AI 替代工作还是增强工作？怎样看出区别

具体例子：同一个客服助手，两种用人计划

设想一支客服团队上线助手，用它起草回复和查找账户信息。第一种方案让员工复核草稿，把节省的时间用于复杂问题。第二种方案则计划在常规问题转为自助服务后，不再补充部分离职空缺。

工具相似，但用人决策不同。值得查看的是业务量、错误率、升级处理需求，以及已经批准的人员计划。演示能写出一条像样的回复，不能证明整个客服岗位都能消失。这个例子只用于说明推理方法，不是实测案例或对客服职业的预测。

本周可以完成的 20 分钟任务自查

列出过去一周的五项重复任务。分别记录交付物、大致耗时、AI 可以协助什么，以及人还必须核实什么。不要把保密工作资料放进未经公司批准的工具。

区分需要 AI 协助的任务、只需偶尔人工介入的任务，以及仍依赖判断或人际关系的工作。把不确定的地方标出来，不要直接换算成精确的失业概率。

向管理者提出一个具体问题：“如果这个工具节省了时间，我们的职责和人员配置假设会怎么变？”等到实际部署决策或职责发生变化后，再做一次自查。

国际劳工组织的职业暴露研究区分了任务可能受影响与实际就业结果。这支持从任务层面分析，但并不代表本测评已获验证、能够预测个人失业。

为什么这个问题显得无法回答

会为此担忧的人，通常信息很充分。他们读过研究、追过能力发布、看过互相矛盾的预测。这些阅读没有消解焦虑，于是一个合理的结论是：他们还没找到对的信源。

他们没找到，是因为它并不以他们寻找的形式存在。关于某个职业会被取代还是被增强，不存在一般性事实，因为结果并不在职业这个层级上被决定。

设想两家组织为同一个职能引入同一套系统。在第一家，它被界定为吸收工作中高频次、低歧义的那部分，原本做这些的人被转向需要判断、关系和责任承担的部分。人数保住了，岗位内容发生了实质变化。在第二家，同一套系统被界定为削减人数，因为当初正是这个商业论证拿到了预算。

同样的技术，同样的能力，相反的结果。差别在于一个决策 —— 关于范围、关于这次部署是为了什么、以及在写下规格的时候谁在房间里。

增强不是取代的温和版本

这里值得精确一点，因为这两个词常被当作同一条光谱上的两端来用，仿佛增强是温柔的那一头。

它们描述的是不同的决策。增强意味着这次部署被界定为改变一个岗位的构成 —— 拿掉一些任务，扩展另一些。取代意味着它被界定为拿掉这个岗位。哪一种发生，取决于当初拿到预算的那份商业论证，而商业论证是由有着具体激励的人写的。

这在实践上很重要，因为它告诉你该往哪里看。如果你想知道哪一种正在到来，有信息量的问题不是关于模型的。它们是：这笔采购当初是以解决什么问题为理由的、谁在背书、以及这个背书人是被什么指标考核的。一次以降本为理由、由一个按人数考核的人背书的部署，和一次以产能瓶颈为理由、由一个按产出考核的人背书的部署，界定方式完全不同。

这些信息往往是拿得到的。它们很少出现在公告里。

焦虑实际在追踪什么

有一种常见且无益的框架，把对 AI 的担忧当作心态问题 —— 适应力不足、过度悲观、一个靠态度来管理的问题。

实际上，在安抚之后依然存在的焦虑，通常在追踪某种真实的东西。最常见的几种：

• •一个真实的信息缺口。你不知道自己所在职能被规划成什么样，而且你注意到了自己不知道。
• •对组织信号的准确解读。管理层对别的职能讲得很具体，对你的职能却语焉不详，你在能把它说清楚之前就已经登记了这种不对称。
• •被排除在决策之外。你观察到影响你工作的选择，是在你不在场的房间里做出的。
• •领域确实发生了位移。你所在的细分领域里确实有东西变了，而关于你这个行业的笼统评论捕捉不到它。

这些都是结构性状况，不是情绪。每一种对应不同的应对方式。没有一种能靠「AI 创造的岗位会多于它消灭的」来解决 —— 这句话在总量上或许成立，对任何一个具体的人都不相关。

为什么通用建议帮不上忙

「去学编程。」「保持适应力。」「专注于人类独有的技能。」「成为那个善用 AI 的人。」

这些建议的问题不在于它们是错的。而在于它们回答的是一个一般性问题，而制造焦虑的东西是具体的。按人群校准的建议，无法告诉你：你的处境属于「适应力就够了」的那一类，还是属于「不够」的那一类。

它们还倾向于把问题挪到个人身上。如果结果取决于你的适应力，那么坏结果就反映了适应力不足。但相当大一部分差异存在于个人适应完全触及不到的组织因素里 —— 你的雇主能不能执行、你在不在房间里、你的管理层有没有做出任何决定。忽略这些因素的建议，等于悄悄把你无法控制的条件的责任分配给了你。

把焦虑转换成信息的三个问题

真正可靠地起作用的不是安抚，而是具体化 —— 把一团弥散的担忧转换成一个被命名的状况，而那是可以着手处理的东西。

三个问题完成了大部分工作：

• •具体来说，要让我的岗位在两年内被取消，需要哪些条件成立？把整条链条写出来：会做这件事的系统、会为它掏钱的预算、会为它背书的人、组织需要具备的能力。写不完的链条是有信息量的，轻易就能写完的链条同样有信息量。

• •我的管理层就我所在的职能具体说过什么 —— 而不是关于 AI 泛泛说过什么？如果答案是没有，那是在多长的时间跨度里，以及与别处的哪种具体形成对照？

• •谁在决策，我离他们有多远？把人名说出来。如果说不出来，那就是结论。

这些问题都不能可靠地带来安慰。但它们都能带来信息，而信息更耐用。

当诚实的答案是「你确实处境不利」

有时候诊断做完，处境确实困难：一个高度规范化的岗位、一个真有部署能力的雇主、零决策距离，以及没有任何要求人类问责的监管。

无论在工具里还是在建议里，都有一种强烈的冲动想把这个结论说得柔和些。这并不是善意。对身处这种位置的人说「大概没事的」，恰恰拿走了他最需要的东西：时间。

结论不好听时，真正改变的是「有用的行动」是什么。它们从笼统变得具体：向工作中承担责任的那部分移动、如果决策距离还够得着就去够、建立一项具体且可被证明的能力而不是一项宽泛的能力，以及 —— 有时候 —— 在还有工作的位置上开始找，而不是在被裁掉的位置上开始找。

这比安抚更难听，也比安抚有用得多。

关于这个框架在哪里失效

以上全部内容，都把这份不安当作对真实结构性不确定性的反应来处理，因为通常确实如此，也因为清晰确实能减轻它。

这个框架有其边界。如果担忧已经不再追踪你的实际处境 —— 如果无论你了解到什么它都维持同样的强度、如果它扰乱睡眠、或者已经泛化到工作之外 —— 那么它就不再主要是一个信息问题，更好的信息也解决不了它。那值得按它本来的性质被认真对待、被适当地支持，而不是被当成一次还没奏效的诊断练习。