编者按：AI会如何改变就业？这是当下最受关注，也最容易陷入情绪化争论的话题。上一篇《第一份工作正在消失：AI如何切断年轻人的职业阶梯？》关注的是AI如何改变工作的入口；今天，我们希望继续追问更深层的问题——AI究竟在改变什么样的能力？希望为理解这场正在发生的劳动变革，提供另一种观察视角。

AI对职业技能结构的重塑

谈到AI对就业的影响，“技能”是一个无法绕开的关键词汇。这可以从许多不同的维度来讨论。

比如，专业技能正在经历快速贬值和更新周期缩短的过程。劳动专家和研究人员过去普遍认为，一项职业技能的有效价值周期大约为5到10年。然而，随着人工智能的发展，技能的生命周期正在被大幅压缩，一些估计认为，如今一项职业技能的有效期可能已经缩短至仅仅 1到3年。这意味着，劳动者过去依靠一次教育或早期职业训练所获得的知识和能力，越来越难以支撑整个职业生涯，而必须持续学习、更新和重塑自身技能。

世界经济论坛《未来就业报告2025》（The Future of Jobs Report 2025）预计，到2030年，全球劳动者现有核心技能中，平均约39%将发生变化或过时。这并不是指39%的职业会消失，而是意味着：虽然同一个岗位仍然存在，但完成这一岗位所需要的能力组合变得相当不同。

以我关注的新闻业来说，一个记者仍然需要采访、核实、写作与调查能力，但还需要学会更多：具备多模态内容生产能力，能够综合运用文字、图片、音视频、数据可视化和交互叙事进行报道；掌握生成式AI工具，将其应用于资料检索、文献梳理、数据分析、采访准备、事实核查以及内容编辑等工作流程，提高 新闻生产效率；具备较高的AI素养，能够辨别AI生成信息中的幻觉、偏见和深度伪造，准确判断信息来源及其可信度；精通平台算法推荐和流量分发机制，懂得新闻内容如何在平台上传播、扩散和形成公共议题；具备数据新闻和计算传播能力，能够利用数据库、数据分析和可视化工具发现新闻线索、揭示社会规律；同时，还需要了解平台规范、数字伦理、隐私保护和人工智能治理等新兴议题，以应对新闻职业所面临的复杂挑战。由此来看，未来就业竞争的核心不只要看有没有工作，还要看是否拥有适应工作变化的新技能。也不妨说，适应变化的能力本身正在成为一种关键技能。

又比如，究竟是高技能职业还是低技能职业更容易受到AI影响？这一般被称为“AI暴露”（AI exposure）问题，其实，应该对两个经常被混淆的概念加以区分：AI暴露和自动化替代风险（automation risk）。很多争论之所以产生，是因为把“受到AI影响”直接等同于“会被AI取代”。

如果讨论AI暴露程度，答案是：高技能职业通常更容易受到AI影响。原因在于，生成式AI最擅长处理的是大量基于知识、语言、信息和符号操作的任务，而这些任务恰恰集中在高技能职业中，例如：管理人员、律师、工程师、法官、研究人员、金融分析师、教师、设计师、程序员等。可以说，几乎所有知识密集型职业都面临高AI暴露度。

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，面临着显著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能够显著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。

因此，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。

因此，我认为，AI不会弥合技能鸿沟，而是会扩大这种鸿沟。从经济学和技术史的角度看，这符合“技能偏向型技术变迁”理论（SBTC，Skill-Biased Technological Change）。该理论是劳动经济学和宏观经济学中的一个核心理论，主要用来解释为什么自20世纪70-80年代以来，尽管高学历、高技能劳动者的供应大幅增加，但他们的工资不仅没有下降，反而与低技能劳动者的差距越拉越大（即收入差距扩大和薪酬极化现象）。

传统经济学认为，某一类劳动者变多时，他们的工资应该下降。但SBTC理论指出，技术的进步并不是中立的，它更偏向于那些拥有高技能、高学历的劳动者。对这些人来说，新生产技术（如计算机、互联网、AI、自动化软件）是他们的互补品（complements），能极大地提高他们的生产率，从而推高对他们的需求。而对低技能和中等技能者，新生产技术是他们的替代品（substitutes），不断取代大量重复性、机械性的常规工作，导致对他们的需求相对下降。这种技能需求与劳动力供给之间的失衡，引发了薪资差距的扩大，这种差距通常被称为“技能溢价”（skill premium）。

