管理人类后备方案：在AI能力提升与员工流动背景下的技能投资

# 1 引言

来源：https://arxiv.org/html/2606.29111

当企业部署自主人工智能时，它们必须决定将多少工作留给系统，以及让工人参与多少工作。这一决策既影响当前产出，也影响未来的人力资本。我们构建了一个简洁的两周期模型，其中人工智能在正常运行时可能表现优于工人，但也有一定概率失败。企业选择工人的参与度；参与度会降低低于基准水平的工人的当前产出，但通过学习与退化影响未来技能。我们区分了人工智能进步的两个维度：能力（系统正常运行时的输出质量）与可靠性（系统正常工作的概率）。在单一企业基准下，参与度仅作为后备投资具有价值。企业让技能最低的工人参与最多，因为他们的技能差距最大，并且将他们提升至有用的后备水平所需的成本最低。当存在工人流动性时，参与度还会影响劳动力市场中的分类：工人更偏好那些能建立更有价值技能轨迹的工作。这种分类动机瞄准接近人工智能前沿的技能较高的工人，因为对他们而言，技能提升更有价值，且参与成本较低。因此，流动性可能逆转参与模式，将投资从技能最低的工人转向技能最高但低于人工智能基准的工人。流动性还重塑了人工智能进步对参与度的影响：更高的能力通过提高企业所提供的技能轨迹的价值来提升参与度；而更高的可靠性则可能提高或降低参与度，因为它既减少了后备需求，又改变了学习机会。在工人流动性条件下，人机工作设计成为一个人力资本投资问题，其中今天的工作分配塑造了未来的技能。

截至2026年，谷歌约四分之三的新代码由人工智能生成并由工程师批准，高于2025年底约一半的比例（Pichai 2026）。人工智能编写代码；人类审阅代码并为其负责（The Linux Kernel 2026）。当代码错误或不安全、请求超出模型见过的范围、或助手不可用时，工程师必须介入并独立完成工作。部署不断改进的人工智能的企业必须决定保留多少人类技能以备人工智能不足之需。同样的劳动分工也适用于其他场景，即能力强但不完美的人工智能与人类共享任务。Waymo的车辆在无驾驶员的情况下完成行程，碰撞率低于人类基准，但当车辆遇到模糊的道路情况时，会呼叫远程专家寻求指导（Kusano et al. 2024, Waymo 2024）。放射科医生裁定算法标记的内容，承保员签署模型评分后的风险。在每种情况下，人工智能承担了更多的常规工作，而人类技能在人工智能能力达到极限之处最有价值，这些极限随着人工智能的普及而越来越少出现。

将这种劳动分工视为向几乎无需人类参与的生产过渡的临时安排颇具诱惑力。流行的观点正是如此：尤瓦尔·赫拉利警告即将到来的“无用阶级”（Harari 2017），萨姆·奥尔特曼预测“整类工作”可能会消失（Altman 2025）。对企业本身而言，决策更为微妙。人类技能仍然有价值，因为人工智能并不完美：工人是当人工智能失败、遇到其领域之外的案例或不可用时的后备方案。但技能是可转移的，因此保留技能的部分回报归于工人或其他雇主；而让工人参与是有成本的，因为人工智能通常比工人做得更好。减少参与度因此提高了当前产出，但侵蚀了企业日后可能需要的人类技能。正是这种进步，既使依赖人工智能的成本降低，也使被替代的技能更难维持。

