AI generated Weekly Survey

實驗性質。

每週定期上架，第一週為中文，未來應該會改成英文，視情況而定

生成式 AI 正在從「單一工具」走向「重塑勞動生產力與實證方法的基礎設施」：最新的 3 組文獻分別從微觀實驗、勞動經濟、到計量方法，拼出這條主題線索。這些研究共同指向一個核心訊息：生成式 AI 對低經驗工作者的生產力與學習效果特別強，同時也迫使經濟學與計量經濟學更新研究工具箱。arxiv+8

主題與選文概覽

本次文獻回顧聚焦「生成式 AI 對勞動生產力的影響，及其在經濟學與計量方法上的回饋」，選取 2023–2025 年間 9 篇最新研究，避免重複早期經典作品。AI 組以隨機實驗為主，考察 Copilot、聊天機器人與團隊協作；Economics 組從企業與勞動市場層面衡量生產力與採用率；Econometrics 組則討論如何運用大型語言模型（LLM）來建構新型資料與因果知識圖，並提出應用計量的框架。arxiv+9

AI：微觀生產力實驗

在軟體開發領域，Peng 等人以隨機對照實驗評估 GitHub Copilot，發現有 AI 協助的工程師完成同一程式任務的時間約縮短 55.8%，且收益對程式經驗較少、每天寫程式時間較長的開發者特別大，顯示生成式 AI 尤其能拉抬低熟練度工作者的生產力（Peng et al., 2023）。另一項隨機實驗則讓 435 名參與者分成 122 個團隊，比較「人類團隊」、「單一 AI 輔助團隊」與「每人一個 AI 的多 AI 團隊」，結果顯示只要有生成式 AI 介入，團隊在任務品質、創新性與實用性上的表現都優於純人類團隊，但增加更多 AI 並不帶來線性收益，反而是由少數成員「集中深度使用 AI」的團隊表現最佳（Li et al., 2024）。arxiv+1

在客服與資訊檢索場景中，一篇題為 AI Revolution on Chat Bot: Evidence from a Randomized Controlled Experiment 的研究，設計現場隨機實驗，讓部分使用者可透過 LLM 型聊天機器人獲得資訊服務支援，顯示生成式 AI 在真實工作流程中能有效縮短處理時間並提升服務效率，補足過去多數只在實驗室任務上的證據（AI Revolution on Chat Bot, 2024）。綜合這三篇，主題脈絡很清楚：生成式 AI 不只是單一工具，而是可以嵌入個人、團隊與服務流程中，系統性改變任務分工與協作型態，且效益對低經驗者與需要標準化知識的工作最為明顯（Peng et al., 2023；Li et al., 2024；AI Revolution on Chat Bot, 2024）。arxiv+2

Economics：勞動市場與總體影響

在企業層級，Brynjolfsson、Li 與 Raymond 研究某大型軟體公司的 5,172 位客服人員，引入 GPT‑3 型對話助手後，平均每小時成功解決問題數提升約 15%，效果主要集中在低經驗與低技能員工；對這些員工而言，使用 AI 後的表現可迅速追上原本有六個月以上資歷的同事（Brynjolfsson et al., 2025）。此外，AI 協助還改善客戶互動語氣、降低要求轉接主管的比例，並減少新進員工流失，顯示生成式 AI 同時影響生產力與工作體驗。academic.oup

BIS 的工作論文 Generative AI and Labour Productivity: A Field Experiment on Coding 則在企業實際開發環境中，發現生成式 AI 程式輔助可以讓程式碼產出提升逾 50%，但統計上顯著的生產力提升主要來自初階或資淺開發者，對資深工程師的作用較小，甚至可能出現邊際報酬遞減（Generative AI and Labour Productivity, 2024）。在更宏觀的層面，Hartley 等人利用 2024 年底至 2025 年中多波美國成人調查資料，估計在職場中使用 LLM 的比例從 2024 年 12 月的 30.1% 快速升至 2025 年 6–7 月的 45.6%，且採用者集中在年輕、受教育程度較高、所得較高及客服、行銷與資訊科技等產業（Hartley et al., 2024）。這組文獻將微觀隨機實驗與調查資料串起來：企業內部看到顯著的個人與團隊生產力提升，而全國層級的採用率也在短時間內快速上升，為討論生成式 AI 對整體生產力與不平等的中長期影響提供了基礎（Brynjolfsson et al., 2025；Generative AI and Labour Productivity, 2024；Hartley et al., 2024）。papers.ssrn+2

Econometrics：LLM 與新型實證方法

當生成式 AI 迅速滲透工作與市場，計量經濟學也開始思考如何把 LLM 納入實證工具箱。Large Language Models: An Applied Econometric Framework 將 LLM 視為一種可產生、標註與總結文本資料的「估計器」，系統整理了在預測、文字標註、人類行為模擬與假說產生等任務中如何設計 prompt、建立交叉驗證，以及在實證設計中如何把 LLM 輸出視為「生成共變數」並進行穩健推論（Large Language Models: An Applied Econometric Framework, 2024）。 BIS 的 Large Language Models: A Primer for Economists 則從中央銀行與宏觀政策的角度，總結 LLM 在新聞與政策文本分類、預測通膨預期、監測金融穩定等應用，同時強調偏誤、幻覺與資訊洩漏等風險，以及在模型評估與外部驗證上的實務建議（Large language models: a primer for economists, 2024）。arxiv+2

在大規模文獻整理方面，VoxEU 上的專文 Leveraging Large Language Models for Large-Scale Information Retrieval in Economics 提出一套方法，利用 LLM 自動從成千上萬篇經濟學論文中抽取「明確的因果陳述」，並將其映射到 JEL 代碼所定義的經濟概念節點，進而構建跨領域的「因果知識圖」，還討論未來如何納入效果大小與標準誤，以支援半自動化的系統性綜述與統合分析（Leveraging Large Language Models for Large-Scale Information Retrieval in Economics, 2024）。這三篇文獻共同勾勒出一個新興方向：生成式 AI 不只是研究對象本身，也成為生產新資料、系統化因果知識與擴充計量工具箱的關鍵技術，未來關鍵挑戰在於如何在便利與推論嚴謹之間取得平衡（Large Language Models: An Applied Econometric Framework, 2024；Large language models: a primer for economists, 2024；Leveraging Large Language Models for Large-Scale Information Retrieval in Economics, 2024）。cepr+3

參考文獻（APA 格式）

AI Revolution on Chat Bot: Evidence from a randomized controlled experiment. (2024). Working paper.arxiv
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942.academic.oup
Generative AI and labour productivity: A field experiment on coding. (2024). BIS Working Paper.bis
Hartley, J., Jolevski, F., Melo, V., & Moore, B. (2024). The labor market effects of generative artificial intelligence. SSRN Working Paper.papers.ssrn
Large language models: A primer for economists. (2024). BIS Quarterly Review.bis
Large language models: An applied econometric framework. (2024). BFI Working Paper.bfi.uchicago+1
Leveraging large language models for large-scale information retrieval in economics. (2024). VoxEU Column.cepr
Li, N., Zhou, H., & Mikel-Hong, K. (2024). Generative AI enhances team performance and reduces need for traditional teams. Working paper.arxiv
Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv preprint arXiv:2302.06590.arxiv

Add to follow-upCheck sources