AI and Economic Transition: consumer cohort effects研报解读

概览

这份宏观报告研究AI采用可能如何通过劳动收入、金融财富和通胀影响美国不同消费者群体。Morgan Stanley的核心结论是，受过大学教育、高收入、居住在城市的家庭，即CHIC家庭，可能比市场对其白领岗位替代的普遍担忧所暗示的更安全，尽管年轻专业人士和快速采用情景仍然脆弱。

核心观点

Morgan Stanley通过三个相互关联的渠道构建AI对消费者的影响：劳动力市场、财富和价格。其先前的一般均衡研究表明，结果主要取决于AI扩散速度、新任务创造的速度和规模，以及资产市场的反馈效应。基准情景假设AI在约十年内扩散，速度约为互联网时代的两倍，并采用保守的财富效应假设。在这一情景中，暂时性的岗位替代被生产率推动的实际工资增长、新就业岗位、更高利润和通胀回落所抵消，从而提高产出和收入。基准情景下失业率峰值上升约0.2-0.5个百分点；而在快速扩散的悲观情景中，全面采用仅需六年，技能错配和需求疲弱压倒就业创造，失业率峰值上升0.6个百分点至4.1个百分点。 报告质疑白领消费者必然是AI首要受害者的观点。其基于任务的职业暴露分析发现，高暴露职位集中于受过大学教育、高收入和居住在大都市区的家庭，即统称的CHIC家庭。约26%的劳动者处于高暴露职业，56%处于中等暴露职业，18%处于低暴露职业。高暴露组的收入中位数为$97k，低暴露组为$46k；近70%的高暴露劳动者至少拥有学士学位，而低暴露组约为10%。但暴露既可能意味着自动化，也可能意味着增强。高暴露职业的失业率比周期趋势所暗示的水平高约0.5个百分点，但报告认为迄今影响仍相对有限。年轻劳动者更容易受到入门级任务自动化的影响，而有经验的劳动者可能获得增强、生产率和工资增长的收益。 新就业创造是基准情景中的重要抵消因素。AI相关职位发布集中于专业和技术服务、信息和金融行业，估计薪酬往往高于非AI职位，并倾向于招聘有经验的劳动者：在明确列出数字经验要求的职位中，AI相关职位中面向零至两年经验劳动者的比例为32%，而全部职位为55%。过去一年中，AI相关职位从所有职位发布的2.1%升至4.7%。因此，报告认为，在现有职业中AI暴露较高的CHIC家庭，特别是有经验的劳动者，目前也似乎更适合AI创造的新工作。相比之下，具身AI和机器人可能更直接影响体力劳动职业，但Morgan Stanley预计其扩散较慢，原因包括硬件成本、安全要求、资本密集度和现实世界训练数据不足。其全球机器人模型预计，美国机器人总量将从2026年的15 million增至2030年的35 million，而人形机器人到2035年才超过1 million。 财富效应使这种分配结果尤其重要。收入最高的五分之一群体占家庭直接持有公司股票和共同基金的87%；受过大学教育的家庭占85%，55岁及以上家庭占79%。股票约占最高20%收入群体净财富的30%，而在最低40%群体中仅占10%。从1Q24到1Q26，家庭财富增加约$21tn，直接股票贡献了增量的一半。Morgan Stanley估计，消费者通常会将每一美元永久财富增长中的3-5美分用于消费。最高收入群体的股票财富约为其年劳动收入的六倍；在假设劳动收入边际消费倾向为90%、金融财富边际消费倾向为4%时，永久股票财富上升4%即可抵消劳动收入下降1%对消费的影响，而最低40%群体需要财富增长24%。这意味着，即使在劳动收入暂时走弱时，相对温和且持续的资产上涨也能支持富裕消费者的支出。 通胀带来不同的短期和长期分配影响。AI基础设施需求可能推高电力、软件和芯片相关商品价格，尽管多数此类类别在CPI和PCE中的权重较小。电力是主要的短期担忧：其占低收入群体支出的4%，而上收入群体为2%；车辆支出则占上收入消费者的8%，低收入消费者为5%。报告发现，数据中心相关的电价压力证据多于更高芯片成本向汽车价格传导的证据；在数据中心更集中的地区，电价上涨更多。因此，低收入、未受大学教育和南部家庭更容易受到短期价格压力。中长期来看，Morgan Stanley预计生产率提升将带来通胀回落，首先出现在信息技术、金融和通信等高采用行业。高收入家庭在金融服务和保险上的支出占比约为11%，最低五分位群体为4%；在包括专业和通信服务的其他服务上的支出占比为11%，最低收入群体为5%，因此其可能更早受益于服务业通胀回落。 综合各渠道，基准情景对CHIC家庭整体利好：财富效应、生产率推动的工资、新岗位和最终通胀回落超过岗位替代，尽管年轻的高学历劳动者可能经历短期疲软，且不平等扩大。Morgan Stanley预计，富裕家庭在家具、车辆、奢侈品和休闲娱乐等可选消费中的较大支出份额将支持这些类别。在绝对水平上，低收入家庭仍可能从更广泛的工资增长、通胀回落或潜在货币宽松中获益，但初始上行收益较少，且面临更多短期通胀压力。在悲观情景中，快速采用首先冲击CHIC就业；若资产价格也持续下跌25-30%或更多，富裕消费者将削减可选消费，而其较大的支出份额会将冲击转化为覆盖所有群体的更广泛需求疲弱。届时货币和财政政策反应将至关重要。

