AI正在制造新的职场分水岭:有人升级,有人掉队
国际劳工组织（ILO）和经济合作与发展组织（OECD）的研究皆认为，生成式AI首先影响的是高度依赖认知劳动和信息处理的职业，而不是传统意义上的低技能劳动。然而，高AI暴露并不意味着高替代风险。很多高技能职业虽然受到AI深刻影响，却更可能出现“增强”而不是“替代”的情况。医生使用AI辅助诊断，并不会因此在医院消失，因为医学工作还涉及临床判断、医患沟通、伦理责任和复杂情境决策。律师使用AI梳理法条，也不意味着律师职业消失，因为法律实践还需要策略判断、谈判能力和对社会情境的理解。
如果我们讨论的是自动化替代风险，答案则有所不同：低技能和中等技能职业往往风险更高。因为这些岗位通常包含大量重复性任务，有着规则明确的流程和标准化的操作。不管是数据录入还是基础行政工作，生产线操作还是简单客服，这些工作更容易被自动化系统完全执行。
所以，AI时代的核心矛盾不是简单的“高技能vs低技能”，更准确地说，是一种双重效应的出现：高认知、非重复、需要判断和社会互动的工作更容易与AI形成互补；高度重复、规则化、缺乏情境判断的工作更容易被AI替代。
AI的双重逻辑：降低门槛，同时抬高天花板
随着企业越来越多地采用AI技术，一个日益凸显的问题是技能鸿沟的不断扩大。AI的采用往往伴随着任务构成的转变：它将常规性和重复性的活动自动化，同时放大了对高级分析、技术和认知技能的需求。这种动态在劳动力市场中制造了一种结构性挑战：受教育程度较低、数字能力有限的个人，面临着显着更高的失业或职业发展停滞风险。这些劳动者大多集中在制造业、零售业和行政支持等行业，而这些行业正是预计受自动化影响最大的领域。
也就是说，AI对于不同的人，意味着不同的东西：它是增强性工具还是替代性技术，完全看劳动者站在技能鸿沟的哪一边。因为AI带来的并不是能力的平均化，而是能力的分化。
有关AI最常见的一种论调是“民主化”叙事：一个山区的孩子和一个藤校的学生，现在面对的是同一个Claude或DeepSeek，享有同等规模的人类知识资源。在这个意义上，AI确实扩大了普通人的能力边界，让更多人能够完成更多事情。
这在入门层面或许不无正确性。以前不会写代码的人现在可以做一个简单网站，不会设计的人也能生成海报，不会剪辑的人能够制作短视频。然而，我们需要思考的是，沿着能力曲线继续向上看，会发生什么。
一个本来就很优秀的操作者，在获得强大的AI工具之后，并不是简单地提高一点效率，而是在原有优势基础上实现复利式增长。他们的思考能力、判断能力、战略能力以及执行能力，会通过AI被进一步放大。
需要注意的是，AI对优秀者的放大有个前提，任务必须是开放式、高复杂度的，而不是标准化工作。2025年，哈佛商学院、波士顿咨询集团（BCG）、沃顿商学院等机构合作完成一项研究，邀请758名BCG咨询顾问参与随机对照实验，要求他们完成18项真实咨询工作中常见的复杂任务，包括市场分析、商业战略制定、创意方案设计、客户沟通以及商业写作等。这些任务并非简单的信息检索，而是涉及综合分析、价值判断和策略制定等高阶认知活动。
研究者首先根据GPT-4当时的能力，将任务划分为两类：一类位于AI能力边界之内，即AI能够较好完成或提供高质量支持的任务；另一类位于AI能力边界之外，即需要复杂推理、跨领域整合或专业判断，AI容易产生错误或不完整答案的任务。实验结果显示，在AI能力范围内，使用GPT-4的咨询顾问完成任务的速度提高约25%，完成任务数量增加约12%，成果质量平均提高40%以上，说明生成式AI能够显着增强知识工作的生产效率和输出质量。
然而，当任务超出AI能力边界时，情况则发生了明显变化：部分顾问开始过度依赖AI提供的建议，即使AI出现推理错误或事实偏差，也倾向于直接采纳，导致最终成果质量下降。
研究最重要的发现并不是“AI让所有人都变得更优秀”，而是AI的价值取决于使用者是否具有判断AI能力边界的元认知能力。表现最优秀的咨询顾问并没有把AI视为最终答案，而是将其作为一个认知伙伴：在AI擅长的领域充分利用其快速生成、信息整合和方案发散能力，而在AI容易出错的环节，则依靠自身的专业知识、行业经验和批判性思维进行验证、修正甚至推翻AI的建议。相比之下，表现较弱的参与者更容易产生自动化偏见，即倾向于默认AI输出是正确的，从而降低了独立思考和审慎判断。
