1. 研究初衷与核心澄清我们到底在测量什么最近我们团队发布了一篇题为《与AI共事衡量生成式AI的职业影响》的论文在圈内引起了不少讨论甚至有些误读。这其实挺有意思的也恰恰说明了大家对这个话题的关注度有多高——谁都想知道AI这波浪潮到底会不会把自己的饭碗给冲了。但我想先泼一盆冷水或者说先划清一条界限我们的研究从头到尾都没有、也无法回答“哪些工作会被AI取代”这个问题。如果你看到有文章用我们的数据来论证“XX职业即将消失”那基本可以判定是过度解读甚至是误读。那我们到底在研究什么很简单我们想弄明白一件事在当前的现实世界里人们到底在拿AI聊天机器人具体来说是微软的Copilot干什么活这些被AI辅助的“活计”又对应着哪些职业我们的目标不是预测未来而是描述现状并基于现状去评估AI工具在不同职业中的“潜在适用性”。你可以把它理解成一次大规模的“工具使用情况普查”我们想知道这把名叫“生成式AI”的新扳手在哪些工种的工具箱里最有可能派上用场以及能拧哪些螺丝。这和研究“扳手会不会让钳工失业”是两码事后者涉及的因素要复杂得多比如整个生产流程的重组、新岗位的创造、以及社会与经济的适应性调整这些都不是我们这篇论文的射程范围。之所以要花这么大篇幅先做这个澄清是因为“职业替代”这个话题太容易引发焦虑而焦虑往往会让人忽略研究的本意和局限。我们的核心结论其实很直接AI聊天机器人目前最显身手的地方是那些与知识处理和沟通高度相关的任务上比如撰写文案、信息检索与整合、辅助学习等。因此像研究员、分析师、市场营销、内容创作者、律师助理、软件工程师尤其是涉及文档和代码解释的部分这类职业从任务匹配度上看AI能成为一个不错的“副驾驶”。反过来那些以体力操作为核心、需要复杂现场情境判断和实体交互的工作比如外科医生、电工、理疗师、厨师AI聊天机器人目前能直接插手的部分就非常有限。这并不意外毕竟你没法让一个语言模型去主刀或者颠勺。所以请务必记住我们研究的定位它是一份关于“AI工具适用性”的评估报告而不是一份“职业死刑判决书”。它的价值在于帮助从业者思考如何将AI整合进自己的工作流提升效率而不是制造恐慌。2. 方法论拆解数据从哪来结论怎么算搞清楚了研究目的我们再来看看这结论是怎么得出来的。我们的方法可以概括为“从真实用户行为出发映射到标准职业框架”。听起来有点玄乎其实分三步走每一步都有它的道理和局限。2.1 数据源匿名的Copilot对话记录我们的分析基础是2024年1月至9月期间微软Bing Copilot后更名为Microsoft Copilot用户的匿名对话数据。选择这个数据源有几个考量首先它代表了真实世界中的、大规模的AI使用行为不是实验室里的假设场景。用户在用Copilot解决他们实际遇到的问题无论是工作上的还是生活上的。其次作为一款集成在搜索引擎和办公套件中的工具Copilot的用户群体相对广泛覆盖了不同背景和需求的普通人这比只研究专业开发者的GitHub Copilot数据可能更具普遍性。但这里就有第一个也是最重要的一个局限性数据偏差。使用Copilot的人本身就代表了那些已经知道AI、能够访问AI、并且愿意尝试AI的群体。对于那些数字技能不足、或对新技术持保守态度的人群他们的工作可能同样有被AI辅助的潜力但在我们的数据里是“沉默的大多数”。此外我们很难精确区分某次对话是纯粹出于工作需求还是个人兴趣或娱乐。一个用户让AI帮忙写诗可能是在进行创意写作练习也可能只是在打发时间。我们把所有对话都视为“任务”这必然引入了一些噪声。2.2 任务提取与映射连接AI行为与职业描述拿到了海量的对话记录后我们通过自然语言处理技术从中提取出用户请求AI执行的“核心任务”。比如用户输入“帮我写一封感谢客户的邮件”核心任务就是“撰写商务信函”输入“总结一下这篇关于量子计算的文章”核心任务就是“信息归纳与总结”。