AI真正在取代的是什么(和你想的不一样)

每隔几个月,就会有一份新报告带着一个数字问世。3亿个岗位。8500万个职位被冲击。40%的任务可自动化。数字各不相同,但它们引发的焦虑却始终如一。人们读到这些数字,短暂地感到不安,然后回到自己的工作岗位,几乎没有任何改变,因为岗位还没有消失,办公室依然满员,这场颠覆感觉永远迫近,却从未真正到来。

真正正在发生的事情,可以直白地说清楚:AI并没有在大规模取代工作岗位,至少现在还没有。它此刻正在做的、可以被量度、并已产生直接经济后果的事情,是消除平庸工作的价格底线。

这是不同的一件事。而它对更多的人而言,影响更大。

---

平庸工作的价格底线曾经是什么样子

2022年之前,如果你需要一篇1500字的博客文章,你的选择有限。你可以自己写(付出时间成本)。你可以雇一位自由撰稿人(付出金钱成本:根据质量和平台不同,80到400美元)。你也可以雇一家代理机构(更高的金钱成本)。这个底线,也就是你为一份功能上可接受的产出所愿支付的最低价格,是由愿意接这份活的、能力最低的人的成本决定的。

这条底线存在于每一个知识工作类别中。一份过得去的法律文书草案。一份可用的初稿。一段解决了狭窄问题的可运行代码。基础的财务建模。称职但并不出彩的市场调研。生产这些工作的人,不算出色,也不算糟糕,始终稳定地发挥着功能性作用,占据着劳动力市场中一个受保护的地带。他们足够便宜,值得雇用;也足够胜任,不至于被替换。

保护他们的,不是他们的卓越,而是他们在一个没有任何非人类选项能匹配的价格点上的胜任。

这层保护已经消失。

---

AI在底线上的表现数据

先看法律行业。2023年,斯坦福和麻省理工的研究人员在统一律师资格考试上测试了GPT-4,它拿到了90百分位的成绩。一个人类考生若达到律师资格考试90百分位,那是一位出色的律师,而非平庸的律师。在文件审阅这项初级法律工作(阅读合同以查找特定条款)上,AI工具如今能达到94%的准确率,而初级律师助理的准确率约为85%,成本却只是其一小部分。高盛2023年估计,44%的法律工作可用现有AI自动化。

再看代码。微软研究院2023年针对2000名开发者研究了GitHub Copilot,发现标准编码任务的任务完成速度提高了55%。关键词是"标准"。对于新颖的架构问题,收益几乎为零。而对于一个训练营毕业两年的初级开发者会写的那类代码,增删改查操作、样板代码、集成胶水代码,Copilot比那位开发者更快,出错也更少。曾经保护初级开发者进入行业的那部分工作,如今有了更便宜的替代品。

再看写作。麻省理工的经济学家沙克德·诺伊和惠特尼·张在2023年做了一项实验,给450名受过大学教育的专业人士布置写作任务,并随机让一半人使用ChatGPT。使用AI辅助的组别完成任务的速度提高了37%,产出被独立评审员评为质量高出18%。这项研究中最重要的发现,不是平均水平的提升,而是最优秀和最落后的写作者之间的质量差距缩小了40%。AI对平庸的写作者帮助更大,而不是对优秀的写作者帮助更大。它把质量分布向下压缩了。

自由职业平台Fiverr在其2023年年度报告中显示,需求下降最严重的类别是:基础文案撰写(-21%)、简单标志设计(-17%)、数据录入(-34%)、基础视频剪辑(-19%)。这些都不是创意领导型岗位,它们就是底线。

---

底线本来就是问题的关键

这件事之所以比"取代工作岗位"这个说法更重要,原因在于劳动力市场中谁站在哪个位置。

那些会被AI取代顶尖工作岗位的人,顶级创意总监、资深建筑师、首席研究员,是一个规模不大的群体,他们拥有足够的技能差异化来适应或谈判。他们有选择余地,他们的工作难以被复制到同等质量,他们的业绩记录清晰可见,他们的人脉网络也十分扎实。

而依赖那条底线的人,是一个大得多的群体:靠批量生产合格内容立业的初级写作者;第一份工作是维护遗留系统的初级开发者;为偿还法学院债务而做文件审阅的初级律师;根据标准数据生产标准报告的初级分析师;为代理机构做制作类工作的新人设计师。这些正是那条底线所保护的人。

麦肯锡全球研究院2023年的一份报告发现,需要中等水平认知技能的职业,即那些要求超越常规处理、又达不到专家判断水平的工作,面临着生成式AI带来的最高替代风险。不是认知层级底端的体力劳动,也不是顶端的真正专业能力,而是中间层。

中间层,正是职业生涯开始的地方。人们在这里花上多年时间,朝着最终能保护自己的专业能力迈进。当底线消失时,职业阶梯的最初几级也随之消失。

---

人们常引用的历史论证,以及为何这次不同

标准的安慰之词是这样的:技术历来会取代常规工作,也总会创造新工作。自动取款机没有消灭银行柜员,它降低了运营一家分行的成本,于是银行开了更多分行,柜员就业反而上升了。织布机没有摧毁纺织工人,它让布料便宜到足以创造大众市场,反而扩大了这个行业。颠覆和创造,是一枚硬币的两面。

作为历史规律,这是真的。但这一次或许并不适用,原因是大多数乐观类比都跳过的一点:速度。

以往每一次技术颠覆,运作的时间尺度都以人的一代人来计算。1810年被织布机取代的织工无法重新培训、在新经济中竞争,但他们的孩子可以。经济体有20到30年的时间来消化这场转型。新产业涌现,新的入行途径打开。

