MIT 计算机科学与人工智能实验室（CSAIL）发布了一项关于 AI 自动化经济可行性的研究，揭示了一个与行业叙事截然不同的结论：当前 AI 自动化在涉及视觉的工作任务中，仅有约 23% 的薪资支出在经济上是可行的。
核心发现
研究团队对工作场所中的 AI 自动化进行了系统分析，特别聚焦于计算机视觉相关的任务。他们发现：
- 23% 的薪资可行性：在当前技术水平和成本结构下，只有约 23% 的涉及视觉的工作任务的薪资支出可以被 AI 自动化经济地替代
- 计算成本是主要障碍：对于需要高质量视觉处理的任务，计算成本往往超过被替代的人力成本
- 非视觉任务可行性更高：相比之下，纯文本和数据处理任务的自动化经济可行性显著更高
这意味着，尽管计算机视觉技术在过去几年取得了显著进展，但在实际商业场景中，用 AI 替代人类视觉工作者的经济账仍然算不过来。
Nvidia VP 的补充视角
在同一讨论背景下，Nvidia 应用深度学习副总裁向 Axios 透露了一个值得关注的数据：对于他的团队而言，计算成本已远超员工成本。
这两项数据形成了有趣的张力：
- 一方面，AI 行业在 2026 年投入了约 7400 亿美元的资本支出，大规模部署算力基础设施
- 另一方面，MIT 研究表明大多数视觉主导的岗位用 AI 替代并不经济
- 同时，行业已经出现了约 92,000 人的裁员
这些数据点暗示，当前的 AI 投资热潮中可能存在结构性错配——资本大量投入算力，但实际的商业落地场景比预期的更为有限。
对行业的影响
这项研究对 AI 产业有以下几个层面的启示：
对投资者：需要重新审视 AI 自动化项目的 ROI 模型。不是所有”能用 AI 做”的事都”应该用 AI 做”。
对企业主：在规划 AI 转型时，应优先选择经济可行性高的场景——如文本处理、数据分析、流程自动化——而非盲目追求视觉相关的”酷炫”应用。
对从业者：视觉相关岗位（如质检、影像分析、设计审核）的替代风险可能低于预期，但这不意味着安全——随着计算成本下降，经济可行性边界会持续扩展。
MIT 的更大图景
这并非 MIT 关于 AI 就业影响的唯一研究。早在 2025 年 12 月，MIT 的另一项研究就发现：
- 当前 AI 系统可以自动化美国近 12% 的现有劳动力
- 受影响的不只是技术特定岗位，还包括金融、人力资源、办公管理等角色
- 入门级开发人员岗位已经在减少
但 MIT 强调了一个关键区分：AI 能做什么与企业会在哪里实际部署 AI是两个完全不同的问题。经济可行性是连接这两个问题的桥梁。