广发宏观：AI不会推翻宏观经济规律，但会改变很多规律里的“参数”、传递路径和传导速度。

报告摘要

AI不会推翻宏观经济规律，但会改变很多规律里的“参数”、传递路径和传导速度。它既会影响总供给（全要素生产率），又会影响总需求（通过投资、场景、就业），又会借助供给和需求进一步作用于经济周期等层面。AI会影响哪些宏观规律？在本篇报告中，我们将基于十个不同的层面对此做出探讨。

第一是经济增长模型。传统经济增长模型主要依赖于三个变量：劳动力、资本、全要素生产率。AI作为一个新参数，其影响一是改变劳动、资本的形态，通过“智能资本”要素替代和增强劳动，缓解传统要素的边际报酬递减；另一方面通过“自我迭代式创新”，大幅提升了技术和知识创造的内生性，使技术不再是一个外生变量，而是随数据、算力、算法的积累而自我加速。理论上来讲，AI将大概率提高潜在增长率，这一点有待于在未来10年全球经济增长的数据中观察。

第二是生产率。从目前情况来看，“索洛悖论”可能会重现，即微观效率先出现、宏观效率后出现。“索洛悖论”是经济学家罗伯特·索洛在1987年提出的一个经典观察：“到处都能看到计算机时代，唯独在生产率统计中看不到”；但事后来看，计算机更进一步普及之后，其对于劳动生产率的影响就变得更为明显。AI大概率也会经历这一过程。我们理解这是因为通用技术通常要经历“生产率J型曲线”，即企业先投入硬件、模型、数据、组织改造和流程重构，短期成本上升、利润下降；等商业模式和组织结构适配后，生产率才集中释放。

第三是劳动力市场。我们目前的理解一是长期就业中性；二是短期可能会靠近Acemoglu的框架，先经历“替代效应”，再经历“复原效应”，美国最新非农就业数据显示部分AI高暴露行业的就业影响开始出现；三是会出现“任务重组”，从而导致岗位分布的变化；四是劳动力市场可能会出现收入结构的调整；五是非差异性劳动的相对议价能力可能会出现下降。

第四是通胀。从长期来看，AI可能会降低产品、服务生产的边际成本，即供给曲线右移，从而有利于压低通胀，这也是目前有研究在探讨的“AI长期通缩效应”；但从短期来看却未必：一则企业大规模投资芯片、服务器、数据中心、电力、通信，带来额外投资；二则它导致上游资源品，比如有色金属等，短期内面临额外的需求增长推高价格；三则它也在新产业内带来收入效应，从而向地产、消费等领域传递。所以，AI 初期可能是“投资拉动型升通胀”，中后期可能是“生产率提升型降通胀”。

第五是菲利普斯曲线。传统的菲利普斯曲线（Phillips Curve）描述的是失业率与通货膨胀之间的替代或者政策在二者之间的取舍：经济扩张时失业率下降，工资和物价上涨压力增大，通胀上升；经济收缩时失业率上升，工资和物价下行压力加大，通胀下降。但在AI时代，菲利普斯曲线可能会变化。一则是在AI影响初期，对就业的替代导致失业率上升、对资源品的竞争导致通胀率上升，从而导致“双高”；二则是在AI应用成熟之后，价格调整粘性可能会显著下降。BIS指出，AI驱动的数据处理和算法定价会让企业更快识别需求变化并调整价格，这会改变通胀对宏观冲击的反应速度。

第六是资本开支周期。AI支出作为资本开支，按说会符合“朱格拉周期”的规律。但实际上它要复杂很多：一则它作为新一代通用技术，具有一定康波周期的特征，产业预期在久期上会显著更长，比如对于盈利期拉长的容忍；二则AI投资具有“赢家通吃”和“加速回报”特征，头部企业的超大规模资本开支会形成事实上的行业准入壁垒，使得传统周期中依靠价格信号引导的分散决策失效；三则AI资本开支伴随着前沿研究的探索，算力、算法等领域的关键突破或者技术路径变化会突然使既有开支部分变“沉没成本”，并触发一轮全新的、更高量级的投资浪潮，传统周期中的“折旧－更新”逻辑被“颠覆－重置”逻辑取代。上面几个特征影响下的资本开支周期会呈现多少年的周期特征？这一点目前能见度较低，仍需审慎观察。

