AI取代就业后，税收体系如何应对？

几天前，OpenAI发布了一份题为《智能时代的产业政策》的报告。这份13页的文件，提出了一系列为应对超级人工智能技术带来的剧烈变革而设计的“以人为本的政策主张”，内容涉及从工作日时长调整到基础设施体系重构的多个方面。而在所有这些政策中，“征收AI税”无疑是最引人瞩目的一项。

OpenAI的研究人员建议，为了应对AI带来的工作模式重塑以及税基侵蚀等问题，应该考虑重构税基，“提高对资本性收入的依赖，包括提高高收入人群的资本利得税、提高企业所得税、对持续的AI驱动收益实施针对性征税；同时探索与自动化劳动相关的新型税种，如AI税、机器人税等”。这一建议，让“对AI征税”的讨论再一次被推到了风口浪尖。

其实，随着近年来AI技术的迅猛发展，已有不少科技领袖提出过类似的构想。比如，微软创始人比尔·盖茨就曾多次呼吁，应当对使用AI和机器人替代人力的企业征税，税款额度可参考被替代员工的薪资税负水平，用于社保、再培训与稳就业。“深度学习之父”杰弗里·辛顿也曾在访谈中指出，AI的大规模应用可能导致薪资税税基萎缩，因而必须对AI征税，以维持福利国家的财政运转。Anthropic公司的创始人达里奥·阿莫代则提出了更具体的设想，建议对大模型的使用开征“词元税”，用于社会再分配和公共福利。

然而，构想归构想，现实却谨慎得多。到目前为止，世界上大部分经济体都对AI税保持着审慎的观望态度。据公开信息，唯一的例外是哈萨克斯坦，它计划从2025年8月开始，对ChatGPT等AI服务征收增值税。除此之外，这片领域几乎还是一片政策空白。

AI时代的税收挑战

AI技术的普及，不仅会重塑经济结构，更会对运行了数十年的现代税收制度带来根本性的挑战。具体来看，挑战主要集中在四个方面。

首先是税基侵蚀与税源枯竭的风险。

传统的经济直觉认为，经济增长会带来就业扩张，进而推动税收稳步增长：更多人工作，缴纳更多的个人所得税和社会保险费，政府便有更充足的财政资源。照此逻辑，如果AI真能带来生产率的重大跃升，政府理应获得更多税收。

但现实可能没这么乐观。不少研究指出，AI带来的生产率提升或许远低于预期。例如，诺贝尔经济学奖得主达龙·阿西莫格鲁的估算显示，AI带来的年均生产率增长仅有0.06%，可谓微乎其微。然而，它对税基的冲击却相当显著。

现代税收名目繁多，但税基无外乎几种：劳动所得、资本所得、财富存量和消费。对许多经济体而言，劳动所得税和消费税构成了税收的支柱。相比之下，出于保护产权和鼓励投资的考虑，对资本和财富的征税则相对克制。

问题在于，AI的冲击正直接撼动劳动和消费这两大根基。作为一项自动化技术，AI的广泛应用意味着大批劳动力被替代。阿西莫格鲁的另一项被广泛引用的研究发现，工业机器人等自动化技术会明显降低劳动力需求。在美国，每千名工人新增一个机器人，全国就业人口比例就会下降0.2%。当AI与机器人结合，这种挤压效应将更为剧烈。就业人口减少，直接冲击劳动所得税的税基；同时，劳动者收入下降又会抑制消费，削弱消费税的税基。一边是增长不及预期，一边是税基遭到破坏，两股力量叠加，财政收入面临的压力可想而知。

其次，政府的公共开支可能被迫大幅增长。

至少在转型期内，AI对就业市场的冲击可能引发显著的“技术性失业”。为了帮助失业者再培训，并为难以再就业的人群提供基本生活保障，政府需要大规模增加财政支出。钱从哪来？这必然要求开拓新税源、获取更多税收。

