- 日期:2026-10-05
- 来源:阅读原文
- 讲者:王利杰(本文解读 3 篇研究论文)
- 信源层级:二手(解读论文;原始为圣母大学多明斯基/李永锡等研究 + 澳洲系统动力学模型 + 美国各州失业率回溯)
- 标签:AI与就业 / 研究解读 / 判断力
- 渠道:微信公众号
- 体裁:报告
- 一句话:AI 不裁员,它把你的工作切碎——真壁垒是在 AI 处理完信息后做“最终把关”的判断。
一、核心发现:不是失业,是「就业降级」
“AI 没有夺走你的工作,它只是把你的工作切碎了。”
用美国官方真实就业数据(非问卷/预测)追踪 AI 对劳动力市场的实际影响。研究者:圣母大学多明斯基 × 李永锡。方法:把 AI 能力实际进展与同期就业数据对齐,逐个职业看变化。
结果(反主流叙事):
- AI 暴露最高的职业没有大规模裁员;
- 但——工作时长在下降、兼职比例上升、做第二份工作的人增加;
- “你还在上班,但你的班变短了、变碎了、变得不稳定了。”
主流叙事两条路(末日论 / 乐观论)都不对。现实走了第三条路:AI 不是“某天叫你进办公室说你被裁了”,而是把全职工作悄悄蚕食成碎片化零工。 这个过程很难察觉——你每月还有收入,只是来源从一个变成三个,每个都不够稳定。
二、方法创新:动态「职业 AI 暴露评分」
- 旧研究:某时间点给职业打固定暴露分(会计 70、水管工 20),不再更新;
- 本研究的创新:让评分随 AI 能力实际更新而调整——“某职业去年 30 分,今年可能 60 分”。像给每个职业装实时风向标。
- 数据源:美国人口普查局当期人口调查(覆盖 6 万+ 家庭),对比两个窗口:
- 窗口 A:2022.10–2023.3(ChatGPT 刚发布半年)
- 窗口 B:2024.10–2025.3(AI 能力大幅跃升之后)
两个窗口之间,AI 高暴露职业发生了什么?
- 就业概率下降(幅度不大,缓慢渗透,非断崖);
- 失业概率上升;
- 最关键:在岗者平均每周工时下降 + 持多份工作比例上升。
→ 三个信号叠加 = “AI 没制造大规模失业,它制造的是大规模的就业降级”。
三、白领护城河的缺口(最扎眼)
- 过去“零工经济”主要发生在低技能岗位(送餐/开车/跑腿);
- 这次被推向零工化的,恰恰是受过高等教育的白领。
- 论文发现:AI 暴露最高的职业里,大学学历持有者的工作强度和岗位结构变化最明显。
- 为什么:AI 当前最擅长替代的正是认知型工作——写报告、做分析、翻译、编代码、审合同、做研究综述。这些十年前是“知识经济”最推崇的核心能力,是家长花几百万培养的“高价值赛道”。
“整整一代人的职业规划,可能都建立在一个即将过期的假设之上——'认知型工作比体力型工作更安全'。”
蓝领也躲不掉(挤压效应):就业市场是一张网。大量白领被挤出全职后“向下兼容”去抢原不需大学学历的岗位——经济学叫“技能降级”。一旦大规模发生,蓝领的竞争对手就不只是同行,还有一大批被 AI 挤出的高学历者。
四、宏观推演:收入缩水
- 澳洲一研究团队用系统动力学模型模拟 AI 对宏观经济的长期影响:若 AI 资本投入以中等速度(非极端假设)增长 → 到 2050 年年中,劳动力利用不足率翻倍,人均可支配收入下降 26%。
- 26% 是什么概念:月薪 2 万 → 1.5 万;家庭年收入 50 万 → 蒸发 13 万。不是因为你能力下降、不够努力,而是整个社会的劳动力价值被系统性压缩。
- 模型还算了:要完全抵消 AI 就业冲击,新岗位创造速度需达目前的 10 倍以上。(工业革命用了一代人完成转型,而那时技术变革比现在慢得多)
核心问题不是“AI 会不会抢走你的饭碗”,而是“你的饭碗会不会变成一个更小的碗”。
