本文提出“组织技术阶梯”机制,认为远程办公通过数字基础设施、技术人才与管理能力积累,降低企业后续采用生成式人工智能的成本。基于美国职位发布数据和工具变量识别,远程招聘占比提高10个百分点,会使企业层面的生成式AI职位提及率提高约0.4个百分点,企业内部职业层面的提升约为0.7个百分点;技术、金融及商业服务行业的效应更为明显。研究还发现,远程办公推动技术、管理、协调和决策能力升级,而远程生产率较低、发布返岗要求的企业,其生成式AI响应更强,说明技术互补与组织摩擦共同驱动连续性技术采用。
报告标题:《Organizational Technology Ladders: Remote Work and Generative AI Adoption》(组织技术阶梯:远程工作与生成式人工智能采用)。作者:Gregor Schubert;机构:UCLA Anderson;日期:2026年8月13日。报告研究主题是美国企业在远程办公与生成式人工智能之间的技术采用顺序、组织能力积累及其对企业生产率差异的潜在影响。
报告没有给出传统意义上的股票评级、目标价或投资建议,而是一篇关于企业技术采用与组织经济学的实证研究。其核心命题是:企业并非孤立地采用每一项技术,而是会沿着“组织技术阶梯”逐步推进;此前技术的采用会改变企业的招聘结构、数字基础设施、管理方式和组织资本,进而影响下一项技术的采用成本和收益。 具体而言,作者认为,2021—2022年远程招聘比例每提高10个百分点,企业在2023—2024年招聘中提及生成式AI的比例会提高约0.4个百分点;在同一企业内部比较不同职业时,远程招聘比例提高10个百分点,对生成式AI提及比例的影响约为0.7个百分点。,
报告试图传达的主要信息是:生成式AI的采用不仅取决于某类工作“理论上是否适合AI”,还取决于企业是否已经完成了数字化、数据化、管理能力和流程重组等前置投资。由此,技术采用可能产生累积效应,使技术领先企业进一步领先,技术落后企业则面临持续追赶困难。
研究主要使用Lightcast美国在线招聘广告数据,覆盖2010年1月至2024年9月,经过剔除招聘外包公司、实习岗位和兼职岗位后,保留全职职位,并统一映射至六位数SOC 2010职业代码。 需要特别注意的是,招聘广告数量衡量的是企业的招聘需求或招聘活动,并不等同于实际录用人数,因此研究中的“招聘”更准确地说是企业公开表达的劳动力需求。
远程工作变量包括明确标注为完全远程或混合办公的职位;作者还分别使用“仅完全远程”和“仅混合办公”定义进行稳健性检验。 生成式AI采用变量则依据招聘文本中是否提及生成式AI工具或相关技能构造,反映企业正式招聘要求和公开工作实践,而无法完全捕捉在职员工私下使用ChatGPT等工具的行为。
生成式AI暴露度来自Eisfeldt等人的职业层面指标,该指标首先评估职业任务是否可能通过生成式AI提高生产率,再按职业任务构成加总为职业暴露度;企业层面的暴露度则是其招聘职业暴露度的加权平均。 职业特征来自O*Net,包括决策强度、社交技能、工作僵化程度、领导能力和远程可行性等。
研究还使用BLS职业工资和就业数据、IPUMS NHGIS通勤时间数据、Flex Index返岗办公政策数据,以及Capital IQ/WRDS电话会议文本,以补充招聘广告无法直接观察的组织投资和管理层叙事。,
分析被限定为在2023—2024年期间至少发布10条招聘广告的企业,以减少比例变量在小样本下的极端波动。 企业层面样本中,平均企业在该期间发布约194条职位,但仅约0.1%的职位提及生成式AI;企业—职业层面的平均观察值约为11条职位,说明生成式AI招聘比例总体很低且分布高度偏斜。
