停滞的颠覆：混乱的工作流程如何保护人类工作免受AI冲击

军李

2025年3月28日

人工智能在处理曾被认为超出其能力范围的任务方面表现出显著的进步，例如通过具有挑战性的研究生考试或以专业标准进行写作。这种显著的能力引发了一个悖论：如果AI可以处理如此复杂的工作，为什么我们还没有看到它取代大批人类工作？

本文涵盖的内容

在接下来的内容中，我们将探讨有关AI在处理“混乱”任务方面的困难的新研究，即使它在处理定义明确的线性工作流程时表现出色。我们还将研究实际的工作取代案例，讨论更广泛破坏的时间表，并概述适应AI驱动未来的实用策略。

人工智能悖论：高能力，低颠覆

人工智能工具——尤其是大型语言模型（LLMs）——展示了执行许多专家曾认为过于复杂而无法自动化的复杂任务的能力。从通过法学院入学考试到生成类人文章，这些突破揭示了在狭义定义的情境中模仿甚至超越人类表现的令人印象深刻的能力。

然而，尽管具备这种全面的能力，我们并没有看到在涉及类似认知复杂度的职位上出现大规模失业。这一差异揭示了一个基本的难题：如果人工智能可以在常春藤盟校的水平上应对考试，为什么它没有以更快的速度替代更多知识密集型的工作？

为什么颠覆停滞

这种看似缓慢的颠覆的一个原因是，AI目前的优势往往集中在结构化、可预测的任务上。虽然它可以在提供特定查询的完善答案方面表现出色，但面对需要不断适应和实时决策的非结构化工作时却显得力不从心——这与标准化测试的井然有序环境相去甚远。

此外，许多工作的“凌乱”职责涉及情境转换、模糊性和与人的动态互动。在这些情况下，AI缺乏灵活推理的能力变得更加明显。人类可以依赖情商、隐性知识和解读社交线索——这些技能对于即使是最先进的模型而言仍然具有挑战性。

现实影响：谁（实际上）感受到了压力？

作家和开发者就业下降

最近的就业数据显示了一个惊人的变动：受到冲击的不是旅行代理或簿记文员等典型的办公室角色，而是作家和软件开发者似乎最受影响。行业快照显示，这些职业的工作岗位数量下降，与过去几年的增长趋势大相径庭。

原因之一是写作和编码可以被分解为结构化的离散任务，AI在处理这些任务时表现极佳——无论是撰写产品描述还是调试代码行。对于这些领域的自由职业者或承包商，企业可以无缝地用AI工具替代人工劳动，而无需繁琐的官僚程序。

为什么是他们？

这些角色与AI的核心能力高度契合——线性、目标明确的工作流程——以至于整个项目可以从头到尾自动化。需要快速文案的营销公司或需要重复编码的初创企业，通过转向AI驱动的解决方案可以立即看到成本节约的好处。

此外，写作和编码领域高比例的自由职业加剧了这种现象。如果一个组织可以按项目付费而非维持一个有薪职位，用AI替代是相对低风险的举动，这比在更为稳定的全职角色中发生转变要快得多。

‘杂乱’的保护力量

尽管现代AI具有令人印象深刻的能力，但其许多突破仍依赖于可预测的输入输出关系。事实上，人类的工作往往涉及无结构的工作流程，其特征是不断变化的背景、不明确的目标，以及不可预测的互动。

虽然大型语言模型（LLM）可以轻松起草备忘录或回应标准查询，但在多方面推理方面往往显得力不从心——处理快速更新、与最终用户建立共情以及实时作出判断。

例如，一位行政助理在与不同时区的利益相关者安排临时会议时，需要协调这些变化中的环节，解读模糊或冲突的偏好，解决意料之外的日程冲突，并捕捉微妙的社交线索。每项任务都要求一种适应性的水平，这对于所有的计算能力而言，尖端AI仍在学习掌握。直到模型能够在这些杂乱的，以人为中心的细微差别中得心应手，人类劳动仍然是那些优先考虑敏捷性的角色的关键所在。

案例研究1: 医疗行政工作

一家新兴AI初创公司在一家大型医疗网络中部署了一款处理患者问询的模型。该系统在提供保险涵盖范围和预约可用性的脚本回应方面表现出色——直到患者在预期问题之外，添加关于症状或情感担忧的个人细节。由于AI设计之初并未考虑处理富有同情心的对话或对更复杂情况的分类，因此电话经常被转回人工客服。这一结果突显了现实世界中，非结构化的往返沟通揭示了AI的当前局限性。

