过去，一个人能把文章写通顺、把报表整理清楚、把程序顺利跑起来，往往就拥有一项值得认可的本领。如今，这些工作中的不少环节，交给人工智能也能得到像样的结果。真正让人不安的，是自己多年积累的熟练程度，似乎突然不再那么稀缺。


这种不安有现实依据。工作里可以标准化的部分越多，企业就越有动力压缩成本。对于靠这些任务谋生的人，一句“技术最终会创造新岗位”，并不能回答下个月收入从哪里来的问题。


不过，讨论如果只停留在“人会不会被取代”，也容易把问题看窄。一个职业包含许多任务，机器接手其中几项，与整个职业消失，是两回事；工作完成得更快，与工作做得更好，也未必是一回事。


把AI看作人类进化的催化剂，首先要弄清它正在改变什么。这里的“进化”，指的是能力、分工和习惯的变化。它可能扩大普通人的行动范围，也可能削弱独立思考的能力。结果取决于我们怎样使用工具，以及怎样安排工具进入工作和生活。


一、被取代的恐惧，需要放回具体工作里


蒸汽机改变了生产方式，计算机改变了办公流程，互联网改变了信息流通。回头看，技术进步确实让一些工作消失，也让另一些工作出现或扩张。但社会整体的变化，不能抹去具体劳动者的损失。一个行业的新机会，未必适合刚从另一个行业失业的人；转岗所需的时间、培训和收入缓冲，也不会自动到来。


因此，历史给我们的启示应当更审慎：工作会随技术变化重新组织，而转变能否顺利，取决于经济需求、教育条件和制度安排。把这段历史写成“技术从来不会消灭工作”，既不准确，也难以让受到冲击的人信服。


国际劳工组织2025年发布的研究提供了一个更具体的观察尺度：全球约四分之一的就业处于对生成式AI有一定潜在暴露的职业，其中3.3%处于最高暴露类别。报告判断，由于多数职业仍包含需要人参与的任务，工作内容的转变比整个岗位被完全替代更可能发生。


“暴露”在这里有明确含义：研究依据职业任务，评估它们可能受到技术影响的程度。这些数字既不是已经发生的裁员比例，也不是未来失业率。把“四分之一就业受到影响”直接读成“四分之一的人将失业”，会把潜在能力、企业采用和实际结果混在一起。


以编辑工作为例。改病句、拟标题、整理材料，可以借助AI提速；判断一条消息是否可靠、一次采访是否遗漏了关键人物、一篇报道会给当事人带来什么后果，则需要事实核查、现场经验和职业责任。同样，程序员的工作包含写代码，也包含理解需求、处理历史系统和承担维护责任。


这并不意味着编辑或程序员天然安全。如果企业只看产量，确实可能减少人员；如果业务扩大，也可能把节省的时间用于更复杂的服务。技术提供了新的可能，组织怎样分配这些可能，才会落到劳动者的岗位和收入上。


个人能做的，是把自己的工作拆开看：哪些环节依赖重复操作，哪些依赖专业判断，哪些需要协调人与人之间的关系。这样才能找到值得继续积累的能力。笼统地问“这个职业会不会消失”，往往不如问“这个职业里的哪些任务正在贬值，哪些责任依然需要有人承担”。


二、从执行到判断，经验并没有失效


AI最直接的作用，是降低一些工作的执行门槛。过去需要反复学习、逐步积累的操作，如今可以通过对话获得帮助。但门槛降低之后，区分好坏、辨认错误和提出要求的能力，会更加影响结果。


一项2025年发表于《经济学季刊》的研究，考察了某企业向5,172名客服人员分批提供AI辅助工具的过程。以每小时成功解决的问题数量衡量，生产率平均提高约15%；新手和较低技能员工的提升约为30%。研究显示，工具可能帮助经验较少的员工吸收更有经验者的工作方法。


这个结果值得认真对待。一个刚上岗的人，可以更快找到适用的知识、组织回答并处理常见问题。过去集中在资深员工身上的部分经验，能够通过工具更广泛地使用。不过，这是特定企业、特定客服任务中的结果，不能据此推算所有行业的效率，更不能直接算出企业可以少雇多少人。


经验的另一种价值，也在AI使用中显露出来：知道什么时候不该相信一个看似完整的答案。


一项涉及758名波士顿咨询公司顾问的实验，最初于2023年公布，2026年正式发表。对于处于当时模型能力范围内的任务，使用AI的顾问平均完成得快25.1%，完成的任务数量多12.2%；但在一项超出模型能力范围的任务上，AI使用组的正确率反而比对照组低约19个百分点。


