教授：‘杂乱’工作是对抗AI失业的防线

# 教授：应对AI失业的防御是选择“混乱”的工作 来源：https://excitech.media/p/professor-a-messy-job-is-the-defense 在最近的一项民意调查（https://x.com/davidshor/status/2100300687003259292/photo/3）中，80%的美国人认为，在未来五到十年内，AI很可能导致失业率急剧上升。 根据一本新书，这类预测基于一个根本性的误解——它没有真正理解白领工作者每天实际在做什么。 我与该书作者之一路易斯·加里卡诺进行了交流。这本书名为《混乱的工作：AI无法触及的工作》（Messy Jobs: The Work that AI Cannot Reach）（https://messyjobs.ai/）。他是伦敦政治经济学院的经济学家和公共政策教授。 您可以阅读以下访谈。它最初于9月15日发表在丹麦商业日报《商报》（Børsen）（https://borsen.dk/nyheder/perspektiv/professor-profeti-om-massearbejdsloshed-bygger-pa-misforstaelse）上。此版本已为国际读者稍作编辑。 [](<https://substackcdn.com/image/fetch/$s_!MW9m!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F9d8f06e4-6712-4b5b-b947-89bacb52c2b5_1280x854.jpeg>) 表面上看，这项任务似乎在两周内就完成了。 一家咨询公司受委托为一家航空公司重新设计常旅客计划，但几个月过去了，分析报告虽然提交，该方案却仍未落地实施。 现在，这家航空公司的各个管理层级必须认可该计划。根据反馈意见，方案被不断调整。该项目的商业合作伙伴，例如连锁酒店和信用卡公司，也必须予以批准。 一场旨在达成共识并实施该项目的重大努力正在进行中，从方案构思到第一批客户在新计划下获得积分，预计将耗时六个月。 这个故事由路易斯·加里卡诺讲述，基于他最近与一位顾问交谈的经历。 加里卡诺是伦敦政治经济学院的经济学家和公共政策教授，也是《混乱的工作》一书的合著者，该书副标题为《AI无法触及的工作》。 对这位教授来说，这位顾问的工作是“混乱工作”的一个典型例子。 “本质上我们认为很多工作都是*混乱的工作*。这类工作远未达到计算机所能触及的范围，”路易斯·加里卡诺说。 这位西班牙人与香港大学的经济学教授金力（Jin Li）和吴延辉（YanHui Wu）合著了这本书。 我们将稍后详细介绍这三位作者如何定义“混乱工作”，但正是这种现象使他们相信，关于AI将导致大规模失业的“末日预测”是错误的。 他们认为，技术确实会影响劳动力市场，但做出此类预测的人并不理解大多数白领工作者每天究竟在做什么。 *excitech*阅读了这本书并采访了加里卡诺，以了解他和他的合著者是如何得出这一结论的。 **一概而论是个错误** 关于AI对就业市场影响的一个悲观预测来自Anthropic首席执行官达里奥·阿莫迪（Dario Amodei），他在去年五月表示： 这项技术可能在一年到五年内消除白领工作者一半的入门级职位，并将失业率推高至10-20%。 当阿莫迪向Axios（https://www.axios.com/2025/05/28/ai-jobs-white-collar-unemployment-anthropic）做出这一预测时，美国的失业率为4.2%——而今，16个月后，已降至4.1%。 据路易斯·加里卡诺称，达里奥·阿莫迪和其他硅谷人士犯了一个错误：他们将自己领域（编程）的进展泛化到所有知识工作。 “机器在编程方面非常出色，但为什么？编程是一项简单、单一的任务。你可以很容易地验证代码是否有效。你做几个测试，发现它能运行，如果可以，你就让计算机来做。” 但假设所有知识工作都类似，都有一个可以客观衡量任务是否正确完成的最终产出，这是一种谬误。 “他们对人类世界不可消除的‘混乱性’不够重视。” 加里卡诺的大部分职业生涯都在研究技术如何影响组织。例如，他合著了一项重要分析，研究了1987年至2003年间IT系统在美国警察部门的部署对其生产力的影响。 在他的研究中，这位教授反复看到变革发生得多么缓慢。 “人们并不会立即接受技术。这个过程中存在很多阻力，”他说。 **任务还是工作** 根据加里卡诺的说法，理解AI将如何影响劳动力市场，需要区分工作（jobs）和任务（tasks）。一份工作由若干不同的任务组成——就像那位顾问，他既要进行分析，也要参加会议并展示他的工作成果。 