在谈及AI革命对就业的冲击时,不少人总会提到工业革命的例子:机器一开始让许多工人失业,但最终创造了更大规模的就业岗位。因此,今天AI革命的到来虽然在短时间内会造成就业困难,但从长远来看,它也同样会造福全人类,开辟出更多就业机会。
然而,这种历史性的对比,真的可靠吗?新技术兴起对旧工作的替代,真的会遵循同一种模式吗?
在经济学家路易斯·加里卡诺、李晋、吴延晖合著的《麻繁工作》一书中,他们给出了不同的答案。
他们指出,尽管同样表现为某种新技术的普及,但18世纪的第一次工业革命与20世纪的信息技术革命对就业的影响完全不同。前者的确改善了绝大多数人的生活,但后者却大幅加剧了劳动力市场的两极分化。将当下正在发生的AI革命与第一次工业革命相提并论,只是一种盲目的乐观。
但同样,那些悲观的预测——“X年后Y%的工作将被AI取代”——也是武断而耸人听闻的。要跳出这种两极化思维,关键在于重新审视工作本身;更具体地说,是去审视工作的“麻繁度”,即它的混杂纠缠程度:它是单一的还是复合的,是针对具体事务还是侧重人际关系,是分工明确还是需要跟他人协同作战。
作者们基于深入调研,在书中仔细描绘了一张工作麻繁度的光谱,并将那些映射到光谱上的工作划分为三个层次:哪些最容易被替代,哪些最不容易被替代,哪些又居于动态变化的最中间?
如果你正因AI提升了自己的工作效率而自喜,或者你正因AI大面积应用而对自己的职业前景感到迷茫,这本扎实而极富洞察力的著作,值得你好好读一读。
《麻繁工作》
[西]路易斯·加里卡诺 李晋 吴延晖 著
2026年11月
点击书封,即可购买
本文摘编自《麻繁工作》
两次技术革命
2026年寒假过后,香港大学的一名博士生找到我们,声称借助新的AI工具,她可以在10天内完成博士论文,而不需要通常所需的4年时间。从完成科研任务的角度看,她说的不无道理。Claude Code等工具可以让研究者将一系列任务交给AI智能体来完成,如果我们的目标仅仅是产出一篇合格的博士论文,那么这位学生的说法无可厚非。
然而,这位学生攻读博士学位的初衷,即使不是推动科学进步,也是日后谋得一份好工作,而一旦技术进步使胜任变得更容易实现,进入这个行业的门槛就会降低。除非这一技术被垄断,否则劳动力的有效供给就会立即增加,更激烈的竞争也随之而来。10天之内完成的博士论文,尽管质量能达到原来4年寒窗潜心钻研的水准,但其市场价值却大大降低。因此,对这位学生而言,关键不在于她的生产力能否提升,而是当所有人都拥有同样的工具之后,什么能力依然是稀缺的。
这个故事揭示了生产力与薪资之间的关键差异,该差异根植于稀缺性。历史上,历次技术变革浪潮都创造了不同的稀缺性。理解这段历史,有助于我们理解即将到来的变化。对此,第一次工业革命与信息技术革命,这两个历史先例为我们提供了不同的启示。
第一次工业革命:技术(最终)惠及所有人
第一次工业革命之前,纺织行业的一名学徒要耗时数年学习手艺,一位师傅则要用10年才能将技艺传授给徒弟。顶级布料之所以能卖出高价,是因为能生产这种品质布料的匠人屈指可数。在那个纺织机器尚未诞生的年代,稀缺的是技艺与经验。
1785年,埃德蒙·卡特赖特发明动力织机,到19世纪30年代,该机器已广为普及。一个十几岁的少年只需短短数日便能学会操作这种机器,且其一天内生产的布料量,相当于此前一位熟练工匠数周的产出。随着动力织机在英国广泛使用,曾经以精湛技艺出名的兰开夏郡织工们走向了失业的边缘,他们多年积累的经验变得几乎一文不值。
从1790年到1850年的60年间,纺织工人的薪资长期停滞不前,这引发了弗里德里希·恩格斯和卡尔·马克思对技术未来的悲观论断。但他们未曾预料到的是:织工们的子孙并没有一直贫穷下去。到19世纪末,大多数工人的实际收入翻了一番。1900年非技术工人的购买力,远远超过1800年的熟练工匠。机器最终还是改善了工人的生活。
这是如何发生的呢?随着每位工人可操控机器数量的增加,单位时间内的布料产量快速增长。机器承担了繁重的体力劳动,但工人依旧不可或缺,因为总要有人负责投放棉花并确保机器持续运转。工人与机器之间是互补关系,而非替代关系。
