当经济统计还在用工业时代的透镜——智能体日活数量统计的时代意义与框架构建

核心摘要

当智能体开始替代人类完成工作——客服智能体7×24小时处理工单、医疗智能体每天辅助筛查数千病例、物流智能体优化全国运力——我们的经济统计还在用工业时代的分类标准。这些"上了岗的生产力"完全消失在统计视野之外。

经济统计工具滞后，使"重投入、轻产出"的倾向更加隐蔽，但它不是资源错配的根本原因，而是加剧信息不对称的放大器。

全要素生产率核算中的索洛残差无法拆分AI贡献，GDP不变但就业率下降的扭曲信号已经出现。

智能体上岗率、交付密度、人机协同比等补充指标可以重构劳动力统计维度，让智能体生产力变得可度量。

DAA从企业概念走向统计规范，需要六维度框架支撑：身份定义、ID注册、分层统计、行业分类、防注水、国际对接。

一、统计滞后不是病因，但让病灶更难被发现

1.1 李彦宏的诊断与一个关键修正

7月15日，《人民日报》发表百度创始人李彦宏的署名文章《为智能经济打造科学评价体系》，提出以"日活智能体数"（DAA）为重要指标，衡量人工智能的实际应用与实际产出。文章指出，大模型参数规模、算力投入、Token消耗等指标不断刷新纪录，但"如果人工智能的价值标尺仅停留在投入了多少、消耗了多少，就容易形成重投入、轻产出的倾向。"

这个判断方向正确，但需要做一处关键修正：统计指标的缺失，不应被简单归因为"重投入轻产出"的根本原因。

更准确的理解是：统计工具滞后，使"重投入轻产出"的倾向更隐蔽、更难被及时发现和纠正。就像温度计不准不会导致发烧，但它会让你不知道自己正在高烧。当前AI领域的投资过热，根源在于技术成熟度曲线、风险资本驱动和地方政府补贴竞赛等多重因素，统计指标的缺位是加剧信息不对称的放大器，而非资源配置扭曲的第一推动力。

1.2 三个被忽视的统计盲区

即便不把统计滞后视为问题的原因，三个结构性盲区依然客观存在，且正在影响我们对智能经济的判断力。

盲区一：全要素生产率核算中的"AI残差黑洞"

当前GDP核算的核心逻辑是"经济活动总量"，不关注生产主体是人还是算法——这本身是设计特征，不是缺陷。真正的问题出在全要素生产率（TFP）核算中。

索洛残差法将GDP增长中无法被资本和劳动力投入解释的"剩余"归为技术进步。但在智能经济时代，这个"残差"正在膨胀——一个智能体自动完成100笔交易撮合和一个交易员手动完成100笔交易，在GDP中的贡献可能完全相同。如果智能体取代了1000个交易员，GDP不变，就业率下降，统计上会呈现"经济停滞+失业上升"的扭曲信号——实际上经济效率可能大幅提升了。TFP残差中混杂了AI的贡献、数据要素的贡献、组织效率的贡献，但现行统计无法将它们拆解。

盲区二：就业率统计的单维度困境

现行《劳动力调查制度》统计的对象是"16周岁及以上有劳动能力的人口"。当一个客服智能体7×24小时处理工单、一个医疗诊断智能体每天辅助筛查数千病例、一个物流调度智能体优化全国运力——这些"上了岗的生产力"完全消失在统计视野之外。

盲区三：投入有指标，产出无度量

李彦宏指出的核心矛盾——"投入端有指标（GPU采购、算力规模、Token消耗），但产出端缺乏对应口径"——确实是当前AI产业的一个结构性问题。企业花了1000万买算力，部署了50个智能体，它们每天交付了多少价值？目前没有标准答案。这个信息不对称使得投资决策缺乏产出端的反馈闭环。

需要强调的是，这三个盲区说明的是度量工具的滞后性，而非资源配置扭曲的直接原因。认清这一区别，才能避免把完善统计指标当作解决一切的万灵药——同时在正确的方向上持续改进。