接下来我们引入了一个关键的外部数据库O*NET。这是一个由美国劳工部维护的、非常详尽的职业信息网络系统。它几乎为每一个标准化职业比如“软件开发者”、“财务分析师”、“小学教师”都列出了一长串与之相关的“工作任务”、“所需技能”和“工作活动”。我们的工作就是做一个“翻译官”和“匹配员”将我们从Copilot对话中提取出的那些“AI可执行任务”与O*NET里各个职业所包含的任务进行比对和映射。举个例子如果O*NET里“市场经理”这个职业包含“撰写市场营销报告”、“分析市场趋势数据”等任务而我们的数据里显示AI经常被用来“生成报告草稿”和“整理数据要点”那么我们就认为AI工具在“市场经理”这个职业的某些任务上具有“高适用性”。通过统计每个职业有多少比例的任务能与AI辅助行为相匹配我们最终计算出了一个“AI适用性指数”。指数越高意味着这个职业当前有更多的工作内容在理论上可以被AI聊天机器人辅助或部分执行。2.3 核心局限任务清单不等于一份工作这正是我们方法论中最需要被理解也最容易被忽视的一点。O*NET提供的是一个高度结构化的、分解后的任务清单但它无法捕捉一份工作的全貌尤其是那些无形的、依赖情境的、属于“人”的部分。我经常用一个比喻O*NET就像一份菜谱列出了做一道“红烧肉”需要的步骤切肉、焯水、炒糖色、炖煮。我们的研究相当于发现有一台新机器AI可以非常出色地完成“切肉”和“计算炖煮时间”这两个步骤。于是我们说这台机器对“厨师”这个职业有适用性。这没错。但现实中的厨师工作远不止于此。他需要根据当天猪肉的品质调整刀法经验判断需要根据客人口味决定糖和盐的多少个性化定制需要在灶台前同时照看五口锅多任务管理与应急处理需要和学徒沟通、向食客介绍菜品人际互动与沟通。更重要的是他需要为整道菜的口感和呈现负最终责任综合决策与责任感。这些O*NET清单里可能不会明确写出的“软技能”、“隐性知识”和“情境判断”恰恰是构成职业核心价值的关键。因此我们的“AI适用性指数”衡量的是“任务层面的工具辅助潜力”而绝非“职业可替代性”。一个职业的AI适用性指数高达80%绝不意味着这个职业80%的工作会被取代更可能意味着从业者可以利用AI将80%的常规性、程式化任务处理得更快更好从而腾出更多精力去专注于那20%更具创造性、策略性和人际性的高价值工作。忽略这个区别就会犯下“见木不见林”的错误。3. 研究发现深度解读哪些职业被AI“点亮”了基于上述方法我们得到了一些非常具体也符合直觉的发现。这些发现不是对未来的预言而是对当前AI能力疆域的一次测绘。3.1 高适用性职业群像知识工作者成为“首批乘客”我们的数据显示AI适用性较高的职业几乎全部集中在所谓的“知识工作”领域。它们有一些共同的特征强文本依赖工作的核心产出物是文字、代码、报告、方案、法律文书、学术论文等。AI大语言模型在文本生成、润色、翻译、总结方面展现出了颠覆性的能力。因此作家、编辑、记者、翻译、各类分析师金融、市场、数据、程序员、律师、学术研究者等职业其大量基础性文本工作都能找到AI的用武之地。信息处理密集型工作需要从海量信息中筛选、整合、分析。无论是市场调研、竞品分析、文献综述还是为客户寻找解决方案AI都可以扮演一个不知疲倦的初级研究助理角色快速完成信息的初步抓取和梳理。这为咨询顾问、产品经理、政策研究员等职业提供了强大的信息杠杆。学习与知识传递涉及制作培训材料、回答常见问题、解释复杂概念。AI可以生成初版的教程、FAQ文档或者用更通俗的方式解释专业术语这对教师、培训师、技术支持工程师、客户成功经理等角色是很好的辅助。注意这里存在一个重要的“能力阶梯”。AI目前擅长的是“执行明确指令下的已知任务”。