那么,技术进步带来的收益是如何在工人和资本之间进行分配的呢?为什么工人没有被资本家剥削得精光?制度因素固然发挥了重要作用,但劳动力相较资本的稀缺性才是关键所在。工人的数量是有限的,而以机器和工厂形式存在的资本则可以不断产生和复制。只要有充足的资金,假以时日,任何人都可以新建一座工厂。随着资本家收益上涨,投资者持续添置资本设备,市场竞争不断加剧,直到资本收益率回归正常水平。工人才是稀缺要素,因此他们最终能够获益。
信息技术革命:技术有利于技能较高者
与第一次工业革命形成鲜明对比的是信息技术革命。自大众化个人计算机问世以来,计算机逐步渗透进工厂和办公室。与动力织机一样,计算机自动化了部分原本依赖人类技能的工作,但二者对工人薪资的影响截然不同。1980年至2020年间,美国拥有学士及以上学历全职工人的实际周薪增长了约20%,仅拥有高中学历工人的薪资则略微下降。高学历与低学历工人之间的收入差距——经济学家称之为“大学学历溢价”——几乎翻了一番。
为何信息技术革命没有遵循第一次工业革命的模式?这是因为前者催生了一种不同的稀缺性。动力织机与工人为互补关系,任何人几天内就能学会使用,而计算机对高技能工人的帮助远大于对低技能工人的帮助。比如,使用数据库或分析软件,需要较高的认知能力,没有接受过高等教育的人往往难以熟练操作。
计算机使知识的获取变得廉价,却将知识的运用——将知识应用于解决实际问题——完全交给人类完成。结果便是,计算机放大了认知能力的价值。技术与知识互为补充,从中获益更多的是那些认知能力更强、知识储备更丰厚的工作人员。
因此,信息技术普及的结果是,劳动力市场被一分为二:能够运用计算机的高技能职员,市场需求相对上升;从事可被计算机取代的常规认知工作的职员,需求相对下降;处于知识分布最底端、从事计算机无法胜任的体力工作的劳动者,比如清洁工、医疗助理和餐饮从业者,需求相对稳定。技术和认知能力的这种对应关系,造成了劳动力市场的两极分化。
两次技术革命导致了截然不同的结果:第一次工业革命最终惠及所有工人,因为机器能与工人形成互补;信息技术革命则对高学历工作人员极为有利,对许多其他工作人员却益处甚微。
以上两个历史先例,哪一个与当下的AI技术革命更为相关呢?如果AI像动力织机一样与所有人形成互补,那么在一段痛苦的过渡期后,广泛共享的繁荣将如期而至;如果AI像个人计算机一样,只与那些已经拥有稀缺技能的人形成互补,那么劳动力市场的两极分化将进一步加深。
但AI技术革命还催生了第三种可能性。以计算机为核心的信息技术,极大地扩充了可数字化的信息和知识,但其价值仍需要结合人的认知来实现;而AI技术则可以独立自主地完成许多认知任务,这就使得认知内容的获取变得廉价,稀缺性将转移到人类的其他特质上。
为了理解这项新技术的经济影响,我们提出一个新的分析框架,其核心就是我们称为“自主性门槛”(autonomy threshold)的概念。
自主性门槛
理解自主性门槛最好的例子是自动驾驶技术的演变。在全自动驾驶技术出现之前,驾驶领域的重大技术创新是自适应巡航控制系统的使用。这一系统可以辅助驾驶,帮助司机驾驶得更加平稳、安全。但它在经济上改变的东西相对有限,因为人仍然要坐在驾驶座上,车辆的可行驶里程首先取决于驾驶员驾驶的时间。全自动驾驶技术的应用则从根本上改变了这一经济逻辑。由于汽车不再需要人来操控,驾驶服务的供给也就不再受限于驾驶的时间,而是取决于机器的性能。
以上两种驾驶技术在经济上的差异,就出现在AI从辅助人类转向独立运作的临界点上。更准确地说,是AI能够在给定的成本内交付一件成品,其质量不仅能达到使用者的要求,而且能以低于人机协同时雇用人类来审核、纠错或承担结果的成本交付。这条边界,就是我们在本书中所定义的自主性门槛。