案例研究2: 跨部门协调

与此同时，一家跨国物流公司测试了一款聊天机器人以管理部门间的运输请求。尽管机器人能生成常规的运输标签并追踪交付，但在需要协商优先级变更或整合来自不同团队的临时法律文件时出现了问题。在这些情况下，管理者需要介入并阐明不明确的目标——这不是AI独立能够做到的。这次试点最终以混合工作流程告终：人类处理所有意外升级和战略决策，而机器人继续执行定义明确的任务，如更新状态字段和发送自动确认邮件。

时间框架：更广泛取代还需多久？

尽管当前的AI模型可能在不可预测或多任务场景下表现困难，但它们正在迅速改进。最近在强化学习和情境感知架构方面的进展表明，AI的应用范围可能很快会扩展到我们曾认为不可及的任务。

随着研究实验室对更多元框架的迭代——那些能够追踪多个目标并实时适应的框架——当今的限制可能会让位于下一代系统，这些系统可以处理更广泛的现实世界复杂性。

专家警告说，不应低估这种进步。每一次迭代式的飞跃在历史上都比许多领域的预测要更快，影响也更深远。从改善语言理解到更有效的决策，AI的演变具有复合效应：它越好，就越能加速进一步的改进。因此，曾经因繁琐工作流程而受到保护的角色可能很快面临真正的威胁。

历史类比与专家预测

回顾以往的自动化浪潮可以提供视角。当工业机器在19世纪和20世纪初首次威胁到体力劳动时，社会的适应过程持续了数十年，而不是数年。

然而，数字革命的进展要快得多，在一代人的时间内颠覆了制造、客户服务和金融等行业。许多分析师认为，AI代表了一种类似的变革性技术——可能以更快的速度重塑白领工作，而不是早期的变革。

同时，未来学家在具体时间表上仍存在分歧，一些人预测逐步接管，另一些人则预测一旦某些技术门槛达到，将迅速替代。

无论哪种情况，AI开发者、经济学家和政策制定者之间的合作加强，将是关键，确保社会为劳动力市场的下一次巨大变革做好准备并积极塑造。

适应以AI驱动的未来

随着AI侵入曾被认为安全的任务领域，对专业人士来说，最明智的策略是培养互补的技能。创造力、共情力和领域专长变得尤为重要，因为这些品质仍超出大多数AI的能力范围。

识别互补的技能组合

例如，能够利用AI起草文案并加入个性化故事的营销专家将保持需求。同样，能够解释模棱两可的目标、管理利益相关者关系并综合人类输入的项目经理可以在利用AI效率的同时不被其取代。

此外，随着生成模型和机器学习系统的成熟，一条新的AI相关职业前沿正在出现。像提示工程、模型监督和伦理审计等角色强调了人类判断在确保AI部署负责任和有效方面仍然是支柱。

专注于复杂的增值角色

与其等待技术赶上，工人可以主动将自己重新定位到依赖于整体思维、人际沟通或战略规划的责任领域——这些是AI常常不擅长的领域。例如，能够以批判性洞察力解释AI输出并为细微差别受众精炼它们的员工提供的价值远远超过那些仅靠线性任务的员工。

同样，组织领导者必须超越单纯的削减成本思维。通过对团队进行技能提升投资，培养创新思维模式，积极跟踪AI发展，可以防止公司措手不及。通过创造人机协作为常态的环境，企业可以在不引起全面中断的情况下与技术共同进化。

生成式人工智能令人印象深刻的按需生成高水平作品的能力尚未引发许多人担心的大规模就业冲击。相反，这些新技术在线性和可预测的任务中显示出最大的影响，例如写作和编程。

与此同时，那些围绕非结构化、不可预测的工作流程的角色——协调多方、处理复杂对话以及适应动态需求——仍然在人工智能入侵中稳固存在。

然而，随着模型架构变得更加复杂，研究人员改进技术以帮助人工智能管理复杂输入，今天的安全港可能不会长久。保护这些角色的所谓“混乱”可能只是对抗机器智能不断进步能力的暂时屏障。

展望未来

最终，适应人工智能意味着拥抱混合的未来。那些熟练地将人工智能工具整合到工作流程中，同时培养以人为本的专长（如同理心、创造性思维和战略判断）的员工和组织，将最有可能取得成功。