比如“根据这三点写个大纲”它做得很好。但对于“洞察一个全新领域的关键矛盾”或“构思一个前所未有的商业模式”这类需要深度创新和战略眼光的工作AI还只能提供素材和灵感无法替代人类的决策核心。3.2 低适用性职业的“护城河”是什么与高适用性职业相对那些AI适用性评分较低的职业其“护城河”同样清晰实体操作与精密控制所有需要灵活操作物理世界对象的工作从外科手术、汽车修理到糕点裱花当前的纯语言模型几乎无能为力。这需要结合机器人技术、传感器和复杂的控制系统是另一个维度的挑战。复杂的人际互动与情感劳动心理治疗师、护士、社工、销售尤其是大客户销售、高级管理者。这些工作需要深度的共情、信任建立、情绪感知、临场应变和基于微妙信号的策略调整。AI可以提供一个谈话脚本或情绪分析报告但无法替代那个坐在你对面的、能真正理解你处境并给予情感支持的人。非结构化环境中的实时决策消防员在火场中判断救援路径警察在突发案件中控制现场项目经理在项目危机中协调资源。这些工作环境高度动态、信息不全、规则模糊需要人类基于经验和直觉的快速综合判断。AI在规则明确的棋盘游戏上可以战胜人类但在真实世界的“混乱”中还远未达到实用水平。涉及高度审美、文化或伦理判断艺术家、导演、高级设计师、伦理委员会成员。这些工作的价值很大程度上取决于独特的人类视角、文化背景、价值体系和审美偏好。AI可以生成一幅符合某种风格的话但它无法理解这幅画在特定文化语境中的意义也无法为自己的创作承担伦理责任。3.3 “适用性”的动态本质今天的不适用可能是明天的蓝海必须强调我们测量的是“当前”的适用性。这个图景是动态变化的。今天AI不擅长的手部精细操作随着具身智能和机器人技术的发展未来可能会被攻克。今天AI在复杂谈判中的笨拙随着多模态情感识别和更高级策略模型的出现也可能得到改善。因此对从业者而言更有价值的不是盯着自己职业当前的“分数”高低而或喜或悲而是去解构自己的工作我的日常工作中哪些任务更偏向于“模式化信息处理”哪些任务更依赖于“独特的个人判断与人际连接”对于前者积极学习和引入AI工具让自己从重复劳动中解放出来是提升竞争力的明智之举。对于后者则应思考如何进一步强化这些“人类特质”将其发展为更深的护城河。4. 从研究到现实给从业者与组织的行动框架这项研究的意义最终要落到“用”上。无论是个人规划职业生涯还是企业思考数字化转型都可以从这个框架中获得启发。4.1 个人层面成为AI的“指挥官”而非“替代品”对于身处高适用性职业的朋友焦虑是没用的行动才是关键。我的建议是任务审计与分解花一周时间详细记录你每天的工作内容将其分解为一个个具体的任务。然后对每个任务进行两个维度的评估a)重复性与规则明确度b)所需的创造性/人际性/策略性。前者是AI的潜在优势区后者是你的核心价值区。针对性技能叠加不要只学如何给AI下指令Prompt Engineering那只是基础。更重要的是培养“AI增强型技能”。例如对于分析师从“会做数据报表”升级为“能定义关键问题、设计分析框架并指挥AI完成数据清洗、初步分析和可视化自己专注于解读洞察和制定策略”。对于内容创作者从“会写文章”升级为“能策划选题、把握受众心理、设定内容调性并利用AI进行素材搜集、初稿生成和风格化润色自己负责最终的创意把控和灵魂注入”。对于程序员从“会写代码”升级为“能进行系统架构设计、理解复杂业务逻辑并利用AI完成模块代码生成、调试辅助和文档编写自己负责核心算法、性能优化和系统集成”。强化你的“人性优势”有意识地去锻炼那些AI难以企及的能力跨领域类比思考、提出颠覆性假设、建立深度信任关系、进行富有感染力的演讲、在模糊情境中做出合乎伦理的抉择。这些才是你在AI时代长期保值的“硬通货”。4.2 组织层面重塑工作流程而不仅仅是引入工具对于企业和机构的管理者来说引入AI不能是简单的“给员工开个Copilot账号”。它需要系统性的思考从“岗位替代”思维转向“任务重组”思维不要问“AI能取代哪个岗位”要问“AI能优化或接管我们业务流程中的哪些环节”。这可能意味着重新设计岗位。例如传统的“初级研究员”岗位可能消失但会催生出“AI辅助研究策略师”的新角色后者更专注于问题定义、研究路径设计和成果的质量控制。投资于“人机协同”的流程设计AI工具和人类员工如何高效配合需要建立怎样的协作协议例如AI生成的合同草案必须由律师复核并签字AI提供的客户服务方案必须由资深客服经理审核情境适用性。设计清晰的权责边界和复核流程是规避风险、发挥效能的关键。将培训重点从“工具使用”提升到“思维转型”培训不应止步于教员工怎么用ChatGPT写邮件。更重要的是引导团队思考有了AI这个强大的副驾驶我们部门的工作目标可以设定得更高吗我们的服务模式可以创新吗我们能否处理以前因为成本或效率而不敢接的项目推动整个组织形成利用AI进行“能力跃迁”的共识。关注公平性与包容性确保AI工具的普及不会加剧数字鸿沟。为所有员工提供必要的培训和支持特别是那些年龄较大或技术背景较弱的同事。同时警惕AI工具本身可能存在的偏见在招聘、评估等关键人事决策中仍需保留人类监督的核心角色。5. 研究的边界与未来的方向最后我想再次回归到我们这项研究的局限性并谈谈我认为未来值得探索的方向。承认局限不是削弱研究的价值而是为了更负责任地使用它。我们的研究存在几个固有的边界这些边界定义了结论的适用范围模型边界我们只研究了基于大语言模型的聊天机器人以Copilot为例。这意味着我们没有涵盖计算机视觉AI对设计师、质检员的影响、预测性AI对供应链管理、风险管理的影响、机器人流程自动化RPA对行政、财务流程的影响等其它形式的AI。整个AI生态对工作的影响远比聊天机器人复杂。静态分析边界我们的分析是基于某一时间点的“快照”。但技术是动态的经济和社会也是动态的。AI的普及会降低某些服务的成本从而扩大市场需求反而创造更多就业例如AI让制作高质量宣传视频的成本大降可能催生更多小型视频工作室和相关岗位。同时人类也会不断学习、适应创造出全新的、我们今天无法想象的职业。经济与社会系统边界职业变迁最终是在广阔的经济和社会系统中发生的。教育体系能否快速调整社会保障能否托底劳动法律如何适应这些宏观因素将最终决定技术冲击带来的结果是阵痛还是长期危机。我们的微观任务分析无法回答这些宏观问题。基于这些边界我认为后续有价值的研究方向应该包括纵向追踪研究长期跟踪一批职业和从业者看随着AI工具的渗透他们的具体工作内容、技能要求和生产效率发生了怎样的实际变化而不是停留在理论推演。“人机协作”效能研究不再孤立地看AI能做什么而是深入研究在具体职业场景中什么样的协作模式AI先做人类复核、人类主导AI辅助、并行工作等能带来最高的质量和效率提升。新技能与素养的界定在AI时代到底哪些是通用的、关键的“人类优势技能”如何对它们进行定义、测量和培养这需要教育学界、心理学界和产业界的共同探索。说到底技术本身从来不是决定性的。历史上每一次重大技术革命都伴随着对“失业潮”的恐惧但最终都通过经济结构的调整和新需求的创造实现了就业总量的增长和就业质量的升级。AI无疑是一次强大的技术冲击但它冲击的是“任务”而非完整的“人”。我们的研究就像为这场大潮提供一份初步的“水文图”指出哪些水域可能先起波澜。至于每个人、每个组织该如何造船、学泳、甚至冲浪那需要的是结合自身情况的智慧、勇气和持续学习。把AI当作一个强大的、有时甚至笨拙的伙伴思考如何与它共舞而不是终日担忧会被它取代或许是这个时代更健康的心态。
AI职业影响研究：从任务适用性到人机协同的实践路径
