟悉的設(shè)置，對新領(lǐng)域的學(xué)習(xí)曲線的關(guān)注或感知的年齡偏差的組合。這些限制可能在AI引起的中斷的背景下也是相關(guān)的。圖圖7.離職工人一年再就業(yè)概率1.巴西2.聯(lián)合王國資料來源：PesquisaNacionalporAmostradeDomicíliosContínua；英國勞動力調(diào)查；和國際貨幣基金組織工作人員的計算。注意：條形圖顯示了最近（在上一季度內(nèi)）從就業(yè)轉(zhuǎn)為失業(yè)的工人的再就業(yè)概率，其定義為一年后再次就業(yè)的這些工人的份額?！皬摹北硎緜€人失業(yè)前的職業(yè)的暴露類別，而“到”表示工人過渡到的職業(yè)的暴露類別?！斑m齡”是指35歲以上55歲以下的工人；“高齡”是指55歲以上的工人。從歷史上看，年齡較大的工人對技術(shù)進(jìn)步的適應(yīng)性較差；人工智能可能會對這個人口群體提出類似的挑戰(zhàn)。失業(yè)后，以前從事高（7）變化，工人偏好的變化以及與年齡有關(guān)的偏見或陳規(guī)定型觀念在高互補(bǔ)性和高曝光率職業(yè)的雇用過程中。11BraxtoTasa（2023）45職業(yè)轉(zhuǎn)換也會影響工人的收入。(8。因此，更多地獲得這（81），暴露的工人傾向于經(jīng)歷小時工資的收縮。因此，這種轉(zhuǎn)變可能與收入損失有關(guān)。Yashiro（2022），這種影響就會被放大。KambourovManovskii（2009）圖圖8.因職業(yè)變動而估計的工資溢價（百分比）1.巴西2.聯(lián)合王國資料來源：PesquisaNacionalporAmostradeDomicíliosContínua；英國勞動力調(diào)查；和國際貨幣基金組織工作人員的計算?！啊北硎緜€人在上一年所從事職業(yè)的暴露類別，而“”“”類別的工295置信區(qū)間用胡須表示?？傊S著人工智能重塑勞動力市場，工人可能會適應(yīng)不斷變化的需求，結(jié)果因教育和年齡而異。受過大學(xué)教育的年輕工人是最脆弱但適應(yīng)性最強(qiáng)的，通常在工作類型之間搖擺不定。巴西和英國的歷史模式表明，高曝光率，高互補(bǔ)性的角色提供了工資溢價，而切換到低曝光率的角色可能會降低工資。失業(yè)后，各個年齡段的工人都有重返類似職位的趨勢，這表明勞動力市場存在一定的靈活性。調(diào)整能力對于導(dǎo)航AI引起的變化至關(guān)重要。最后，雖然本節(jié)中研究的歷史模式是有益的，但人工智能的采用將產(chǎn)生的結(jié)構(gòu)轉(zhuǎn)型仍然不確定，沒有人知道整個勞動力市場和個體工人將如何調(diào)整。人工智能、生產(chǎn)力和不平等在本節(jié)中，基于模型的分析用于評估AI采用對經(jīng)濟(jì)和不平等的潛在影響。這種分析方法通過研究對經(jīng)濟(jì)的更廣泛影響來補(bǔ)充先前AI（1），（2）（3）AI互補(bǔ)性的職業(yè)，而不是其他職業(yè)。第三，人工智能的采用可能會導(dǎo)致廣泛的生產(chǎn)率提高，增加投資并增加整體勞動力需求，這可能會抵消人工智能導(dǎo)致的勞動力流離失所導(dǎo)致的勞動收入下降。因此，人工智能對收入水平和不平等的總體影響將取決于人工智能引起的生產(chǎn)率產(chǎn)生的經(jīng)濟(jì)活動收益在多大程度上補(bǔ)償了任何勞動收入損失。要了解人工智能對收入水平和收入不平等的影響，必須檢查勞動力和資本收入渠道。Rocall，PizzielliTavares（）Drozd，TaschereaDmochelTavares（2022）Moll，Rachel和Restrepo（2022）AI以其最大AI暴露和互補(bǔ)潛力影響代理商。在這個分析框架內(nèi)，人工智能對收入的影響主要通過上述三個渠道運作。人工智能的采用還導(dǎo)致資本回報率的增加，提高資本收入，這反過來又增加了財富和財富不平等，與資產(chǎn)持有的初始分配一致。該模型被校準(zhǔn)到英國，一個高度暴露于人工智能采用的國家。（1）AI（2）（3）（）92部分顯示，工人對人工智能的接觸隨著收入的增加而增加。然而，工人與人工智能的潛在互補(bǔ)性也隨著收入的增加而增加，盡管在英國，它在第75百分位數(shù)左右達(dá)到頂峰，此后略有下降。人工智能的影響是通過構(gòu)建三個場景來模擬的，這些場景假設(shè)勞動力份額下降與與自動化相關(guān)的可比歷史事件一致。從歷史上看，勞動力份額的下降與常規(guī)的自動化有關(guān)，在較小程度上，與貿(mào)易增加，加價增加以及工會削弱導(dǎo)致的工人議價能力下降有關(guān)。我們假設(shè)人工智能引入后，勞動力份額下降了5.5個百分點。這種影響在整個收入分配中分布，取決于工人的AI暴露和互補(bǔ)性，如圖9，面板所示。(1)(2)（3）（2）101.5(BriggsKodai2023所述)。91(2017年)(2019年BergholtFurlanettoMaffeiFaccioli(2022年)圖圖9.英國對人工智能和自動化的敞口和收入1.收入對人工智能的敞口2.按收入（英鎊）百分位數(shù)劃分的敞口和互補(bǔ)性（AI和互補(bǔ)性指數(shù)）資料來源：英國國家統(tǒng)計局，財富和資產(chǎn)調(diào)查；以及國際貨幣基金組織的工作人員計算。1（1）（2）（3）（）2組中，AIFelte，RajSeamas（2021）AI301Pizzielli(2023)AI暴露和互補(bǔ)性。RHS右刻度。人工智能對勞動收入不平等的影響取決于人工智能的暴露程度和互補(bǔ)性，以及它對生產(chǎn)力的提升。當(dāng)人工智能與勞動力的互補(bǔ)性較（10）AI與勞動高度互補(bǔ)時，互補(bǔ)效應(yīng)變得強(qiáng)于位移效應(yīng)，特別是在收入分配的上半部分，導(dǎo)致與低互補(bǔ)情況相比，AI155AI互補(bǔ)性的工人來說，這種增長更大。與勞動收入不平等不同，資本收入和財富不平等總是隨著人工智能的采用而增加（圖10）。資本收入和財富不平等增加的主要原因是人工智能導(dǎo)致勞動力流離失所和對人工智能資本的需求增加，增加了資本回報和資產(chǎn)持有價值。在所有情況下，利率都增加了近0.4個百分點，有可能部分抵消英國和一般發(fā)達(dá)經(jīng)濟(jì)體自然利率的下降。417（IMF2023）數(shù)據(jù)顯示，高收入勞動者持有很大一部分資產(chǎn)，他們更受益于資本回報率的上升。因此，在所有情景中，與對勞動收入的影響無關(guān)，高收入者的總收入因資本收入收益而增加。這些模型模擬從產(chǎn)權(quán)定義的可能變化以及財政和再分配政策的變化中抽象出來，這些變化可以幫助重塑分配結(jié)果（例如，在自動化的背景下，參見Berg等2021；在AI的背景下，參見Kliova和Korie2021）。資料來源：貨幣基金組織工作人員計算。資料來源：貨幣基金組織工作人員計算。（1）（2）（3）1980-20145.5個百分點。面板按收入百分位數(shù)顯示總收入的變化，分解為藍(lán)色的勞動收入變化和橙色的資本收入變化。有關(guān)模型的更多詳細(xì)信息，請參見4。.P百分位數(shù)。3.高互補(bǔ)性和高(百分比)圖10.按收入百分位數(shù)劃分的總收入變化1.Low互補(bǔ)2。 高互補(bǔ)性(百分比)(百分比)在高互補(bǔ)性，高生產(chǎn)率的情景下，國民總收入的增長最大，使所有工人受益，盡管最高層的收益更大。10%（11）（圖11.對骨料的影響（百分比點，左刻度；百分比，右刻度）資料來源：貨幣基金組織工作人員計算。Gini的變化圖11.對骨料的影響（百分比點，左刻度；百分比，右刻度）資料來源：貨幣基金組織工作人員計算。Gini的變化4。RHS=正確比例；全要素生產(chǎn)率=全要素生產(chǎn)率。8況大致相同，勞動收入不平等加劇。最后，當(dāng)還考慮生產(chǎn)率影響時，穩(wěn)態(tài)和全要素生產(chǎn)率之間的產(chǎn)出增加了16％。410214。在初始不平等程度較高的新興市場和發(fā)展中經(jīng)濟(jì)體，人工智能可以在更大程度上擴(kuò)大貧富差距并減少工資差距，但如果人工智能的風(fēng)險敞口較低且廣泛，則可以抑制這些影響。