AI 支出強度與員工人數成長

資料來源#

• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment

摘要#

A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment 的核心結果是：採用生成式 AI 的企業在採用後成長得更快，但效果受強度門檻控制。研究將 Ramp 的逐筆企業卡與帳單支付紀錄（揭示對 AI 供應商的實際付款）與 Revelio Labs 的 21,559 家美國企業員工歷史資料連結後發現，高強度採用者在採用後前 24 個月，總員工人數成長約 10.2%，入門級員工人數成長約 12.0%，而低強度採用者沒有統計上可偵測的變化。收益逐步出現（即「學習曲線」），涵蓋廣泛職能，但集中於 Information 部門——而且採用者群體高度自我選擇。這些結果「反駁了 AI 採用將導致廣泛失業的預測」，至少在實際採用 AI 的企業中如此。

這篇論文的方法論貢獻與其發現同樣重要：就作者所知，這是第一篇大規模結合觀察到的企業層級 AI 支出與員工資料的研究，以根據實際支出的揭示式採用指標，取代職業暴露代理變數與高階主管調查。關於此工具在各種替代方案中的位置，請參閱 Telemetry vs. Survey Measurement 與 Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated。

證據說明。 empirical——這是一項在行政等級支出與員工面板資料上進行的錯開式差異中之差異設計，而非實驗室實驗。以下每項主張都伴隨兩個限制。**（1）選擇偏誤：採用者在採用前就較大型、技術性較高、薪資較高、成長較快，也更有可能獲得 VC 支持（表 2），因此天真地比較採用者與從未採用者，會把 AI 與既有成長混為一談。（2）識別：**偏好的估計依賴條件式平行趨勢假設（Callaway–Sant'Anna：在相同最終強度群組中，將採用者與尚未採用者比較，並加入部門固定效果）。大多數結果的前趨勢都很乾淨，但並非全部如此——高強度總員工人數有 11 個前期中 3 個被標記，Bachelor's/MBA 有 4–5 個。機制（採用者為何成長）仍明確未解決。

新穎工具：支出端採用#

過去的研究透過職業暴露（LLM 可能完成哪些任務——Eloundou et al.、Webb、Felten et al.）或調查來衡量 AI 的勞動力影響，因為直接的企業層級採用資料不可得——生成式 AI 是透過軟體訂閱與 API 呼叫購買，而不是透過早期技術研究可以追蹤與基準比較的資本設備。暴露指數只在職業之間變化，而不在企業之間變化，因此「雇用相同員工的兩家企業，AI 採用程度可能截然不同，而暴露指數無法區分它們。」即使是最佳的觀察暴露研究（Massenkoff & McCrory 的 Anthropic-Economic-Index 指標——Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated 中的「觀察暴露」）仍停留在職業層級。

Ramp 的資料填補了這個缺口。作者使用 Ramp AI Index 供應商／逐筆項目分類器（基礎 LLM、GPU 雲端、模型服務／推論、程式設計代理、API tokens、AI 圖像／影片、AI 搜尋），觀察企業何時開始支付 AI 供應商、支付多少，以及支付給誰：

• 採用（G_i）＝最早一段連續三個月、每月 AI 支出 ≥$100 的期間之首月；此後視為吸收式採用。這排除了員工一次性的實驗，同時捕捉持續性的組織層級採購。
• 強度＝PEPM（採用後前三個月的每位員工每月 AI 支出，除以基準員工人數）。低＝最低兩個三分位數，高＝最高三分位數。差距達一個數量級：低強度採用者平均每位員工每月 $2.78，高強度採用者為 $33.67——這是企業聊天訂閱與持續投資於程式設計代理、API 及多個模型之間的差別。

作為採用率，連結面板中的付費採用序列位於企業加權 Census BTOS 基準（企業占 18%／按就業加權占 32%）與高階主管調查（Yotzov et al. 約 69%；Atlanta Fed 約 78%）之間——這是針對企業支出活躍、技術偏斜族群的「揭示式付費使用」衡量，而非全國代表性採用率。

受強度門檻控制的結果#

偏好的估計（Callaway–Sant'Anna、強度群組內的尚未處理者、NAICS 部門 FE；對數點約等於百分比，取月份 0–24 的平均）：

結果	低 vs. 尚未採用	高 vs. 尚未採用
總員工人數	−0.6%（ns）	+10.2%*
入門級員工人數	−1.7%（ns）	+12.0%*
非入門級員工人數	+0.4%（ns）	+7.4%*
經理以上員工人數	+1.0%（ns）	+6.5%*

