在最近一期《Invest Like the Best》访谈中，主持人Patrick O’Shaughnessy问Sam Altman，他对AI与工作的看法是否发生了变化。Altman没有直接从未来谈起，而是回到了2019年：如果把OpenAI今天最先进的模型拿给当时的AI从业者看，他们大概会认为AGI已经到来，也会判断经济和劳动力市场早就应该被彻底改变。
但现实并没有发生如此剧烈的变化。
Altman说，当时整个AI行业对此都非常自信，而事实证明，这种判断至少在时间和方式上错了。既然曾经如此确信，结果却与现实存在这么大的差距，就应该保持“智识上的谦逊”，重新修正自己的认识。他现在明确表示，自己并不是一个“工作末日论者”，未来仍然会有大量工作，人们甚至可能比现在更忙。
这段话真正值得注意的，不是Sam Altman突然变得乐观了，而是他承认，过去关于AI与就业的推理可能过于简单。我们曾经以为，只要模型拥有足够强的知识和推理能力，它就会迅速替代白领工作。但今天的模型能力已经超过几年前许多人的想象，截至2026年6月，美国失业率仍为4.2%，当月非农就业增加5.7万人，至少没有出现人们想象中的大规模失业。这个数据当然不能证明AI没有造成局部替代，却足以说明，模型变强与工作消失之间，并不存在一条简单的直线。
一、AI能完成很多任务，却还不能完成“一份工作”
Altman给出的第一个解释，是AI的能力非常“锯齿状”。它在一些领域像超人，在另一些领域却像一个不懂常识的幼儿，而人类目前恰好可以补上这些能力缺口。
这并不只是使用AI时的一种主观感受。哈佛商学院等机构曾对758名波士顿咨询公司的顾问进行实验。在AI能力边界以内的任务中，使用GPT-4的顾问平均多完成了12.2%的任务，速度提高25.1%，结果质量也更高；但在超出模型能力边界的任务上，依赖AI的人反而更容易得到错误答案。AI不是从简单到复杂整齐地向前推进，而是在相邻任务之间也可能出现巨大的能力落差。
过去很多就业预测的问题，就出在这里。我们把“AI能够完成工作中的某项任务”，直接推导成“AI能够替代从事这份工作的人”，中间省略了最重要的一层：一份工作不是若干任务的简单相加。
软件工程师不只是写代码，还要理解模糊的需求，选择架构和技术方案，处理旧系统留下的问题，判断结果是否可用，并在上线后承担后果。医生不只是识别影像，教师也不只是讲解知识。AI最先自动化的，往往是边界清晰、输入明确、结果容易验证的环节；只要剩余的判断、协调和例外处理仍然需要人，一种职业就不会按照任务自动化的比例同步消失。
二、我们高估了模型能力转化为现实生产力的速度
2023年，OpenAI参与的一项研究估计，美国约80%的劳动者，至少有10%的工作任务可能受到大语言模型影响；约19%的劳动者，至少一半任务可能受到影响。这个数字后来被大量引用，也制造了不少焦虑。但研究衡量的是任务的“技术暴露程度”，并不是预测多少人会失业，更没有给出这些能力被企业真正采用的时间。
从模型“理论上能够做到”，到企业“真的把工作交给它”，中间还有很长的距离。企业需要整理数据、接入内部系统、重新设计流程，处理权限、安全和合规问题，还要建立人工复核与责任机制。AI能够生成合同，不代表法务部门会允许它独立签发合同；AI能够给出医疗建议，也不意味着医院可以把诊疗责任直接交给模型。
Anthropic在一项研究中，把职业任务的理论暴露程度与Claude的实际使用情况进行了比较。计算机程序员的任务覆盖率达到75%，数据录入岗位为67%，但仍有约30%的劳动者，其工作任务在Claude的使用数据中几乎没有覆盖。即使在最适合AI的知识工作中，能力、使用和真正的岗位替代之间，仍然存在明显距离。
所以，企业更可能先少招一些人，或者让一个团队用更少的人完成过去的工作，而不是看到模型升级，就立刻按照比例裁掉员工。AI对就业的影响更像一层一层渗透：先改变个人的工作方式，再改变团队规模和招聘需求，最后才可能改变职业本身。
三、人类仍然掌握的，不只是完成任务的能力
Altman给出的另一个解释，是人类社会并没有因为AI能力提升，就迅速放弃人与人之间的关系。现在已经可以使用AI咨询师、AI销售和AI工程师，但多数人仍然更愿意与一个具体的人交流；AI能够生成优秀的图片和小说，人们也依然会关心作品背后的创作者是谁。对于CEO这样的职位，人们希望知道是谁在为一家公司的决策负责，以及决策错误时应该追究谁，而不是把最终决定完全交给一个AI系统。
