1.5万亿美元的“暗产出”，SemiAnalysis：AI正在创造GDP无法看见的财富

AI的投入已经写进电费、GPU订单和数据中心，但它产出的许多价值，可能还没有写进GDP。

据AI行业知名研究机构SemiAnalysis近日发布《AI暗产出：不可见产出的可见成本》报告称，AI正在制造一个宏观统计难题：成本是可见的，产出却可能是不可见的。

SemiAnalysis将这种现象称为“AI暗产出”。其定义是：由AI带来的经济价值已经存在，但在GDP、价格指数、劳动统计或行业账户中不可见，或者被严重扭曲。而这样的“AI暗产出”可能高达1.5万亿美元。

换句话说：“AI产出会先成为真实存在，然后才会被测量到。”

这对市场的意义很直接。AI资本开支、数据中心建设、电力需求、GPU采购和token消费都会进入企业账本，也会被投资者看到。但如果AI替代或新增的工作没有以清晰价格出售，传统宏观数据可能只看到成本，看不到对应产出。

随着AI增长更多转向资本市场融资，“任何不能显示AI成果的指标，都会被用来审视是否存在泡沫迹象”。

用计算机革命作参照。诺贝尔经济学奖得主Robert Solow曾说：“你可以到处看到计算机时代，唯独在生产率统计中看不到。”

美国2013年一次看似枯燥的GDP统计方法修订，把研发和知识产权投资纳入GDP核算，使1990年代总产出增加约3.6万亿美元，相当于2000年全年GDP的近30%。因此，AI带来的测量问题可能更大。

尽管经历互联网泡沫破裂，“Magnificent 7”如今市值已是欧洲的1.8倍。市场对技术革命的定价，可能早于宏观统计对生产率的确认。

“1.5万亿美元”到底指什么

报告最受关注的数字是1.5万亿美元。

但SemiAnalysis明确说明，这不是“1.5万亿美元劳动力已经消失”，也不是“GDP已经少记了1.5万亿美元”。它指的是：在当前一代AI能力下，已有可信市场信号显示，约1.5万亿美元劳动力成本对应的任务，存在被AI显著增强或自动化的潜力。

换句话说，这是“暴露在AI影响下的劳动力成本”，不是已经发生的裁员规模，也不是已经确认的遗漏产出。

这一估算基于“证据阶梯”中第4级及以上的信号。较弱的证据包括基准测试和产品宣传；更强的证据包括企业公开称AI已用于生产流程、法院认可相关AI工作、保险公司愿意承保AI出错风险。

SemiAnalysis同时强调，目前尚未看到第5级或第6级证据。这一点“应被视为对AI乐观叙事的警示”。

而目前收集到的大多数证据指向“AI增强”，而不是“AI完全替代”。这也是理解1.5万亿美元数字时的关键限制。

为什么AI产出会从GDP里“消失”

AI暗产出分为两类。

第一类是“替代型暗产出”。也就是过去由人做、现在由AI做的工作。

比如法律文件的例子。一份简单法律文件，无论由律师起草，还是由AI起草，对用户的实际价值可能相近。但在GDP统计中，两者路径不同。

如果律师收费，律师收入会进入服务业统计。如果AI用少量token完成，律师账单消失，GDP里可能只剩下几美元甚至几美分的token支出，而且这笔支出还可能被记在软件或AI服务行业，而不是法律服务行业。

从GDP视角看，“这笔交易实际上消失了，只剩下几美元token，落在经济中一个无关的部门里”。

SemiAnalysis还给出一个价格变化示例：一份基础遗嘱的起草成本，长期随技术进步下降。但从400美元降至150美元，用了约30年；如果从150美元降至0.50美元，只用一年，降幅超过99%。前者会带来统计偏差，后者可能直接从数据集中消失。

同时，法律服务价格指数直到1987年才被纳入CPI；截至2024年9月，该价格指数已上涨4.6倍。这一指数很大程度上类似就业成本指数，因为它没有充分反映法律服务生产率提升。

第二类是“新增型暗产出”。也就是过去因为太贵而没人做，现在因为AI足够便宜才开始做的工作。

比如，当文献综述成本从2000美元降到2美元时，人们不一定只是省下1998美元，而是可能在每个项目前都做一次文献综述。类似地，整理过去六个月邮件、面试前生成研究材料、会议前梳理对方背景，都可能有实际价值，但除了token、API调用、云支出或订阅费之外，很难留下清晰经济痕迹。

目前有一些迹象显示，当前token支出中相当一部分可能用于新增工作，而不是替代已有工作。但具体规模并不透明，因为这些活动“藏在token的匿名帘幕后面”。

同样是AI，为什么有的产出能被统计到

SemiAnalysis还提出第三类情况：被捕捉到的AI产出。

例如，一家公司过去花1万美元外包HR服务，现在仍花1万美元购买AI HR服务。此时，交易价格没有变，GDP仍能记录这1万美元，区别只是工资和岗位可能减少。

但如果同样的HR任务被公司内部用10美元token完成，那么从统计上看，外部1万美元交易变成10美元支出。在这种情况下，GDP会减少9990美元，尽管同样的工作仍然完成了。

这就是问题的关键：AI是否被GDP捕捉，不只取决于它有没有创造价值，还取决于它有没有以可见价格、可见交易、可见行业分类的形式出现。

服务业最容易出问题

制造业自动化更容易被统计，因为有东西可数。

如果工厂更便宜地生产螺丝，统计人员可以数螺丝数量、看成本下降、看产量上升。过去六个世纪，螺丝真实价格下降超过99%，全球产量大幅上升，实际GDP能较好捕捉这种增长和生产率提升。