（*** = p < 0.01。）強度群組之間的模式是這篇論文核心的證據動作：在 AI 上支出最多的企業，正是就業成長最大的企業，而低強度採用者看起來與未採用者相同。「企業聊天訂閱似乎不足以產生效果……幾個月的實驗性支出也不夠。」

**收益沿學習曲線累積。**高強度總員工人數的事件研究係數在採用時約為 0（0.003），3 個月時為 0.020，接著是 0.071（6 個月）→ 0.188（12 個月）→ 0.277（約 32%，18 個月）→ 0.452（約 57%，24 個月）。因此，24 個月平均的 +10.2% 低估了終點；由於能觀察到如此長時間的企業較少，後期區間估計帶有更寬的信賴區間。最早的成長約在採用後 6–12 個月出現——這與企業需要時間建立最佳實務、整合工具，接著再招聘的情況一致。

入門級結果及其造成的張力#

+12.0% 的入門級數字（Revelio 尺度中的資歷 1–2）是這篇論文最具敘事重量的發現：它直接違背廣泛流傳的「AI 正在消滅入門／初階工作」說法。對該說法最清楚的外部表述——Brynjolfsson, Chandar & Chen（2025），〈Canaries in the coal mine〉（原始文件 §2 引用）——報告 ChatGPT 發布後，最高暴露職業中 22–25 歲工作者的就業下降約 16%。Ramp 的結果則指向相反方向。

兩者並不構成乾淨的矛盾；它們衡量的是不同對象（以層級標記——兩者皆為 empirical）。Brynjolfsson et al. 根據企業內跨職業暴露進行識別（年輕工作者在高暴露職業中於全經濟範圍下降）。Kharazian et al. 根據跨企業採用進行識別（在高度密集採用 AI 的企業中，入門級員工人數成長）。只要初階職位的收縮集中在未採用或低強度企業，或反映向採用企業的重新配置，同時高強度採用者廣泛增加入門級員工人數，兩者便可同時成立。兩者都沒有直接反駁另一者；它們是互補的邊際（職業暴露 vs. 企業採用），而分析單位的差異就是全部關鍵。Ramp 論文是對 The Automation–Optimism Link 中以認知形式出現的入門級工作損失恐懼提出的客觀反證（超過三分之一受訪工作者認為初階同事失去工作的機率高於 60%）——但僅限於它觀察到的採用企業群體。

是組成，而不只是規模。在員工占比方面（表 4），高強度採用者傾向於更年輕：入門級占比 +1.15 個百分點，經理以上占比 −1.52 個百分點——入門級員工人數的成長快於企業其他部分。低強度採用者則朝相反方向變化（入門級占比 −0.52 個百分點，經理以上 +0.66 個百分點）。因此，高強度採用的故事不只是「企業變大」，而是「變得更大，且更偏向初階職位」。

涵蓋廣泛職務，但集中於單一部門#

對高強度採用者而言，成長遍及各項職能（表 3）：銷售 +10.3%、行政 +7.8%、工程 +7.3%、入門級工程 +6.3%、客服 +6.3%、科學家 +5.6%；財務（+4.6%）與行銷（+5.7%）則達到邊際顯著（行銷的前期較弱）。**營運是唯一沒有成長的類別。**值得注意的是，某項職能被認為的 AI 暴露程度，與其員工人數上升或下降之間沒有強相關——這削弱了「高暴露職能會縮減」的直覺。教育結果也呈現相同情況（Bachelor's +10.3%、MBA +4.9%），但有更多被標記的前期；JD 沒有變化，PhD 則為正但不顯著。

部門集中是標題結論最尖銳的限制。在廣泛 NAICS 群組內估計（表 5），總員工人數的增長只有 Information 達到統計顯著（+13.4%，前期 0/11 個標記）——也就是軟體、網際網路與媒體企業群組。專業／技術服務為正但不顯著；其餘部門都在零附近徘徊。作者將此解讀為「現在仍處於早期」：AI 在商業上已成熟的收益，最清楚地出現在程式設計代理與軟體工程工作流程中；在這些工作流程裡，更低成本的核心產出提高了擴張整個企業的報酬，而向非技術部門的擴散則需要 AI 供應商尚未完全解決的工作流程重設計。這使「AI 促進就業成長」這項按目前衡量結果而言的主張，成為今天關於 Information 部門的主張——尚未成為廣泛經濟的事實。