在访谈的另一部分，Altman还谈到，人类的判断力和“品味”仍然很难被AI建模，不过他也承认，“品味”或许并不是最准确的词，我们可能还需要一个新的概念来描述这种能力。
这里需要区分几件事情。AI并不是完全没有审美和判断能力，它可以学习大量作品，模仿不同风格，也可以依据历史数据判断什么样的标题更容易传播、什么样的界面更符合大众偏好。随着模型能力提高，这类判断还会继续改善。
但一项选择是否被人们接受，并不只取决于结果本身，还取决于是谁作出了选择、他为什么这样选择，以及人们是否信任这个选择者。人们阅读一本小说，购买一件艺术品，或者接受一次咨询，得到的不只是一个结果，也包括结果背后的经历、立场和人与人之间的关系。
责任则是另一个层面。AI可以生成决策，却不能自然获得决策权，也不能像人一样被辞退、吊销执照、赔偿损失或承担道德谴责。责任不是一种与写作、编程并列的技术能力，而是一种由法律和社会制度赋予的身份。当前更难被AI替代的，因此未必只是所谓的“品味”，而是工作中的控制权：谁确定目标，谁判断结果是否可以接受，谁作出最终取舍，以及出了问题之后由谁负责。
四、没有出现“工作末日”，不等于没有人失去入场券
这并不意味着我们可以得出“AI不会替代工作”的乐观结论。宏观就业市场没有崩塌，与一些岗位已经开始收缩，完全可以同时成立。
斯坦福数字经济实验室利用ADP的薪资数据发现，在AI暴露程度最高的职业中，22至25岁的初级劳动者就业表现明显弱于年长劳动者。最新数据中，早期职业的软件开发者和客服岗位出现了显著下降，而相同职业中的资深劳动者仍然相对稳定或继续增长。研究同时强调，宏观经济、利率和企业周期也可能影响就业变化，因此这些结果不能被简单理解为AI造成失业的完整因果证明。
但这个信号仍然值得重视，因为AI最先替代的那些任务，恰好也是过去交给初级员工的工作。基础编码、资料整理、标准文案、简单设计、初步研究和常规客服，一方面最适合AI，另一方面又是新人进入行业、熟悉业务和积累判断力的主要方式。
如果企业不再需要新人完成这些基础任务，新人就很难通过日常工作成长为高级工程师、咨询顾问和管理者。AI一方面把有经验的人推到更高的工作层级，另一方面也可能抽掉通往这个层级的梯子。未来最先发生的，也许不是大量在职员工突然被裁，而是公司减少招聘，一个团队从十个人变成六个人，过去需要几年才能掌握的架构、判断和管理能力，开始成为新人进入行业时就必须具备的条件。
五、AI改变的不是工作是否存在，而是人站在哪一层
Altman用软件工程举例。程序员可能越来越少以传统方式逐行编写代码，但“让计算机按照人的意图完成事情”仍然是一项重要工作；研究人员当前的大量工作流程也会被自动化，但研究本身会转移到更高的抽象层级。
我自己的感受也是如此。现在日常开发中的大部分代码都可以交给AI完成，写代码本身的重要性确实在下降，但这并没有让开发变得不再需要人。相反，当代码生成越来越便宜，真正决定结果的，变成了需求是否清楚、任务能否正确拆分、架构是否合理，以及人能不能及时发现AI做错了什么。
这也意味着，“学会使用AI就不会被替代”是一句过于轻松的话。不是每个人都能自然地上移到更高层级，更高层级的位置也不会和过去一样多。AI带来的未必是所有人效率提高之后皆大欢喜，而可能是少数能够定义问题、组织资源、验证结果并承担责任的人，管理越来越多由AI完成的工作。
Sam Altman当年真正看错的，不是AI能力提升的速度，而是模型能力、企业组织和劳动力市场之间，并不存在一条直接的传送带。AI可以在一年内跨过多个能力门槛，企业却需要更长时间重构流程，社会也不会轻易把判断权和责任交给机器。
但这同样不能成为长期乐观的理由。锯齿状的能力边界一直在向前移动，今天必须由人补上的缺口，明天可能就会被填平。AI没有按照人们想象的方式瞬间消灭工作，它正在做的，是先拆解工作，自动化其中的任务，压缩初级岗位，再重新划分谁负责执行、谁负责判断、谁拥有决定权。
未来真正稀缺的，可能不再是完成一项任务的能力，而是知道什么任务值得完成，能够判断结果是否可以接受，并愿意为这个结果负责。