但服务业不同。

SemiAnalysis写道：“我们缺少一套可用的语言，来描述服务和脑力劳动的单位。”没有“1吨文献综述”，也没有“1桶咨询服务”。服务业统计通常依赖收据、工资、工时和价格指数，再反推出“数量”。

这在价格缓慢变化时还能勉强运行。但如果AI让服务成本突然下降99%，统计系统可能把收入下降读成产出下降，而不是生产率提升。

比如，工业革命时期，“马力”让人们可以比较机器、动物和人的劳动输出；但token不能直接做到这一点。100万token可能产出垃圾内容，也可能产出一份有用邮件总结、一份法律文件，甚至影响公司战略的决策。经济价值取决于输出，而不是token数量。

一个可观察信号：就业少了，平均工资反而高了

AI暗产出无法被直接观察，但可能通过其他数据留下“指纹”。

一个例子是：初级员工先受到影响。

如果AI先替代例行工作，低薪初级岗位减少，那么留在样本中的员工平均工资可能上升。“最便宜的工人从数据中消失了。没有人加薪，但工资上升了。”

SemiAnalysis监测到，AI暴露度较高行业的就业相对整体经济走弱，但这些表现较弱的细分行业反而出现相对工资上升。报告把这种就业和工资的错配，视为AI替代可能造成的统计痕迹之一。

另一个信号来自token使用。

Anthropic 2026年3月Economic Index数据显示，37%的token用于计算机和数学相关领域。

但同时，软件投资对GDP的贡献尚未脱离AI之前的趋势，甚至还没有创历史新高。

这可能是新增型暗产出的早期迹象：大量AI使用发生了，但尚未在传统GDP软件投资项中明显体现。

市场为什么要关心这个统计问题

宏观数据仍是观察经济的最好工具。投资者用它判断繁荣是否真实，政策制定者用它权衡失业和通胀，企业用它决定招聘、自动化或扩产。

但如果AI打断了“劳动—产出—价格—行业”之间的数据链条，决策可能变差。

刚上任的美联储主席沃什曾在2025年12月说：“如果你盯着数据看，我的观点是你是在看后视镜。你会迟到。你不会意识到这个国家能够以更快速度实现非通胀增长。所以你必须下注。”

而如果AI带来的产出先于统计确认出现，投资者和政策制定者可能在一段时间内只看到两类数据：一边是数据中心、GPU、电力、水和token支出的上升；另一边是就业变化、工资结构变化和服务业收入变化。

这种情况下，AI可能在数据中看起来像成本上升，甚至像产出下降；但在企业内部和用户体验上，部分工作实际已经更便宜、更快完成。

统计会在哪里断裂

SemiAnalysis列出四类主要断裂点。

第一，边界转移。过去在市场上购买的服务，转为企业或家庭内部用AI完成。比如付费研究简报变成内部AI工作流，外包任务变成员工提示词。价值可能仍在，但让它可见的交易消失了。

第二，价格坍塌。服务业没有真正独立的数量和质量单位。如果统计只看到收据减少、平均工资上升，就可能读成“通胀更高、生产率和产出下降”。

第三，行业错配。AI可能在一个行业创造价值，但收入却记在另一个行业。例如医院用AI处理文书，价值体现在医疗服务效率中，但交易可能只显示为AI公司或软件公司的收入。报告称，这会让AI供应商看起来像价值来源，而采用AI的行业看起来停滞。

第四，新增工作不可见。比如用AI为会议准备人物档案，花费只是几个token，但使用者可能因此准备更充分。报告称，这类价值没有清晰收据，很难进入传统账户。

这不是统计体系第一次漏掉经济活动

相关研究显示，英国国家统计局曾估算家庭生产相当于被衡量GDP的63.1%；国际劳工组织估算，全球每天有164亿小时无偿照护工作，价值每年11万亿美元，相当于全球科技行业规模的三倍。

GDP核算边界长期会漏掉没有市场交易的生产活动。AI可能让更多信息工作从“有价格、可统计”的区域，转移到“有产出、无清晰价格”的区域。

不过，SemiAnalysis当前框架只衡量有工资、有就业、有任务分类的市场劳动，不衡量无偿照护、家庭生产或非正式经济中的AI使用。这是数据可审计性所限，不是问题不存在。

监测器能说什么，不能说什么

SemiAnalysis强调，其“暗产出监测器”现在展示的是压力地图，不是裁员预测，也不是暗产出预测。

它跟踪任务、职业、工资、证据层级、token成本和可能对应的全职岗位替代规模。这些属于劳动侧和投入侧指标，足以显示哪些地方替代经济性已经出现。

但高暴露行业不等于岗位已经消失。应该把它理解为：任务可识别、工资池较大、市场证据较强、token成本足够低，替代的经济条件已经可见。

至于最后会出现大规模替代，还是需求扩张、AI增强和新增工作吸收冲击，报告称仍需时间验证。

SemiAnalysis最后写道：“暗产出不是否认AI成本的理由，而是要求我们去衡量账本的另一边。”

换句话说，AI的土地、电力、水、芯片、岗位冲击和token支出已经能被市场看到。但问题是：如果AI正在创造类似工业革命级别的变化，经济数据是否也需要看到那些没有清晰发票、没有传统单位、没有稳定行业归属的产出。