远程工作比例主要计算于2021年至2022年前三季度,并排除2022年第四季度,因为ChatGPT在2022年11月发布,排除该季度有助于避免远程办公变量受到生成式AI冲击的反向污染。 结果变量主要覆盖2023年10月至2024年9月,因此研究明确构造了“远程工作先发生、生成式AI随后采用”的时间顺序。,
作者估计的基本关系为:
[ GenAIJobShare_i=\alpha+\beta RemoteWorkShare_i+Controls_i+\varepsilon_i ]
其中因变量是生成式AI招聘广告占比,自变量是疫情期间远程职位占比。
单纯OLS可能受到严重内生性影响,因为技术先进、创新文化强或适合数字化工作的企业可能同时更愿意采用远程办公和生成式AI。另一个问题是,远程适合度与生成式AI暴露度本身存在正相关,因此两种技术可能只是由相似任务属性共同驱动,而非远程办公真正导致AI采用。,
主要工具变量将企业在2019年所处劳动力市场的平均远程可行性,与企业自身职位的远程可行性相乘。其经济逻辑是:如果企业所在劳动力市场中其他雇主更容易提供远程岗位,企业面对的远程福利竞争压力就更大;但只有企业自身的工作岗位适合远程办公时,这种外部压力才容易转化为实际远程招聘。,
公式中的市场部分按企业2019年在各MSA的招聘份额加权,企业部分则是企业2019年职位的平均teleworkability,因此工具变量既体现劳动力市场外部竞争,也体现企业自身实施远程办公的能力。
替代工具变量使用企业招聘市场的平均通勤时间,并同样与企业远程可行性相乘。通勤时间越长,员工对居家办公的需求可能越强;但若企业工作本身无法远程完成,通勤压力也未必能产生远程岗位,因此交互设计具有一定合理性。
企业—职业层面的工具变量进一步将企业工具变量与职业远程可行性相乘,从而利用同一企业内部不同职业受到的远程办公压力差异。,
作者控制了企业当前和2019年的远程可行性、生成式AI暴露度、教育要求、行业固定效应、技术技能招聘、既有远程招聘比例以及招聘市场特征,并在企业—职业回归中加入企业和职业固定效应。, 这意味着识别依赖于:在其他企业特征、行业、职业和历史技术倾向相似的情况下,劳动力市场远程竞争压力与企业自身远程可行性的交互,只通过远程工作采用影响后续AI招聘。
图3展示了第一阶段。上图企业层面、下图企业—职业层面都显示,工具变量残差与2021—2022年远程职位比例呈明显正向关系,且没有明显的非单调反转,支持工具变量具有相关性。
,
作者报告所有主要IV回归的Kleibergen-Paap F统计量均高于23.1这一保守弱工具变量门槛,因此认为弱工具变量偏误不太可能主导主要结果。 不过,通勤时间工具变量的第一阶段相对较弱,估计精度低于竞争压力工具变量。
图1将2024年截至9月各行业的远程招聘比例与生成式AI招聘比例取对数后进行比较,红色线性拟合线斜率为1.3,R²为0.43,表示行业间远程招聘差异可以解释约43%的生成式AI采用差异。,
信息行业位于右上方,远程岗位和生成式AI采用率均最高;金融保险、专业科技服务也明显高于多数行业。住宿餐饮、医疗社会援助、农业和建筑则位于左下方。这种分布支持“信息密集型、数字化程度高的行业同时更容易采用两种技术”的描述性判断,但R²只是相关性,不能单独证明远程工作造成AI采用。
图2按照2021—2022年职业远程采用率分为四个分位组,展示ChatGPT发布前后的生成式AI招聘比例。最高远程组在2023年后上升最明显,到2024年第三季度已接近1.5%,显著高于全部职业约0.4%的水平;第二、第三远程组上升幅度较小,最低远程组几乎没有明显增长。
该图显示生成式AI扩散与此前远程办公程度存在时间上的共同变化,并且ChatGPT发布后差距扩大,但仍可能受到职业任务暴露度、技术人才集中度等因素影响,因此作者后续使用IV而非仅依赖该图。