第七是货币政策。AI影响初期，货币政策判断难度将显著加大。美联储主席提名人沃什在近期听证时也指出，相对于对产出的影响，AI对于就业的影响他也不太确定。所以，对于2026年年中阶段来说，市场很少见地出现加息、降息预期并存的情况。在AI成熟应用之后，逻辑上货币政策的滞后效应可能会下降：一则企业和消费者对利率变化的反应可能更快，因为AI提高了预测、定价、风控、库存管理能力，算法定价也可能缩短政策传导到通胀的时间；二则AI改变收入和财富分布，会影响消费倾向及需求对利率的敏感度。

第八是财政领域。从长期来看，如果全球范围内AI的发展使劳动份额收入趋降，资本收入结构分化，头部平台、算力所有者、知识产权持有人存在超额收益，那么财政税基可能会从以劳动所得、消费流转和企业常规利润为主，逐步转向以资本利得、平台超额利润、数据要素价值、算力基础设施租金、知识无形资产为代表的新税基，同时财政的转移支付任务将进一步有所强化。

第九是国际分工和专业化。传统全球化里，低成本劳动力、土地、制造领域的规模经济是核心竞争优势；AI时代，新的竞争优势会转向算力基础设施、能源供给、数据资源、工程师红利等变量。低成本劳动力不再天然构成护城河，因为一部分可离岸、可标准化、可文本化、可流程化的任务会被AI较大幅度替代。在前期报告《AI浪潮下的就业：关于既有经典研究的综述》中，我们也以印度、菲律宾为例，探讨过AI对于外包市场的影响。

第十是资产定价。AI对通胀的影响不一，从而导致不同市场债市表现分化：产品和服务供给能力较强的经济体往往能有效控制通胀，从而AI定价对利率的影响主线更多是传统部门的融资收缩，债券会走牛；产品和服务供给能力较弱的经济体正好相反，资源品和消费品推高通胀，导致债券走熊。对股票来说，影响一是在营收上，AI作为一轮通用技术变革，会导致“新老资产”收入预期分化加大；二是在贴现率上，由于AI头部企业的商业模式和盈利较早形成，不同于传统科技股，其对于利率等贴现指标的敏感度下降；三是在风险溢价上，若AI能够通过供给变革长期降低经济波动率，则市场要求的股权风险溢价（ERP）可能系统性下降，支撑更高的估值中枢。同时，AI作为技术革命，其“导入期”和“展开期”的规律亦值得重视：在导入期上游具备稀缺性，往往有逐步泡沫化的风险；在展开期上游要素价格下降，大规模应用拓展下游商业模式的价值。

正文

AI不会推翻宏观经济规律，但会改变很多规律里的“参数”、传递路径和传导速度。它既会影响总供给（全要素生产率），又会影响总需求（通过投资、场景、就业），又会借助供给和需求进一步作用于经济周期等层面。AI会影响哪些宏观规律？在本篇报告中，我们将基于十个不同的层面对此做出探讨。

第一是经济增长模型。传统经济增长模型主要依赖于三个变量：劳动力、资本、全要素生产率。AI作为一个新参数，其影响一是改变劳动、资本的形态，通过“智能资本”要素替代和增强劳动，缓解传统要素的边际报酬递减；另一方面通过“自我迭代式创新”，大幅提升了技术和知识创造的内生性，使技术不再是一个外生变量，而是随数据、算力、算法的积累而自我加速。理论上来讲，AI将大概率提高潜在增长率，这一点有待于在未来10年全球经济增长的数据中观察。

[1]Bresnahan and Trajtenberg（1995）关于通用技术的经典框架强调，一项技术只有同时具备广泛适用、自身持续改进和诱发互补创新，才可能成为长期增长引擎，大体上，AI符合这三个条件。[2]Aghion et al.（2019）把AI作为一个新变量放入自动化和知识生产函数，正是为了说明AI既可能改变生产环节，也可能改变创新环节，而且具备快速迭代的可能性。[3]Filippucci et al.（2024）将AI类比为蒸汽机、电力和互联网，不仅影响单个行业，而且能对跨行业生产率、创新和社会福利产生潜在影响。从通用技术特性的角度来看，AI毫无疑问能够提升潜在增长率。