一個重要的問題是，在考慮與新興市場和發(fā)展中經(jīng)濟(jì)體相關(guān)的兩個方面時，模型結(jié)（1）（2）AI暴露工人。然而，最終效果取決于互補(bǔ)性的程度，就像發(fā)達(dá)經(jīng)濟(jì)體一樣。在一個接觸人工智能的工人較少的經(jīng)濟(jì)體中，人工智能對收入和財富分配的直接影響可能不那么明顯，因為更少的人將受益于人工智能。盡管這些方2中進(jìn)行了討論。雖然模型模擬側(cè)重于國內(nèi)不平等，但人工智能的采用也可能對全球經(jīng)濟(jì)差距產(chǎn)生重大影響，這是由向發(fā)達(dá)經(jīng)濟(jì)體轉(zhuǎn)移活動的潛在驅(qū)動。這種轉(zhuǎn)變可能會引發(fā)資本和勞動力從不準(zhǔn)備利用人工智能的欠發(fā)達(dá)地區(qū)向技術(shù)更先進(jìn)和人工智能就緒的國家重新分配(阿隆索等，2022年)。位于新興市場經(jīng)濟(jì)體的呼叫中心是一個潛在的例子。這些可能面臨被人工智能驅(qū)動的解決方案取代的風(fēng)險，隨后導(dǎo)致它們轉(zhuǎn)移到發(fā)達(dá)經(jīng)濟(jì)體。除了勞動力再配置之外，采用人工智能的公司盈利能力的提高可能會導(dǎo)致資本從新興市場和發(fā)展中經(jīng)濟(jì)體涌入發(fā)達(dá)經(jīng)濟(jì)體，這可能會降低發(fā)達(dá)經(jīng)濟(jì)體的均衡利率，并對資本收入施加下行壓力。如果有足夠的投資，人工智能也有可能幫助新興市場和發(fā)展中經(jīng)濟(jì)體在某些領(lǐng)域?qū)崿F(xiàn)跨越式發(fā)展，促進(jìn)更廣泛任務(wù)的離岸外包，從而減少跨國不平等。AI準(zhǔn)備人工智能采用的準(zhǔn)備對于利用其潛力和減輕其固有風(fēng)險至關(guān)重要。人工智能的采用可能會導(dǎo)致各國不同的勞動力市場結(jié)果，特別是在勞動力重新分配和不平等方面。這些可能不同的結(jié)果與各國的結(jié)構(gòu)和體制框架交織在一起。一個國家的準(zhǔn)備水平在最大限度地提（Cirera，ComiCrz2022）該模型的多國家版本可以調(diào)查此問題和其他相關(guān)問題。本節(jié)提出了AI準(zhǔn)備指數(shù)（AIPI），該指數(shù)涵蓋了AI準(zhǔn)備的多個戰(zhàn)略領(lǐng)域。（Keller2004）（例如，Nicoletti，RedeAdrews2020）（1），（2），（3）（4）5包含子指標(biāo)的完整列表和指標(biāo)構(gòu)建方法的詳細(xì)信息。盡管AIPI的每個組成部分都很重要，但AI引起的結(jié)構(gòu)轉(zhuǎn)型的準(zhǔn)備工作可能取決于所有領(lǐng)域的集體表現(xiàn)。例如，數(shù)字基礎(chǔ)設(shè)施組件（Nicoletti，RedeAdrews2020）AI技術(shù)的傳播和本地化應(yīng)用奠定基礎(chǔ)。（Bartel，IchiowsiShaw2007）(Nicoletti，RedeAdrews2020)（Ator，LevyMrae2003），這不僅通（AI）（Bloom，DracaVaReee2015）（）存在有效執(zhí)法的強(qiáng)有力的治理。圖12.AI準(zhǔn)備指數(shù)和高暴露職業(yè)的就業(yè)份額125圖12.AI準(zhǔn)備指數(shù)和高暴露職業(yè)的就業(yè)份額12532AE56EMs37LICAI準(zhǔn)備指數(shù)和高暴露就業(yè)的中值。Exes的平均值。AEsEMs=LIC/地(ISO)/地區(qū)代碼?？鐕町愑锌赡芊糯蟾粐透F國之間現(xiàn)有的收入差距，因為發(fā)達(dá)經(jīng)濟(jì)體期望生產(chǎn)率提高，如上一節(jié)中基于模型的模擬所示。資料來源：弗雷澤研究所；國際勞工組織；國際電信聯(lián)盟；聯(lián)合國；萬國郵政聯(lián)盟；世界銀行；世界經(jīng)濟(jì)論壇；和國際貨幣基金組織的工作人員計算。