发布时间：2026/6/3 10:31:54
1. 研究初衷与核心澄清我们到底在测量什么最近我们团队发布了一篇题为《与AI共事衡量生成式AI的职业影响》的论文在圈内引起了不少讨论甚至有些误读。这其实挺有意思的也恰恰说明了大家对这个话题的关注度有多高——谁都想知道AI这波浪潮到底会不会把自己的饭碗给冲了。但我想先泼一盆冷水或者说先划清一条界限我们的研究从头到尾都没有、也无法回答“哪些工作会被AI取代”这个问题。如果你看到有文章用我们的数据来论证“XX职业即将消失”那基本可以判定是过度解读甚至是误读。那我们到底在研究什么很简单我们想弄明白一件事在当前的现实世界里人们到底在拿AI聊天机器人具体来说是微软的Copilot干什么活这些被AI辅助的“活计”又对应着哪些职业我们的目标不是预测未来而是描述现状并基于现状去评估AI工具在不同职业中的“潜在适用性”。你可以把它理解成一次大规模的“工具使用情况普查”我们想知道这把名叫“生成式AI”的新扳手在哪些工种的工具箱里最有可能派上用场以及能拧哪些螺丝。这和研究“扳手会不会让钳工失业”是两码事后者涉及的因素要复杂得多比如整个生产流程的重组、新岗位的创造、以及社会与经济的适应性调整这些都不是我们这篇论文的射程范围。之所以要花这么大篇幅先做这个澄清是因为“职业替代”这个话题太容易引发焦虑而焦虑往往会让人忽略研究的本意和局限。我们的核心结论其实很直接AI聊天机器人目前最显身手的地方是那些与知识处理和沟通高度相关的任务上比如撰写文案、信息检索与整合、辅助学习等。因此像研究员、分析师、市场营销、内容创作者、律师助理、软件工程师尤其是涉及文档和代码解释的部分这类职业从任务匹配度上看AI能成为一个不错的“副驾驶”。反过来那些以体力操作为核心、需要复杂现场情境判断和实体交互的工作比如外科医生、电工、理疗师、厨师AI聊天机器人目前能直接插手的部分就非常有限。这并不意外毕竟你没法让一个语言模型去主刀或者颠勺。所以请务必记住我们研究的定位它是一份关于“AI工具适用性”的评估报告而不是一份“职业死刑判决书”。它的价值在于帮助从业者思考如何将AI整合进自己的工作流提升效率而不是制造恐慌。2. 方法论拆解数据从哪来结论怎么算搞清楚了研究目的我们再来看看这结论是怎么得出来的。我们的方法可以概括为“从真实用户行为出发映射到标准职业框架”。听起来有点玄乎其实分三步走每一步都有它的道理和局限。2.1 数据源匿名的Copilot对话记录我们的分析基础是2024年1月至9月期间微软Bing Copilot后更名为Microsoft Copilot用户的匿名对话数据。选择这个数据源有几个考量首先它代表了真实世界中的、大规模的AI使用行为不是实验室里的假设场景。用户在用Copilot解决他们实际遇到的问题无论是工作上的还是生活上的。其次作为一款集成在搜索引擎和办公套件中的工具Copilot的用户群体相对广泛覆盖了不同背景和需求的普通人这比只研究专业开发者的GitHub Copilot数据可能更具普遍性。但这里就有第一个也是最重要的一个局限性数据偏差。使用Copilot的人本身就代表了那些已经知道AI、能够访问AI、并且愿意尝试AI的群体。对于那些数字技能不足、或对新技术持保守态度的人群他们的工作可能同样有被AI辅助的潜力但在我们的数据里是“沉默的大多数”。此外我们很难精确区分某次对话是纯粹出于工作需求还是个人兴趣或娱乐。一个用户让AI帮忙写诗可能是在进行创意写作练习也可能只是在打发时间。我们把所有对话都视为“任务”这必然引入了一些噪声。2.2 任务提取与映射连接AI行为与职业描述拿到了海量的对话记录后我们通过自然语言处理技术从中提取出用户请求AI执行的“核心任务”。