拆解AI对就业影响的预测：那些刷屏的失业率雷达图，不过是一场数据自嗨
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：别再迷信AI失业率图表了，连Uber和会计师的历史都算不准的模型，凭什么预测你的未来？文章来自编译。
很多人都想分析哪些工作、公司和行业受人工智能的影响最大，并以此进行评分、制作图表，将其与大语言模型（LLM）的进展联系起来。我认为这基本上是不可能的：你不知道工作会发生怎样的变化，不知道周围的其他事物会随之发生什么改变，而且你根本无法用这种方式来衡量工作。
如果能有某种方法来分析哪些岗位、公司和行业正面临人工智能的冲击，能给它们打分、画图，并对比大语言模型的发展进程，那确实很美好。从原理上讲，我们知道人工智能就像以往每一波技术大潮一样，必然会摧毁一些工作，同时创造另一些处理。但具体是哪些呢？在过去三年里，一群人忙于处理人口普查数据，制作表格，画出了各种疯传的图表。
但我认为这基本行不通：我觉得这是在试图预言一件无法预言的事情。
看清这个问题的最简单方法，就是针对过去的其他重大技术变革进行回测。一些本该遭受重创的行业最终反而规模大增，而一些确实遭受重创的行业，本该是具有免疫力的。
于是我们发现，人类花了一个世纪来实现会计自动化：我们发明了计算机、打孔卡、大型机、数据处理系统、数据库、个人电脑、电子表格、ERP、云端……事实上，半个科技行业都是围绕着这一自动化进程建立起来的。然而，会计师的人数却一直在上升。
这是宏观调查数据，但在微观层面也能看到类似的情况。接下来的这张图表已经尽可能详尽了：50 年的金融自动化似乎并没有损害注册会计师（CPA）的市场。如果你对受计算机自动化影响的职业做过任何分析，会计师理应排在榜首。Dan Bricklin 曾谈到，20 世纪 70 年代末，会计师利用 VisiCalc 软件，在几天内就能完成原本需要一个月的工作量。然而，看看结果如何。
我认为这张图表揭示了三点。首先，技术并不是唯一的变量：监管的变化产生了新的会计要求，导致对注册会计师的需求出现了一次性激增（这就是经济学家所说的“其他条件不变”）。其次，在关于自动化的讨论中，存在着被广泛提及的“杰文斯悖论”，这实际上是价格弹性的应用：如果你让做某件事变得更便宜，你是会花更少的钱（或资源、员工）去做同样的事，还是花同样的钱去做更多的事，抑或因为有了新的投资回报率（ROI）而花更多的钱去做更多的事？如果做一个现金流折现（DCF）模型以前要一周，现在只要 30 秒，你可能会做更多的模型。所谓“面临自动化风险”，可能意味着工作量增加，而非减少。
但更重要的情况是，如果你把过去既昂贵又耗时的事情自动化，使其变得廉价而快速，这可能会开启其他可能性。如果分析变得廉价且容易，你就会做更多的分析，而且大多是不同类型的分析。今天的会计师并不是在重复 1970 或 1980 年代完全相同的工作“只是量更大了”——他们虽然仍被称为“会计师”，但工作内容已经变了。新技术在起步阶段往往被用于“做更多旧的事情”，但结果很少仅止于此。
事实上，如果深究人口普查数据的细节，你会发现“会计师和审计师”本身是一个相当稳定的类别，但围绕这一称谓，许多其他财务岗位类别随时间出现又消失。比如“账单、过账和计算机操作员”这一职业在统计数据中出现了十年左右，随后就消失了。有多少次，这代表着某人职业生涯始于仓库管理员，随后因为记账方式的改变成了“过账机操作员”，最后在这些职能被软件吸收后，又作为仓库管理员退休，而人口普查并没有为“PC 操作员”设立分类？同样，“数据录入员”的分类依然存在，却没给“ERP 操作员”留位置。同一个做着同样实际工作（或者说服务于同样业务目的）的人，职位名称随时间变换，而“会计师”则是职位名称没变，做的事情却变了。
此外，我认为回测中出现的第二个问题是：工作本身可能完全没变，但你所处的行业根基却发生了变化。
互联网并没有真正改变一个优秀记者或优秀 A&R（艺人与制作）星探所需的素质，但（在美国）新闻业的工资是由一家通过卡车运输、拥有当地分类广告垄断地位的轻工业机构支付的，而唱片高管的薪水则源于制造和运输那些塑料和铝箔小圆片。这完全是另外一回事，在你试图分析文字编辑或音响工程师的工作本质时，根本捕捉不到这一点。互联网解构了一类商业模式，即产品和工作内容虽未受其影响，但业务根基却被颠覆了。