在自主性门槛以下,AI处于辅助模式,人还是最终产品的提供者——由人来审阅AI的工作成果、发现错误,并对结果负责。这种模式背后的经济逻辑与信息技术革命颇为相似:雇主每单位产出所需的人工时间减少,释放出来的产能会迅速转化成更多产出。
但当AI越过自主性门槛,即它能够在无须人类审核和承担结果的情况下交付完整的解决方案时,一切都将改变。此时AI不再是帮助工作者提高效率的工具,而是成为他的竞争对手。
总结一下,在自主性门槛以下,AI与人类互补;在自主性门槛以上,AI可以在该任务上取代人类。借用一下网络语言,自主性门槛犹如一些人所说的“AI斩杀线”,在其之下人类安然无恙,在其之上则是片甲不留。不过,这个说法虽然形象,但极为片面,我们对自主性门槛的定义仍停留在任务层面,而非工作人员或者工作层面。
在现实世界,一名工作人员往往要承担多项工作,且其中任何一项工作都包含多个任务。AI能够在某些任务上取代人工,不一定意味着AI可以取代整项工作或整个工作人员。一名工作人员受AI影响的程度,取决于他所承担的任务中有多少越过了自主性门槛,以及这些任务是否捆绑得足够紧密。比如,有了能够实现自动记录的AI工具,一位医生也许不再需要亲自撰写临床记录,但仍须完成工作中的其他任务。在这种情况下,AI虽然替代人完成了某一任务,但在工作层面却提升了工作人员的整体生产力。
自主性门槛的3个层级
我们把工作定义为“将不同任务捆绑在一起的集合”,这样就可以依照构成一项工作的不同任务之间的混杂程度来对工作进行划分,从而在工作层面定义自主性门槛。简单而言,工作层面的自主性门槛取决于两个因素:一是其组成任务的自主性门槛的高低,二是分离这些任务的成本。门槛低的工作,大多由单一、定义明确、容易核验的任务组成,会率先被AI接管;门槛高的工作,如涉及人际关系、政治博弈和社会摩擦的任务组合,即便技术大幅进步,也能抵御AI的自动化替代。对任何工作人员而言,在技术变革面前,要扪心自问的关键问题是:我所从事工作的自主性门槛有多高?技术向这一门槛攀升的速度有多快?
使工作变得混杂起来的因素有两类。第一类是,构成工作的任务相互缠绕,难以分离。这可能是因为中间产出难以核验,或是打破工作的原有组合进行重新配置的成本过高,或是任务之间存在显著的溢出效应。第二类是,工作需要维系一张错综复杂的人际关系网络,工作人员不可避免地要去应对冲突、调解对立的利益诉求,以及管理相关人员的生活、情绪。第二类因素造成的混杂远比第一类更难自动化。
下图形象地展示了AI自主能力与任务混杂程度之间的关系。其中,横轴表示任务混杂程度,纵轴表示AI自主运行并完成某项工作的难易程度,整条向上的曲线描绘了两者之间的关系:随着任务混杂程度提升,自主性门槛不断提高。从最左侧的单一任务工作(第一层级工作),到中间的各项任务混杂在一起的捆绑型工作(第二层级工作),再到最右侧的关系网络型工作(第三层级工作),自主AI取代人类工作的可能性依次递减。
第一层级工作:单一任务工作
上图横轴左侧对应的是由单一任务或一组紧密相关、产出可核验的任务构成的工作。典型例子包括技术性的翻译工作、预定义问题代码编写、图像分类、合同条款起草等。这些工作的问题边界清晰——输入信息固定明确,成果评判标准有据可查,交付内容容易核验。
同时,这些工作的自主性门槛很低,其中一些门槛已被AI越过或正在被越过。AI系统可以依托正确答案开展训练、自我评估表现、持续迭代升级,而一旦其彻底越过自主性门槛,人类在这些工作上将几乎无可作为。例如,最近的一项研究发现,在ChatGPT问世后的8个月内,某主要自由职业平台上文案和编程类工作的招聘帖子,相较体力密集型工作减少了21%。当然,这并不意味着该领域的从业者收入必然归零。
第二层级工作:任务捆绑型工作
位于第二层级的是多项任务捆绑在一起的工作。例如,一位医生除了诊断疾病,还要进行分诊,与患者沟通,与同事会诊,培训住院医师,并对诊断结果承担法律责任。AI可能越过诊断疾病的自主性门槛,但对捆绑中的其他任务,其仍处于门槛以下。