比如用户输入“帮我写一封感谢客户的邮件”核心任务就是“撰写商务信函”输入“总结一下这篇关于量子计算的文章”核心任务就是“信息归纳与总结”。接下来我们引入了一个关键的外部数据库O*NET。这是一个由美国劳工部维护的、非常详尽的职业信息网络系统。它几乎为每一个标准化职业比如“软件开发者”、“财务分析师”、“小学教师”都列出了一长串与之相关的“工作任务”、“所需技能”和“工作活动”。我们的工作就是做一个“翻译官”和“匹配员”将我们从Copilot对话中提取出的那些“AI可执行任务”与O*NET里各个职业所包含的任务进行比对和映射。举个例子如果O*NET里“市场经理”这个职业包含“撰写市场营销报告”、“分析市场趋势数据”等任务而我们的数据里显示AI经常被用来“生成报告草稿”和“整理数据要点”那么我们就认为AI工具在“市场经理”这个职业的某些任务上具有“高适用性”。通过统计每个职业有多少比例的任务能与AI辅助行为相匹配我们最终计算出了一个“AI适用性指数”。指数越高意味着这个职业当前有更多的工作内容在理论上可以被AI聊天机器人辅助或部分执行。2.3 核心局限任务清单不等于一份工作这正是我们方法论中最需要被理解也最容易被忽视的一点。O*NET提供的是一个高度结构化的、分解后的任务清单但它无法捕捉一份工作的全貌尤其是那些无形的、依赖情境的、属于“人”的部分。我经常用一个比喻O*NET就像一份菜谱列出了做一道“红烧肉”需要的步骤切肉、焯水、炒糖色、炖煮。我们的研究相当于发现有一台新机器AI可以非常出色地完成“切肉”和“计算炖煮时间”这两个步骤。于是我们说这台机器对“厨师”这个职业有适用性。这没错。但现实中的厨师工作远不止于此。他需要根据当天猪肉的品质调整刀法经验判断需要根据客人口味决定糖和盐的多少个性化定制需要在灶台前同时照看五口锅多任务管理与应急处理需要和学徒沟通、向食客介绍菜品人际互动与沟通。更重要的是他需要为整道菜的口感和呈现负最终责任综合决策与责任感。这些O*NET清单里可能不会明确写出的“软技能”、“隐性知识”和“情境判断”恰恰是构成职业核心价值的关键。因此我们的“AI适用性指数”衡量的是“任务层面的工具辅助潜力”而绝非“职业可替代性”。一个职业的AI适用性指数高达80%绝不意味着这个职业80%的工作会被取代更可能意味着从业者可以利用AI将80%的常规性、程式化任务处理得更快更好从而腾出更多精力去专注于那20%更具创造性、策略性和人际性的高价值工作。忽略这个区别就会犯下“见木不见林”的错误。3. 研究发现深度解读哪些职业被AI“点亮”了基于上述方法我们得到了一些非常具体也符合直觉的发现。这些发现不是对未来的预言而是对当前AI能力疆域的一次测绘。3.1 高适用性职业群像知识工作者成为“首批乘客”我们的数据显示AI适用性较高的职业几乎全部集中在所谓的“知识工作”领域。它们有一些共同的特征强文本依赖工作的核心产出物是文字、代码、报告、方案、法律文书、学术论文等。AI大语言模型在文本生成、润色、翻译、总结方面展现出了颠覆性的能力。因此作家、编辑、记者、翻译、各类分析师金融、市场、数据、程序员、律师、学术研究者等职业其大量基础性文本工作都能找到AI的用武之地。信息处理密集型工作需要从海量信息中筛选、整合、分析。无论是市场调研、竞品分析、文献综述还是为客户寻找解决方案AI都可以扮演一个不知疲倦的初级研究助理角色快速完成信息的初步抓取和梳理。这为咨询顾问、产品经理、政策研究员等职业提供了强大的信息杠杆。学习与知识传递涉及制作培训材料、回答常见问题、解释复杂概念。AI可以生成初版的教程、FAQ文档或者用更通俗的方式解释专业术语这对教师、培训师、技术支持工程师、客户成功经理等角色是很好的辅助。注意这里存在一个重要的“能力阶梯”。