举例来说，在现代物流与零售业，以亚马逊和沃尔玛为代表的供应链巨头，通过技术重塑了整个行业。对于仓储中心的搬运工、清点员以及超市的收银员而言，自动分拣机器人和无人自助结账机直接替代了这些常规性的体力或简单脑力劳动。但自动化与算法革命同时带来的是对数据科学家、供应链优化专家、算法工程师需求的爆炸式增长。这些高素质人才利用系统监控全局、预测消费行为、优化库存，其薪资在过去十年间水涨船高。

因此，AI可能同时具有两种看似矛盾的效果：一方面，它降低了进入门槛，更多人的确可以完成过去做不到的事情。另一方面，它也抬高了能力天花板，最优秀的人能够以前所未有的速度和规模创造价值。

这也是为什么我们应该把AI视为一种 “认知杠杆”，而不是简单的自动化工具。杠杆从来不会改变人的方向，它只会放大人的力量。对于会使用杠杆的人来说，它创造的是指数级收益；对于不会使用的人来说，它可能只是一个看起来很先进的工具而已。

技术革命往往不会平均提升所有人的能力，而是优先放大那些已经拥有较强认知能力、组织能力和学习能力的人。很多时候，技术在扩大机会的同时，也在扩大优势。这才是AI时代最值得关注的悖论。这个悖论可以被称为“能力的马太效应”——能够有效利用AI的人将获得更大的能力提升，而缺乏相关素养的人则可能进一步被边缘化。

多管齐下回应技能不平等

当技术将努力的含金量稀释，把认知的杠杆率无限放大时，优势的雪球只会越滚越大。这也正是当前各国政府、经济学家和全社会都在焦虑，并试图通过政策、税收或教育改革来干预的根本原因。

在政策层面，政府可以通过建立全民AI能力提升体系，赋能普通劳动者。例如，可以将AI素养纳入基础教育、职业教育和成人教育体系，使不同年龄、职业和教育背景的人都能够学习如何使用、理解和评估AI工具。同时，政府可以支持企业开展员工再培训和技能提升项目，并推动公共就业服务体系的转型，从过去帮助失业者寻找工作，转向帮助劳动者持续更新技能。一个好的例子是新加坡政府的“技能创前程”计划（SkillsFuture），目标就是从政府提供就业保障向帮助公民“终身可雇用”转变。政府为每位成年公民建立专属的个人培训账户，并定期注入资金或提供分层补贴。账户资金只能用于购买获得国家或行业认证的技能培训课程，重点覆盖 AI 应用、数据分析和网络安全等领域，帮助人们掌握机器难以替代的情境判断力与创造力。这样的“个人学习账户”制度，使终身学习成为一种公共基础设施。

在税收和经济政策层面，可以通过调整技术收益分配机制，避免AI红利过度集中。AI的发展可能使拥有先进模型、数据和计算资源的企业获得巨大的生产率优势，从而进一步扩大资本与劳动之间的不平等。因此，有识之士提出，应通过更公平的税收制度，将部分技术收益重新投入公共教育和技能培训。例如，对从自动化和AI应用中获得超额利润的大型企业，可以通过企业税、数字服务税或其他形式的公共贡献机制，将部分收益用于支持劳动者转型。此外，政府还可以通过税收优惠鼓励企业投资员工培训，而不是仅仅利用AI削减劳动力成本。

同时，无需多言，教育改革的步伐需要加快。哈佛大学经济学家克劳迪娅·戈尔丁（Claudia Goldin）和劳伦斯·卡茨（Lawrence Katz）曾提出一个著名的观点：工资差距是“教育与技术之间的赛跑”。如果技术进步的速度超过了教育普及的速度（即高技能劳动力供不应求），高技能人才的工资就会大幅上升，导致不平等加剧；反之，如果教育发展迅速，能够满足市场对技术的需求，工资差距就会缩小。

所以，问题的关键在于，教育系统能否快速培养出大量高技能人才。教育系统要完成这个任务，面临着三大颠覆性挑战：

第一是“教材还没写好，技术已经过时”的知识滞后。传统教育的精髓在于标准化和沉淀。一门课程的成熟教授，通常需要3到5年的周期。但在AI时代，大模型的架构、多模态能力的边界甚至主流的开发框架，往往在3到6个月内就会发生一次迭代。这意味着，如果高校继续沿用传统的课程开发模式，学生入学时学到的“前沿技术”，在毕业走出校门的那天，可能已经成为了要被淘汰的“技术负债”。教育系统必须从传授确定性知识转向传授高频迭代的动态技能。