然而，既有研究对于AI能在多大程度上提高增长率这个问题上存在重要分歧。[4]Aldasoro et al.（2024）的研究认为，AI通过提高生产率，会在短期和长期都提高总产出、消费和投资。[5]OECD的对G7国家测算发现，若AI采用速度较快且互补投资到位，AI能够为劳动生产率提供可观增量。[6]Aghion and Bunel（2024）通过历史类比法（对比电力革命与IT革命）对AI带来的生产率增速进行了区间估算，结果显示，未来十年内AI将使总生产率增长率每年提高0.8至1.3个百分点，使全要素生产率（TFP）年均增长率提高0.68个百分点。

与之相对，还有一些研究结论则相对保守。[7]Eloundou et al.（2024）估计未来约20%的任务可能受到AI影响，[8]Svanberg et al.（2024）估计10年内真正具有成本优势、适合由AI执行的任务比例约为23%。[9]Acemoglu（2024）将上述两项数字相乘，估计未来10年AI实际影响的工作任务份额仅约4.6%（20%*23%），并测算出未来10年AI带来的GDP增幅约为1.16%，TFP增幅不超过0.66%（年均0.07个百分点）；考虑到后续被AI影响的任务可能更复杂、学习难度更高、结果衡量更困难，10年AI带来的TFP增幅将进一步降至低于0.53%。

当下，劳动力数量增长放缓后，增长更依赖资本深化和TFP，AI若能进入制造质检、工业软件、供应链排程、研发设计和公共服务等领域，就可能对冲部分人口压力，反过来，如果AI主要停留在简易内容生成和办公自动化层面，其对潜在增速的贡献就会明显弱于市场预期。

第二是生产率。从目前情况来看，“索洛悖论”可能会重现，即微观效率先出现、宏观效率后出现。“索洛悖论”是经济学家罗伯特·索洛在1987年提出的一个经典观察：“到处都能看到计算机时代，唯独在生产率统计中看不到”；但事后来看，计算机更进一步普及之后，其对于劳动生产率的影响就变得更为明显。AI大概率也会经历这一过程。我们理解这是因为通用技术通常要经历“生产率J型曲线”，即企业先投入硬件、模型、数据、组织改造和流程重构，短期成本上升、利润下降；等商业模式和组织结构适配后，生产率才集中释放。

[10]Noy and Zhang（2023）在其实验中发现，ChatGPT能显著缩短写作任务时间并提高质量；[11]Brynjolfsson et al.（2023）在真实客服场景中发现，生成式AI助手提升劳动生产率，尤其帮助低经验员工追赶高绩效员工。然而，[12]Yotzov et al.（2026）对近6000名企业高管的调查显示，过去三年多数企业认为AI对就业和生产率影响很小，未来三年预期才明显上升；此外，约69%的企业主动使用AI，但高管个人平均每周使用仅约1.5小时。[13]Bonney et al.（2026）补充调查进一步说明，2025年11月至2026年1月期间，18%的美国企业在业务职能中使用AI，按就业加权为32%，但使用者大都集中在信息和金融部门，且集中在写作、文档分析和信息搜索等任务层面，而非直接产出可计量价值的层面。

微观实验和宏观感知之间存在落差，这一现象可由[14]Brynjolfsson et al.（2021）的“生产率J型曲线”理论解释：通用技术的扩散并不是买入技术并立刻增产的线性过程，而是投资、积累，然后释放的滞后过程。AI真正创造价值，往往需要企业同时重写业务流程、重组岗位分工、积累数据资产、培训员工、调整管理制度，甚至重新设计产品和商业模式；但这些投入在会计和国民账户中常常被记为当期成本，而不是未来能够产生收益的资本。因此，在AI采用早期，企业的显性支出增加，员工时间被用于试错和学习，原有流程反而可能被打乱，统计上就表现为生产率和利润率承压；等到组织、数据和人力资本逐渐适配，前期积累的无形资产开始转化为更高产出，生产率才会加速上行。这一现象被称为“生产率J型曲线”。这意味着，AI早期可能引发的生产率下降并不必然说明技术无效，更可能是新一轮通用技术扩散中典型的测度滞后和组织滞后。[15]SUERF的政策简报也把AI类比为蒸汽机、电力、互联网等通用目的技术，强调采用初期往往较慢，随后才可能加速。