二、劳动力概念的扩展：不能只看人类就业率

2.1 智能体上岗：一个被忽视的生产力维度

定义传统就业率 = 已就业人口 / 劳动力人口。这是一个排他性指标——人要么就业，要么失业。

但智能体的"上岗"逻辑本质上不同：它往往不是替代人，而是创造新的生产力空间。一个医疗智能体上岗，不是取代一个医生，而是让1万名基层患者获得了此前无法获得的初步诊断服务。这种"服务增量"在传统统计中完全不可见，但它本身就是经济增长。

因此，我建议在经济统计中引入一组补充指标，不以替代传统就业率为目标，而是提供传统指标无法反映的生产力信息：

2.2 必须承认的局限

在推进这组指标之前，需要诚实地面对几个困难：

第一，可靠的原始数据从哪里来？ 如果依赖平台自报，DAA可能像部分互联网产品的DAU一样被注水。智能体运行平台（百度智能云、阿里云、华为云等）提供标准化的运行状态API是理想路径，但目前尚无统一标准。

第二，跨行业比较的合理性存疑。 医疗诊断智能体每天完成1次癌症辅助诊断 vs 电商推荐智能体每天完成1000次商品推荐——前者DAA更低但社会价值更大。简单的"日活计数"无法处理这种异质性。

第三，实施成本谁来承担？ 如果要建立"平台级API + 第三方审计 + 监管备案"体系，中小企业的统计数据采集成本可能过高。

定义这些局限的存在，恰恰说明DAA从概念到落地还有很长的路——但指出方向比追求完美更重要。

三、智能体统计口径的技术标准框架

在承认上述局限的前提下，可以从六个维度构建统计口径，使DAA及相关指标从概念走向可操作。

3.1 智能体的"身份"定义

什么算一个智能体？不是所有调用API的程序都算。建议参照三个特征：

• 自主性：能理解任务目标并自主规划执行路径——排除基于固定规则引擎的传统程序
• 任务闭环：能独立完成一个有价值的任务单元——排除单一API调用或简单脚本
• 持续性：不是一次性批处理执行，而是持续在线、按需被调用

这三个特征可以有效区分"真正的智能体"与"披着AI外衣的自动化脚本"。

3.2 统计方案之争：智能体ID注册制 vs 平台自报制

在"什么算一个智能体"定义清楚之后，下一个核心问题是：如何计数？

目前存在两种技术路线：平台自报制（由智能体运行平台按统一口径自行上报统计数据）和智能体ID注册制（为每个智能体分配唯一标识符，通过ID实现跨平台统一计数）。两种方案各有利弊，需要审慎比较。

方案A：平台自报制

机制：各智能体平台（百度智能云、阿里云、华为云等）按国家统一统计口径，定期向监管机构报送DAA及相关指标。

核心缺陷：无法解决跨平台重复计数问题。一个企业同时在百度和阿里部署智能体，两个平台各自上报，DAA总数会被放大。此外，平台作为利益相关方，自报数据天然存在可信度折扣。

方案B：智能体ID注册制

机制：建立国家级智能体标识体系，类似于工商注册号——每个上线运营的智能体在统一平台注册，获得唯一ID。此后该智能体在任意平台的运行数据，通过ID关联汇总。

核心缺陷：基础设施成本高。需要建立类似"全国组织机构统一社会信用代码"的智能体编码体系，需要立法强制推行，需要所有平台改造系统对接。从提出到落地，可能需要3-5年。

我的判断：分阶段推进

两种方案并非互斥，可以按时间轴分阶段推进：

ID注册制的关键前置条件：

1. 编码标准：ID格式是纯数字（类似统一社会信用代码的18位数字）还是混合编码？是否需要嵌入行业分类码、平台码、时序码？
2. 注册主体：谁负责注册——智能体开发者、部署企业、还是运行平台？
3. 生命周期管理：智能体升级迭代后ID是否变更？退役后是否注销？注销后历史数据如何处理？
4. 国际互认：如果中国企业部署的智能体同时服务海外用户，其ID能否与国际编码体系（如OECD的AI注册框架）互认？