AI目前擅长的是“执行明确指令下的已知任务”。比如“根据这三点写个大纲”它做得很好。但对于“洞察一个全新领域的关键矛盾”或“构思一个前所未有的商业模式”这类需要深度创新和战略眼光的工作AI还只能提供素材和灵感无法替代人类的决策核心。3.2 低适用性职业的“护城河”是什么与高适用性职业相对那些AI适用性评分较低的职业其“护城河”同样清晰实体操作与精密控制所有需要灵活操作物理世界对象的工作从外科手术、汽车修理到糕点裱花当前的纯语言模型几乎无能为力。这需要结合机器人技术、传感器和复杂的控制系统是另一个维度的挑战。复杂的人际互动与情感劳动心理治疗师、护士、社工、销售尤其是大客户销售、高级管理者。这些工作需要深度的共情、信任建立、情绪感知、临场应变和基于微妙信号的策略调整。AI可以提供一个谈话脚本或情绪分析报告但无法替代那个坐在你对面的、能真正理解你处境并给予情感支持的人。非结构化环境中的实时决策消防员在火场中判断救援路径警察在突发案件中控制现场项目经理在项目危机中协调资源。这些工作环境高度动态、信息不全、规则模糊需要人类基于经验和直觉的快速综合判断。AI在规则明确的棋盘游戏上可以战胜人类但在真实世界的“混乱”中还远未达到实用水平。涉及高度审美、文化或伦理判断艺术家、导演、高级设计师、伦理委员会成员。这些工作的价值很大程度上取决于独特的人类视角、文化背景、价值体系和审美偏好。AI可以生成一幅符合某种风格的话但它无法理解这幅画在特定文化语境中的意义也无法为自己的创作承担伦理责任。3.3 “适用性”的动态本质今天的不适用可能是明天的蓝海必须强调我们测量的是“当前”的适用性。这个图景是动态变化的。今天AI不擅长的手部精细操作随着具身智能和机器人技术的发展未来可能会被攻克。今天AI在复杂谈判中的笨拙随着多模态情感识别和更高级策略模型的出现也可能得到改善。因此对从业者而言更有价值的不是盯着自己职业当前的“分数”高低而或喜或悲而是去解构自己的工作我的日常工作中哪些任务更偏向于“模式化信息处理”哪些任务更依赖于“独特的个人判断与人际连接”对于前者积极学习和引入AI工具让自己从重复劳动中解放出来是提升竞争力的明智之举。对于后者则应思考如何进一步强化这些“人类特质”将其发展为更深的护城河。4. 从研究到现实给从业者与组织的行动框架这项研究的意义最终要落到“用”上。无论是个人规划职业生涯还是企业思考数字化转型都可以从这个框架中获得启发。4.1 个人层面成为AI的“指挥官”而非“替代品”对于身处高适用性职业的朋友焦虑是没用的行动才是关键。我的建议是任务审计与分解花一周时间详细记录你每天的工作内容将其分解为一个个具体的任务。然后对每个任务进行两个维度的评估a)重复性与规则明确度b)所需的创造性/人际性/策略性。前者是AI的潜在优势区后者是你的核心价值区。针对性技能叠加不要只学如何给AI下指令Prompt Engineering那只是基础。更重要的是培养“AI增强型技能”。例如对于分析师从“会做数据报表”升级为“能定义关键问题、设计分析框架并指挥AI完成数据清洗、初步分析和可视化自己专注于解读洞察和制定策略”。对于内容创作者从“会写文章”升级为“能策划选题、把握受众心理、设定内容调性并利用AI进行素材搜集、初稿生成和风格化润色自己负责最终的创意把控和灵魂注入”。对于程序员从“会写代码”升级为“能进行系统架构设计、理解复杂业务逻辑并利用AI完成模块代码生成、调试辅助和文档编写自己负责核心算法、性能优化和系统集成”。强化你的“人性优势”有意识地去锻炼那些AI难以企及的能力跨领域类比思考、提出颠覆性假设、建立深度信任关系、进行富有感染力的演讲、在模糊情境中做出合乎伦理的抉择。这些才是你在AI时代长期保值的“硬通货”。