再次，传统主要税种的征收难度将大幅提升。

在AI时代，价值创造越来越依赖于算法、数据和算力等无形资产，而这些资产在传统税制下往往难以被有效捕捉和征税。同时，越来越多的劳动以零工、自由职业等碎片化形式存在，收入非标准化，使得劳动所得税的征管成本激增。这两股趋势合力，让传统税收体系的效率大打折扣。

最后，经济活动与税收在空间上可能出现严重错配。

传统的生产和消费有明确的地理归属，征税相对容易。而算法驱动的生产则天生具有跨境属性：模型可以在一地训练，在另一地部署，服务全球用户，其价值创造过程被切割在多个司法辖区之间。这就产生了一个核心矛盾：税基的生成是全球性的，而征税权力却仍是区域性的。这种错配，使得利润转移和税基侵蚀问题被进一步放大。

AI税的征收理由

在上述多重挑战的叠加之下，“是否对AI征税”已经不再只是一个可选项，而逐渐显露出某种制度上的必要性。当AI在经济中扮演越来越核心的角色时，如果不对这种新型生产要素建立相应的税收安排，那么财政体系将不堪重负，劳动与资本之间的分配“剪刀差”也会越拉越大。从这个角度看，对AI征税并非简单干预技术进步，而是一种旨在修复税基、维持财政可持续性并保障社会公平的制度性回应。

第一，这是对生产结构和收入分配格局变化的必要回应。

随着AI的深度应用，价值创造正从依赖劳动转向更多依赖资本、算法与数据的复合体系。这一转变直接改变了收入分配格局：原本以工资形式分散的收益，越来越多地转化为企业利润和资本回报。如果税制仍然死死抱住劳动和消费这两块日渐萎缩的税基，那么即便经济总量在增长，财政收入也可能出现结构性不足，同时还会加剧资本与劳动之间的分配失衡。

因此，对AI征税可以理解为一种“税基再对齐”的努力：它试图将已经转移到资本与技术体系中的价值，重新纳入可征收的范围，以维持财政体系的稳定。同时，这也具有重要的分配意义。通过对AI相关收益进行适度征税，并将收入用于公共支出和再分配，可以在一定程度上缓解技术进步带来的收益过度集中问题。

第二，这可能是降低整体征管成本的一种结构性优化。

传统税制依赖劳动和消费，一个重要原因是它们易于观测。但在平台经济和零工经济兴起后，这一优势正在减弱。相反，AI相关活动的关键要素往往集中在少数大型企业或平台手中，反而具有更高的集中度和可监测性。如果能设计出合理的征税方式，例如基于算力消耗或模型调用量来计税，就有可能以更低的成本覆盖更大规模的经济活动。

第三，这能在一定程度上缓解税基的跨境流失问题。

在当前体系下，跨国企业通过利润转移等手段规避税收的能力很强。AI相关价值虽然流动性高，但它也高度依赖特定的技术基础设施和终端市场需求。如果能够围绕这些要素设计税收规则，例如将征税权与用户所在地或算力实际使用地挂钩，则有可能在一定程度上“锚定”税基。尽管这高度依赖国际协调，但近年来全球围绕数字经济税收的改革表明，在税基高度流动的背景下，通过规则创新来重新分配征税权，并非没有可能。

AI税的理论争议

需要指出的是，尽管有上述理由支持，但围绕AI税是否应该开征、何时开征以及如何开征，理论界的争议依然很大。

争议一：是否会抑制创新、扭曲经济效率？

经典的公共财政理论有一个重要结论：应尽量避免对资本所得征税，以防止资本配置被扭曲。而目前流行的“机器人税”等方案，恰恰是对资本（自动化设备）征税。批评者认为，这违背了上述原则，会损害经济效率。更有观点认为，AI作为通用目的技术，其外溢效应能带动广泛的经济增长。对其征税相当于人为提高使用成本，可能延缓技术采纳速度。