資料來源：弗雷澤研究所；國際勞工組織；國際電信聯(lián)盟；聯(lián)合國；萬國郵政聯(lián)盟；世界銀行；世界經(jīng)濟(jì)論壇；和國際貨幣基金組織的工作人員計算。注信通技術(shù)就業(yè)是指根據(jù)國際標(biāo)準(zhǔn)產(chǎn)業(yè)分類修訂版在信息和通信部門工作的人。414235AE，67EMs40LIC。Exes表示每個相應(yīng)國家(相應(yīng))/地區(qū)組添加了。AEs=EMs=ICTISIC=國際標(biāo)準(zhǔn)行業(yè)分類。4.監(jiān)管與倫理3.創(chuàng)新與整合圖13.信息和通信技術(shù)就業(yè)份額和人工智能準(zhǔn)備指數(shù)的各個組成部分1.數(shù)字基礎(chǔ)設(shè)施2.人力資本和勞動力市場政策改革優(yōu)先次序應(yīng)與AI準(zhǔn)備差距保持一致。在這種情況下，區(qū)分基礎(chǔ)AI準(zhǔn)備（使工人和公司能夠采用AI的數(shù)字基礎(chǔ)設(shè)施和人力資本）（）AIAI（），AI——這對——是人工智能準(zhǔn)備維度與發(fā)達(dá)經(jīng)濟(jì)體數(shù)字部門規(guī)模的相關(guān)性(1334(CarriereSwallowHasar2019Hasar2021)，這些風(fēng)險隨著(2023)(JamilovReyTaho2023。在基礎(chǔ)準(zhǔn)備薄弱的地方（低收入國家和一些新興市場經(jīng)濟(jì)體），應(yīng)該優(yōu)先考慮對數(shù)字基礎(chǔ)設(shè)施和人力資本的投資，以便從人工智能中獲得早期收益，同時為第二代準(zhǔn)備鋪平道路。換句話說，雖然（）13（12）入國家的數(shù)字部門規(guī)模密切相關(guān)。通過這些投資，人工智能有可能改善教育和醫(yī)療保健等基本服務(wù)的提供，并可以在熟練勞動力稀缺的領(lǐng)域執(zhí)行復(fù)雜的任務(wù)。然而，考慮到此類投資的相關(guān)成本和許多低收入國家有限的財政空間，將支出集中在高回報項目上是謹(jǐn)慎的。結(jié)論和政策考慮人工智能的采用可能會導(dǎo)致勞動力市場的轉(zhuǎn)變，并帶來顯著的跨國差異。人工智能對經(jīng)濟(jì)和社會的確切影響難以預(yù)測，體現(xiàn)了一定程度的不確定性，讓人想起過去引入電力等通用技術(shù)的過程。這種不確定性在勞動力市場中尤為明顯，人工智能在提高生產(chǎn)率的同時也帶來了工作轉(zhuǎn)移的風(fēng)險。本報告的調(diào)查結(jié)果強(qiáng)調(diào)了人工智能在全球就業(yè)中的很大一部分，與大多數(shù)新興市場和發(fā)展中經(jīng)濟(jì)體相比，發(fā)達(dá)經(jīng)濟(jì)體通常更容易暴露，但也更好地利用這項技術(shù)。這種動態(tài)表明數(shù)字鴻溝和全球收入差距有可能擴(kuò)大。女性和受過高等教育的工人始終更容易接觸人工智能，但也更有可能從人工智能中受益；年長的工人可能更有可能在這種技術(shù)轉(zhuǎn)型中掙扎。無論是在服務(wù)業(yè)中擁有強(qiáng)大影響力的女性，還是通常從事認(rèn)知密集型職業(yè)的受過高等教育的工人，都面臨著更大的AI暴露業(yè)和適應(yīng)新技術(shù)、流動性和獲得新的工作技能方面面臨挑戰(zhàn)。除了對大多數(shù)工人的收入水平的影響之外，人工智能還將重塑財富和收入分配。由人工智能驅(qū)動的資本深化和生產(chǎn)力的激增，有可能提高廣泛工人的工資收入并增加總收入。如果人工智能在幾個角色中與人類勞動表現(xiàn)出顯著的互補(bǔ)性，并且生產(chǎn)率提高足夠強(qiáng)，這（）與收入水平呈正相關(guān)。因此，勞動收入不平等的軌跡取決于人工智能對高收入專業(yè)人員承擔(dān)的任務(wù)的補(bǔ)充程度。模型模擬表明，具有很強(qiáng)的互補(bǔ)性，高收入者的收入可能會不成比例地增加，從而加劇勞動收入不平等。