第二是如何重构“高技能人才”。过去，教育系统擅长培养的是“专才”——通过高考、考研等层层筛选，培养出在某一垂直领域（如单纯的代码编写、财税精算、法律条文知识）极度精通的人才。但AI恰恰最擅长替代这种标准化、高密度的垂直技能。今天急需的高技能人才必须具备那些难以被AI替代的能力，例如批判性思维、创造力、跨学科能力、沟通能力、伦理判断和问题定义能力等，而这些恰恰是现有教育系统的短板：比如最值钱的人才站在技术与人文或者不同产业的交汇点上，而高校目前的院系墙壁依然高耸；传统的考试在评估学生给出标准答案的能力，但AI时代的核心竞争力是，在模糊的现实中定义核心问题，并将其转化为AI可执行的指令。

第三，培养高技能人才需要懂得最前沿AI的导师。然而，学术界与产业界在算力资源、数据规模以及薪酬待遇上存在着巨大的鸿沟。顶尖的AI研究者和实践者大多集中在科技巨头或独角兽企业中，高校因为体制和经费限制，很难留住或吸引到真正处于AI一线的顶级人才。这就导致了一个尴尬的局面：坐在讲台上的教授，可能已经好几年没有摸过企业里真正投入商用的AI管线，却要指导学生如何面对未来的AI职场。

教育系统要变快，就必须打破“围墙”。未来的高等教育和职业教育不能再闭门造车，而要推行产教融合的“双轨制”：让科技企业直接参与课程设计，甚至将课堂直接搬进企业的真实项目里。

AI时代个体竞争力的重塑

即便政府建立了普惠通道，这一体系也只能解决劳动者的及格线。如前所述，AI放大了高技能人才的优势。政府建体系的目的，是为了防止底层劳动者被技术彻底甩下，至于能不能靠这个体系实现提升，最终依然取决于个体的认知上限。

AI打破了传统的职场晋升阶梯。过去，普通人可以通过出卖时间和提升熟练度来换取生存空间，在职场中慢慢熬出头。现在，技术把中间的过渡阶层抽干了，只留下顶端和底端。

在这个沙漏型职场中，顶端的人因为有 AI 这一“万倍放大器”，其生产力已经非人化。AI让企业看到了“无劳动力增长”的可能性。一个由10个高管和100个AI智能代理组成的公司，可能就可以撬动过去1000人的业务量。而一个顶尖的基金经理加上 AI，或许可以激发过去一个百人分析师团队的能量。

而底端的人，由于缺乏进化的梯子，极易被困在出卖纯体力或低价值重复劳动的泥潭里。对个体来说，为了避免这样的沉落，一入职，就必须把自己当成主导者而非执行者来培养。

在 AI 时代，成长为专家的速度必须超越初级岗位被消灭的速度。什么决定速度？是学习能力。技术革命的特点是知识的半衰期极短。拥有强学习能力的人，具备更底层的“元认知”——他们知道如何快速理解新概念、如何向AI精准提问、如何在新工具间建立工作流。因此，每一次技术迭代，他们都能以最低的摩擦成本“肉身进化”，率先吃掉技术带来的第一波红利。而缺乏学习习惯或能力的人，往往在每一次技术换代时，都会被拉开更远的距离。

还有，组织与连接能力决定了红利的上限。孤立的个人能力被放大是有限的，但组织能力能让这种放大突破上限。那些擅长协调资源、理解商业逻辑、具备管理和协同能力的人，能利用新技术建立起更高效的平台、团队或业务网络。

比如，过去一个卓越的组织者或许只能管理一个50人的团队，但现在，利用各种数字化、智能化协同工具，她可以高效调度一个跨国、跨领域的千人网络，甚至一个人就能指挥由AI工具链组成的“超级个体公司”。

这并不意味着每个人都要成为管理者，而是意味着每个人都需要具备一定程度的自主性和决策能力。例如，一名记者不能只把AI当作写稿工具，而应该能够判断哪些问题值得调查、怎样突破障碍设计采访框架、如何验证AI生成的信息；一名程序员不能只关注代码编写，而需要理解业务需求、设计系统架构并评估技术方案；一名研究人员也不能只是让AI总结资料，而需要提出具有原创性的研究问题并判断分析结果的意义。AI可以提高任务执行效率，但无法替代对目标、价值和方向的把握。

未来的竞争并不是简单的人与机器之间的竞争，而是能够与AI形成协同关系的人，与无法适应这一新认知环境的人之间的竞争。适应者能够容忍不确定性，具备极强的卸载过时知识（unlearn）的能力，无法适应的人则相反，很容易陷入“认知寄生”，形成对智能系统的依附关系。

最大的AI技能鸿沟并不在技术层面，而在行为层面。技术能力可以通过培训获得，但开放性、学习习惯、批判性思维、实验精神以及持续进化的能力，才是决定一个人能否从AI浪潮中获益的关键。