家戶生產的邊界

資料來源#

• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy

摘要#

幾乎所有 AI 經濟研究都在衡量工作。ATLAS v1.0 最犀利的一步，是把同一套工具用於其他一切領域，並發現：大多數使用其實都發生在那裡——86.5% 的對話式 AI 互動發生於正式工作之外。研究將約 1,000 萬筆 Gemini App 和 AI Mode 對話，對應至美國時間使用調查詞彙表——涵蓋 74% 的 ATUS 類別，涉及美國人非睡眠時間的 98%——讓使用記錄成為近似時間使用日記的資料。

經濟上的重點不在於居家使用量很大，而在於居家使用幾乎全落在無酬生產邊界的另一側，而國民帳目並不觀察這一側。它創造的價值，從定義上就不會出現在 GDP 中；若 AI 以家戶活動取代購買服務，則會讓衡量到的生產力下降，即使實際福祉提高。

證據說明。使用分布屬於 empirical；美元估值是情境推算，不是實際測量——ATLAS 假設節省時間的幅度為 0.5–5%，因為目前沒有 AI 節省家戶時間的因果估計。請將 150 億至 1,490 億美元視為一個經過估算的假說。非工作分類在 ATUS Tier-1-accurate 中準確率為 72.8%，在 Tier-3-accurate 中為 23.7%（Usage-Telemetry Classifier Validation）。

對話都流向哪裡#

ATUS Tier 1 類別的全球分布：

類別	占比
社交、放鬆與休閒	26.4%
教育	20.7%
工作及相關活動	13.5%
家戶活動	11.0%
個人照護	9.0%
消費購買	5.2%
專業與個人照護服務	4.8%

全球對話中，將近一半只涉及休閒與教育。實用的家戶管理——家務、採購、個人照護與服務——則約占另外 30%。

時間分配可預測 AI 使用情形#

這項結果支撐了「通用技術」的主張：以美國 ATUS 各類別中人們投入的時間占比，迴歸 AI 對話的美國占比，結果顯示人類時間分配能有力預測 AI 問題的去向。Tier 1 的斜率為 0.767，時間使用可解釋近 50% 的變異；在最細緻的 Tier 3 中，斜率仍高於 0.4，可解釋約 20% 的變異。

這種關係，正是通用家戶技術與利基工具的差別所在。AI 並未集中在少數工作流程，而是大致按照人們的日常時間分配，散布於生活各面向；偏離這種分布的規律，才是有意思的部分。

偏離之處：認知活動占比偏高，體力活動占比偏低#

相較於投入時間（美國，ATUS Tier 1）：

• **政府服務與公民義務——占比高出約 20 倍。**資料中偏離最大的一項。
• 專業與個人照護服務——高出 7 倍以上。
• 教育——高出 5.8 倍（在美國以外的地區更高）。
• 消費購買——高出約 3 倍。
• 飲食——占比低約 18 倍，是最顯著的負向落差。旅行、運動，以及照料家戶成員的活動占比也偏低。

在 Tier 3 中，占比最高的具體活動包括研究／家庭作業、健康相關自我照護、比價購物、金融服務、個人興趣寫作，以及自行修理家電／工具／車輛。占比最低的活動則是看電視、飲食、洗漱與梳理、室內清潔和洗衣。

這種模式並不是「AI 做認知工作」，而是AI 集中協助活動中的認知規劃與組織階段，而實際執行仍由體力完成。人們不會請 AI 打掃廚房，而是問它如何安排一週的餐點、該買些什麼，以及如何修理洗碗機。ATLAS 指出，自訂分類器判定約 82% 的 ATUS Tier 3 活動在目前能力下不可自動化，但仍發現其中有大量 AI 使用。採用 AI 的動力來自人們在體力執行期間，對互補性的決策與資訊支援的需求，而非以 AI 取代任務的需求。