不久前《国际研究杂志》上的一篇论文为这种担忧提供了佐证。该研究模拟了在减税促就业的同时开征“机器人税”的经济后果，结果发现，该税不仅会显著降低经济增长率，甚至可能减少就业，其带来的经济成本可能高于增加的税收收入。

争议二：现在开征是否为时过早？

一种观点从技术发展角度出发，认为AI仍处于初级阶段，产业应用尚不充分，贸然征税可能阻碍其发展潜力。另一种观点则从财政理论切入，比如“AI税”的倡导者之一、弗吉尼亚大学的安东·科里内克教授也认为不宜操之过急。在他看来，当AI对经济的影响还较小，传统税源（劳动和消费）依然充足时，最优税制仍应以它们为主。只有当劳动收入萎缩到难以构成独立税源时，对AI资本征税才应作为次优选择被考虑。

争议三：真能有效改善收入分配吗？

支持AI税的一个重要理由是缓解不平等，但这在经济学上并非不言自明。税收的实际效果取决于税负归宿。企业可能通过提价将税负转嫁给消费者，也可能通过压低工资转嫁给劳动者。在自动化背景下，劳动者议价能力下降，这种转嫁更为容易。因此，“对AI征税”未必等于“向资本征税”，其改善分配的效果可能弱于预期。更深层的问题是，不平等的根源是否在于AI本身？如果问题主要出在教育、技能结构或市场垄断上，那么单纯依靠税收工具可能无法治本。

争议四：具体税制结构应如何设计？

对于传统经济的税制设计，学界已有成熟研究和共识。但对于AI经济下的税收结构，研究还远远不足。AI税应以何种形式落地？不同税种之间如何组合？在不同发展阶段又该如何调整？关于这些问题，目前众说纷纭，短时间内恐怕难以达成共识。

AI税的落地困难

相比理论争议，AI税在实践层面面临的难题或许更为棘手。

第一，税基界定困难。 税收制度运行的前提是征税对象清晰。但“AI”本身是一个高度模糊且快速演化的概念，从简单的自动化脚本到复杂的生成式系统，构成一个连续谱。定义过宽，则几乎所有数字技术都可能被征税；定义过窄，则容易被规避，政策效果大打折扣。

第二，纳税主体定位模糊。 AI系统不具备法律主体地位，不能拥有财产或承担义务。因此，所谓“AI税”最终仍需由企业或使用者承担。这就带来结构性困境：如果由企业承担，它与企业所得税是何关系？是附加税还是替代？处理不当易导致重复征税或税制复杂化。更激进的设想是赋予AI“类法人”地位，但这会立即引发一系列深层的法律和伦理问题。

第三，价值计量与信息约束。 AI创造的价值往往嵌入复杂的生产流程，难以单独剥离和计量。一家企业的利润中，有多少应归因于AI模型，多少来自品牌、管理或市场环境？缺乏可靠的计量基础，任何针对“AI贡献”的征税都可能依赖主观评估，增加争议和合规成本。这也是为什么近年讨论转向数据使用量、算力消耗等更易观测的指标。

第四，跨境实施的巨大难度。 AI的开发、训练与部署可以全球分布。当只有少数地区征收AI税时，企业完全可以通过将业务环节转移至低税率地区来进行规避。结果可能是，开征AI税的地区不仅难以收到税，反而面临企业和税源流失的风险。

综上所述，至少在现阶段，AI税的开征仍面临重重现实障碍。要让其顺利落地，必须对这些难题给出妥善的解决方案。

AI税的可能方案

尽管争议和困难并存，但学界和业界已经提出了一些具体的实施方案构想，其中以下几种较具代表性：

方案一：调整既有税制，实现税负再平衡。

这是最具现实基础、也最易实施的路径。其核心逻辑是，既然AI导致收入从劳动转向资本和企业利润，那么税基也应同步调整。具体可通过扩大企业所得税税基、提高资本所得税有效税率、强化反避税规则，同时减轻对劳动收入的依赖来实现。