加里卡诺说，从根本上讲，决定一项工作是否“混乱”有两个因素。 首先是构成这项工作的各项任务是否难以相互分离。 他举了销售作为例子。销售包含重要的认知成分，需要理解客户以及他们寻找什么产品。销售人员可以使用AI来辅助这部分工作，但这仍然是他们自己也必须做的事情。 “为了与潜在客户共进晚餐，我需要能够思考‘哦，他想要那个东西’，然后记得我们有这个其他产品。” 使工作变得“混乱”的第二个因素是它是否涉及管理复杂的人际关系网络。 书中举了一个例子：工厂的总工程师，除了其他职责外，还需要雇佣新员工、与高管协商提案的执行、与市政当局沟通以获取建筑许可证等等。 相比之下，如果你的工作由一项孤立的单一任务组成，并且可以客观地验证是否正确完成，那么你的工作就是脆弱的。 例如技术翻译、起草标准合同或简单的记账任务（数字必须核对无误）。 加里卡诺强调，这与认知复杂性无关。例如，国际象棋是一项复杂的游戏，但早在1997年IBM的超级计算机“深蓝”击败传奇棋手加里·卡斯帕罗夫时，AI就已经超越了人类。 “机器可以很容易地学会下国际象棋，因为它是可验证的单一任务。” 如果你从事的是这类工作，你可能需要依赖监管来寻求保护。 例如，部分由于工会的抵制，在自动电梯发明和最后一个手动电梯操作员失业之间，经过了20年。 另一条生命线是人类对真实性的需求。 加里卡诺和他的合著者举了餐厅侍酒师的例子。客人可以很容易地使用葡萄酒推荐应用程序，根据菜肴、预算和偏好来完成葡萄酒搭配的任务。但侍酒师提供的是其他东西。 “侍酒师出售的不是信息。她出售的是一种表演：关于葡萄园的故事，斟上第一杯品尝酒的手势，”他们在书中写道。 **三种知识类型** 但是，即使在“混乱的工作”中，难道不能让AI参加会议、旁听并做出决策吗？ 不能，加里卡诺说。他认为，许多看似在会议上做出的决定，实际上已经在别处定案了。 可能存在政治原因或内部权力斗争，这些并未在会议实际讨论中反映出来。 “你可以录制一次会议，并在录音上训练一个AI模型，但你将完全错过正在发生的事情。” 加里卡诺称此为“战略知识”。这就像出售房屋。你知道自己愿意接受的最低价格。 “这种知识你不会告诉买家。在工作环境中，存在大量战略信息，出于激励原因，这些信息是被故意保留的。” 另一种可能难以获取、因此也难以用于训练AI模型的数据，是匈牙利哲学家和经济学家迈克尔·波兰尼（Michael Polanyi）所称的“默会知识”：我们知道的多于我们能够或愿意说的。 “如果我必须向一台机器解释我如何骑自行车，我实际上无法做到，”加里卡诺说。 就像那位资深顾问，他知道客户会拒绝某个特定的提议，却无法完全解释原因。 最后，还有第三个使得知识难以分享的因素：知识常常在我们进行对话时才得以产生。 “市场部有想法，销售部有想法，他们开始交谈，在对话中知识就被创造出来了。” **这不是信息问题** 加里卡诺认为，AI无法解决的另一个局限性涉及权力。 伦敦存在严重的住房短缺。但根本原因并非缺乏信息：我们非常清楚*如何*建造更多住房。 阻止公寓楼拔地而起的原因更多与法规、当地社区的反对、官僚主义和政治权力斗争有关。 AI可以起草规划审查报告，但“它无法说服一个环保组织撤销其诉讼，也无法与一位面临连任压力的市政委员进行谈判，”这是他们的论点。 我向加里卡诺指出，最近英国AI安全研究所和牛津大学的一项研究（https://arxiv.org/abs/2606.16475）表明，AI系统在政治议题上说服人们的能力甚至优于专业游说者。 “问题不在于我能否说服你我是对的。问题在于我有我的利益，你也有你的利益。你给我一个能让我更擅长抱怨的工具，我就会更擅长阻止建设。” 如果要提高生产力，这些瓶颈需要消失。然而，随着技术进步，它们往往反而变得更强。 “看到过上世纪70年代法国核电建设的人可能会说，世界能源问题将在20年内消失。不，我们现在的情况比那时更糟。这不仅仅是技术问题。” 这关乎政治，而加里卡诺认为政治无法被简单地简化掉。 **选择混乱的工作** 那么，对于那些希望让自己职业生涯具备抗风险能力的人，教授的建议是什么？ 无论你已经有一份工作、正被提供一份工作，还是学生，加里卡诺说关键是要考虑这份工作是否有可以系统性验证的产出。 “这份工作的产出是否能被系统性地验证为正确或错误？如果有，并且你可以用这种方式训练一台机器，而且这基本就是你整天在做的事情，那么这份工作就真的有风险。” “如果这份工作是‘混乱’的，你在做很多不同的事情，它包含一些关系性成分，并且这些成分很难剥离，那么这份工作就没有风险。” 所以建议是：尝试去从事“混乱”的工作。他再次强调，他指的不是复杂性，而是涉及许多不同方面的工作。