对宏观分析来说，AI的早期阶段可能表现为资本开支上升，而不是利润率立即上升。数据中心、芯片、光模块、电力、冷却、通信网络先受益，终端行业的效率兑现则更滞后。不过，不能把所有滞后都解释为“生产率J曲线”。若企业缺乏高质量产品，管理层只把AI当作削减人手工具，AI投资可能长期停留在试点阶段。真正积极的宏观信号绝不是仅仅看企业AI普及率，而是企业真正将AI应用于真实生产的各个环节，一旦如此，所谓“索洛悖论”也将相应消失。

第三是劳动力市场。我们目前的理解一是长期就业中性；二是短期可能会靠近Acemoglu的框架，先经历“替代效应”，再经历“复原效应”，美国最新非农就业数据显示部分AI高暴露行业的就业影响开始出现；三是会出现“任务重组”，从而导致岗位分布的变化；四是劳动力市场可能会出现收入结构的调整；五是非差异性劳动的相对议价能力可能会出现下降。

[16]Autor（2015）在其经典论文中指出，从历史经验看，过去两百年的自动化并未使人类劳动整体过剩，20世纪美国就业人口比率长期上升，失业率虽有周期波动，却没有呈现由技术进步导致的长期上升趋势，一个重要的原因在于自动化在提高生产率后，会降低价格、扩大收入和需求，并在未被自动化的任务和新兴部门中重新创造劳动需求。技术消灭的是具体岗位和具体任务，劳动需求会沿着新的产品、新服务和新组织方式重新生成。长期来看，就业将保持中性。

短期视角下，Acemoglu在[17]The Race between Man and Machine和[18]Automation and New Tasks这两篇论文中，强调了自动化对劳动力影响的两种效应：（1）替代效应（Displacement Effect），指自动化使资本在原本由劳动力执行的任务上更具优势，直接导致劳动需求下降和劳动份额萎缩，替代效应的关键在于边际成本，若AI能以更低的边际成本完成某项任务，企业对执行这些任务的劳动需求就会下降。（2）复原效应（Reinstatement Effect），指技术进步创造出劳动具有比较优势的新任务，使劳动重新进入生产过程，[19]Acemoglu and Restrepo（2019）强调，过去两百年劳动没有被机器系统性挤出，核心原因之一就是新任务不断出现，自动化压缩旧任务，技术变革又创造新任务，两种力量共同塑造劳动需求。

在报告《AI和地缘影响下菲利普斯曲线还能稳定吗》中，我们曾指出，5月初公布的4月美国非农就业数据虽然依然不错，但信息业（-1.3万人）和金融业（-1.1万人）这两个距离AI应用最近的行业就业下降明显，这意味着AI高暴露行业的就业变化开始出现，后续怎么演变存在不确定性，需要继续观察。

劳动力市场将出现“任务重组”。首先是任务替代，过去自动化主要冲击流水线岗位、流程型后台岗位等蓝领岗位，但[20]Eloundou et al.（2023）关于AI暴露度的研究显示，高工资、高教育和白领职业的暴露度更高。[21]Anthropic用Claude真实使用数据构造“观察暴露度”，发现计算机程序员、客服代表、数据录入员、医疗记录专员、市场研究分析师和金融投资分析师等岗位实际暴露较高；[22]Brynjolfsson et al.（2025）基于ADP工资单数据的研究则显示，AI高暴露职业中的早期职业劳动者就业承压更明显。[23]Acemoglu et al.（2022）利用在线招聘数据发现，AI扩散早期更明显的变化是AI相关技能需求和岗位结构调整，而不是总体就业立刻大幅收缩。其次是任务增强，[24]Brynjolfsson et al.（2023）在真实客服场景中发现，生成式AI助手的确能够提升劳动生产率，尤其帮助低经验员工追赶高绩效员工，这说明AI可能成为组织知识扩散工具。[25]Autor（2024）提出的“AI赋能中产”理论进一步指出，如果AI把专家判断和复杂规则嵌入普通劳动者流程，它可能扩大中等技能劳动者可胜任的任务边界，而不是简单扩大少数专家的优势。这意味着，就业总量未必马上下降，但岗位结构、任务结构会快速换挡。