高摩擦的官僚程序，以及非上班時間的發現#

政府服務這項異常值，可以進一步拆解為具體項目。占比最大的項目是申辦許可，以及繳納稅款、罰款或費用，其次是公民義務（投票、陪審團義務、議會會議），再來是社會服務。群集摘要中常見的詞彙包括要求、遵循規定和程序，主題則集中在法律與警察、社會服務、移民與簽證，以及稅務。

而且，**醫療、法律、金融與政府相關對話中，約有一半發生在一般上班時間之外。**ATLAS 的說法是：過去要接觸這些機構，人們往往得在本來應該工作的時段放下有薪工作——形成工資損失這種隱性成本。AI 以比喻來說，讓這些機構全天候營業；它消除的成本不是聘請律師的費用，而是必須在工作日辦事的代價。

AI Usage Cadences 從時間面向分析 Claude 遙測資料時，也發現了相同訊號——稅務查詢在 4 月 15 日截止日期前後激增 8 倍，非上班時間的使用反映生活節奏。ATLAS 則補上其中的機制：機構服務有開放時間，AI 沒有。

為 GDP 看不見的價值估值#

自 Kuznets（1934）以來，非市場活動一直被排除在國民帳目之外；若某項技術讓活動從市場移入家戶，即使福祉提高，衡量到的 GDP 仍會下降。

ATLAS 採用第三人標準（Reid，1934）——若原則上可以付錢請別人來做，家戶活動便屬於「生產性」活動——以此篩選出有價值的部分：烹飪、購物、家務、育兒、園藝、零工與維護。美國人每週在這些活動上花費17.8 小時。若按 BEA 刻意採取保守估值的每小時 12.02 美元替代工資計算：

假設平均節省時間	每人每年	美國總計／年
0.5%（≈每週 5.4 分鐘）	$56	$14.9B
2%	—	~$60B
5%	—	~$149B

ATLAS 選用 0.5–5% 作為刻意保守的範圍；相關文獻提出的數字遠高於此：Blank 等人（2026）估計，家戶購物／瀏覽可節省 43–64% 的時間；Hertog 等人（2023）推估 50–60% 的無酬家務可自動化（但研究也涵蓋機器人）。作為參照，Nguyen 等人（2026）估計，2026 年初 AI 為美國消費者帶來約 $172B 的消費者剩餘。

ATLAS 也提醒，對許多正在發生的事而言，節省時間並不是恰當的指標——「AI 在家中帶來的許多改善，可能會體現在家戶活動的品質與廣度，而不是用更少時間達成相同成果。」健康、教育和法律風險方面的更佳決策，不會呈現在分鐘數上。

從分配角度來看，收益與性別相關：男性投入生產性家戶活動的時間最多比女性少 30%，因此潛在收益會不成比例地落在女性身上——除非已有文件記錄的 AI 採用性別差距抵銷了這項效果；ATLAS 明確指出，這是尚待釐清的風險。

Coyle 的客座評論：邊界本身正在移動#

Diane Coyle（劍橋）撰寫了一節署名評論，主張家戶這一側的邊界之所以遭到忽視，原因在於衡量方式，而非經濟因素——統計機關蒐集的無酬活動資料遠少於市場活動，儘管若按同等工資估值，無酬活動占 GDP 的比例相當高。

她提出兩個理由，說明這件事為何在此刻重要：

1. **可替代的範圍正在擴大。**BEA 資料顯示，八個可由家戶生產取代的市場工作主要類別（育兒、居家醫療照護、餐飲服務），從 1990 年非農業就業人數的約 11%，上升至 2025 年的 15.7%。正式經濟中，愈來愈多工作是家戶可以自行完成的類型。
2. **技術採用的時間尺度已縮短。**家用耐久財花了數十年才改變時間使用方式與勞動參與率；AI 的發展速度快得多。

她的結論提醒我們，解讀生產力統計時必須謹慎：「當創新使活動轉移到家戶，而統計只衡量市場部門時，經濟統計可能會顯示生產力下降。」如果 AI 讓家戶能自給自足，從而減少對報稅準備、心理治療或表格填寫服務的需求，國民帳目就會把它記錄為衰退。

