预测AI对工作的冲击

预测 AI 对就业的冲击

许多人希望分析哪些工作、公司和行业最容易受到 AI 的影响，并为此打分、制作图表，然后与大语言模型的发展趋势进行对比。我认为这基本上是不可能的：你无法预知这些工作会如何改变，也无法预知围绕它们发生的其他变化，而且你也无法对这类工作进行衡量。

如果我们可以分析哪些工作、公司和行业容易受到 AI 影响，并能够给它们打分、制作图表，再将这些与大型语言模型的进步相对应，那该多好啊。原则上我们知道，就像每一次重大的技术浪潮一样，AI 必然会摧毁一些工作，同时也会创造新的工作。但具体是哪些？在过去三年里，很多人忙于处理人口普查数据，制作表格并构建病毒式传播的图表。

我觉得这基本上是不可能的：这更像是在预测一个根本无法预测的事物。

最简单的理解这个问题的方式是回顾过去其他重大技术变革的历史。一些本应遭受最大冲击的行业最终反而变得更大了，而一些确实遭受严重打击的行业本应是“免疫”的。

例如，我们花了整整一个世纪来实现会计自动化：我们建造了计算机器、穿孔卡片、大型机、数据处理系统、数据库、个人电脑、电子表格、企业资源规划（ERP）、云计算……实际上，我们几乎用一半的技术产业来实现这一目标。然而，会计师的数量却持续增长。

这是宏观层面的调查数据，但在微观层面上也存在类似现象。下一张图已经足够具体：50 年来的金融自动化似乎并没有损害注册会计师（CPA）市场的规模。如果你曾对受计算机自动化影响的职业进行过分析，那么 CPA 应该排在榜首。Dan Bricklin 曾提到，在 1970 年代末，CPA 使用 VisiCalc 软件可以在几天内完成原本需要一个月的工作。然而，结果却出人意料。

我认为这张图表可以指出三点。第一，技术并不是唯一变量：法规的变化带来了新的会计要求，从而导致 CPA 招聘出现了一次性激增（这也是为什么经济学家说“其他条件不变”）。第二，在自动化讨论中还存在“杰文斯悖论”，即实际价格弹性问题：如果你让某件事变得更便宜，你会选择用更少的钱（或资源、员工）来做同样的事，还是用相同的钱做更多？或者一个新的投资回报率是否意味着你用更多的钱做更多的事？如果一个现金流折现（DCF）分析原本需要一周，现在只需 30 秒，那你很可能就会做更多的 DCF 分析。“被自动化的暴露程度”可能意味着更多工作，而不是更少。

但更重要的是，如果你把原本昂贵且耗时的工作自动化后使其变得廉价迅速，那么它往往会释放出其他可能性。如果分析变得廉价又简单，你就会进行更多的分析，而这种分析往往也是不同类型的。今天的会计师并不像 1970 或 1980 年那样“做同样的事情但更多”——他们仍然被称为“会计师”，但这份工作已经完全不同了。新技术通常一开始用于“旧事物但更多”，但很少会停留在这个阶段。

事实上，如果你深入研究人口普查数据，你会发现“会计师和审计师”本身是一个相当稳定的职业类别，但在这一术语周围，许多其他金融类职业随着时间推移不断出现又消失。比如“记账、登账和计算机器操作员”这一职位在统计数据中出现了大约十年，之后便消失了。有多少人是从库存管理员做起，后来成为“记账机操作员”，因为那是当时管理库存的方式；当软件取代了这些流程后，他们又重新回到库存管理员岗位，而人口普查数据却没有为“电脑操作员”设立分类？同样地，虽然还有“数据录入员”的分类，却没有“ERP 操作员”的分类。同一个人从事着相同的实际工作（或者说服务于相同的企业目的），但随着时间推移，其职位名称却不断变化，而“会计师”这个称谓却始终未变，尽管他们做的事情早已不同。

此外，在回溯测试中还会遇到第二个问题：工作本身可能没有发生变化，但业务模式却发生了改变。

互联网并没有真正改变成为一名优秀记者或优秀音乐艺人发掘者所需的技能，但新闻业的薪酬却依赖于一个轻工业和运输业的商业模式（在美国，这个模式由地方性广告垄断支撑），唱片高管的薪资则来自塑料和铝箔小部件的制造与运输。这完全是另一回事，任何试图分析编辑或音响工程师职业本质的分析都无法捕捉到这一点。互联网切断了这样一类商业模式：产品和岗位并未受到互联网影响，但背后的商业逻辑却被彻底改变了。