这一路径的优势在于制度连续性强，无需重新界定“什么是AI”，避免了针对特定技术的扭曲性征税。近年来全球围绕跨国企业利润转移的治理和全球最低税率的推进，可视为这一方向的实践。但其局限也很明显：在资本高度流动的背景下，单一国家提高资本税负面临约束，而AI依赖的无形资产进一步加剧了税基流动性。此外，这仍可能违背“尽量少对资本征税”的理论原则，影响资本配置效率。

方案二：引入直接型AI税，如机器人税或自动化税。

这一思路试图将“机器替代劳动”的直觉制度化，例如按自动化设备数量或被替代的劳动规模征税。其优势在于直观，尤其在制造业等技术形态清晰的领域有一定操作性，并能短期内为财政提供额外来源，缓解就业冲击带来的支出压力。

然而，这类税种难以成为长期制度的核心。一方面，“AI”与“普通资本”的边界模糊，易引发规避和争议；另一方面，对特定技术征税会扭曲企业决策，可能抑制更高效的技术路径。因此，它更适合作为特定行业或转型期的过渡性工具。

方案三：围绕关键要素构建新税基，如数据税、算力税或词元税。

这一思路更具前瞻性，它不再纠结于定义AI，而是转向技术上更易观测的变量，如数据使用量、计算资源消耗或模型调用频率。随着大型AI系统的集中化，这些要素往往掌握在少数平台手中，客观上具备了较高的可征收性。

这类方案的优势是能够更直接地嵌入生产过程，使税收与价值创造联系更紧密。但挑战同样存在：算力或数据使用量并不完全等同于经济价值，过度征税可能抑制研发创新；同时，跨境流动问题依然棘手。这类税基更可能在AI经济成熟后，作为传统税制的重要补充。

方案四：通过制度创新参与收益分配，如公共资本与“AI红利”机制。

这一思路已超越传统税收范畴，核心在于改变分配的起点，而非仅仅依赖事后再分配。例如，通过主权财富基金持有关键技术企业股权，或通过公共数据平台参与数据收益分配，让公众以所有者身份分享AI回报。

这种方式可以绕开许多征管难题，分配也更直接。但其实施依赖高度的制度能力与整治共识，并涉及产权与市场效率的权衡，因此更可能作为长期制度的一部分，而非短期主要工具。

通过上述分析不难发现，现有几种方案各有优劣，局限也同样明显。因此，不分青红皂白地机械套用任何一套方案，都可能带来问题。

相比之下，更合理的思路或许是采取一种动态、分阶段的策略。根据AI技术扩散和经济影响的不同阶段，搭配使用不同的方案：

• 初期阶段（技术扩散期）： 技术潜力尚未完全释放，税基侵蚀初现。政策应以调整既有税制为主，辅以在局部行业（如制造业）试点自动化税，避免对创新形成过强约束。
• 结构转型阶段（广泛应用期）： AI广泛应用，劳动税基持续收索。税制需要逐步转向以资本和无形资产为核心，同时引入算力税、词元税等新型税基作为补充，并加强国际协调以防止税基外流。
• 成熟阶段（主导生产要素期）： AI成为主导性生产要素，传统以劳动为基础的税制难以为继。此时需要在新型税基的基础上，结合公共资本与收益分享机制，构建一套适应“后劳动经济”的分配体系。

从这个角度看，所谓“向AI征税”，远非引入一项孤立的新税那么简单。它实质上是一场税制的范式转移——从单一依赖劳动与消费，转向一个多元、动态、能适应技术变革的复合结构。不同税种在其中扮演不同角色，随着技术与经济环境的变化而动态调整。正是在这个意义上，AI时代的税收改革，更像是一场持续的制度重构，而非一次性的政策选择。