我们研究这种摩擦如何塑造工人参与度：企业让工人积极参与人工智能辅助生产的程度。¹¹机构通过具体工具提高参与度：无人工智能环境、在获得访问权限前需处理的最低人工案例数量、分阶段访问、以及要求工人在咨询人工智能前先做出判断的协议（Keren et al. 2026）。例如，壳牌要求早期职业员工在使用人工智能前先提出问题框架（Boston Consulting Group 2026）。让工人参与降低了当前的产出，但保留了在企业内部和劳动力市场中都有价值的技能。工人的人力资本并非固定不变；持续依赖人工智能可能会削弱它。在软件领域，依赖人工智能学习新库的程序员平均速度提升不大，但独立阅读和调试代码的能力反而下降（Shen and Tamkin 2026）。在教育领域，使用无限制人工智能辅导的高中生在拥有辅助时解决了更多问题，但一旦撤回，他们的分数低于从未使用过该辅导的同学（Bastani et al. 2025）。在医学领域，在日常接触人工智能辅助结肠镜检查后，有经验的内镜医生的无辅助腺瘤检出率从28.4%降至22.4%（Budzyń et al. 2025）。在一项针对商业领袖的调查中，约半数已经观察到技能退化，超过60%的人预计在三到五年内这将成为真正的威胁（Boston Consulting Group 2026）。因此，参与度在当下是有成本的，但不参与则会侵蚀未来生产可能需要的技能。

反过来，工人也重视工作所建立的技能。职业发展、学习和技能提升已成为他们是否接受、保留或离开工作的核心因素（Gallup 2024, Pew Research Center 2022）。一个将大部分工作交由人工智能处理的工作构建的人力资本很少，而一个流动的工人有理由离开它，去寻找一个能构建更多人力资本的工作。在企业无法通过薪酬进行差异化时，这一点最为重要。当类似职位的工资由薪资等级、内部公平规范和外部市场基准标准化时（Baker et al. 1988, Mas 2017），企业无法简单地通过出价高于竞争对手来留住可能离职的工人；它能提供的是工作所构建的技能轨迹。参与度——这一同样控制当前产出的杠杆——于是成为企业竞争流动工人的工具。

我们构建了一个简洁的两周期模型，研究在不断改进的人工智能与流动工人共享任务时的技能投资问题。企业选择工人参与人工智能辅助任务的程度；参与度塑造当前产出，并通过边做边学和技能退化影响工人未来的技能。我们模型化了人工智能进步的两个属性：*能力*（其正常运行时的输出质量）和*可靠性*（其按预期正常工作的频率）。这两个属性在上述场景中均可见：能力更强的系统能独立处理更多的道路情况或更多的代码库，而可靠性更高的系统则较少失败或较少将问题交给人类。我们重点关注低于基准水平的工人——即无辅助产出低于人工智能输出的工人；对他们而言，参与度会降低当前产出（因为人工智能更快或更准确），但能构建企业日后可能需要的技能。自动化模型在人机之间分配任务，但将技能分布视为固定（Acemoglu and Restrepo 2018, Autor et al. 2003）；而在这里，参与度重塑了技能分布。尽管存在当前成本，企业仍让此类工人参与，因为参与度构建了工人的技能。今天的参与度决定了工人未来携带的技能，因此企业权衡当前产出与未来——在那时，该技能可能作为后备方案，或作为劳动力市场的吸引力，或两者兼有。在没有流动性的情况下，该技能值得保留作为人工智能失败时的后备。在存在流动性时，两个事前相同的企业设定参与政策，工人根据这些政策所暗示的技能轨迹进行选择；参与度也吸引工人，而企业无法完全留住工人的技能。

我们的分析得出三个发现。首先，两种动机针对技能范围的两端。在没有流动性的情况下，后备动机使参与度指向技能最低的工人：他们与人工智能的差距最大，因此有最大的成长空间，并且一单位的参与度能构建最多的技能。流动性增加了分类动机，该动机对技能较高的工人最强，对他们而言，额外技能在劳动力市场中最有价值，因此最能吸引他们。同一种技能，在工人最弱处是后备，在工人最强处是吸引力；因此，一旦工人具有流动性，企业让哪些工人参与最多的决策可能发生逆转——从技能范围的底部转向顶部。这就是参与度逆转：企业的杠杆未变，但随着劳动力市场的开放，让最多参与的工人可以从技能最低者转变为技能最高者。

