“恩格斯停顿”是指英国工业革命时期,劳动生产率持续提高、劳动者实际工资却长期停滞或增长缓慢的历史现象。这一概念由经济史学家罗伯特·艾伦提出,揭示了技术进步与劳动者受益并不天然同步。马克思在《资本论》及其手稿中通过区分机器与机器的资本主义应用,指出技术进步能否转化为劳动者的实际福祉,取决于其应用方式和相应的制度安排。当前,人工智能深刻改变就业结构、劳动过程和收益分配,应将技术创新与制度完善相结合,推动技术红利更好惠及劳动者。
人工智能时代“恩格斯停顿”的新形态
人工智能推动生产方式变革,也使技术进步与劳动者受益不同步的风险呈现新形态。认知任务替代、算法反馈考核、经验知识整合与数字资源集中等都影响着劳动者分享技术红利的机会与能力。
认知任务自动化加速,效率提升与知识型劳动者收入增长可能脱节。生成式人工智能能够承担部分文本生成、设计和编程任务,在提高生产效率的同时,也改变着知识型岗位的用工需求和技能要求。原有任务减少与新岗位形成未必同步,劳动者更新技能、转换职业也需要时间和相应支持。如果培训与转岗服务未能及时跟进,部分劳动者就可能因技能不匹配、就业机会减少而收入受损,形成企业通过认知任务自动化获得效率收益、知识型劳动者却难以同步受益的新矛盾。
智能工具提升任务效率,算法反馈可能推动绩效要求持续提高。人工智能既辅助任务执行,也通过实时监测和动态调度介入劳动管理。如果企业将提效后的工作速度作为新的考核基准,并依据算法反馈持续压缩交付时限、增加任务密度,效率提升就可能成为下一轮绩效加码的依据。劳动者需要持续适应更高要求,节约的时间被新增任务重新占用,而劳动报酬和休息安排未作相应调整,形成生产效率提高与劳动者实际受益不足并存的局面。
劳动经验转化为模型能力,知识贡献与收益回报可能脱节。在知识提取、模型训练和系统优化过程中,劳动者提供的业务经验、专业判断和纠错反馈,可以沉淀为可重复使用的模型能力。如果相应贡献未被纳入报酬评价,企业便可能持续获取应用收益,而贡献者难以获得相应回报。同时,若劳动者被限定在执行指令、处理零散任务的环节,其经验优势和专业成长空间还可能受到削弱,形成模型能力不断提升、劳动者收益与发展未能同步改善的矛盾。
数据、算力与平台优势相互强化,技术收益集中与劳动者受益不足可能并存。数据积累、算力投入与用户集聚相互促进,使头部企业更有条件获取规模化应用收益,并巩固对数字资源和市场入口的控制。在依托平台接单、提供专业服务等场景中,劳动者获取工作机会和劳动报酬日益受到平台定价、流量分配和抽成规则的影响。如果资源控制者凭借优势获取更多新增收益,而劳动者缺乏相应议价能力,就可能出现个人劳动效率提高、实际所得却未同步增长的情况,使数字资源占有差异进一步转化为技术红利分配差距。
破解人工智能时代“恩格斯停顿”的实践路径
破解人工智能时代的“恩格斯停顿”,应发挥我国社会主义制度优势,将以人民为中心的发展思想贯穿技术应用、劳动管理和收益分配全过程,使效率提升切实转化为劳动者增收、减负和能力发展。
健全就业衔接机制,缓解认知任务替代冲击。在智能化改造中同步评估岗位和技能需求变化,提前开展培训、转岗与就业匹配。针对知识型岗位,加强专业知识与智能工具运用相结合的能力培养,提供培训时间和必要的收入保障,避免将职业转换成本全部转嫁给劳动者。
规范算法绩效管理,推动效率提升与劳动条件改善相协调。制定考核标准时充分听取劳动者意见,将任务难度、核验责任和实际负荷纳入评价,防止依据提效后的工作速度持续追加任务。完善算法规则解释、申诉和人工复核渠道,保障合理报酬与休息时间,使劳动节约体现为对劳动者的实际减负。
完善知识贡献评价,促进模型能力提升与劳动者发展相衔接。识别劳动者在知识提取、模型训练和系统优化中的贡献,通过技能津贴、创新奖励和岗位晋升给予合理回报。支持一线人员参与专业判断、流程设计和技术改进,使经验转化为模型能力的过程同时成为劳动者积累新能力、拓展职业空间的过程。
扩大数字资源普惠,增强劳动者分享技术收益的能力。支持公共技术服务和开源工具应用,降低劳动者获取智能服务的门槛。提高平台收费、抽成和报酬规则的透明度,完善劳动者参与规则制定和报酬协商的机制,畅通争议处理渠道,防止数字资源优势转化为不合理的收益壁垒。
【本文为市教委“立德树人专项·上海高校智库”课题阶段性研究成果。】
来源:陆宣(中共上海市崇明区委党校讲师,同济大学创新发展研究院特约研究员)