劳动力市场还将经历收入结构调整。AI普及后，企业生产函数中的关键投入可能从一般劳动，转向算法、数据、芯片、云平台和专有流程，劳动者即使仍在岗位上，其收入份额也可能因可替代任务增加而承压。[26]Acemoglu and Restrepo（2022）的任务框架说明，当自动化逐渐替代传统劳动任务，而新任务创造不足时，劳动需求和劳动份额会下降。AI把这种机制从体力和例行任务推进到认知任务，因此资本相对劳动的议价能力可能进一步增强。

这会改变收入分配规律。会用AI的人，边际产出提高，不会用的人，议价能力下降。[27]正如Autor（2024）所指出的，如果AI被用作提升普通劳动者的专业判断能力，那么它可能赋能部分中等技能岗位；但如果企业主要把AI用于节省人工成本，收益就更容易集中到少数高技能员工和企业资本端，掌握AI工具、拥有数据资源、能把模型嵌入业务流程的个人和企业获得更高回报。

一个自然而然的宏观结果是，劳动收入占GDP的比例可能承压，资本收入、知识产权收入、平台利润、算力基础设施回报上升。若AI主要由大模型、云平台、芯片和数据资产承载，技术红利就未必充分进入工资账户，而可能更多进入利润、无形资产和资本市场估值。从这个角度讲，AI大概率会加剧收入不平等问题。

对宏观经济而言，劳动收入份额下降不是劳动市场内部的局部问题，因为宏观需求取决于收入分配。工资收入者的消费倾向通常更高，资本收入者储蓄倾向更高。如果AI收益高度集中，就可能出现供给能力上升，但居民消费跟不上的结构性矛盾。因此，AI对劳动收入份额的影响，会进一步传导至消费、通胀、财政和货币政策，这是接下来探讨的重点。

第四是通胀。从长期来看，AI可能会降低产品、服务生产的边际成本，即供给曲线右移，从而有利于压低通胀，这也是目前有研究在探讨的“AI长期通缩效应”；但从短期来看却未必：一则企业大规模投资芯片、服务器、数据中心、电力、通信，带来额外投资；二则它导致上游资源品，比如有色金属等，短期内面临额外的需求增长推高价格；三则它也在新产业内带来收入效应，从而向地产、消费等领域传递。所以，AI初期可能是“投资拉动型升通胀”，中后期可能是“生产率提升型降通胀”。

[28]Aldasoro et al.（2024）把AI视为同时作用于供给和需求的技术冲击，其中供给侧效率改善具有提高潜在产出、缓解价格压力的作用；但与此同时，AI的净通胀影响不确定，取决于供给扩张和需求扩张谁更快，也取决于采用阶段和行业暴露差异。[29]Lenzu（2026）从货币政策的角度指出，AI会同时改变成本、需求、预期和潜在产出。央行如果把AI简单视作通缩因素，就可能低估资本开支、财富效应和能源瓶颈；如果只看AI投资需求，又可能低估技术成熟后的供给扩张。

能源约束会让这种阶段性特征更明显。[30]国际能源署（IEA）的报告指出，数据中心和AI相关算力会提高电力需求，并使电网、储能、冷却和清洁电源投资成为AI扩散的重要约束。若算力扩张快于电力和基础设施供给，短期可能形成局部成本压力；若电力、芯片和网络投资跟上，长期才更可能释放降本效应。上游资源品的价格也被额外需求迅速推高，带来通胀压力。

通胀分析还需要考虑价格指数的测量偏误。AI可能提高服务质量、响应速度和个性化程度，但价格指数未必充分记录这些质量改善；相反，若企业利用算法做差别定价，消费者实际支付价格的分布可能更分散。平均通胀率看似稳定，但不同群体、不同平台和不同地区的实际价格体验可能分化。

