本文基于阿根廷1,174名25—45岁成年人的随机在线实验,研究生成式人工智能是否缩小不同教育程度人群的生产率差距。结果显示,GPT-4.1助手显著提升低、高教育群体的任务表现,标准差增幅分别为1.242和0.834,教育组基准差距由0.548降至0.139,约缩小四分之三。 AI移除后的跟踪测试不支持“纯粹委托”解释,低教育参与者仍保留部分收益;但持续投入任务与高强度AI辅助结合时,能力迁移最为明显。 聊天记录表明,低教育群体获得了大量工具支持,而高教育群体在提示词细节、对话结构及整合AI内容方面更有效,因此AI能够实现任务层面的技能均衡,却无法消除人力资本差异。
| 指标 | 低教育组 | 高教育组 | 组间差异/变化 |
|---|---|---|---|
| 无AI时高教育相对低教育优势 | — | — | 0.548 SD |
| AI对总体任务得分的提升 | 1.242 SD | 0.834 SD | 低教育组高0.408 SD |
| AI辅助后的高教育相对低教育优势 | — | — | 0.139 SD |
| 基准教育差距缩小比例 | — | — | 约75% |
报告标题:《Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment》(生成式人工智能是否缩小基于教育的生产率差距?来自随机实验的证据)
作者:Guillermo Cruces、Diego Fernández Mejide、Sebastian Galiani、Ramiro H. Gálvez、María Lombardi。
发布日期:2026年5月。
研究主题:生成式人工智能、教育水平、人力资本与劳动生产率不平等。研究对象是阿根廷25—45岁成年人,核心比较是低教育群体与高教育群体在有无GPT助手条件下完成同一商业问题解决任务时的表现差异。
报告没有设置股票评级、目标价或传统意义上的公司估值,其“核心结论”是一个劳动经济学和技术分配效应判断:生成式AI在工具可获得且使用条件相同的情况下,能够显著提高所有人的任务表现,并且对低教育群体的提升更大,从而使原本0.548个标准差的教育表现差距缩小至0.139个标准差,约弥合四分之三。然而,AI并未消除人力资本差异;高教育者在提示词设计、任务组织和整合AI输出方面仍更有效,因此差距只是被压缩而非消失。
报告将研究置于“技术进步究竟扩大还是缩小不平等”的长期争论中。历史上,技术往往更有利于高教育劳动者,形成技能偏向型技术进步;但生成式AI能够直接处理阅读、推理、写作和信息组织等复杂认知任务,因此也可能成为“技能民主化”或“专业能力平准化”工具。作者试图回答两个问题:
为识别教育异质性,研究没有在企业内部抽样,而是让不同教育水平的成年人完成完全相同的任务,并随机分配AI访问权限。作者明确承认,这种设计牺牲了企业环境的真实性,但换来了对“教育组之间差距”的清晰识别,因为企业招聘、岗位分配和职业筛选通常会预先压缩教育异质性。
作者的机制解释是:教育代表长期积累的人力资本,包括抽象推理、复杂文字表达、信息组织和问题结构化能力。对低教育者而言,这些能力更可能是任务完成中的“瓶颈”。AI通过帮助其组织信息、识别根因、撰写答案和提出解决方案,替代了部分稀缺输入,因此低教育群体获得更大的边际收益;但高教育者仍需承担评价、筛选和整合AI内容的工作,所以其人力资本优势依然存在。
实验于2025年9月至11月在阿根廷线上进行,最终样本为1,174人,其中低教育者520人,高教育者654人。低教育定义为仅完成高中,或高等教育完成不足一半;高教育定义为完成高等教育项目一半以上,包括大学、非大学高等教育项目以及研究生教育。
样本平均年龄约35岁,性别大致平衡。低教育组中64%仅有高中学历,36%接受过不足一半的高等教育;高教育组中29%完成了一半以上但未毕业,63%完成高等教育,8%拥有研究生学历。就业率方面,低教育组为78%,高教育组为89%;高教育组平均工作经验为11.6年,低教育组为10.3年。既有AI使用率也存在差异,低教育组为68%,高教育组为77%。这些差异说明教育分组并非只反映文凭,也伴随就业经历和AI熟悉度差异。
从招募流程看,74,449人收到邀请,3,662人进入平台,最终1,174人完成并通过质量筛选。符合条件但未完成实验者较多,最终完成率约65%。治疗组和控制组的完成率分别为64%和66%,差异不显著;完成者与未完成者在可观测特征上也相似,这增强了随机分配的可信度,但不能完全排除不可观测选择或线上实验参与者不代表总体劳动人口的问题。
参与者先填写人口统计信息,然后由平台随机分配至:
