Erik Brynjolfsson

資料來源#

• “We Must Act Now”: Sixteen Nobel Laureates Join Leading Economists and AI Researchers in Call to Prepare for AI’s Economic Transformation
• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence
• Experimental Evidence on the Learning Impact of Generative AI
• Helping People Choose Careers in the Age of AI
• The Shift to Agentic AI: Evidence from Codex
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise

摘要#

Erik Brynjolfsson 是史丹佛大學 Jerry Yang 與 Akiko Yamazaki 講座教授，也是 Stanford Digital Economy Lab 主任。他是此知識庫 ai-economics-and-labor 領域中引用次數最多的個別研究者，出現在十一個頁面上——而這個頁面之所以存在，是因為此處的「Brynjolfsson 發現……」有歧義，而這會改變一項主張的可信程度。共有五項不同作品以他的姓氏流傳。其中兩項是知識庫認可的論述框架，其中一項是獲得佐證最充分的經濟學論點；另外三項是具體的實證主張，知識庫彙整的證據對它們提出異議、認為已遭取代，或未能重現。

五項作品，以及它們與知識庫證據的對照結果#

1. Brynjolfsson、Rock 與 Syverson（2019）——現代生產力悖論。 通用技術帶來的生產力提升會落後於技術採用，因為這些效益有賴於流程、技能、組織設計與無形資本等互補投資。這是AI 的組織互補因素的理論主軸，該文並以 David（1990）的電氣化案例作為搭配。狀態：知識庫中最有力的 Brynjolfsson 主張；四項彼此沒有共用資料來源的測量都提供佐證——Emergence Capital 的每位員工營收落差、Ramp × Revelio 的強度門檻與 6 至 12 個月學習曲線、ICONIQ 的賦能／治理預算超支，以及 Kalff 與 Simbeck 對德國企業的研究（這些企業的進階分析因資料未集中而停滯）。

2. Brynjolfsson、Mitchell 與 Rock（2018）——SML 評分規準。 機器學習適用性：針對詳細工作活動進行眾包評分，依據 23 項因素的評分規準，採 1 至 5 分制。這是暴露度分類法：觀察到的、理論上的、報告的、預期的所列七種測量工具中的第 #6 項。狀態：大致已遭取代，也值得用來理解箇中原因。 它只用到名目量尺的 27%（美國經濟中的每個職業都落在 2.83 至 3.91 之間），與 Webb 2020、Frey 與 Osborne 2017 的測量結果「彼此之間或與後續測量結果幾乎沒有對應關係」；而且其暴露度與薪資的梯度從設計上就呈現持平至略微負向——評分規準將高風險任務評為較不適合 ML，在看到任何資料之前就先懲罰了職業複雜度。它內含「人際互動工作本質上構成自動化瓶頸」的假設；知識庫唯一的隨機化測試結果則不支持這個假設（受控變異：AI 以降低離散程度展現優勢：一個進行求職面試的 AI 語音代理帶來 +12% 的錄取率與 +18% 的入職率）。