第五是菲利普斯曲线。传统的菲利普斯曲线（Phillips Curve）描述的是失业率与通货膨胀之间的替代或者政策在二者之间的取舍：经济扩张时失业率下降，工资和物价上涨压力增大，通胀上升；经济收缩时失业率上升，工资和物价下行压力加大，通胀下降。但在AI时代，菲利普斯曲线可能会变化。一则是在AI影响初期，对就业的替代导致失业率上升、对资源品的竞争导致通胀率上升，从而导致“双高”；二则是在AI应用成熟之后，价格调整粘性可能会显著下降。[31]BIS指出，AI驱动的数据处理和算法定价会让企业更快识别需求变化并调整价格，这会改变通胀对宏观冲击的反应速度。

AI会放大油价、汇率等冲击对通胀的传导，也会让央行更难判断价格变化究竟来自需求过热、成本冲击、市场势力还是数据驱动的快速调价。对监管而言，AI冲击的特点在于它介于效率提升和经济波动之间。更快调价可以减少库存错配、改善资源配置，也可能使企业更精细地提取消费者剩余，甚至在没有显性协议的情况下形成类似合谋的均衡；但更快的价格变化也可能推高经济走势快速切换，甚至大起大落的风险。

AI算法本身在定价策略中的应用，也会改变价格形成路径。[32]Colliard et al.（2026）研究算法化做市，发现自学习报价系统能够提高信息处理和流动性供给效率，但也可能因策略互动、模型相似和市场压力改变冲击传导。AI进入二级市场微观结构后，价格调整速度变快，市场波动也可能更同步，这意味着菲利普斯曲线短期观测中的斜率和稳定性可能下降。同时，AI算法并不必然导致一个更有效率的定价，相反，其可能助长垄断与合谋。[33]Calvano et al.（2020）等在寡头重复定价环境中研究Q-learning定价算法，发现即使没有明示算法进行沟通，算法也可能学会维持高于竞争水平的价格。这说明AI可以提高效率，也可能强化市场势力和默示合谋风险。传统反垄断更习惯识别沟通和协议，而AI时代需要更多关注算法目标函数、训练环境、数据共享和平台市场结构。

第六是资本开支周期。AI支出作为资本开支，按说会符合“朱格拉周期”的规律。但实际上它要复杂很多：一则它作为新一代通用技术，具有一定康波周期的特征，产业预期在久期上会显著更长，比如对于盈利期拉长的容忍；二则AI投资具有“赢家通吃”和“加速回报”特征，头部企业的超大规模资本开支会形成事实上的行业准入壁垒，使得传统周期中依靠价格信号引导的分散决策失效；三则AI资本开支伴随着前沿研究的探索，算力、算法等领域的关键突破或者技术路径变化会突然使既有开支部分变“沉没成本”，并触发一轮全新的、更高量级的投资浪潮，传统周期中的“折旧－更新”逻辑被“颠覆－重置”逻辑取代。上面几个特征影响下的资本开支周期会呈现多少年的周期特征？这一点目前能见度较低，仍需审慎观察。

[34]美联储指出，AI投资不是一般IT费用，而是同时连接制造业、能源、地产、金融和服务业的资本开支链条。AI投资会通过建设支出、设备采购、电力需求和进口需求进入宏观总量，同时也会通过企业估值、融资条件和地方投资影响经济周期。因此它会带来类似电气化、铁路、互联网的大型投资周期。

宏观上要区分两种AI投资。有效投资能够降低企业成本、提高产出、创造新产品，并成为未来潜在GDP的一部分；泡沫投资则表现为重复建设、低利用率算力、没有商业闭环的应用，最终形成资产减值和金融风险。[35]生产率J曲线告诉我们，早期投资未必马上变成利润，但这并不意味着所有投资都有效。这对宏观判断很重要。如果资本市场先把AI定价为高增长，而企业实际采用又因数据、流程、人才和电力约束而滞后，经济会快速经历需求扩张、估值上升和资本开支加速，但长期潜在供给又不足。正如[36]Babina et al.（2024）所指出的，AI会创造更高的Beta。

AI资本开支还会改变产业链景气顺序。上游芯片、先进封装、服务器、电源、液冷、光模块和数据中心建设最先受益；随后是云服务、模型训练、企业软件和行业解决方案；最后才是终端行业利润率和劳动生产率。如果只观察下游利润，容易低估早期资本品周期；如果只观察上游订单，又可能高估最终应用兑现。AI资本市场中，资金总体呈现在不同产业链环节不断切换、有序轮动的特点。