跨國結構#

居家使用的組成會隨國民所得呈現系統性差異：

• 所得越高 → 生產性家戶任務占比越高，而工作相關對話占比則越低（工作占比反轉）。
• 教育在發展中國家居主導地位——在美國，教育的 AI 使用占比已高出 5.8 倍，在中低所得國家所占比例更高。ATLAS 提出一種解釋機制：以文字為主的 AI 回應，所耗資料量可能比平均網路搜尋結果少約 3,000 倍，讓 AI 成為低頻寬環境中可行的資訊管道，成本也大約低 87%。報告亦指出，教育成果相關文獻的結論並不一致，作弊和減少投入任務的時間仍是明確的負面影響。

相關連結#

• Google AI & Economy ATLAS — 這項研究計畫；本頁分析的區塊在使用經濟研究中沒有先例
• Task Saturation: Broad but Shallow AI Diffusion — 另外 13.5% 的部分；本頁的互補項目是工作面向的發現
• AI Usage Cadences — 從時間軸觀察 Claude 遙測資料中相同的非上班時間與日曆驅動需求；ATLAS 補上機構機制（服務有開放時間，AI 沒有），解釋這些節奏為何如此
• Anthropic Economic Index — 另一項研究計畫，對非工作使用的衡量遠不如本研究完整；ATUS 對應分析是 ATLAS 最明確的方法優勢
• Conversation Artifacts — 從輸出面向進行分析的單位；家戶對話會產生各種成果（餐點計畫、預算、表格），其價值正是 GDP 漏掉的部分
• Organizational Complements to AI — 市場面向的對照論點：企業需要互補條件，才能把能力轉化為衡量得到的產出；而家戶的產出則完全不會被衡量
• Experimental Learning Impact of Generative AI — 教育使用占比偏高（美國高出 5.8 倍，發展中國家更高），與 AI 輔助學習是否真正有效的實測證據相互呼應；學習究竟屬於增強或自動化，決定了結果
• Usage-Telemetry Classifier Validation — ATUS Tier 3 分類的精確準確率為 23.7%，因此報告中對細緻家戶活動的主張，誤差範圍也最大
• Market-Priced AI Exposure (the AI Premium) — 未流入損益表的消費者剩餘，正是股價衡量工具看不見的價值；兩者衡量邊界的相反兩側
• AI Employee Framing · Human-AI Accountability Redesign — 職場問責研究沒有家戶版的對應主題；沒有人問過，晚上 11 點 AI 提供錯誤稅務或醫療指引時，該由誰負責
• Post-Scarcity Macroeconomics — 本頁所談每年 150 億至 1,490 億美元、不會反映於 GDP 的家戶時間節省，是這種會計問題的一個現實縮影；Musk 的預測則將其推演至整體經濟：產出真實存在，價格卻無法反映

尚待解答的問題#

• 150 億至 1,490 億美元的區間，建立在假設節省時間 0.5–5% 的前提上，因為目前沒有 AI 在家戶情境中節省時間的因果估計。要設計什麼實驗才能測出實際家戶時間節省？這種效果經得起實測嗎？
• ATLAS 主張收益偏向女性（女性投入生產性家戶活動的時間多 30%），但 AI 採用上的性別差距可能使結果反轉。就目前資料而言，哪一種效果較強？
• 如果 AI 以家戶自行處理取代購買專業服務（報稅、法律建議、心理治療），衡量到的 GDP 會下降、福祉卻會提高。Coyle 引用的市場服務資料，現在能否看出這種替代情況？

資料來源#

• Google's AI & Economy ATLAS v1.0: Mapping Gemini Usage in the Economy — ATLAS v1.0 §4 居家使用（§4.1 整體概況、§4.2 與人類時間使用的比較、§4.3 非市場福祉）、圖 10–17、表 3；客座評論由 Diane Coyle 撰寫，〈時間、生產力與家戶生產的邊界〉