在我看来，我们应当预期人工智能也会发生同样的事情：有多少人的工作与人工智能接触很少，但其业务却依赖于受人工智能严重影响的其他工作？又有多少人从事着人工智能难以匹敌的工作，但他们的公司抵御竞争的方式却是拥有大量员工在做些非常枯燥的事情？人工智能会把一些过去昂贵的东西变得廉价甚至免费——这会释放出什么、打破什么，又会影响多少个工作岗位？

第三，继续探讨过去技术带来的巨大且不可预测影响这一主题，你的分析如何处理优步（Uber）的情况？我在2000年代从事移动互联网行业时，大家都花了很多时间讨论位置数据，但没有人想到这可能对出租车行业构成威胁——你或许会提出更高效的调度方案，但没人想过这可能会彻底改变这项工作的本质（并使一堆价值100万美元的出租车执照抵押贷款变得毫无价值）。如果你在1995年通过职业计算“互联网暴露度”，或在2005年通过智能手机计算“智能手机暴露度”（是的，我们在iPhone之前就已经有了智能手机），你是否确信你会把出租车司机列入名单中？

_(来源：__Todd Schneider / MTA__)_

因此，狭义地说，使用诸如 O*NET 这样的工具来尝试分析一项工作是什么以及它在多大程度上可以被自动化的问题在于：这些工具无法告诉你工作如何随着自动化而缩小或扩大，也无法告诉你工作本身如何因自动化而在分析范围之外发生变化。

但我认为还有一个更根本的问题。即使撇开变化不谈，我认为从原则上讲，也很难对一项工作做出一个有用且完整的描述。

阅读 O*NET 的工作描述让我想起了专家系统失败的教训——当时人们以为可以通过逻辑步骤构建一个人工智能系统来做图像识别或语言翻译。理论上，你可以描述一系列机器识别猫的步骤，理论上你也可以精确写出律师事务所合伙人所做的工作，但在现实中，这些事情太复杂或太微妙，以至于我们无法用这种方式去描述它们。当然，有时候工作确实只是一个任务，可以被转化为一个按钮，但这种情况其实相当罕见。通常来说，工作是一个复杂的交织体，我们缺乏能力去明确解释其中的每一个细节（顺便说一句，这也是为什么大多数人似乎难以使用聊天机器人）。而且，一旦深入细节，这些描述就会像逻辑系统一样崩塌，正如机器学习出现前那样：据称管理家族信托和在量化基金公司前台办公是可比较的工作，两者都需要熟练掌握 Lotus 1-2-3、Oracle 或 Quickbooks，但不需要 Bloomberg。

Box 公司的首席执行官 Aaron Levie 将此称为“盖尔曼-Amnesia”的一种变体。你对自己领域复杂性的感知相当准确，并知道人工智能在该领域的适应性有多么有限，但在其他领域你却忘记了这一点——当你看到一个用于 PowerPoint 或法律草案的 Claude 模板时，你会想：“哇，咨询公司和律师事务所完蛋了！”当你聘请贝恩（Bain）、波士顿咨询集团（BCG）或麦肯锡（McKinsey）时，他们会给你一些幻灯片，但这并不是你付费购买的核心内容，就像你买软件时得到的是代码，但那并不是产品本身。

对此的反驳可能是：是的，你说得没错，确实存在重要例外，但总体方向上，我们可以说那些涉及大量重复性文书工作的职位最易受到冲击，而且这样的工作数量是多少，影响有多大。这听起来不错，但你并不知道例外情况是否比规则更大。假设我们在1995年看待互联网时就说它将摧毁媒体的实体分销价值——这在方向上是正确的，但实际上对唱片公司、报纸、电视公司和电影制片厂意味着完全不同的事情。平均而言，我们都完了。你分析过的许多工作可能完全不受影响，而你可能遗漏了其他大量将被重塑的工作岗位。你并不知道。

不久前，我注意到有人批评我的工作，说我一直以“看情况”结尾。但在一项从根本上全新的技术处于早期阶段时，对特定领域的具体预测只能靠运气才能正确：这真的取决于具体情况。正如尤吉·贝拉所说：“做预测很难，尤其是关于未来。”我们当然可以指出一些框架和思维模型来理解这种变化，也可以回顾过去几次类似变革发生时的情形。我们甚至可以说一些大概率方向正确的观点。但一旦你试图量化它，按工作和行业逐一建模，并制作漂亮的雷达图时，你就骗了自己，因为你实际上并不知道这些工作今天是什么样子，也不知道它们将如何改变。至少，你需要问一下你的模型是否能通过“报纸测试”、“优步测试”和“CPA测试”：你的方法能否捕捉到这些影响？如果不能，那么它对我们其他人来说有多大的用处呢？