該渠道將放大由于資本回報增加而導(dǎo)致的收入和財富不平等的增加，這通常會導(dǎo)致收入較高的人。這些渠道來自各國對人工智能產(chǎn)權(quán)定義和再分配政策的選擇，最終將影響收入和財富分配。利用人工智能的優(yōu)勢將取決于各國的準(zhǔn)備和工人適應(yīng)這項新技術(shù)的能力。先進(jìn)的和一些新興市場經(jīng)濟(jì)體在利用人工智能方面處于有利地位，這要歸功于他們的高曝光率和準(zhǔn)備。其他新興市場經(jīng)濟(jì)體和低收入國家可能會發(fā)現(xiàn)，由于基礎(chǔ)設(shè)施不足，工人缺乏技能以及缺乏體制框架，很難利用潛在的人工智能優(yōu)勢，這使他們面臨競爭劣勢的風(fēng)險。經(jīng)濟(jì)發(fā)展階段影響備災(zāi)優(yōu)先事項。先進(jìn)和更發(fā)達(dá)的新興市場經(jīng)濟(jì)體應(yīng)該啟動適當(dāng)?shù)谋O(jiān)管框架，以優(yōu)化增加人工智能使用的好處，并投資于互補(bǔ)創(chuàng)新。低收入國家和其他新興市場經(jīng)濟(jì)體應(yīng)該優(yōu)先考慮數(shù)字基礎(chǔ)設(shè)施和人力資本。通過這些投資，人工智能可以幫助緩解技能短缺，擴(kuò)大醫(yī)療保健和教育的提供，并提高新部門的生產(chǎn)率和競爭力。人工智能的潛在影響要求決策者采取積極主動的方法來維持社會凝聚力。雖然人工智能可能會帶來長期的生產(chǎn)率提高，但在轉(zhuǎn)型期間，工作轉(zhuǎn)移和收入分配的變化可能會產(chǎn)生重大的政治經(jīng)濟(jì)影響。歷史表明，經(jīng)濟(jì)壓力可能導(dǎo)致社會動蕩和對政治變革的要求。確保社會凝聚力至關(guān)重要。政策必須促進(jìn)人工智能的公平和道德整合，并培訓(xùn)下一代工人使用這些新技術(shù)；他們還必須保護(hù)和幫助重新培訓(xùn)目前面臨中斷風(fēng)險的工人。人工智能的跨境性質(zhì)加劇了其道德和數(shù)據(jù)安全挑戰(zhàn)，并呼吁國際合作以確保負(fù)責(zé)任的使用，正如最近由28個國家和歐盟簽署的《布萊切利宣言》所規(guī)定的那樣。各國解決這些問題的能力各不相同，這突出表明需要協(xié)調(diào)全球原則和地方立法。方框1.人工智能職業(yè)暴露和潛在互補(bǔ)性一些研究提出了職業(yè)層面的AI暴露定義。Felte，RajSeamasAI（AIOE）（2021），用10AI52個人類技能之間的對應(yīng)關(guān)系。人工智能和人類能力之間的這種重疊然后由每個工作中這些技能的重要性和復(fù)雜性來加權(quán)。該指數(shù)以相對術(shù)語解釋,01之間標(biāo)準(zhǔn)化或重新縮放。對于暴露對人類勞動的影響也是不可知可能性。一些研究建立在AIOE度量的基礎(chǔ)上，試圖回答這個問題。Pizzinelli和其他人（2023）提出了一個潛在的互補(bǔ)指數(shù)來調(diào)整原始的AIOE度量。在這種方法中AIOE（CAIOE）O*NETFelte，RajSeamas（2021）人類做出最終決定或采取行動。例如，法官和醫(yī)生，盡管人工智能暴露量很高，但仍然可能是人類。從概念上講，暴露和互補(bǔ)性可以被認(rèn)為是兩個相關(guān)性的維度，如方框圖1.1所示。（x）AI來執(zhí)行作業(yè)主要功能

方框圖1.1.AI職業(yè)暴露(AIOE)和互補(bǔ)性(θ)的概念圖(2。這個盒子是由CarloPizzinelli準(zhǔn)備的。FeltenRajSeamans（2021）（2023）注：紅色參考線表示AIOE和補(bǔ)體的中位數(shù)。方框2.人工智能主導(dǎo)的創(chuàng)新和實現(xiàn)更大包容性的潛力不斷增長的人工智能采用率有可能加劇跨國和國內(nèi)的不平等。一個例子是數(shù)字化在政府技術(shù)（“govtech”）中的變革作用。