同一个工具，换一项任务，效果就可能相反。流畅的表达很容易让人相信，推理也同样可靠。尤其当答案符合原有预期时，人更容易省去核查。然而，写得完整、措辞专业，只能说明输出像一个答案，不能说明它已经经得住检验。


METR在2025年的一项随机实验中，也发现了效率感与实际效率之间的差距。16名熟悉自身开源项目的开发者完成246项真实任务，允许使用当时AI工具的任务，平均耗时反而增加19%。参与者在实验后仍觉得工具帮助自己提速。样本较小，场景也特定，这不能代表所有程序员，更不能代表后续工具的表现，却说明效率需要测量。


这些研究放在一起，提醒我们保留专业训练。懂行的人要能把任务拆清楚，提供必要背景，发现输出中的不合理之处，并决定哪些内容值得保留。若连结果是否正确都无法判断，工具生成得越快，错误也可能积累得越快。


所谓“统筹意图”，落实到日常工作，其实很朴素：先问清楚要解决谁的问题，弄明白什么算成功，再决定交给工具哪些步骤。一个方案写了多少页，远不如它有没有抓住真正的矛盾。一段代码能运行，也不等于它适合现有系统、便于维护。


三、持续学习，要防止“做出来”冒充“学会了”


AI让知识和技能更容易接近，也让人更容易绕过学习过程。遇到问题直接拿到答案，与自己走过推理过程，是两种不同的经历。短期看，前者往往更省事；长期看，差别会在需要独立处理问题时显现。


2025年发表于《美国国家科学院院刊》的一项研究，对土耳其一所高中近千名学生开展了数学教学实验。使用普通AI辅导界面的学生，辅助练习成绩相对对照组提高48%；但撤去工具后，他们的独立测试成绩反而低17%。另一种加入教师指导材料、限制直接给答案的辅导设计，大体避免了这一负面影响。


这项实验发生于2023年，研究的是一所学校的数学学习，不能推广到所有学科和所有工具。其中的17%是相对下降，并非下降17个百分点。它所揭示的问题却很具体：获得正确答案的能力，可以暂时遮住没有掌握知识的事实。


成年人也会遇到类似的问题。把报告交给AI写完，未必理解其中的判断；让AI修好程序，未必知道错误为什么发生；请AI整理一本书，也未必理解作者论证的来龙去脉。如果长期跳过这些过程，一旦工具出错，自己反而更难发现和纠正。


使用方式可以作一些调整。读完一段材料，先试着用自己的话解释，再请AI指出遗漏；遇到一道题，先要求提示，在独立尝试后比较解法；写完程序，检查关键步骤并解释设计理由。这样，工具参与的是反馈和练习，而学习者仍然承担理解的工作。


也不必因此把每一次借助AI都当成偷懒。工作和学习有不同目标。处理不值得反复练习的格式转换，直接交给工具很合理；学习一项将来需要独立使用的本领，就应当给自己留下思考和试错的时间。要紧的是知道，这一次是在完成任务，还是在培养能力。


“持续学习”也不等于不断追逐新工具。一个人若总在记新按钮、换新平台，很可能忙了许久，仍没有积累能迁移的知识。相较之下，数学、语言、专业基础和辨别证据的习惯，能够帮助人理解不同工具，也能在工具更换后继续发挥作用。


教育和职业培训因此需要更细的安排。既教人怎样使用AI，也安排不依赖AI的练习和检验；既考察作品质量，也了解完成过程。否则，漂亮的作业和快速的交付，可能把真正需要补上的能力缺口藏起来。


四、人的优势，体现在具体关系和责任中


谈到人类优势，人们常说创造力、共情和伦理判断。这些词并非没有道理，但如果只是把它们当作机器永远无法进入的领地，也容易低估技术变化。AI已经能生成创意，模仿体贴的表达，讨论道德问题。人的价值需要落到更具体的事情上。


先看共情。理解一个人，常常需要留意他没有说出口的顾虑，也需要知道他的处境。设想一位老人不会使用线上服务，工作人员当然可以把操作步骤解释清楚，但如果老人担心误付款、害怕泄露信息，继续重复步骤未必有用。有人需要发现他的顾虑，调整服务方式，并在出现问题时负责处理。


AI能够帮助整理需求、改进表达，但服务关系中的信任，还来自承诺能否兑现、错误能否纠正、求助者能否找到负责人。温和的语气有价值，实际行动同样有价值。一个人是否被理解，最终也体现在他的处境有没有得到妥善对待。