风险方面，AI放大了市场估值的不确定性，尤其是当多数市场参与者基于同一技术或赛道形成集体性乐观预期时，可能形成自我强化的增长泡沫；反之，当预期修正或认知反转发生时，估值坍塌也将迅速发生。[37]FSB（2024）强调，金融机构和实体企业对云、模型、芯片和关键第三方服务商的依赖上升，会把局部运营风险转化为系统性风险。若多个机构依赖相同模型、相同数据和相同云基础设施，压力时期的组合调整可能更同质，流动性冲击也可能更集中。

第七是货币政策。AI影响初期，货币政策判断难度将显著加大。美联储主席提名人沃什在近期听证时也指出，相对于对产出的影响，AI对于就业的影响他也不太确定。所以，对于2026年年中阶段来说，市场很少见地出现加息、降息预期并存的情况。在AI成熟应用之后，逻辑上货币政策的滞后效应可能会下降：一则企业和消费者对利率变化的反应可能更快，因为AI提高了预测、定价、风控、库存管理能力，算法定价也可能缩短政策传导到通胀的时间；二则AI改变收入和财富分布，会影响消费倾向及需求对利率的敏感度。

[38]AI重塑劳动力和资本市场，会影响收入财富分布、消费模式和信用获得，从而改变货币政策传导路径，而更快的价格调整则可能减少货币政策的滞后性。[39]Lenzu（2026）把AI对央行的影响分成周期传导、结构转型和金融稳定三条通道。短期内，AI改变成本传导、定价行为和预期形成；长期看，AI可能移动潜在产出和自然利率；金融层面，过高预期、估值泡沫和模型同质化可能放大系统性风险。

金融机构自身使用AI也会改变货币政策传导。[40]国际金融稳定委员会（FSB）的报告强调，AI可以改善信用评估、欺诈识别、交易、合规和监管科技，但也会带来第三方依赖、模型不可解释、数据质量、网络安全和市场相关性风险。

AI时代宏观经济调控也面临重大挑战。[41]首先，数字技术的创新路径并非线性，市场和监管者无法准确预测，而现有政策工具多依赖于对宏观变量的滞后观测与历史经验判断，难以及时响应。其次，数字经济的快速演化模糊了市场与监管的边界，使政策界定本身也更为复杂。在很多时候，过度干预可能抑制技术扩散与创新活力，影响长期增长潜力，但监管缺位可能导致新兴技术的滥用、算法垄断或数据滥采滥用等问题，引发新的系统性风险。

因此央行面对AI时代的难题是，模型要更实时，但经济结构也更不稳定，央行不能只看总量产出缺口和滞后通胀，还需要监测AI相关资本开支、企业采用强度、劳动再配置、算法定价、数据中心能耗和核心资产估值等。

第八是财政领域。从长期来看，如果全球范围内AI的发展使劳动份额收入趋降，资本收入结构分化，头部平台、算力所有者、知识产权持有人存在超额收益，那么财政税基可能会从以劳动所得、消费流转和企业常规利润为主，逐步转向以资本利得、平台超额利润、数据要素价值、算力基础设施租金、知识无形资产为代表的新税基，同时财政的转移支付任务将进一步有所强化。

具体而言，一国宏观财税环境将面临几个新的转变。

一，社保缴费基础可能变弱。若AI对入门岗位、流程化岗位和部分认知劳动形成替代，劳动收入增速和劳动收入份额可能承压，工资相关税费和社保缴费的基础也会相应变窄。

二，教育、再培训和失业保障支出会上升。AI带来的劳动市场冲击主要不是一次性的总量失业，而是持续性的岗位重组和技能错配。文案、客服、编程、金融分析、法务助理、行政支持等岗位如果被部分替代，财政政策就需要更多承担职业培训、继续教育、失业保险、工资保险和区域转岗补贴等支出。

三，政府可能更依赖数字基础设施、算力、电力和数据产业形成新税源。过去财政高度依赖土地、地产链条和传统制造业税源，未来可能试图通过算力基础设施、能源配套和数据产业培育新的财政增长点。

四，资本跨境流动和无形资产定价会让税收征管更难。AI价值链包含无形资产、数据、算法、云服务和跨境软件收入，利润可能在不同辖区之间转移；算力、电力和数据中心又具有明显地域属性。未来财政制度可能需要同时面对数字服务税、资本利得税、企业利润税、社保缴费和数据/算力相关税基之间的重新平衡。