3. Brynjolfsson、Chandar 與 Chen——「煤礦裡的金絲雀？」（2025 年 8 月，2026 年 8 月修訂）。 ADP 行政薪資微觀資料，每月平衡面板涵蓋 350 萬至 500 萬名員工，目前資料截至2026 年 6 月（煤礦裡的金絲雀？人工智慧近期就業效應的六項事實，empirical；參見Stanford Digital Economy Lab的測量工具注意事項）。六項事實中，最受矚目的是：AI 暴露度高的職業中，22 至 25 歲族群的就業人數比持續跟上暴露度較低同儕的增幅時少了約 19%；其他任何較年長族群都沒有類似落差，也沒有證據顯示全經濟範圍普遍出現人力取代。從人數變化來看：暴露度最高的兩個五分位組在 2022 年 11 月至 2026 年 6 月間下滑約 11%，暴露度最低的三組則成長約 10%。請仔細辨認不同版本——知識庫先前在這方面處理得不夠嚴謹。 論文在不同草稿間更換了主要指標：控制公司衝擊後的迴歸結果為 13%（2025 年 7 月資料）與 16%（2025 年 9 月資料）；目前的描述性持續跟上指標則為 15%（2025 年 7 月資料）與 19%（2026 年 6 月資料）。本頁先前引用的 −16% / +8% 數字是透過 Lovett 間接引用，而且是兩個版本以前的數字，採用的指標也已不再是作者的主要指標（於 2026-09-22 取代）。狀態：仍是知識庫中最尖銳、尚未解決的實證分歧，如今分歧的所在已明確定位。 Ramp × Revelio發現，密集採用 AI 的公司，其初階職位員工人數成長最快（24 個月內 +12.0%）。兩者都是 empirical，且依據不同的變異來源辨識效果；原因在於資料結構，而非方法偏好：ADP 的公司識別碼經過匿名化，因此 Canaries 根本無法觀察公司層級的採用情況。用來判別兩者的證據仍各有支持，而這篇論文也各增添一項：其州級採用程度分層資料顯示，年輕工作者的就業下滑在領先採用州最為明顯（暴露度最高五分位組約 −19%），這與 Ramp 的結果相左；另一方面，其公司內 Poisson 估計中，暴露度最高五分位組的數值隨不同版本遞減，目前資料已不再具統計顯著性（2025 年發布版為 −11.7 個對數點，p=0.02；依相同篩選條件分析的最新資料則為 −5.3，p=0.26），這是目前對他自身研究結果最有力的提醒。Canaries 仍是認知公地的悲劇再生論點的關鍵實證依據，而 2026 年 8 月的修訂也補上了背後機制——明示知識與默會知識的暴露度。

4. Brynjolfsson 等人（2025）——職場寫作同質化。 一項趨同研究：AI 輔助會縮小職場寫作的多樣性。狀態：在知識庫可檢驗的情況下未能重現。 生成式 AI 對學習的實驗性影響所報告的隨機化監考論文實驗發現，在 AI 開放使用的情況下，組內相似度維持不變。作者將差異歸因於任務結構——開放式論文題目容許多種有效答案，職場範本則否——因此這是適用範圍的限制，而非推翻原研究。

5.「我們現在必須行動」（2026 年 7 月 13 日）——他籌組的公開信。 他與 Ajay Agrawal（多倫多／Rotman）、Anton Korinek（維吉尼亞大學，並借調至 Anthropic）及 Tom Cunningham（METR）共同籌組，並由 Stanford Digital Economy Lab 宣布。狀態：practitioner-opinion，是重要的時代標誌，而非證據——見下文。

實務界的引用（Ng，2026 年 8 月）。 Andrew Ng提到「我在史丹佛的朋友 Erik Brynjolfsson、我在 MIT 的朋友 Andy McAfee」，引述他們以任務拆解法推導出不會發生工作末日的算術——經濟學家「會把工作拆成個別任務，也許 AI 能做……許多工作中的 30% 或 40%」，剩下的 60% 則「是經濟上的互補因素」（Andrew Ng：AI 最大的機會不在你以為的地方，Silicon Valley Girl，2026-08-28，practitioner-opinion）。這是作品 2 的脈絡（以任務為單位衡量適用性，那一系列彼此意見分歧的測量工具），被用來支持作品 1 的結論（互補性）；引用者是未指明任何具體論文的實務人士。同一場訪談中，主持人也轉述了作品 3；她先前曾在自己的 Podcast 邀請 Brynjolfsson 作客：「就業市場其實沒有太大影響，除了……18 到 25 歲、剛畢業的人」——這是 Canaries 在創作者經濟媒體中的流傳版本。Ng 的回應並未否認這點；他改以大學課程落後為由（課程「仍在教學生準備 2022 年的工作」），並提到他自己的 AI 原生實習生，對同一結果提出再培訓的解釋，而非否認這個結果（認知公地的悲劇採取再生論述，公司 AI 支出強度與員工人數成長則提供對照面板）。

「我們現在必須行動」#

包括十六位諾貝爾獎得主在內，超過 200 位經濟學家與 AI 研究人員簽署聲明，警告 AI 可能以超越工業革命的規模、並在短得多的時間內重塑經濟，呼籲經濟學家、政策制定者與科技領袖深入研究 AI 的經濟影響，並建立所需的政策與制度，確保 AI 能補足人類能力。Brynjolfsson 本人的說法，則是他 2019 年正向論點的規範性版本：「我們現在必須採取行動，引導 AI 補足人類，而非只是模仿人類——並為多數人而非少數人創造繁榮。」