在我看来，同样的情况也会发生在人工智能身上：有多少人的工作受 AI 影响极低，但其所属的业务却依赖于另一个深受 AI 影响的岗位？有多少人的工作内容是 AI 极难模仿的，但他们公司抵御竞争的壁垒，恰恰是拥有大批在写字楼里从事枯燥工作的员工？AI 将使一系列过去昂贵的事物变得廉价甚至免费——这会开启什么，又会破坏什么，又会牵动多少岗位？
第三，延续过去技术产生重大且不可预测影响的主题，你的分析如何处理 Uber 这种案例？我在 2000 年代从事移动行业工作，当时大家都在谈论位置数据，但没人想到这对出租车是个问题——你可能会建议提高调度效率，但没人想到这会彻底改变这项工作的性质（并让一大堆价值 100 万美元的出租车牌照抵押贷款变得一文不值）。如果你在 1995 年计算职业的“互联网暴露度”，或者在 2005 年计算“智能手机暴露度”（没错，iPhone 之前就有智能手机），你有信心把出租车司机列入名单吗？
（来源：Todd Schneider / 大都会运输署）
狭义来看，使用 O*NET 这种工具分析职业构成及其自动化程度的问题在于，它无法告诉你该职业如何随自动化而萎缩或扩张，也无法预示该职业如何被分析范围之外的其他自动化进程所改变。
但我认为还有一个更根本的问题。即便抛开变化不谈，从原则上讲，我认为不可能对一项工作的内涵做出具有实用价值的、完整的描述。
阅读 O*NET 的职业描述让我想起专家系统的失败，当时人们认为可以通过逻辑步骤构建 AI 系统来进行图像识别或语言翻译。理论上，你可以描述一系列步骤让机器识别猫；理论上，你也可以写下律师事务所初级合伙人具体在做什么。但在现实中，这些事情过于复杂或微妙，无法用这种方式描述。当然，有时候工作确实只是一个可以化为按钮的任务，但这其实相当罕见。通常，工作是一系列我们无法明确解释的事物的复杂交织（顺便提一下，这也是为什么大多数人觉得聊天机器人很难用）。而且，一旦你深入细节，这些描述就会像机器学习之前的逻辑系统一样崩塌：显然，管理家族信托和在量化基金负责交易是相似的工作，它们都需要熟练使用 Lotus 1-2-3、Oracle 或 Quickbooks，却不需要 Bloomberg 终端。
Box 的首席执行官 Aaron Levie 将其描述为“盖尔曼健忘症”的一种变体。你非常清楚自己领域的复杂性，以及 AI 的处理能力有多么不足，但在面对其他领域时，你就忘了这一点——当你看到 Claude 生成的 PPT 模板或法律草案时，你会想：“哇，咨询公司和律所完蛋了！”当你聘请贝恩、波士顿咨询或麦肯锡时，他们确实会给你一些幻灯片，但那并不是你付费的对象。就像你买软件时会得到一些代码，但代码本身并不是产品。
反驳上述观点的人会说：好吧，说得好，确实存在重要的例外，但这总归是少数；从大方向和总体来看，说那些包含大量重复性文书工作的岗位受影响最大“肯定”是正确的，甚至能算出有多少岗位受影响，程度几何。这听起来很有道理，但你不知道例外是否会盖过规律。假设我们在 1995 年观察互联网，并预言它将摧毁媒体的物理分发价值——这在“方向上是正确的”，但在实践中，这对唱片公司、报社、电视台和电影制片厂意味着完全不同的结果。你是在试图说一些具有预测价值的东西，还是仅仅在陈述一个陈词滥调？从平均水平来看，我们最终都会死。你分析的岗位中，可能有一半完全不受影响，而你可能完全漏掉了另一大批即将发生转型的岗位。你无从得知。
不久前，我注意到有人批评我的工作，说我总是以“看情况而定”结尾。但当你处于一种基础性新技术的早期阶段时，对特定领域的任何具体预测都只能靠运气蒙对：确实得看情况。正如 Yogi Berra 所说，“预测很难，尤其是关于未来的预测”。我们当然可以指出这种变革运作的框架和思维模型，可以回顾过去六次类似变革中发生的事情。我们甚至可以发表一些在大方向上可能正确言论。但只要你试图将其量化，按岗位、按行业建模，画出漂亮的雷达图，你就是在自欺欺人，因为你既不真正了解现在的这些工作，也不知道它们将如何演变。至少，你得问问你的模型是否能通过“报纸测试”、“Uber 测试”和“CPA 测试”：你的方法能否捕捉到这些效应？如果不能，它对我们又有什么用呢？
译者：boxi。