從歷史上看，數(shù)字化通過提高收入收集和支出效率來幫助實（Amaglobeli2023）COVID19相關(guān)的封鎖期間，納米比亞、秘魯、贊比亞和烏干達(dá)等國成功地利用其數(shù)字基礎(chǔ)設(shè)施加快了財政通過簡化官僚任務(wù)，人工智能工具還可以騰出時間和資源，可以更好地分配給關(guān)鍵部門，例如農(nóng)業(yè)，醫(yī)療保健和教育。這些部門的干預(yù)措施主要使社會和經(jīng)濟(jì)上的弱勢群體受益。在農(nóng)業(yè)中，人工智能可用于預(yù)測產(chǎn)量、優(yōu)化灌溉和識別潛在害蟲，從而（IFC2020）（Wahl2018USAID2019）AI（UNESCO2021）。人工智能還承諾推進(jìn)金融包容性，特別是通過使用非常規(guī)數(shù)據(jù)來評估信譽(yù)(IFC2020。這將使服務(wù)不足的社區(qū)能夠獲得原本無法(ShabsigatBoheroaa2023(Boheroaa2021年FCA2022年。從歷史上看，數(shù)字金融服務(wù)的擴(kuò)展與（IMF）（SahayCelihá2020）52個新興市場和發(fā)展中經(jīng)濟(jì)體，并強(qiáng)調(diào)了數(shù)字金融包容性的顯著增長，在非洲和亞洲取得了顯著進(jìn)展。COVID-19進(jìn)一步加速了數(shù)字金融服務(wù)的增長，這些服務(wù)往往有利于低收入家庭和小企業(yè)，同時促進(jìn)經(jīng)濟(jì)增長和減少不平等(Sahay等人，2017年；Sahay等人，2020年)。雖然人工智能的采用有望實現(xiàn)變革性的變革，但其成功實施需要大量投資、政治承諾以及對數(shù)據(jù)安全和隱私的保障。這個盒子是由GiovanniMelina準(zhǔn)備的。附件一數(shù)據(jù)描述性圖表附件表1.1.程式化事實的數(shù)據(jù)來源數(shù)據(jù)來源經(jīng)濟(jì)1AI1國家團(tuán)體

國際勞工組織32個AE，56個EMs，37個LICFigure1.EmploymentSharesbyAIexposureandcomplementarity:2.SelectedCountriesFigure2:EmploymentSharesbyexposureandcomplementarity圖3.按人口群體劃分的高暴露職業(yè)中的就業(yè)份額4的就業(yè)份額圖5.大學(xué)的職業(yè)轉(zhuǎn)變-

ACS,GEIH,印度PLFS,LMDSA,PNADC,英國LFSPLFSPNADCLFSACS,GEIH,印度PLFS,LMDSA,PNADC,英國LFSACS,GEIH,印度PLFS,LMDSA、Pizzinelli等(2023年)、PNADC和英國LFS

BRA,COL,GBR,IND,USA,ZAFBRA,GBR,INDBRA,COL,GBR,IND,USA,ZAFBRA,COL,GBR,IND,USA,ZAF巴西和英國受過教育的工人圖7.離職工人一年再就業(yè)概率

PNADC和英國LFSBRA和GBR圖8：AI和非正式PNADCBRA圖12.AI準(zhǔn)備指數(shù)和高暴露職業(yè)中的就業(yè)份額131.1(AIOE)和(θ)的概念圖資料來源：貨幣基金組織工作人員。

PNADCLFSBRAGBRFI,ILO,ITU,UN,UPU,WB,WEFFI,ILO,ITU,UN,UPU,WB,WEFFelten，Raj和Seamans（2021年），Pizzinelli和其他人（2023年）

32個AE，56個EMs，37個LIC35個不良事件，67個EMs，40個LIC2019年為美國，ZAF，IND2022COL，GBR，BRA2239553，GBR238251，BRA1,923,188，COL919,459，ZAF69,420，IND420（ACS）GraEcestaItegradadeHogares（GEIH）（PLFS）（ILO）（LMDSA）PesqisaNacioalporAmostradeDomicíliosCotia（PNADC）（LFS）AEs=EMs=LIC=/地區(qū)名稱使用國際標(biāo)準(zhǔn)(ISO)/地區(qū)代碼。國家/地區(qū)覆蓋范圍附件表1.2.