任务是模拟职场中的商业问题解决:参与者收到老板邮件,需要阅读文本、图表和表格,诊断问题并提出解决方案,最后以邮件形式回复。任务有咖啡馆、食品配送和家电商店三个版本,参与者随机获得其中一个版本。任务不依赖特定行业知识,主要考察阅读和数据理解、逻辑推理、创造性解决问题以及书面表达。
完成主任务后,所有人都必须在没有AI的情况下回答后续问题,包括解释问题根因、回答图表理解题和事实回忆题。这一设计并不是完整的长期学习测试,而是短期诊断:它用于判断AI效果是否在工具撤除后仍有部分保留。
治疗组AI使用率为84%,低教育组81%,高教育组86%。控制组中约13%被认定存在潜在违规AI使用,主要依据是离开页面、最终答案中出现AI痕迹,或每分钟文字快照之间出现异常的大幅文字增加。因此报告采用意向性处理效应,即比较“获得AI访问权”而非只比较实际使用者,这使估计更接近现实中的“提供工具”效果,但也会使结果相对于完全没有外部AI的控制反事实偏保守。
作者估计如下交互项回归:
[ Y_i=\beta_0+\beta_1 HighEducation_i+\beta_2 Treatment_i+\beta_3(HighEducation_i\times Treatment_i)+u_i ]
其中,(\beta_2)表示低教育组的AI处理效应,(\beta_2+\beta_3)表示高教育组的处理效应,而(\beta_3)是最关键的系数,衡量AI是否改变高低教育之间的表现差距。所有回归使用个体层面的异方差稳健标准误。
主任务得分为0—10分,内容占三分之二,写作占三分之一,并以低教育控制组的均值和标准差进行标准化。结果如下:
图1解读:左侧图用控制组和治疗组柱状图展示两组均值。低教育组从接近0的标准化基准跃升至约1.24,高教育组从约0.55跃升至约1.38。右侧直接展示处理效应:低教育组柱高约1.24,高教育组约0.83,二者差异为-0.408,且统计显著。这说明结果不是“AI只帮助高能力者”,而是低教育组获得更大提升。不过高教育治疗组的平均表现仍略高于低教育治疗组,且剩余差距的p值为0.110,因此报告强调方向和经济意义,而不是宣称治疗后差距仍具有强统计显著性。
图2的四个面板补充了均值结果。控制组中,低教育分布整体偏左,低分较多;高教育组分布明显右移,说明基准教育差距广泛存在。治疗后,两组分布都整体向右移动,但并没有全部集中在满分附近。低教育治疗组约13%进入9.75—10分区间,高教育治疗组约21%进入该区间,说明低教育组的较大平均提升并不是简单的“从很低分机械冲到满分”,而是整个分布得到改善。同时,治疗组仍存在较大离散程度,表明AI并未让所有人趋于同质化。
表1将总分拆分为写作、内容、根因识别和完成时间。控制组中,高教育者在写作方面领先低教育者0.503个标准差,在内容方面领先0.525个标准差。AI使低教育组相对于高教育组的处理增益分别高出0.382个标准差(写作)和0.389个标准差(内容),两项差异均在1%水平显著。治疗后,高教育者在写作和内容上的剩余领先分别为0.122和0.136个标准差,均未达到传统显著水平。
根因识别的原始比例更直观:控制组低教育者正确识别率为49.5%,高教育者为64.7%;AI介入后分别升至84.1%和88.1%。因此低教育组提高34.6个百分点,高教育组提高23.4个百分点,处理效应差异为-11.2个百分点,并且具有统计显著性。AI几乎使该具体认知子任务实现均等化,但综合内容和写作表现仍存在小幅差距。
控制组两组完成时间相近:低教育组10.697分钟,高教育组10.423分钟。AI使低教育组时间缩短0.961分钟,使高教育组缩短1.514分钟;高教育组的时间下降更大,但两组处理效应差异不显著。治疗后高教育者平均比低教育者快0.827分钟,p值为0.113。
这意味着AI的平等化效应主要体现在质量和内容,不体现在速度。高教育者可能更有效率地调用AI、组织流程并迅速完成答案。因此,若企业只以“完成时间”作为生产率指标,AI甚至可能呈现轻微的分化效果;若同时评价答案质量,则整体结论仍是低教育者受益更大。
表1和表A.5显示,后续无AI模块中,控制组高教育者比低教育者高0.300个标准差。AI撤除后:
这排除了最强版本的“纯委托”假说:如果参与者完全把思考交给AI,那么治疗组在AI消失后应明显劣于控制组,但研究并未观察到这种负面结果。与此同时,低教育者的提升也不足以抹平人力资本差距,因此不能解释为AI已经带来了完全的能力均等化。
子结果显示,后续提升主要集中在开放题:低教育组提高0.237个标准差,高教育组提高0.118个标准差;选择题方面,两组处理效应均接近于零,低教育组为-0.078,高教育组为-0.075。换言之,AI可能帮助低教育者更好地表达和复述问题根因,但没有明显改善其对具体事实的记忆或选择题表现。
表2把治疗组按“AI帮助强度”和“任务投入程度”分成四类。高帮助、高投入组和低投入、高帮助组在主任务上都取得很高成绩,分别约为1.878和1.972个标准差,二者无显著差异。这说明只要AI大量承担任务解决和答案生成,提交答案可以非常好,即使参与者自己投入时间较少。
但在后续无AI测试中,差异显著扩大:高投入、高帮助组得分约0.732个标准差,而低投入、高帮助组仅约0.065个标准差,差异在1%水平显著。高投入、低帮助组的后续表现也较好。由此可以得出一个重要机制结论:AI暴露本身不足以形成可迁移能力,AI辅助必须与持续思考、阅读和任务投入结合,才更可能产生延续效果。
研究分析了471名实际使用助手的治疗组参与者。总体而言,AI使用指标能够解释使用者总体任务得分约49%的差异,但两组在使用强度上非常接近:平均发送消息接近3条,获得AI帮助的任务组件约占61%。约67%的参与者直接要求AI起草最终答案,64%的提交答案完整复制AI文本,34%部分使用AI文本。
真正的差异在于“如何使用”:
因此,低教育者并不是不会使用AI,而是能够从AI获得大量“补偿性帮助”;高教育者则更像把AI作为生产过程中的输入,而不是最终答案的替代品。这解释了为什么差距大幅缩小但仍未消失。
表1综合报告了总体分数、写作、内容、根因识别、任务时间和后续分数;表2检验AI辅助强度与投入程度的交互;表3则揭示教育组之间的使用方式差异。由于原文展示页主要给出表格说明而非完整数值矩阵,报告正文中的系数和显著性是解读这些表格的主要依据。
评分采用GPT-5-mini,根据预注册标准和任务专属评分规则,对内容和写作分别评分,重复10次取平均。评分程序还通过Claude Haiku 4.5、Gemini Flash 3.0、独立研究者设计的三种评分方法,以及117份人工评分进行验证。人工评分与AI评分的Pearson相关系数为0.951,Spearman相关系数为0.957;不同迭代之间相关系数为0.981—0.986。
图D.2中大多数点靠近45度线,说明AI评分与人工评分高度一致,但仍存在部分偏离,尤其在中高分区域。附录图A.6显示,十次评分迭代得到的低教育组、高教育组处理效应及组间差异几乎重合;图A.7显示,更换模型和评分策略后,低教育组处理效应始终高于高教育组,组间差异稳定为负。
图A.8进一步表明,加入控制变量、剔除低质量答案、排除未完成高等教育者,以及改变高教育定义后,结果基本稳定。因而主要结论不太可能只是教育分组阈值、异常答案或评分模型选择造成的。
外部有效性有限。实验在阿根廷线上进行,任务是自包含的商业问题解决,并不等同于真实企业中的长期协作、职业晋升、薪资或团队生产率。作者明确不把结果直接解释为工资差距或宏观不平等预测。
访问权不等于实际采用。治疗组仍有约16%没有使用助手,现实企业中的访问成本、组织规范、管理者态度和社会形象压力可能使低教育者采用率更低,从而削弱甚至逆转均等化效果。
控制组存在污染。约13%的控制组参与者被怀疑使用外部AI。虽然这通常会压低意向性处理效应,但控制组违规识别依赖文字跳跃和文本痕迹,仍可能存在误判或漏判。
评分存在模型依赖。虽然人工和多模型验证结果良好,但主评分仍由LLM完成,且研究任务本身包含大量书面表达;AI可能对语言流畅性、结构化表达和符合评分规则的答案更敏感。因此结果对“可被AI评分的任务”更有代表性,而对人际协调、现场操作或复杂组织政治任务的适用性较弱。
后续测试时间较短。实验只能说明AI撤除后的即时或短期表现,不能证明长期技能形成、学习效果或职业迁移。报告也明确把后续模块视为诊断工具,而非完整的教育或培训评估。
这份研究最重要的贡献,是把AI不平等问题从“同质企业内部谁受益更多”转向“不同教育群体之间的生产率差距是否改变”。在固定任务、随机访问和基本教程条件下,AI显著提升两组表现,但低教育者增益更大,使基准差距缩小约75%。图1和图2显示,这不是单纯均值变化,而是整个低教育组表现分布向右移动;内容、写作和根因识别三个维度均支持这一结论。
不过,研究并不支持“AI消灭教育差异”的乐观叙事。高教育者在提示词质量、工作流设计和AI输出整合方面更强,且无AI时的后续表现仍然领先。高帮助低投入者可以提交高质量答案,却无法在工具撤除后保持同等表现;真正具有延续性的收益来自AI帮助与持续投入的结合。
因此,作者总体立场可以概括为:生成式AI具有明显的任务层面技能平准化潜力,但并不等于基础能力、长期人力资本或劳动市场结果已经平等化。最终的分配效果取决于谁能获得工具、谁愿意采用工具、谁能够有效提示和整合工具,以及组织和政策是否把这种能力普遍转化为生产率机会。
2608.04198.pdf