再看伦理判断。效率目标并不总是唯一目标。一个系统若只追求尽快完成审核，就可能忽略需要补充说明的人；若只根据过去的数据作推荐，也可能延续过去的不平等。准确率、成本、公平和隐私之间，常常存在需要公开讨论的取舍。


这种取舍不能因为“算法算出来了”就停止讨论。谁制定评价标准，谁能提出异议，谁有权暂停系统，谁承担纠错成本，都应当有人说明。工具可以辅助比较方案，却不能替机构承担社会责任。把决定交给系统，也没有免除使用者解释和纠正决定的义务。


还有一种容易被低估的能力，是把不同领域的知识联系起来。一个项目迟迟推进不了，表面上可能是技术问题，实际还牵涉预算、组织习惯和使用者需求。若只在单一领域里优化，可能把局部做得很好，却让整体更难使用。


人参与其中的价值，往往来自长期了解具体环境：哪些约束是真的，哪些惯例可以改变，哪些人尚未被听见。这些知识未必都写在文档里，也未必能够一次性输入模型。技术分析与现场观察相互补充，才更有可能找到可行的办法。


古希腊思想中的“实践智慧”，关心的正是如何在具体情境中作出恰当判断。我们需要知识，也需要经验；需要原则，也需要理解眼前的人。AI可以扩大可供参考的材料，但当几种合理目标发生冲突时，仍然需要有人作出选择，并接受选择带来的后果。


五、进化的成本，不能全交给个人


如果只把这一转变理解为“每个人都应提高自己”，文章就会漏掉一半问题。劳动者能否学习新技能，取决于有没有时间、培训和收入保障。企业改变流程后，也需要说明新的岗位要求，而不能只要求员工在原有工作之外自行跟上。


一个值得讨论的做法，是先在具体任务上评估效果，再调整组织。节省了多少时间，增加了多少复核工作，错误造成什么损失，员工的技能是否得到积累，都应当纳入考量。单看生成速度，容易低估后续的检查和沟通成本。


培训也应当结合真实工作。员工既需要知道工具怎么用，也需要知道哪些资料不能输入、哪些结果必须复核、遇到问题可以向谁求助。对于岗位可能缩减的人，转岗机会和过渡支持，比抽象地鼓励“保持竞争力”更有帮助。


技术带来的收益如何分配，同样影响人们是否愿意接受变化。效率提高之后，可以扩大服务、改善工作条件，也可以单纯提高劳动强度、减少人手。劳动者对AI的态度，往往取决于自己经历的是哪一种安排。


因此，超越被取代的恐惧，需要承认恐惧的理由，并给出可以检验的改善。只有当人们看到能力得到发展、工作得到改善、风险有人分担时，“与AI共同成长”才有具体内容。


AI正在接手一部分我们曾经熟悉的工作，也在迫使我们重新衡量什么值得学习、什么需要亲自判断。它没有保证人会变得更好，但确实让一些选择变得更迫切。


我们可以把工具用来跳过思考，也可以用它获得更及时的反馈；可以用来增加产量，也可以用来腾出时间，处理过去顾不上的复杂问题。人类能否从这次变化中受益，要看这些日常选择，以及支持选择的制度安排。催化剂能够加快变化，变化朝哪个方向发生，仍然需要人来决定。


---


资料来源


1. 国际劳工组织：《Generative AI and Jobs: A Refined Global Index of Occupational Exposure》，2025年5月。职业暴露评估，并非失业预测。[原始报告](https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure)

2. Erik Brynjolfsson、Danielle Li、Lindsey R. Raymond：《Generative AI at Work》，《经济学季刊》，2025年正式发表版。采用5,172人、平均提升约15%的口径。[原始论文](https://academic.oup.com/qje/article/140/2/889/7990658)

3. Fabrizio Dell’Acqua等：《Navigating the Jagged Technological Frontier》，2023年公布工作论文，2026年发表于《Organization Science》。正文区分模型能力范围内外的任务。[正式论文](https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838)

4. METR：《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，2025年7月。结果对应2025年初的工具和特定开源开发情境。[研究说明](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)

5. Hamsa Bastani等：《Generative AI without guardrails can harm learning》，《美国国家科学院院刊》，2025年发表。实验在2023年开展，研究对象为土耳其一所高中的学生。[原始论文](https://www.pnas.org/doi/10.1073/pnas.2422633122)