國家樣本覆蓋范圍ISO3Country收入組ISO3Country收入組ISO3Country收入組SSD南蘇丹LICBOL玻利維亞EMGEO格魯吉亞EMAFG阿富汗LICIRN伊朗EMSYC塞舌爾EMCAF中非共和國LICPRI波多黎各AEMEX墨西哥EMSOM索馬里L(fēng)ICBGD孟加拉國LICOMN阿曼EM捷運SDN毛里塔尼亞蘇丹LICLICSLVGTM薩爾瓦多危地馬拉EMEMQATTHA卡塔爾泰國EMEMTCDChadLICEGY埃及EMSRB塞爾維亞EMLBY利比亞EMSEN塞內(nèi)加爾LICCRI哥斯達(dá)黎加EMCOD剛果民主共和國LICMAC澳門特別行政區(qū)AETURTürkiyeEMSTP圣多美和普林西比LICPRY巴拉圭EMURY烏拉圭EMYEMETH也門埃塞俄比亞LICLICBWALBN博茨瓦納黎巴嫩EMEMKAZRUS哈薩克斯坦俄羅斯EMEMCOM科摩羅LICSUR蘇里南EMHUN匈牙利EMMOZ莫桑比克LICNAM納米比亞EMSAU沙特阿拉伯EMAGO安哥拉EMBLZ伯利茲EMBGR保加利亞EMGNB幾內(nèi)亞比紹LICGUY圭亞那EMHRV克羅地亞AEHTIIRQ海地伊拉克LICEMGHAKGZ加納吉爾吉斯共和國LICLICGRCROU希臘羅馬尼亞AEEMVEN委內(nèi)瑞拉EMTLS東帝汶LICCHL智利EMCOG剛果共和國LICBIH波斯尼亞和黑塞哥維那EMSVK斯洛伐克共和國AEPNG巴布亞新幾內(nèi)亞LICMAR摩洛哥EMPOL波蘭EMBDI布隆迪LICCPV佛得角EMITA意大利AEMLISLE馬里塞拉利昂LICLICJAMTTO牙買加特立尼達(dá)和多巴哥EMEMAREMYS阿拉伯聯(lián)合酋長國馬來西亞EMEMSYR敘利亞EMLKA斯里蘭卡EMCYP塞浦路斯AEZWE津巴布韋LICRWA盧旺達(dá)LICLVA拉脫維亞AEMDG馬達(dá)加斯加LICBTN不丹LICSVN斯洛文尼亞AESWZ埃斯瓦蒂尼EMECU厄瓜多爾EMCHN中國EMBFATGO布基納法索多哥LICLICKENFJI肯尼亞斐濟(jì)LICEMPRTCZE葡萄牙捷克共和國AEAEDJI吉布提LICBHS巴哈馬,TheEMESP西班牙AEGAB加蓬EMKWT科威特EMMLT馬耳他AEGIN幾內(nèi)亞LICTUN突尼斯EMLTU立陶宛AEMDV馬爾代夫EMDOM多米尼加共和國EMTWN中國臺灣省AENER尼日爾LICBLR白俄羅斯EMBEL比利時AEMMR老撾緬甸老撾P.D.R.LICLICAZEARG阿塞拜疆阿根廷EMEMIRLFRA愛爾蘭法國AEAENIC尼加拉瓜LICMDA摩爾多瓦LICISL冰島AENGA尼日利亞LICVNM越南LICHKG香港特別行政區(qū)AEMWI馬拉維LICMKD北馬其頓EMNOR挪威AECMR喀麥隆LICJORJordanEMCAN加拿大AEHNDVCT洪都拉斯圣文森特和格林納丁斯LICEMMNGCOL蒙古國哥倫比亞EMEMAUTISR奧地利以色列AEAEUZB烏茲別克斯坦LICPER秘魯EMKOR韓國AENPL尼泊爾LICIND印度EMAUS澳大利亞AETZA坦桑尼亞LICARM亞美尼亞EMGBRUnitedKingdomAEUGA烏干達(dá)LICBRN文萊達(dá)魯薩蘭國EMJPNJapanAELSOGMB萊索托岡比亞,TheLICLICZAFPHL南非菲律賓EMEMLUXSWE盧森堡瑞典AEAEBEN貝寧LICPAN巴拿馬EMDEUGermanyAECIV科特迪瓦LICBRA巴西EMNZL新西蘭AETJK塔吉克斯坦LICMNE黑山EMCHE瑞士AEPAK巴基斯坦EMBRB巴巴多斯EMFIN芬蘭AEKHMLBR柬埔寨利比里亞LICLICUKRBHR烏克蘭巴林EMEMESTNLD愛沙尼亞荷蘭TheAEAEDZA阿爾及利亞EMIDN印度尼西亞EM美國美國AEZMBLCA贊比亞圣盧西亞LICEMMUSALB毛里求斯阿爾巴尼亞EMEMDNKSGP丹麥新加坡AEAE附件2.關(guān)于人工智能職業(yè)暴露和潛在互補(bǔ)性的補(bǔ)充信息2.11（AIOE）（084）互補(bǔ)性的分散在職業(yè)群體內(nèi)部比跨職業(yè)群體更大，這表明可能決定互補(bǔ)性的因素在工作范圍內(nèi)受到影響?？