五、十年数据:这是慢变量,不是海啸
- 另一团队用美国各州失业保险办公室 2010–2020 年按月各职业失业率回溯验证:单一 AI 暴露指标预测力弱,但多指标合起来能相当有效预测失业风险。
- 含义:AI 对就业的影响,在 ChatGPT 出现之前的十年里就已能从数据看出端倪。从 2010 年起深度学习/NLP/CV 逐步成熟,每一步都在悄悄重塑职业需求。ChatGPT 只是按下了加速键,把慢变量变成快变量。
- 三项来自不同国家/机构、方法完全不同的研究,不约而同指向同一结论:AI 对就业的冲击不是海啸,是一场缓慢上涨的潮水。潮水不会把你卷走,但会让你脚下的地面越来越小。
六、个人怎么办:信息之外的「判断壁垒」
“传统意义的'技能升级'可能不够了。” 若你升级的仍是“信息处理”范畴(学新语言、学更高级分析工具),那你只是在跟 AI 打一场注定会输的军备竞赛。
真正有壁垒的四种能力:
- 面对面建立信任:微表情、语气、身体语言、共同经历——AI 无法替代你在沉默中读懂客户真正在意什么;
- 在模糊混乱中做决策:AI 需明确问题定义,但最有价值的决策往往发生在问题本身还没被定义清楚时;
- 理解没说出口的需求:客户说“想要更快的马”,真正需要汽车——“能听出话外之音,不是技能,是判断力”;
- 跨领域融合创新(作者认为最重要):把量子力学直觉联系投资决策、把佛学框架对照认知科学——这种能力目前仍是人类独特优势。
建议(不是“快去学 AI 工具”):
认真想——在你的工作中,哪些部分是 AI 做完之后、仍然需要一个人来把关的?那个“把关”的环节,就是你真正的价值所在。
“AI 给你的是菜单上的所有选项,但点菜的人必须是你。”
七、价值重估:工位还在,标签被改了
“我们面对的不是'有工作/没工作'的二元选择,而是整个劳动力价值体系的重新定价。你的工位还在,但你工位上的价值标签正在被悄悄改写。”
- 失业至少是清晰信号(你知道发生了什么,能反应);就业降级是温水煮青蛙(每月少几小时、每季多一个零散项目、购买力微微下滑——直到某天回头才发现自己已从全职员工变成零工)。
- 最后:“看清趋势不是为了恐惧,而是为了提前站到潮水淹不到的地方。每一次技术革命都重塑了工作方式,但从来没真正消灭人的价值——它只是逼我们重新回答一个问题:除了那些可以被算法替代的部分,你到底是谁?”
读后判断(范德)
这篇是今晚所有文章里“对我们的处境最直接”的一篇——它不是讲 AI 产品,是讲 AI 对“人”的重新定价。 而且它和 Jeff Dean「taste/判断力」、Sam Altman「把什么留给自己判断」构成了同一主题的三重奏。
三条对造物云/懿武最直接的:
- “认知型工作最危险”直接冲击教育叙事。 造物云做 AI+教育——如果客户买教育是为了“掌握认知型技能”(写报告/分析/翻译/编程),而这恰恰是 AI 最快替代的,那教育产品的价值主张要重构:不教“信息处理”,教“判断/信任/跨域融合”。 这跟球球老师的“深层需求挖掘”、产品定义九宫格都接得上。
- “AI 处理完信息后,做最终判断的人”= 我们整个团队的定位。 范德团队 + 造物云的 Agent 服务,核心价值恰恰是“把关”环节(FDE 那篇叫“可验收的工作”,这里叫“点菜的人必须是你”)。三篇外部文章指向同一个答案。
- 一个反向机会(作者没明说):如果大量白领“就业降级”、认知型工作被切碎——那么“帮人把碎掉的工作重新组装成有保障的收入”就是一个巨大市场。 这可能是造物云/小龙虾的一条新叙事线。
诚实标注:本文是二手(王利杰解读 3 篇研究论文),且是观点文——数字(26%、10 倍)为转述,引用前回原始论文核对。作者立场偏“警示”,读时注意情绪浓度。