對從未採用者的穩健性檢驗#

相較於從未處理企業（表 6，屬描述性結果而非偏好估計），估計值更大，且仍按強度排序——總員工人數 +12.6%（高）、+6.5%（低）——但前趨勢受到嚴重污染（低強度 11/11、高強度 8/11 個前期被標記），這正是尚未採用者設計要化解的選擇偏誤。作者「為完整性起見」報告這項結果，這樣的權重處理是正確的：它誇大了效果，因為採用者本來就比永久未採用者成長更快。

相關連結#

• Organizational Complements to AI — 本頁在支付追蹤上具體呈現的機制：強度門檻（聊天訂閱沒有作用；持續的程式設計代理／API 支出才有作用）與6–12 個月的學習曲線，就是一般用途技術的「互補要素滯後」在企業層級的衡量——價值只有在互補的工作流程／技能／組織重設計之後才會到來，而不是購買時立即出現
• AI Investment Story, Not Efficiency Story — 來自不同資料集、對「投資而非效率」的獨立佐證：採用企業擴充人手（廣泛涵蓋入門級與銷售），也就是在產出之前就先招聘，而非縮減——這是員工人數面向的伴隨證據，對應 Emergence 的「目前每位員工營收較低」發現
• Telemetry vs. Survey Measurement — 第三種衡量工具：將揭示式 AI 供應商支出與員工資料連結，論文明確定位其用途是「取代混亂的調查與暴露衡量」（其圖 1 顯示同一期間的調查採用估計值介於 18%→78%）——像 Faros 的遙測一樣是行為而非感受，但涵蓋採用與勞動力兩個面向
• Exposure Taxonomy: Observed, Theoretical, Reported, Anticipated — 本論文新增的軸線：分類法的四種衡量全都是職業層級暴露；Ramp 的衡量則是企業層級觀察採用（誰實際付款、何時付款、付了多少）——這是暴露指數在結構上無法捕捉的企業與職業間變異（擁有相同員工的兩家企業，採用程度可能截然不同），也是分類法既有職業層級與市場隱含軸線之外的新衡量軸
• The Automation–Optimism Link — 對其中以認知形式記錄的入門級／初階工作損失恐懼提出客觀反證：在高強度採用者中，入門級員工人數成長了 +12%，其占比也上升
• Founder as Agent Orchestrator — 對精實團隊解讀的反向訊號，但有族群限制：這些是採用 AI 並成長約 10% 的既有美國企業，不是從第一天就以精實方式建立的 AI 原生新創——採用企業中的 AI 增加員工人數，而不是取代員工（與 AI Investment Story, Not Efficiency Story 中「平均 AI 公司會擴充人手」的註記一致）
• AI-Native Startup Lifecycle — 在生命週期層面上也是相同的反向訊號：「員工人數在 Scale 階段維持不變」的論點描述的是 AI-原生企業；本論文的採用者是既有企業，其高強度 AI 使用與擴張同時發生，因此「AI ⇒ 更精實」是特定族群的現象，不是普遍定律

開放問題#

• **什麼營運機制會將高強度 AI 支出轉化為招聘？**論文確立了相關性（採用者，尤其是高強度採用者，會成長），但明確無法說明為什麼——產品加速、銷售生產力、工程槓桿、支援自動化、更快的分析，或新的業務線都是候選機制，而真正破解這套方法的企業沒有分享的誘因。
• **當採用群組成熟後，效果是否會擴散到 Information 以外？**目前顯著收益仍是 Information 部門的現象；作者計畫在後續群組與超過 24 個月的觀察窗口出現後更新研究。專業服務、金融與非技術部門會跟進嗎？還是程式設計代理工作流程本身具有特殊性？
• **入門級成長是持久現象，還是之後會反轉的領先指標？**在樣本逐漸變薄的情況下，收益持續累積至第 24 個月；當高強度採用者成熟並超過 24 個月後，+12% 的入門級結果是否仍成立（或反轉為 Brynjolfsson 的〈Canaries〉模式），仍未解決。

資料來源#

• A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment — Kharazian, Simon & Stevens，A New Look at AI's Impact on Jobs: Firm-Level AI Spending and Workforce Adjustment（Ramp Economics Lab × Revelio Labs，2026 年 6 月 30 日）：§3 Data（Ramp AI Index、採用／PEPM 定義、Revelio 資歷）、§4 selection + adoption gradients、§5 Callaway–Sant'Anna methodology、§6 Results（表 3–6：員工人數、占比、部門、從未處理者）、§7 Conclusion