紤]到潛在的互補(bǔ)性，θ，互補(bǔ)性調(diào)整的AI職業(yè)暴露（C-AIOE）度量可以構(gòu)建如下：C-AIOE=AIOE*（1-θ-θMIN））。相對于互補(bǔ)性最低的職業(yè)（θMIN），該調(diào)整降低了θ值較高的職業(yè)的暴露。2.12AIOECAIOE而言，文書職業(yè)的互補(bǔ)性調(diào)整風(fēng)險最高，這表明他們最容易受到干擾。最后，對于平均暴露量已經(jīng)很低的職業(yè)群體，與未調(diào)整的衡量標(biāo)準(zhǔn)相比，調(diào)整后不會實質(zhì)性改變他們在排名中的相對位置。附件圖附件圖2.1.主要職業(yè)組的AI互補(bǔ)性和暴露1.AIOE和互補(bǔ)性(θ)2.AIOE和C-AIOE資料來源：Felten，Raj和Seamans（2021年）；Pizzinelli和其他人（2023年）；和國際貨幣基金組織的工作人員計算。08θ（）C（C）108*技術(shù)人員和準(zhǔn)專業(yè)人員；**熟練的農(nóng)業(yè)，林業(yè)和漁業(yè)工人；***工廠和機(jī)器操作員和組裝工。附件3.工人過渡分析方法Data（LFS）PesqisaNacioalporAmostradeDomicíliosCoía（PNADC）（）PNADCRibasSoares(2008)Datazoom實施的算法。構(gòu)造工人流3.1（U2N）（HE2LE）暴露高于中位數(shù)的職業(yè)代碼中被雇用，但在上一季度的暴露低于中位數(shù)的職業(yè)代碼中被雇用。（）（）工資動態(tài)英國LFS僅在家庭參與調(diào)查的第一波和最后一波中報告工資數(shù)據(jù)。因此，對于圖7所示的分析，注釋考慮了一年而不是一個季度的過渡和工資變化。盡管巴西的工資數(shù)據(jù)可用于家庭參與調(diào)查的所有五波浪潮，但仍考慮過渡一年，以使方法與英國使用的方法保持一致。Thewagevariationisconstructedasthevariationintheloggrosshourwagebetweenthefifthandfirstquartersaindividualisinthesinvestment.Thefollowingregressionspecificationisrunforbothcountries:<unk>t=<unk>+<unk>1<unk>2<unk>2<unk>t×<unk>3<unk>+Σkk()k+kjirtk( )<unk>j<unk>+<unk><unk><unk>+<unk>t+r+<unk>.

irt-1k

irtk j

irt-1irtitr<unkt<unk>r區(qū)域固定效應(yīng)。<unkirt是(-教育互動，在巴西，非正式假人)。J2J5波121波中受雇時發(fā)生。EUE24波中失業(yè)時編碼。OS是用于職業(yè)交換機(jī)的虛擬。最后，。<unk>kk中的工人的虛擬人T.因此，θk系數(shù)代表k類“滯留者”的對數(shù)工資變化；也就是說，那些沒有換職業(yè)的人，而φkjisthechangeforthosewhoirtchangedoccupationfromexposurecategoryktoexposurecategoryj.Forexample,thewagepremiumrelatedtostayersinFigure7foraworkerwhowentfromHELCtoHEHCwouldberepresentedasφHELC,HEHC-θHELC.職業(yè)股票的生命周期概況圖6繪制了通過估計以下三次多項式回歸獲得的每個類別的職業(yè)份額：<unk>k=<unk>0+<unk>1<unk>2<unk>2<unk>3<unk>3<unk>3<unk>i,ii i在其中<unkiik每個年齡值。資料來源：PesquisaNacionalporAmostradeDomicíliosContínua資料來源：PesquisaNacionalporAmostradeDomicíliosContínua；英國勞動力調(diào)查；和國際貨幣基金組織工作人員的計