若將它視為證據，價值不高——行動呼籲是主張，不是測量；200 個簽名也不等於 200 次測量。若將它視為有日期標記的經濟菁英觀點，則有其具體價值：它顯示 2026 年 7 月，經濟學界的資深人士認為這場轉變規模龐大、速度迅速，而且分配結果並非命中注定。信中引述的話也承認了知識庫能夠檢視的部分：Michael Spence 提到「影響的規模與時間點都高度不確定」，Cunningham 則坦率地說：「我們正行駛在迷霧之中。」

這種承認才是誠實的解讀，也符合整個資料集。四位籌組者當中，有一位所提出的暴露度測量工具，知識庫顯示其結果與另外六種工具不同，對職業暴露度高低的判斷也不一致；另一位則提出年輕族群遭裁減的結果，與知識庫的公司層級面板相牴觸。對於方向與急迫性的共識，與對於規模與影響對象尚未解決的分歧並存——簽署者名單內部也不例外。

相關連結#

• Stanford Digital Economy Lab——他所主持的實驗室，也是查閱每一項 Canaries 數據所附測量工具注意事項的地方
• 明示知識與默會知識的暴露度——他提出年齡梯度的機制，並在 2026 年 8 月修訂版中進行測量
• AI 的組織互補因素——生產力悖論的論述框架出自他手，也是知識庫介紹此框架的主要頁面；該頁也衡量信中關於時間表緊迫的主張
• 暴露度分類法：觀察到的、理論上的、報告的、預期的——第 #6 項測量工具（SML 2018）的作者；其暴露度與薪資梯度是兩項與最新四種工具結果相反的測量之一
• 公司 AI 支出強度與員工人數成長——本頁的初階職位研究結果與「煤礦裡的金絲雀」主張相左
• 認知公地的悲劇——Canaries 是公地再生論點的實證依據
• 受控變異：AI 以降低離散程度展現優勢——檢驗其 2018 年評分規準所包含「人際互動構成瓶頸」假設的隨機化結果測試
• 生成式 AI 對學習的實驗性影響——未能在開放式論文題目中重現的同質化研究結果
• Andrew Ng——引用他對任務拆解的算術推論，並以再培訓而非否認，回應主持人對 Canaries 的轉述

資料來源#

• “We Must Act Now”: Sixteen Nobel Laureates Join Leading Economists and AI Researchers in Call to Prepare for AI’s Economic Transformation — Matty Smith，Stanford Digital Economy Lab 新聞稿，2026-07-13（practitioner-opinion，558 字）：他的職稱與實驗室職務、公開信的籌組者，以及他引述的論述框架。僅採用總體數字——聲明全文與即時簽署者名單刊載於 wemustactnow.ai，未納入資料集
• Helping People Choose Careers in the Age of AI — Steele 與 Cruz（arXiv 2607.15506）：表 1 至表 2 對 Brynjolfsson 2018 年 SML 測量工具的描述、2.83 至 3.91 的範圍，以及薪資／複雜度梯度
• The Shift to Agentic AI: Evidence from Codex — OpenAI Codex 使用研究 §2：引用 Brynjolfsson、Rock 與 Syverson（2019）作為互補性／生產力悖論的文獻
• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment — Kharazian、Simon 與 Stevens §2：引用 Canaries 作為其初階職位研究結果所對照的相反主張
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Lovett（HRD Review）：該文所引用的 Canaries 數據（−16% / +8%）
• Experimental Evidence on the Learning Impact of Generative AI — Contractor 與 Reyes：將職場寫作同質化研究作為對照案例；他們的研究發現組內相似度不變
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 接受 Marina Mogilko 訪問，節目 Silicon Valley Girl（2026-08-28，practitioner-opinion）：他以「我的朋友 Erik Brynjolfsson……Andy McAfee」之名，歸屬 30–40% 任務數字的說法，以及主持人對 18–25 歲結果的轉述。攝取資料時已更正自動字幕中的「Eric Brennoffson」
• Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence — Brynjolfsson、Chandar 與 Chen，Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence，Stanford Digital Economy Lab，2026 年 8 月修訂，140 頁（empirical）。本文取代本頁先前依賴的二手引用：§1（版本演進）、§2.1–2.6（六項事實）、§6.3（州級採用程度分層）與附錄 L（公司內估計值跨版本的敏感度）