AI提高效率，不保证减少劳动时间。任务更快完成，可能换来更多产出，也可能换来自由时间。技术提供节省的可能，组织决定节省的去向。
事实如何选择，影响判断；效率如何使用，影响生活。AI进入劳动过程以后，能力问题便与分配问题直接相连。
效率需要完整核算
2025年发表于《经济学季刊》的《Generative AI at Work》，研究5,172名客服人员使用辅助系统的情况。按每小时解决问题数计算，生产率平均提高15%，不同经验群体的收益有差异。证据来自特定企业，不能直接推断整个劳动市场。论文
同年，METR在16名熟悉自身开源项目的开发者、246项任务中开展随机试验，发现使用所测试的2025年初工具使完成时间增加19%。结果同样受人员、任务与工具时点限制。研究
这些结果要求具体核算。生成速度、任务完成速度与有效产出，并不一致。准备输入、检查、修改与返工，都属于工作时间。局部自动化可以提高产量，也可能增加其他环节的成本。
生产率与自由时间之间有制度选择
效率确有提高之后，仍有多种用途：缩短工时、增加产出、提高质量，或开展原来无力完成的工作。采用哪一种，取决于目标、资源与协商条件。
学术研究尤其如此。文献整理和代码辅助节省的时间，可以用于细读与反驳，也可以转化为更多报表和文章。个人使用工具的收益，与组织分配收益的方式，需要分别研究。
因此，AI采用的评价不应止于单位成本。任务量是否变化，核查劳动由谁承担，产出质量怎样认定，都关系到真实收益。劳动者觉得工具有用，并不意味着获得了对省下时间的支配。
效率衡量完成了多少，时间权利决定能够怎样生活。
劳动过程不能只剩技术指标
马克思在《资本论》中，将机器能力与具体生产关系一并考察。第三卷关于自由发展的讨论，又把缩短工作日置于重要位置。第一卷相关文本、第三卷相关文本
这些分析提供了问题入口：生产能力增长之后，劳动怎样组织，成果怎样分配，个体能否获得更充分的发展条件。它们不能直接替代对当代AI应用的实证调查。
AI使专业经验更容易传播，也可能使经验进入由他人控制的系统。材料整理、结果核查、维护与培训等工作，往往不体现在生成速度中。核算忽略它们，就可能把劳动转移写成劳动消失。
知识工作者因而需要关注完整劳动过程。工具完成了什么，其他人增加了什么工作，哪些基础劳动获得承认，都是研究内容。
把省时变成可讨论的收益
研究试点可以同时记录质量、工时和任务变化，明确效率收益用于什么。需要提高产出时说明条件，需要增加核查时计算劳动，计划改善质量时确定评价标准。
个人使用中的小幅收益同样有价值。文件更易定位，重复处理减少，积压工作得以完成，都可以改善行动条件。但个人便利不能代替对组织分配的讨论。
时间问题也连接到下一层控制：研究者能否支配自己的工作，不仅取决于任务安排，还取决于所依赖的知识工具。
让效率收益转化为自主时间，技术进步才更接近自由发展的目标。 生产能力的提高值得肯定，收益的去向仍需协商。
参考资料与延伸阅读：
- Erik Brynjolfsson、Danielle Li、Lindsey Raymond：《Generative AI at Work》，《QJE》，2025。正式发表版；人数与效果采用该版本口径。论文
- METR：《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，2025。特定开发任务的随机试验。研究
- 马克思：《资本论》第一卷“机器和大工业”相关文本、第三卷“三位一体的公式”相关文本。链接章节依英文编排，正文为概述。
发表评论