图A.1在企业层面显示远程招聘与生成式AI招聘的正相关,拟合关系的R²为0.11,显著低于行业层面的0.43,说明行业结构可以解释较多差异,但企业内部仍存在较大异质性。,
图A.2显示,2019—2022年远程招聘增幅较大的职业,在2022年第三季度至2024年第三季度的生成式AI招聘增幅也更高;编辑、数学科学职业和技术写作者表现尤其突出。,
图A.3显示职业远程可行性与生成式AI暴露度总体正相关,计算机与数学职业、商业金融职业位于相对高位,说明两种技术确实存在任务层面的重叠,这也构成研究必须控制混淆因素的理由。,
表II是全文最核心的结果表。企业层面OLS和IV均为正,但IV估计明显高于OLS;作者将其解释为:内生选择远程办公的企业可能反而在生成式AI上更谨慎,因此OLS存在向下偏误。, IV结果显示,远程招聘比例提高10个百分点,会使生成式AI招聘比例提高约0.4个百分点。
企业—职业层面的结果加入企业和职业固定效应后,10个百分点的远程比例差异对应约0.7个百分点的生成式AI招聘比例增加。 这一结果具有重要含义:相关关系并非完全由“本来就创新的企业”解释,也不是企业整体将招聘转向AI密集职业造成的;同一企业内部更远程的职业,后续更可能出现生成式AI招聘要求。
附录表A.2考察广延边际,即企业是否从“完全不提及AI”转变为“至少提及一次”。远程比例提高10个百分点,使企业出现生成式AI提及的概率提高约0.9个百分点;企业层面基准概率仅3.6%,企业—职业层面仅0.6%,因此相对于低基准概率,该影响具有经济意义。,
稳健性结果包括:
图4展示行业异质性。技术行业的点估计约在11个百分点附近,金融活动与商业服务约在6—7个百分点,贸易运输公用事业的影响较小,休闲酒店及其他服务接近零;置信区间显示技术和金融相关行业的效果最突出。,
附录图A.4的企业内部估计置信区间较宽,金融商业服务的点估计仍最大但未达到显著水平,说明行业异质性在企业内部样本中受到统计功效限制。,
模型采用任务基础框架,将职业任务按可自动化程度排列,远程办公提高人工任务的时间效率,但可能降低协调和决策质量。, 生成式AI则被建模为扩大自动化边界的技术,其采用成本取决于企业既有数字能力、信息基础设施和技术技能。,
模型的关键机制是可复用性:远程办公投资形成的数据基础设施、云访问能力、数字流程和技术人才,部分可以用于生成式AI,因此远程办公会降低后续AI实施成本。 当远程办公导致的可复用能力节约超过远程办公对AI收益的负面影响时,就形成正向技术阶梯效应。
模型预测以下企业更可能表现出强烈阶梯效应:远程协调损失更大的企业、AI自动化任务决策敏感度更高的企业、远程办公自身生产率收益较低的企业,以及技术技能更强的企业。,
图5显示,远程办公采用导致企业增加计算机职位、数据管理、数据科学、机器学习和深度学习技能招聘;同时增加管理岗位和决策、社交技能密集型职位。,
图中技术技能各项点估计均位于零线右侧,表明远程办公不是单纯减少办公室职位,而是推动企业补充数字化实施能力。管理岗位和领导力指标也整体上升,作者认为这是企业为远程团队加强监督、协调和决策支持的表现。 高经验岗位比例上升约3个百分点,而重复性任务比例下降;高级学位比例没有显著变化,说明招聘升级更多体现为经验和任务复杂度,而不一定是学历门槛整体提升。
图6以企业生成式AI暴露度为基础,比较技术、管理、社交和复杂任务能力高低组的采用差异。高技术技能企业,尤其是数据科学、机器学习和深度学习招聘较多的企业,在相同AI暴露度下更容易提及生成式AI。,
低能力组的生成式AI暴露度效应仍然为正,说明技术阶梯效应并不只存在于少数领先企业;但高能力组的额外增幅更明显。, 管理岗位、社交技能、决策强度、较高经验和较低重复性也与“同等AI暴露下更高采用”相关,说明生成式AI部署需要判断力、协调能力和组织经验。