这项研究揭示了生成式AI时代的一个重要规律：AI放大的并不是知识本身，而是人的判断力、元认知能力以及驾驭工具的能力。一个自律、高水平的使用者与一个普通使用者之间的差距，并不会因为拥有同样的工具而缩小，反而可能加速扩大。决定结果的变量并不是工具本身，而是使用工具的人。
[加西网正招聘多名全职sales 待遇优]
这条新闻还没有人评论喔，等着您的高见呢
如果我们讨论的是自动化替代风险，答案则有所不同：低技能和中等技能职业往往风险更高。因为这些岗位通常包含大量重复性任务，有着规则明确的流程和标准化的操作。不管是数据录入还是基础行政工作，生产线操作还是简单客服，这些工作更容易被自动化系统完全执行。
所以，AI时代的核心矛盾不是简单的“高技能vs低技能”，更准确地说，是一种双重效应的出现：高认知、非重复、需要判断和社会互动的工作更容易与AI形成互补；高度重复、规则化、缺乏情境判断的工作更容易被AI替代。
AI的双重逻辑：降低门槛，同时抬高天花板
随着企业越来越多地采用AI技术，一个日益凸显的问题是技能鸿沟的不断扩大。AI的采用往往伴随着任务构成的转变：它将常规性和重复性的活动自动化，同时放大了对高级分析、技术和认知技能的需求。这种动态在劳动力市场中制造了一种结构性挑战：受教育程度较低、数字能力有限的个人，面临着显着更高的失业或职业发展停滞风险。这些劳动者大多集中在制造业、零售业和行政支持等行业，而这些行业正是预计受自动化影响最大的领域。
也就是说，AI对于不同的人，意味着不同的东西：它是增强性工具还是替代性技术，完全看劳动者站在技能鸿沟的哪一边。因为AI带来的并不是能力的平均化，而是能力的分化。
有关AI最常见的一种论调是“民主化”叙事：一个山区的孩子和一个藤校的学生，现在面对的是同一个Claude或DeepSeek，享有同等规模的人类知识资源。在这个意义上，AI确实扩大了普通人的能力边界，让更多人能够完成更多事情。
这在入门层面或许不无正确性。以前不会写代码的人现在可以做一个简单网站，不会设计的人也能生成海报，不会剪辑的人能够制作短视频。然而，我们需要思考的是，沿着能力曲线继续向上看，会发生什么。
一个本来就很优秀的操作者，在获得强大的AI工具之后，并不是简单地提高一点效率，而是在原有优势基础上实现复利式增长。他们的思考能力、判断能力、战略能力以及执行能力，会通过AI被进一步放大。
需要注意的是，AI对优秀者的放大有个前提，任务必须是开放式、高复杂度的，而不是标准化工作。2025年，哈佛商学院、波士顿咨询集团（BCG）、沃顿商学院等机构合作完成一项研究，邀请758名BCG咨询顾问参与随机对照实验，要求他们完成18项真实咨询工作中常见的复杂任务，包括市场分析、商业战略制定、创意方案设计、客户沟通以及商业写作等。这些任务并非简单的信息检索，而是涉及综合分析、价值判断和策略制定等高阶认知活动。
研究者首先根据GPT-4当时的能力，将任务划分为两类：一类位于AI能力边界之内，即AI能够较好完成或提供高质量支持的任务；另一类位于AI能力边界之外，即需要复杂推理、跨领域整合或专业判断，AI容易产生错误或不完整答案的任务。实验结果显示，在AI能力范围内，使用GPT-4的咨询顾问完成任务的速度提高约25%，完成任务数量增加约12%，成果质量平均提高40%以上，说明生成式AI能够显着增强知识工作的生产效率和输出质量。
然而，当任务超出AI能力边界时，情况则发生了明显变化：部分顾问开始过度依赖AI提供的建议，即使AI出现推理错误或事实偏差，也倾向于直接采纳，导致最终成果质量下降。
研究最重要的发现并不是“AI让所有人都变得更优秀”，而是AI的价值取决于使用者是否具有判断AI能力边界的元认知能力。表现最优秀的咨询顾问并没有把AI视为最终答案，而是将其作为一个认知伙伴：在AI擅长的领域充分利用其快速生成、信息整合和方案发散能力，而在AI容易出错的环节，则依靠自身的专业知识、行业经验和批判性思维进行验证、修正甚至推翻AI的建议。相比之下，表现较弱的参与者更容易产生自动化偏见，即倾向于默认AI输出是正确的，从而降低了独立思考和审慎判断。
这项研究揭示了生成式AI时代的一个重要规律：AI放大的并不是知识本身，而是人的判断力、元认知能力以及驾驭工具的能力。一个自律、高水平的使用者与一个普通使用者之间的差距，并不会因为拥有同样的工具而缩小，反而可能加速扩大。决定结果的变量并不是工具本身，而是使用工具的人。
[加西网正招聘多名全职sales 待遇优]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: