2026年10月27日，中国社会科学院经济研究所人工智能经济研究室副主任张鹏在《中国社会科学报》发表评论《促进人工智能与人的全面发展相兼容》。文章的主轴不是“AI会不会抢走工作”，而是分配问题：效率提高之后，收益按什么顺序到劳动者手里。
它先把人工智能放进通用目的技术的序列——继蒸汽机、电力、信息技术之后的又一轮。这个定位的作用不是比高低，而在于提醒一件事：前三次技术革命都极大提高了生产效率，也都一再扩大被替代工种的范围。两条曲线并不同步。
“恩格斯停顿”：效率涨了，工资没跟上
文章引用了一个历史观察：第一次工业革命期间，英国生产率显著提高、资本积累迅速扩张，普通工人的生活改善却长期滞后，工资增长慢于产出增长，经济史学者把这种现象称为“恩格斯停顿”。文章没有给出具体年份或工资序列，用的是这个观察的结论——技术进步不会自动带来劳动解放。
它的说服力在机制而不在数字：产出增加之后，收益先流向谁，取决于谁掌握资本、谁有议价能力。文章把当下浓缩成两句对照：效率在提高，收入未必同步；企业更繁荣，劳动者更焦虑。
要补一句：19世纪的英国没有现代社会保障、劳动法和工会体系，拿它类推今天，可比的是分配机制，不是结果。文章在这层条件差异上没有展开，这是评论体裁的省略，读者得自己补上。
四处收紧，机制各不相同
第一处是入口。AI最先替代的是标准化、流程化、初级化岗位——基础文案、基础客服、基础编程，而这些恰恰是青年积累经验、建立职业身份的起点。入口一窄，经验积累就出现断层，职业阶梯断开，教育回报预期跟着走弱。这里文章转述了国际货币基金组织的研究，称入门级岗位被率先替代、年轻求职者的职业入口正在收窄。这是全文唯一明确挂到外部研究上的判断，但没有给出报告名称、样本范围和国家差异。
第二处是中年。工业自动化冲击的多是体力劳动，生成式AI集中作用于文职、行政、营销、翻译、初级金融分析等中等技能岗位。学历和经验还在，岗位价值却在往下走；而房贷、抚养、赡养在肩的人，转换成本更高、再培训时间更少。这一段的机理讲得清楚，但没有量化“技能折旧”有多快。
第三处是红利归属。AI依赖算力、数据、算法，能同时握住三者的头部企业更容易形成规模优势和网络效应：模型越强，用户越多；用户越多，数据越丰富；市场越集中。劳动者不拥有模型，不掌握算力，也无从分享数据收益，只能在平台规则下让渡部分权益。
第四处是宏观。效率上去而劳动收入滞后，居民消费被抑制；消费不足削弱企业扩大投资、吸纳就业的动力；就业走弱再压低收入预期，预期下降又压消费。结果是经济指标仍在增长，普通家庭的获得感走低。
文章还描述了劳动过程本身的变化：任务加速碎片化、岗位技能快速贬值、算法评价成为支配劳动行为的力量、平台劳动者议价权持续下降；一些企业借“数智化升级和智能化转型”之名推卸本该承担的组织责任，部分行业则用流程监控和效率考核抬高了劳动强度。这些是作者的判断与观察，未附调查数据。
四类应对：多是主张，少有证据
应对之一是改评价坐标：在产业评比与模型排名中引入就业、劳动收入等人文指标，产业升级除看成本下降还要看岗位创造；建国家级监测平台，对高暴露行业和重点群体列出风险清单、追踪帮扶；建覆盖学校、职业与公共就业服务的终身学习体系，给青年毕业生和灵活就业者留出可认证、可转岗的通道。
应对之二是分红利：对借AI显著增利的企业，鼓励员工通过持股、利润分享参与分配；对平台与头部模型企业调节数据与资本收益，把部分税收定向用于职业培训和社会保障；受冲击较大的行业设政府与企业共同出资的转岗基金。
应对之三是划边界：针对平台型企业，明确灵活就业人员的劳动关系认定、最低收入保障、社保接续、职业伤害保障；针对用AI做招聘筛选、绩效考核、辅助监督的一般企业，建立算法审计，防算法歧视、黑箱决策和责任“外包”。
应对之四是改方向：公共服务领域用AI补人力短板，帮基层医生提升诊疗能力、让边远地区学生获得辅导、缓解养老机构护理压力；产业升级从“替代劳动”转向“增强劳动”，从“减少岗位”转向“重构岗位”，从“成本压缩”转向“能力提升”。
四类的语气都是“要”“应”“鼓励”“探索”。这不构成缺点——政策评论本就该提主张——但读者得分清：除那句IMF研究，其余部分没有给出量化目标、时间表或已落地的案例。“恩格斯停顿”说的是分配结果，而这四条都停在“应当如何分配”，还没回答钱从哪里出、由谁验收、指标怎么算。
把讨论从“会不会失业”挪到“收益怎么落地”，方向是对的，因为它至少可以被检验：高暴露行业的岗位净变化、入门级招聘数量、劳动收入占国民收入的比重、转岗基金的实际支出。这些数字出来之前，“停顿”会不会重演，仍是个开放问题。