图7显示,远程办公对生成式AI的企业间影响在数据科学、机器学习、深度学习技能较强以及管理能力更强的企业中显著更大;在高级学位占比高、任务重复性低的复杂企业中,影响也更强。,
相反,企业内部职业间的异质性估计多数不显著,部分技术能力指标甚至显示高能力企业不一定把AI更多集中在远程职业上。这意味着组织能力主要在企业整体层面发挥作用,而不是简单地使某些远程职业获得更多AI配置。,
作者使用Flex Index中的返岗办公政策,将要求全职返岗或每周必须到办公室一定天数的企业定义为RTO企业。该指标来自公开信息,最终与Compustat匹配出1,336家企业。,
表IV显示,具有返岗办公要求的企业,在远程招聘增加后采用生成式AI的反应超过非RTO企业两倍;但企业内部职业层面的交互效应没有显著差异。, 作者将RTO视为企业认为远程办公生产率较低、协调损失较大的信号,因此这些企业可能通过AI自动化来弥补分布式团队的效率损失。
这一解释具有启发性,但RTO政策不能完全等同于远程办公低生产率,也可能反映企业文化、管理层偏好、房地产安排或员工管理策略,因此作者也明确指出,这只是异质性证据,而不是RTO政策本身的因果效应。
作者对约1.5万家企业的电话会议进行多阶段LLM分类,包括相关性筛选、投资与结果识别、以及“怀疑者审计”,以减少把泛泛而谈的AI评论误判为实际采用。,
图8面板A显示,行业层面电话会议中被标记为已经采用生成式AI的企业比例,与招聘广告中提及生成式AI的企业比例之间的R²为45%,说明两种不同数据源对行业相对采用程度给出了较一致的结论。,
面板B显示,远程办公投资中超过一半提及生产力和工作工具,超过三分之一提及流程重组;数据基础设施占比超过四分之一,协作软件、云与远程访问、安全基础设施也被频繁提及。 面板C显示,生成式AI投资包括外部供应商、计算硬件、模型定制、数据准备和存储管线、内部聊天机器人、AI培训及治理项目。
面板D显示,已采用生成式AI的企业中,47%提到既有机器学习或分析能力是促成因素,44%提到数据基础设施,29%提到云基础设施,17%提到安全与合规基础设施。 这构成较直接的叙事证据:远程办公阶段形成的数字能力,与后续生成式AI部署所需能力存在重叠。
报告最强的部分是将时间顺序、工具变量、企业内部固定效应、替代工具变量、地域控制和安慰剂检验结合起来,较有力地支持“远程办公促进后续生成式AI招聘”的因果解释。, , 机制证据也具有连贯性:远程办公先推动技术和管理能力招聘,相关能力再提高企业把AI暴露转化为实际采用的概率。,
但研究仍存在几个重要边界。第一,生成式AI采用以招聘广告提及为代理变量,反映正式招聘和组织意图,不等于企业真实使用强度,也不能观察员工非正式使用。 第二,研究没有直接测量生产率、风险、决策质量或利润变化,因此“技术领先企业可能形成长期生产率优势”仍属于合理推断,而非已被本文直接验证的结果。 第三,工具变量的排除性限制无法完全由统计检验证明;劳动力市场远程可行性可能与地区人才结构、企业生态或管理文化相关,尽管排除科技中心和加入地理固定效应后结果较稳定。, 第四,RTO政策、电话会议文本和LLM分类都依赖代理变量或文本识别,存在测量误差和覆盖偏差。,
总体而言,报告的结论不是“所有企业都应立即采用生成式AI”,而是强调AI采用取决于技术投资顺序和组织准备程度。远程办公可能通过数字基础设施、技术人才、管理能力和流程重组降低AI采用成本;同时,对于远程协调效率较低的企业,AI还可能成为修复或替代分布式工作流程的组织调整工具。 因此,企业评估AI准备度时,不应只看职业任务的AI暴露度,还应考察数据基础设施、技术技能、管理能力、流程复杂度和既有组织资本。 报告最终提出,技术阶梯可能放大企业之间的竞争差距,使早期技术采用差异在后续技术浪潮中持续累积,并对市场竞争、劳动市场和政策设计产生长期影响。,
2608.11626.pdf