这些前置问题如果在近期不启动研究，到中期推进时会发现缺乏技术储备——这是当前最容易被忽视的时间窗口风险。

3.3 "日活"的分层统计

DAA中的"日活"不应是单一的计数口径。建议三层分级：

3.4 行业分类与防注水机制

针对跨行业不可比和DAA注水两个核心风险，需要并行建立两套机制：

行业分类参照国家统计局《数字经济及其核心产业统计分类（2021）》，将智能体按所属行业归类，同时明确：不做简单跨行业DAA排名。医疗智能体的L2交付和零售智能体的L2交付不可直接比较——它们应该在各自行业的纵向变化中被追踪。

防注水方面，最低标准是：智能体平台对L2级（交付级别）的统计，必须附带任务类型标识、交付时间戳和接收方反馈标记。只有被标记为"有效交付"的L3级数据才能用于对外披露和行业评估。此外，参考广告流量审计行业的实践（如秒针系统对广告曝光的第三方验证），未来应有独立第三方对智能体交付数据进行交叉审计。

3.5 数据采集路径

DAA及相关指标不应是孤立体系，必须与国民经济核算对接：

• 将智能体交付密度（ADD）和智能体边际贡献（AMC）纳入全要素生产率核算的分解框架，从索洛残差中剥离可解释的AI贡献
• 参照国家统计局《数字经济及其核心产业统计分类》，在数字经济增加值核算中增加"智能体服务产出"子项
• 人机协同比（HAR）可作为产业智能化转型的结构性监测指标，纳入年度数字经济报告

3.7 国际比较：中国不是从零开始

智能经济的统计度量并非中国独有的关切。国际上已有若干重要实践：

四、对金融行业的启示

作为银行风险管理从业者，我认为智能体统计框架对金融行业有三层实际意义。

第一，信贷评估需要增加"智能生产力"维度。 银行给企业放贷，传统看营收、利润、资产负债率。但如果一个物流企业部署了50个智能体替代了200个调度员，报表上"薪酬支出下降、利润改善"——这个"改善"本质上是智能体替代了人力，而非传统意义上的经营改善。未来信贷评估应关注人机协同比（HAR）的变化趋势，区分"靠人挣钱"和"靠智能体挣钱"的企业，这在授信额度和风险定价上都有直接含义。

第二，金融监管需要关注智能体集中度风险。 如果大量金融机构依赖少数几个智能体平台的模型——如风控模型、反欺诈引擎、合规审核智能体——就可能形成类似"云集中度"的新系统性风险。AAR数据（智能体上岗率）可以用来监控金融机构对特定智能体平台的依赖度，为监管沙盒中的集中度阈值设定提供依据。

第三，银行自身的智能化评估需要DAA思维。 一家银行部署了多少智能体？每天交付了多少信贷审核、风险预警、合规检查任务？如果这些数据不可见，银行的AI投入就可能陷入"重采购GPU和模型平台、轻实际任务交付"的陷阱。建立内部的DAA对标体系，是让AI治理从"功能上线"真正转向"效果度量"的第一步。

五、结语

李彦宏提出的DAA概念，本质上是对经济统计体系在智能经济时代的一次"压力测试"。它揭示的不是一个孤立的数据缺口，而是现有统计框架在"生产力主体多样化"面前的结构性束缚。

完善智能经济统计指标体系，核心路径是三步：定义清楚（什么是智能体、什么算有效交付）→ 统计准确（分级采集、第三方审计、不搞跨行业简单排名）→ 应用有效（纳入TFP核算、服务信贷评估、支持监管决策）。

DAA目前仍是一个企业概念，距离成为国家统计体系的一部分还有大量工作——包括与国际标准对接、经受学术检验、在实践中证明其可操作性。但它打开了一个正确的讨论方向：当AI开始作为一种独立的生产力要素运转，我们的经济度量工具不能再假装它不存在。

中国在这个方向上拥有场景优势和先发窗口——百度与IDC的《DAA白皮书》是全球首个将智能体活跃度纳入经济度量的尝试。下一步的关键，是从"企业命题"走向"行业标准"、从"行业标准"走向"统计规范"。

本文首发于 bi-chao.com。作者毕超，金融行业风险管理从业者。本文仅代表作者个人观点，不构成任何机构立场。

（内容由AI生成，仅供参考）