预测AI对就业的影响

本文作者对当前风靡的“AI就业暴露度”分析方法提出了根本性的质疑。尽管众多研究团队致力于利用人口普查数据，试图为每个职业、公司和行业计算出一个精确的AI暴露分数，并绘制出漂亮的雷达图，但作者认为，这本质上是在试图预测不可预测的事物。

最直接的证据来自历史回测。以会计行业为例，整整一个世纪以来，从计算器、打孔卡到大型机、数据库、PC、电子表格、ERP系统直至云计算，我们几乎将半个科技行业都投入到会计自动化中。然而，会计师和审计师的数量不仅没有下降，反而持续攀升。深入微观数据可以看到，即使是最直接的财务自动化对CPA（注册会计师）的就业市场也几乎没有造成负面影响。Dan Bricklin曾提到，在20世纪70年代末，CPA们使用VisiCalc将原本需要一个月完成的项目缩减到几天。即便如此，CPA的就业曲线依然向上。

作者指出，这背后至少有三重原因。首先，技术并非唯一的变量：监管变化产生了新的会计需求，导致CPA雇佣出现一次性激增。其次，存在杰文斯悖论——当自动化使某项工作变得更便宜、更快捷时，人们会做更多的工作而不是更少。如果一项贴现现金流分析从一周缩短到30秒，你会做更多的分析。最后，也是最重要的一点，自动化会解锁全新类型的工作：当分析变得廉价而简单，你不仅会做更多的分析，而且通常是一种不同性质的分析。今天的会计师所做的已经不再是1970年的工作“只是更多”，而是工作本身发生了质变。

进一步观察人口普查数据的细节，会发现“会计师和审计师”这一类别相对稳定，但其周围大量其他财务职位在不断地出现和消失。例如，“计费、登记和计算器操作员”这个职位在统计中出现了大约十年，然后又消失了。同一个人做着实际相同的工作（或服务于相同的业务目的），却在不同的时间获得不同的职位头衔；而“会计师”这个头衔保持不变，但所做的工作却截然不同。这说明，基于固定的职业分类来预测AI影响，本身就是极为不可靠的。

第二个关键问题是，工作本身可能并未改变，但支撑它的商业模式却可能悄然崩塌。互联网并没有改变成为一名优秀记者或音乐星探所需的核心技能，但新闻业曾经依赖的广告收入和音乐行业赖以生存的唱片销售业务却被互联网彻底颠覆了。这些影响完全无法通过分析“文字编辑”或“录音师”的职责来捕捉。AI很可能带来类似的效应：许多个人的工作可能对AI有很低的直接暴露度，但他们的公司依赖的其他部门却可能受到AI的重创；或者，有些人做着AI难以替代的工作，但公司的护城河却由大量从事重复性工作的员工构成。当AI大幅降低这些重复工作的成本时，公司的盈利模式可能被破坏，进而间接影响那些看似安全的岗位。

第三个教训来自Uber的例子。回顾2005年的“智能手机暴露度”分析，几乎没有人会将出租车司机列入高风险名单。然而智能手机和Uber app最终彻底改变了出租车行业的性质和数百万美元出租车牌照的价值。如果我们在1995年计算“互联网暴露度”，有多少人会预见到互联网对媒体分销模式的冲击？这再次揭示了预测的盲点。

更深层的问题是，我们甚至无法精确描述一个工作的全部内容。O*NET（美国职业信息网络）试图像早期的专家系统那样，通过一系列逻辑步骤来定义工作，但实际工作远比任何描述要复杂和微妙。正如很难通过规则让机器识别猫一样，我们也无法穷尽一位律师事务所合伙人的职责。即使是看似简单的“任务型工作”也不常见。工作的本质是一个复杂的行为网络，我们缺乏显式描述它的能力——这也是为什么许多人在使用聊天机器人时会感到困难。Box的CEO Aaron Levie将此称为“盖尔曼健忘症”的变体：你清楚自己领域内的复杂性，但在看其他领域时却会忘记这一点，认为一个Claude生成的PPT模板就代表了咨询工作的全部。实际上，当你从贝恩或麦肯锡那里买到的是一整套服务，幻灯片只是其中的一小部分。

反对者可能会说，尽管存在例外，但在大方向上，重复性文书工作确实更容易受到AI的影响，这一点是“肯定”正确的。但作者认为，我们并不知道例外是否大于规则。1995年预测互联网将摧毁媒体的实体分销在方向上是正确的，但对唱片公司、报纸、电视公司和电影制片厂的具体影响却天差地别。平均起来，我们可能一个都没说对。你分析的一半工作可能完全不受影响，而另一些被彻底改变的大批工作却被你完全忽略。

在AI这样一项根本性新技术的早期阶段，任何具体的、量化的预测都只能靠运气。我们可以提供框架和思维模型，可以回顾过去几次技术变革的历史，但一旦试图精确地给每个行业打分、绘制雷达图，你就在自欺欺人——因为你其实并不真正了解那些工作的现状，更不知道它们将如何变化。作者建议，任何预测模型至少应该通过三大历史测试：它能捕捉到互联网对媒体的影响吗（报纸测试）？它能预见智能手机对出租车的冲击吗（优步测试）？它能解释为什么会计自动化后就业反而增长吗（CPA测试）？如果答案是否定的，那么它对我们的价值就极其有限。