生成式AI是以产品周期的时间尺度在运作。GPT-2发布于2019年,GPT-4发布于2023年。两者之间在写作、编码、分析和推理上的能力跃升,是制造业技术花了40年才走完的那种跃升。而AI只用了四年。

在乐观阵营中被引用最多的经济学家,埃里克·布林约尔松、大卫·奥托,自己也变得更加谨慎。奥托2024年对其劳动力两极分化理论的更新中承认,生成式AI正瞄准"非常规认知任务",而这恰恰是他早期研究认为对自动化免疫的那个类别。他并未完全放弃早先的乐观,但这个保留立场分量不轻:这一次,认知中间层暴露在外。

---

AI目前还做不到的事

在这里保持精确很重要。答案不是"创造力",AI能产出富有创造性的输出。也不是"判断力",AI能产出看起来像判断力的输出,而且往往能蒙混过关。也不是"共情",AI能大规模地产出表演式的共情文字。

AI目前还真正做不到的,有三件事:

**在承担责任的前提下应对真正的不确定性。**AI可以告诉你,根据它见过的数据,最可能的最佳供应链策略是什么。但它不能因判断失误而承担职业后果,不能因工厂停产而被追责,预测失败也不会终结它的职业生涯。人类判断的价值,不只在于其质量,更在于有一个人为此押上了什么。担责需要一个人。

**通过反复的、具身的存在建立信任。**客户之所以打电话给你,是因为和你共事了五年,知道你如何处理危机,这一点无法转移给一个模型。人脉、历史、业绩记录,这些都积累在人的身上,而不是订阅账户上。

**在前沿真正做出全新的事情。**AI在其训练数据分布之内进行插值方面极为出色。它在超出这个分布进行外推方面则表现平平。真正推动一个领域前进的研究、开创一个新品类的设计、利用一个尚无人系统化的洞见所形成的战略,这些仍然属于人类。但这只是每个行业顶端的一小群人,而不是底线。

---

供应链的案例

在转向IBP转型工作之前,我在需求计划领域工作了三年。供应链分析端的工作,预测生成、统计建模、异常报告、标准差异分析,几乎完全可以被当前的AI工具复现。

一位把60%时间花在运行统计预测和生成异常报告上的需求计划员,做的正是一款配置良好的AI工具能以20%的质量损耗、5%的成本复现的工作。那60%的时间,就是底线。剩下的40%是什么样子,判断性决策、商业背景、与销售团队的关系、关于某个SKU在第三季度为何表现异常的机构记忆,这些是无法被替代的,至少现在还不能。

供应链领域的启示很具体:中层分析岗位将会收缩,资深判断岗位将保持稳定,而两者之间的路径将越来越难走,因为构建判断力所需的初级经验岗位,数量正在减少。

这并非纸上谈兵。2024年,几家大型消费品公司在运行AI辅助需求计划后,报告初级和中级计划员编制减少了30%到40%,而资深IBP岗位保持稳定或有所增长。模型产出数字,人类决定如何处理异常。

---

令人不安的结论

AI此刻正在造成的真正颠覆,不是好莱坞式的版本,机器人抢走工作、算法取代外科医生、机器写小说。它更加安静,却在经济上更具破坏性:系统性地消除了曾经保护知识工作职业初期和中期从业者的那个质量区间。

平庸的工作从未被歌颂过。但长久以来,它是必要的,因为它是获得功能性产出最便宜的选项。这一点已不再成立。而当平庸不再是必要的,那些曾经靠生产平庸而领薪水的人,并不会以引人注目的头条式方式被裁撤。他们会发现自己的报价下降了,客户暂停了合同,项目被降低了优先级。底线不会一次性消失,它是逐渐下滑的,直到再也无法立足其上。

会安然无恙的人,大致是这些:在各自领域顶端拥有真正专业能力的人,多年积累了深厚人脉资本的人,以及学会把AI当作放大自身判断力的工具、而非替代其判断力发展的工具的人。

处于风险中的人,是那些专业价值曾按底线定价的人。而这样的人,远比站在顶端的人多得多。

---

参考资料

• Katz, D. M., Bommarito, M. J., Gao, S., & Arredondo, P. (2023). "GPT-4 Passes the Bar Exam." SSRN. dx.doi.org/10.2139/ssrn.4389233
• Deroy, A., & Bhargava, S. (2023). "AI Contract Review Accuracy Study." LawGeex / Deloitte. (replication study, 2023 update.)
• Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). "The Impact of AI on Developer Productivity: Evidence from GitHub Copilot." Microsoft Research. arXiv:2302.06590.
• Noy, S., & Zhang, W. (2023). "Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence." MIT Economics Working Paper.
• Fiverr International Ltd. (2023). Annual Report 2023. Fiverr.
• Goldman Sachs Global Investment Research. (2023). "The Potentially Large Effects of Artificial Intelligence on Economic Growth." Goldman Sachs.
• McKinsey Global Institute. (2023). "The economic potential of generative AI: The next productivity frontier." McKinsey & Company.
• Autor, D. (2024). "Applying AI to Rebuild Middle Class Jobs." National Bureau of Economic Research Working Paper No. 32140.
• Brynjolfsson, E., Li, D., & Raymond, L. R. (2023). "Generative AI at Work." NBER Working Paper No. 31161.
• Acemoglu, D., & Restrepo, P. (2022). "Tasks, Automation, and the Rise in US Wage Inequality." Econometrica. 90(5).
• World Economic Forum. (2023). Future of Jobs Report 2023. WEF.

---

后续为短篇姊妹文章。