預測AI對就業的影響

本文作者對當前風靡的“AI就業暴露度”分析方法提出了根本性的質疑。儘管眾多研究團隊致力於利用人口普查資料，試圖為每個職業、公司和行業計算出一個精確的AI暴露分數，並繪製出漂亮的雷達圖，但作者認為，這本質上是在試圖預測不可預測的事物。

最直接的證據來自歷史回測。以會計行業為例，整整一個世紀以來，從計算器、打孔卡到大型機、資料庫、PC、電子表格、ERP系統直至雲端計算，我們幾乎將半個科技行業都投入到會計自動化中。然而，會計師和審計師的數量不僅沒有下降，反而持續攀升。深入微觀資料可以看到，即使是最直接的財務自動化對CPA（註冊會計師）的就業市場也幾乎沒有造成負面影響。Dan Bricklin曾提到，在20世紀70年代末，CPA們使用VisiCalc將原本需要一個月完成的專案縮減到幾天。即便如此，CPA的就業曲線依然向上。

作者指出，這背後至少有三重原因。首先，技術並非唯一的變數：監管變化產生了新的會計需求，導致CPA僱傭出現一次性激增。其次，存在傑文斯悖論——當自動化使某項工作變得更便宜、更快捷時，人們會做更多的工作而不是更少。如果一項貼現現金流分析從一週縮短到30秒，你會做更多的分析。最後，也是最重要的一點，自動化會解鎖全新型別的工作：當分析變得廉價而簡單，你不僅會做更多的分析，而且通常是一種不同性質的分析。今天的會計師所做的已經不再是1970年的工作“只是更多”，而是工作本身發生了質變。

進一步觀察人口普查資料的細節，會發現“會計師和審計師”這一類別相對穩定，但其周圍大量其他財務職位在不斷地出現和消失。例如，“計費、登記和計算器操作員”這個職位在統計中出現了大約十年，然後又消失了。同一個人做著實際相同的工作（或服務於相同的業務目的），卻在不同的時間獲得不同的職位頭銜；而“會計師”這個頭銜保持不變，但所做的工作卻截然不同。這說明，基於固定的職業分類來預測AI影響，本身就是極為不可靠的。

第二個關鍵問題是，工作本身可能並未改變，但支撐它的商業模式卻可能悄然崩塌。網際網路並沒有改變成為一名優秀記者或音樂星探所需的核心技能，但新聞業曾經依賴的廣告收入和音樂行業賴以生存的唱片銷售業務卻被網際網路徹底顛覆了。這些影響完全無法透過分析“文字編輯”或“錄音師”的職責來捕捉。AI很可能帶來類似的效應：許多個人的工作可能對AI有很低的直接暴露度，但他們的公司依賴的其他部門卻可能受到AI的重創；或者，有些人做著AI難以替代的工作，但公司的護城河卻由大量從事重複性工作的員工構成。當AI大幅降低這些重複工作的成本時，公司的盈利模式可能被破壞，進而間接影響那些看似安全的崗位。

第三個教訓來自Uber的例子。回顧2005年的“智慧手機暴露度”分析，幾乎沒有人會將計程車司機列入高風險名單。然而智慧手機和Uber app最終徹底改變了計程車行業的性質和數百萬美元計程車牌照的價值。如果我們在1995年計算“網際網路暴露度”，有多少人會預見到網際網路對媒體分銷模式的衝擊？這再次揭示了預測的盲點。

更深層的問題是，我們甚至無法精確描述一個工作的全部內容。O*NET（美國職業資訊網路）試影像早期的專家系統那樣，透過一系列邏輯步驟來定義工作，但實際工作遠比任何描述要複雜和微妙。正如很難透過規則讓機器識別貓一樣，我們也無法窮盡一位律師事務所合夥人的職責。即使是看似簡單的“任務型工作”也不常見。工作的本質是一個複雜的行為網路，我們缺乏顯式描述它的能力——這也是為什麼許多人在使用聊天機器人時會感到困難。Box的CEO Aaron Levie將此稱為“蓋爾曼健忘症”的變體：你清楚自己領域內的複雜性，但在看其他領域時卻會忘記這一點，認為一個Claude生成的PPT模板就代表了諮詢工作的全部。實際上，當你從貝恩或麥肯錫那裡買到的是一整套服務，幻燈片只是其中的一小部分。

反對者可能會說，儘管存在例外，但在大方向上，重複性文書工作確實更容易受到AI的影響，這一點是“肯定”正確的。但作者認為，我們並不知道例外是否大於規則。1995年預測網際網路將摧毀媒體的實體分銷在方向上是正確的，但對唱片公司、報紙、電視公司和電影製片廠的具體影響卻天差地別。平均起來，我們可能一個都沒說對。你分析的一半工作可能完全不受影響，而另一些被徹底改變的大批工作卻被你完全忽略。

在AI這樣一項根本性新技術的早期階段，任何具體的、量化的預測都只能靠運氣。我們可以提供框架和思維模型，可以回顧過去幾次技術變革的歷史，但一旦試圖精確地給每個行業打分、繪製雷達圖，你就在自欺欺人——因為你其實並不真正瞭解那些工作的現狀，更不知道它們將如何變化。作者建議，任何預測模型至少應該透過三大歷史測試：它能捕捉到網際網路對媒體的影響嗎（報紙測試）？它能預見智慧手機對計程車的衝擊嗎（優步測試）？它能解釋為什麼會計自動化後就業反而增長嗎（CPA測試）？如果答案是否定的，那麼它對我們的價值就極其有限。