在这一层级,整体工作的自主性门槛远高于其中任何单一任务的门槛。完成捆绑中的任务分别需要不同的知识。某些任务,如诊断疾病,只需要编码化知识;而其他任务则需要情境性、人际性和本地性知识。其中,前者容易被AI取代,后者则难以借助AI实现自动化。
在许多情况下,将原本捆绑在一起的任务拆分开来,会有割裂知识的风险,而这些知识的整合对完成整体工作至关重要。例如,阅读扫描图像的放射科医生已经了解患者的病史,与转诊医生建立关系,并承担诊断所附带的法律义务,若将扫描图像的阅读任务拆分出去交给AI,则需要重现所有这些背景信息,由此产生的协调成本往往超过拆分带来的效率提升。
有了AI的帮助,第二层级工作呈现出一种典型结构:“人在机器之上”操控AI来强化人的能力的使用效率,或者“人在机器之下”借助AI来延伸人的能力。
在“人在机器之上”的模式中,AI接管工作中的常规问题,而人类负责处理例外情况。一个例子是,配备AI工具的创业者可以在数小时内构建出过去需要一整个工程师团队才能完成的原型,但发现问题、提供解决方案、选择市场、承担风险的,仍然是创业者本人。AI以低成本的方式,撬动并放大了存储在人脑中的卓越知识。
在“人在机器之下”的模式中,AI承担认知工作中更复杂的部分,处理那些不寻常或困难的例外问题,人则负责处理常规任务。比如,配备AI诊断支持系统的执业护士,仍然负责患者检查、诊断结果告知以及患者情感安抚和身体护理等工作。在这种情况下,AI与人能够形成互补,源于AI消解了人习得专业医学知识所需的高昂成本。借助AI,护士无须自行承担培训成本,便能解决大量复杂问题。
第三层级工作:关系网络型工作
第三层级工作位于上图横轴右端,是AI自主性门槛极高的工作。几乎整项工作都处于自主性门槛之下,也就是说,几乎所有任务都需要由人类来完成。
以我们非常熟悉的一位制造业工程总监的工作为例。她必须决定雇用谁,购买哪些机器,如何在工厂内布置这些机器,与工人和上级就所提方案进行谈判,并调动资源加以实施。这项工作极难自动化。AI也许能起草报告、优化日程、分析数据,但报告、日程和数据从来都不是工作真正的难点所在。其工作中有大量任务涉及与其他人和机构之间的摩擦管理,例如,向市政厅申请许可证或向总部争取资金,以及遇到困难知道该找谁、该如何开口,这些都涉及AI训练数据中根本不存在的隐性知识。
在这类工作中,处理人与人之间的相互依赖——而不仅仅是任务之间的相互依赖——才是任务混杂的主要原因。整项工作必须由一个能够驾驭各种相互依赖关系、处理摩擦并对结果负责的人来完成。正如Claude Code的创建者、Anthropic公司的工程师鲍里斯·切尔尼在2026年2月所言:“总要有人来提示Claude,与客户交谈,与其他团队协调,决定下一步构建什么。工程正在改变,而优秀的工程师比以往任何时候都更加重要。”
第三层级工作与前两个层级工作的差异在于,其任务混杂并非源于阶段性的技术短板,而是根植于问题本身固有的内在特征。组织是由拥有相互冲突目标的人结成的联盟,因而组织任务的实施需要“政治”上的斡旋和关系管理。这些问题不会因为计算机的运算速度更快而变得更清晰,它们之所以捆绑在一起,是因为现实世界本来就是如此。因为人们意见相左,矛盾、冲突频频发生,信任变得至关重要,所以责任最终必须落在某个具体的人身上。
AI对企业内部工作的影响,同样受制于这一根本限制。AI不仅使一些工作得以存续,也改变了使工作值得信赖的整个体系。AI使现货市场本已擅长的事情,如搜索、签约、执行以及对标准化产出的核验,变得更加廉价。但它并不能使依赖长期关系的工作变得廉价,这些工作包括声誉、共事者之间的信任、有人愿意为之背书的质量标准以及学徒制。
关系网络的存在本身就是为了将组织成本降至最低,所以无法通过工程化手段消除它。这是本书的一个核心观点。
人工智能时代的工作、机会和人类价值
直面AI浪潮下真实的职场与组织困境
点击图片,即可购买
-End-
2026.11.21
编辑:闪闪 | 审核:孙小悠
扫码报名
点「在看」,给阿信加鸡腿
股票
板块
用户
资讯
评论 (0)