分析框架

报告先构建AI采用的基准和悲观一般均衡情景，再利用职业、家庭资产负债表和支出模式的微观数据，考察收入、教育、地域和年龄群体。它分析劳动力替代、生产率驱动的工资增长和就业创造；利用边际消费倾向假设将股票持仓转化为消费影响；并比较不同群体的支出篮子，以评估短期通胀和长期通胀回落暴露。

方法论与常识提炼

• 宏观经济框架

  一般均衡AI采用情景

  Morgan Stanley利用先前的一般均衡模型比较温和扩散的基准情景与快速扩散的悲观情景，并纳入任务创造、财富反馈和劳动力市场调整。

• 行业/产业分析框架量价拆分

  消费者影响的三渠道传导分析

  报告将AI对消费者的影响拆分为劳动收入、金融财富和通胀，并比较每个渠道对不同人口群体的影响。

• 量化/因子/组合理论

  基于任务的职业AI暴露指数

  报告采用Felten等人的框架，根据职业任务和能力与当前及预期AI能力的匹配程度对职业评分，以区分暴露与必然的负面结果。

• 公司基本面与财务框架自由现金流分析

  劳动收入和财富的边际消费倾向

  报告估算永久股票财富变动如何抵消消费者支出中的劳动收入损失，且结果因不同群体的财富水平而显著不同。

关键数据

• 基准情景下的AI扩散About 10 years; roughly 2x the internet’s pace假设生产率提高且不引发经济衰退。
• 基准情景下失业率峰值上升+0.2-0.5pp暂时上升被工资、任务创造、通胀回落和财富效应抵消。
• 悲观情景下失业率峰值上升+0.6pp to +4.1pp快速六年采用情景；结果取决于间接财富和需求效应。
• 高AI暴露职业中的劳动者26%低暴露职业为18%，中等暴露职业为56%。
• 按暴露组划分的收入中位数$97k high exposure; $46k low exposure基于截至2024年的职业年薪中位数数据。
• AI相关职位发布占比4.7%, up from 2.1% over the past year显示AI相关招聘正在扩大。
• 最高20%群体占直接股票和共同基金持仓的比例87%说明AI相关财富效应的集中程度。
• 家庭财富变动About $21tn from 1Q24 to 1Q26直接股票贡献了增量的一半。
• 抵消劳动收入下降1%所需的资产增长4% for top 20%; 24% for bottom 40%假设劳动收入边际消费倾向为90%，金融财富边际消费倾向为4%。

影响与含义

Morgan Stanley认为，不能仅从职业暴露推断AI对消费者的结果。在其基准情景中，富裕、高学历城市家庭的资产所有权，以及其在生产率和新岗位收益中的有利位置，将支持总体可选消费，但分配不平等会扩大。快速部署并伴随显著资产市场下跌将扭转这一逻辑，并使需求疲弱扩散至所有消费者群体。

风险

• 快速AI扩散可能导致岗位替代快于任务创造，形成类似衰退的结果。
• 资产市场持续下跌25-30%或更多可能促使富裕家庭削减支出，并放大更广泛的需求冲击。
• 技能错配可能阻碍被替代劳动者迅速转入新创造的AI相关岗位。
• 软件或其他AI相关价格压力可能超出预期，降低消费者购买力。
• 分配结果取决于采用速度、资产市场表现以及货币和财政政策反应。

后续跟踪

• 按群体划分的月度和季度就业、失业、工资增长和劳动收入指标。
• Morgan Stanley的AI劳动力追踪器和AI生产率追踪器。
• AI相关职位发布，包括行业、薪酬和经验要求。
• 按收入、年龄和教育群体划分的净财富和股票财富变化。
• 不同群体的通胀指标，尤其是数据中心集中地区的电价。
• 可选消费类别以及按收入、年龄、地域和教育水平划分的支出趋势。