4.2 组织层面重塑工作流程而不仅仅是引入工具对于企业和机构的管理者来说引入AI不能是简单的“给员工开个Copilot账号”。它需要系统性的思考从“岗位替代”思维转向“任务重组”思维不要问“AI能取代哪个岗位”要问“AI能优化或接管我们业务流程中的哪些环节”。这可能意味着重新设计岗位。例如传统的“初级研究员”岗位可能消失但会催生出“AI辅助研究策略师”的新角色后者更专注于问题定义、研究路径设计和成果的质量控制。投资于“人机协同”的流程设计AI工具和人类员工如何高效配合需要建立怎样的协作协议例如AI生成的合同草案必须由律师复核并签字AI提供的客户服务方案必须由资深客服经理审核情境适用性。设计清晰的权责边界和复核流程是规避风险、发挥效能的关键。将培训重点从“工具使用”提升到“思维转型”培训不应止步于教员工怎么用ChatGPT写邮件。更重要的是引导团队思考有了AI这个强大的副驾驶我们部门的工作目标可以设定得更高吗我们的服务模式可以创新吗我们能否处理以前因为成本或效率而不敢接的项目推动整个组织形成利用AI进行“能力跃迁”的共识。关注公平性与包容性确保AI工具的普及不会加剧数字鸿沟。为所有员工提供必要的培训和支持特别是那些年龄较大或技术背景较弱的同事。同时警惕AI工具本身可能存在的偏见在招聘、评估等关键人事决策中仍需保留人类监督的核心角色。5. 研究的边界与未来的方向最后我想再次回归到我们这项研究的局限性并谈谈我认为未来值得探索的方向。承认局限不是削弱研究的价值而是为了更负责任地使用它。我们的研究存在几个固有的边界这些边界定义了结论的适用范围模型边界我们只研究了基于大语言模型的聊天机器人以Copilot为例。这意味着我们没有涵盖计算机视觉AI对设计师、质检员的影响、预测性AI对供应链管理、风险管理的影响、机器人流程自动化RPA对行政、财务流程的影响等其它形式的AI。整个AI生态对工作的影响远比聊天机器人复杂。静态分析边界我们的分析是基于某一时间点的“快照”。但技术是动态的经济和社会也是动态的。AI的普及会降低某些服务的成本从而扩大市场需求反而创造更多就业例如AI让制作高质量宣传视频的成本大降可能催生更多小型视频工作室和相关岗位。同时人类也会不断学习、适应创造出全新的、我们今天无法想象的职业。经济与社会系统边界职业变迁最终是在广阔的经济和社会系统中发生的。教育体系能否快速调整社会保障能否托底劳动法律如何适应这些宏观因素将最终决定技术冲击带来的结果是阵痛还是长期危机。我们的微观任务分析无法回答这些宏观问题。基于这些边界我认为后续有价值的研究方向应该包括纵向追踪研究长期跟踪一批职业和从业者看随着AI工具的渗透他们的具体工作内容、技能要求和生产效率发生了怎样的实际变化而不是停留在理论推演。“人机协作”效能研究不再孤立地看AI能做什么而是深入研究在具体职业场景中什么样的协作模式AI先做人类复核、人类主导AI辅助、并行工作等能带来最高的质量和效率提升。新技能与素养的界定在AI时代到底哪些是通用的、关键的“人类优势技能”如何对它们进行定义、测量和培养这需要教育学界、心理学界和产业界的共同探索。说到底技术本身从来不是决定性的。历史上每一次重大技术革命都伴随着对“失业潮”的恐惧但最终都通过经济结构的调整和新需求的创造实现了就业总量的增长和就业质量的升级。AI无疑是一次强大的技术冲击但它冲击的是“任务”而非完整的“人”。我们的研究就像为这场大潮提供一份初步的“水文图”指出哪些水域可能先起波澜。至于每个人、每个组织该如何造船、学泳、甚至冲浪那需要的是结合自身情况的智慧、勇气和持续学习。把AI当作一个强大的、有时甚至笨拙的伙伴思考如何与它共舞而不是终日担忧会被它取代或许是这个时代更健康的心态。
第四章——引用的应用)