因此，国家财政政策的重心应当有所转移。如果财政政策只关注短期投资和项目建设，AI可能带来重复建设、低利用率算力和长期资产减值风险；如果财政政策能够把AI投资引向真实生产率提升，并通过税制、教育、社保和转移支付机制补偿受冲击群体，那么AI才更可能从少数企业和少数资本所有者的收益，转化为更广泛的社会福利。[42]IMF指出，财政政策既要支持技术扩散，也要保护受冲击劳动者，并通过税收和转移支付机制避免AI收益过度集中。[43]美国国会预算办公室（CBO）从美国联邦预算角度指出，AI会通过生产率、工资、企业利润、资产价格和政府支出等渠道改变财政基准，其影响不是简单增收或减支，而是改变预算预测中的经济参数。

第九是国际分工和专业化。传统全球化里，低成本劳动力、土地、制造领域的规模经济是核心竞争优势；AI时代，新的竞争优势会转向算力基础设施、能源供给、数据资源、工程师红利等变量。低成本劳动力不再天然构成护城河，因为一部分可离岸、可标准化、可文本化、可流程化的任务会被AI较大幅度替代。在前期报告《AI浪潮下的就业：关于既有经典研究的综述》中，我们也以印度、菲律宾为例，探讨过AI对于外包市场的影响。

[44]Cerutti et al.（2025）的研究把国家间差异拆成AI暴露度、准备度和技术获取条件。先进经济体由于职业结构、数字基础设施和制度准备度更高，更可能先获得AI生产率收益；低收入和部分新兴经济体虽然短期AI暴露度较低，但也可能因基础设施、技能、数据和算力不足，难以获取AI红利，从而加剧国家之间的不平等。[45]Gambacorta et al.（2025）也得到类似结论：AI收益更可能集中在知识密集部门占比较高、数字基础设施和制度准备度更好的经济体。生成式AI不是天然普惠的生产率冲击，它可能强化技术中心国家、云和模型平台、半导体供应链和能源资源充足地区的优势。这意味着，AI可能不是天然促进全球收敛，反而可能强化技术中心国家和算力（等配套项目）强势国家的优势。

AI还会放大地缘政治对全球产业链的影响。先进芯片、关键设备、云服务和模型生态已经成为各国战略竞争的重要对象，出口管制和供应链安全等都会影响全球高新技术扩散速度。以AI为代表的一系列高新技术发展不只是企业效率问题，也是国家能力、产业政策和国际规则问题。对于一些国家而言，其竞争优势可能是原始技术开发、模型参数等，对另一些国家而言，竞争优势则是产业场景、制造体系、工程师供给、电力和通信基础设施。未来的国际分工和专业化趋势，很大程度上取决于各国在AI产业的相对竞争优势。

第十是资产定价。AI对通胀的影响不一，从而导致不同市场债市表现分化：产品和服务供给能力较强的经济体往往能有效控制通胀，从而AI定价对利率的影响主线更多是传统部门的融资收缩，债券会走牛；产品和服务供给能力较弱的经济体正好相反，资源品和消费品推高通胀，导致债券走熊。对股票来说，影响一是在营收上，AI作为一轮通用技术变革，会导致“新老资产”收入预期分化加大；二是在贴现率上，由于AI头部企业的商业模式和盈利较早形成，不同于传统科技股，其对于利率等贴现指标的敏感度下降；三是在风险溢价上，若AI能够通过供给变革长期降低经济波动率，则市场要求的股权风险溢价（ERP）可能系统性下降，支撑更高的估值中枢。同时，AI作为技术革命，其“导入期”和“展开期”的规律亦值得重视：在导入期上游具备稀缺性，往往有逐步泡沫化的风险；在展开期上游要素价格下降，大规模应用拓展下游商业模式的价值。

风险提示：AI技术的发展过程存在波折；AI技术发展过程中面临伦理、法律、基础设施、安全和市场等多方面的挑战；全球地缘政治风险；全球宏观经济变化超预期；逆全球化超预期；部分领域政策红利超预期；对已出台的相关政策理解不准确不到位。

本文源自：券商研报精选