其次，人工智能进步的两个维度可能使参与度向相反方向移动。可靠性决定了人类技能被调用的频率。更高的可靠性使得后备方案更少被需要，削弱了参与的一个理由；但工人在一个大部分时间工作正常但偶尔失败的系统中最能建立技能，因此参与度可能在中间可靠性水平最高。一个从不失败的系统让工人无需时刻准备；而一个经常失败的系统则几乎不值得部署；建立技能的空间介于两者之间。能力本身并不改变工人需要作为后备的频率，但在有流动性的情况下，能力更高的人工智能扩大了工人从中学习的差距，强化了企业可以提供的发展轨迹。将人工智能进步视为单一指标会混淆可能指向相反方向的渠道。

第三，与无流动性基准相比，流动性重塑了参与度。由于企业建立的技能是一般性的，它无法获得全部回报，因此流动性应抑制投资，正如Becker（1962）首次论证的那样。²²在Becker对一般性（完全可转移）培训的分析中，竞争性企业不承担任何成本：因为受过培训的工人可以辞职并在任何雇主那里获得如今更高边际产出的工资，因此工资相应提高，企业无法收回成本。正如Becker所说，“一般性培训的成本和回报都由受训者承担，而不是由企业承担”（Becker 1962，第13页）。因此，工人通过培训期间较低的工资来资助培训，并在之后获得回报；只有企业特定培训由企业和工人共同分担。我们证明，当工人对技能轨迹差异反应较弱时，参与度低于单一企业基准。当工人反应强烈时，分类动机可能反而逆转参与的时间安排，因此流动性并不一定普遍抑制一般技能投资。流动性还可能打破事前相同企业之间的对称性，一家企业投资于技能，而另一家企业则依赖于共享的劳动力池。

据我们所知，这是首批将企业参与不断改进的人工智能塑造流动工人技能的分析模型之一。它识别了技能投资的分类动机——这在现有关于人工智能辅助生产的研究中缺失——即企业在无法通过薪酬竞争时，通过工作所建立的技能进行差异化（Bastani and Cachon 2025, Caosun and Aral 2026, Dai and Taylor 2025, Lu and Tomlin 2025, Siderius et al. 2026, Xu et al. 2025）。综合来看，这些结果将人机工作设计重新定义为一个既涉及运营问题也涉及人力资本问题的领域。无论在自动驾驶、软件、放射学、承保、联络中心还是法律审查中，只要一个不断改进但不完美的人工智能与流动工人共享任务，企业的参与选择不仅决定今天的产出，还决定明天它拥有的技能以及它能留住的工人。

本文其余部分组织如下。第2节回顾相关文献。第3节提出模型。第4节分析单一企业基准。第5节研究工人流动性如何重塑参与度。第6节讨论启示并总结。

## 2 相关文献

本文连接了两个通常被分开处理的问题。第一个是自动化如何改变人类技能的使用与保留。第二个是企业如何投资于人力资本。人工智能辅助工作将这两个问题结合在一起。当系统优于工人时，参与度在当下是有成本的。然而，参与度也可能保留企业作为后备所需且工人在劳动力市场中重视的技能。我们的贡献在于建模这一权衡，并展示工人流动性如何改变参与度的水平以及参与度所针对的工人。

第一个问题——自动化如何改变人类技能的使用与保留——已从多个角度被研究。最直接的是人工智能引发的*技能退化*：更可靠的系统侵蚀了当这些系统失败时所需的人类能力。Bainbridge（1983）指出了“自动化的讽刺”，即更可靠的系统使操作员在发生故障时更难以干预；Parasuraman and Riley（1997）形式化了相关的自动化误用、弃用和滥用分类。现代人工智能产生了相同的模式：Bastani et al.（2025）发现，无限制的生成式人工智能访问提高了高中生练习期间的表现，但一旦访问被移除，考试分数反而更低；Poulidis et al.（2025）表明学习者即使理解其长期成本，也会过度请求帮助；