就业暴露研究：一场注定失效的量化尝试
过去几年，量化"哪些工作、哪些公司、哪些行业暴露于人工智能"成为一项热门研究。逻辑似乎很直接：与其他大型技术浪潮一样，人工智能必然会摧毁一部分岗位——问题在于究竟是哪些。过去三年里，一批研究者投入了大量精力处理人口普查数据，试图给出答案。
Benedict Evans 对此持明确否定态度：他认为这本质上是一种对不可预测之物的预测练习。
用历史回测：会计行业的百年自动化
检验这类研究最简单的方法，是对过去的重大技术变迁做回测。结果显示，一些本该受损的行业最终变得更大，而一些看似无关的行业反而受到了冲击。
以会计为例。人类用了一个世纪的时间自动化这门职业：计算机、打孔卡、主机、数据处理、数据库、个人电脑、电子表格、ERP、云计算——事实上，科技行业的一半几乎就是围绕"自动化会计"这件事构建起来的。然而会计从业者的数量却持续增长。
这不仅是宏观调查数据中的现象，微观层面同样清晰。过去五十年，金融自动化几乎没有伤害到注册会计师（CPA）市场。如果把"计算机自动化影响最大的职业"列一份名单，会计理应排在首位——Dan Bricklin 曾回忆，上世纪 70 年代末的会计师借助 VisiCalc，几天内就能完成过去一个月的工作量。但从业数据讲述的却是另一个故事。
这张图表可以读出三层含义。第一，技术从来不是唯一变量：监管变化催生了新的会计要求，带来 CPA 招聘的一次性激增——这正是经济学家强调 ceteris paribus（其他条件不变）的原因。第二，自动化讨论中常被提及的杰文斯悖论，本质上就是价格弹性的应用：当某件事变便宜，人们会用同样的资源做更多这件事。一份现金流折现（DCF）分析从耗时一周变成 30 秒完成，结果往往是做更多 DCF。暴露于自动化，反而可能意味着岗位增加而非减少。
第三层含义更为关键。当昂贵而耗时的工作被自动化之后，分析变得廉价而简单，人们会开展更多分析，而且分析的内容也变了。今天的会计师不再做 1970 或 1980 年代的工作，他们承担的是更多、更新的工作——职位名称仍然是"会计师"，但工作内容已经完全不同。新技术通常从"旧工作，但做得更多"开始落地，却很少以此告终。
职业分类的失真
深入人口普查数据还会发现，"会计师和审计师"本身就是一个相当稳定的统计类别。相比之下，"开票员、调度员和计算机操作员"这类岗位在统计中出现了十年左右便消失了。一个典型的例子是：某人的职业生涯始于库存文员，后来成为"邮务机操作员"——因为库存盘点要借助邮寄设备完成——退休时又变回库存文员，只是工作已被软件吸收，而人口普查从未设立"PC 操作员"这一类别。同样，"数据录入员"至今仍有统计类别，"ERP 操作员"却从未存在过。同一个人、同一份实际工作（或者说服务于同一个商业目的），随时间推移会换上不同的头衔；而"会计师"这个头衔不变，做的却是不同的事。
回测暴露出的第二个问题则是：工作内容可能完全不变，改变的是别的。
工作没变，商业模式变了
互联网并没有从根本上改变"成为一名优秀记者或 A&R 星探"所需要的素质，但新闻行业的收入基础来自分类广告和卡车运输业务——那是另一套完全不同的东西，任何围绕"校对工作或音响工程师"构建的分析都无法捕捉到它。互联网剥离的是一类商业模式，其中产品与工作本身未必受互联网影响，但承载它们的业务受到了冲击。
按同样的逻辑，人工智能也可能产生类似效应：有多少人的日常工作很少接触 AI，但其所在公司的业务依赖其他被 AI 冲击的环节？有多少人从事的工作难以被 AI 替代，而他们公司的竞争壁垒不过是在许多大楼里养着一群做枯燥工作的人？AI 会把原本昂贵的东西变得极为廉价甚至免费——关键在于它解锁了什么、又打破了什么。
Uber 的案例几乎无法纳入任何此类分析。2000 年代在移动行业工作的人花大量时间讨论位置数据，但没人想到它会成为出租车行业的问题——顶多是建议更高效的调度方案。假如 1995 年按职业计算"互联网暴露率"，或 2005 年按职业计算"智能手机暴露率"（是的，iPhone 出现之前就有智能手机），任何分析师会把出租车司机列进名单吗？
（来源：Todd Schneider / MTA）
O*NET 的方法论缺陷
简言之，使用 O*NET 这类工具去分析"一份工作包含什么、其中多少可以被自动化"，思路本身就是有问题的。
更深层的障碍在于：从原则上讲，撰写一份有用且完整的工作描述几乎不可能。阅读 O*NET 的职位描述，会让人联想到专家系统的失败——人们曾以为可以用逻辑步骤构建出完成图像识别或语言翻译的 AI 系统。理论上，可以写出一系列让机器识别猫的步骤；理论上，也可以写下律所合伙人的全部工作内容。但实际上，这些事情要么太复杂，要么太微妙。诚然，有些工作确实只是单一任务、可以压缩成一个按钮，但这种情况非常罕见。绝大多数工作是一张复杂的网络，人类没有能力将其显性地表述出来——这也是多数人似乎很难用好聊天机器人的原因之一。一旦进入细节，这些描述就会像机器学习出现之前的逻辑系统一样崩溃：管理家族信托基金和管理量子基金的操盘手，显然是相似的工作，毕竟二者都需要熟练使用 Lotus 1-2-3、Oracle 或 Quickbooks。
Box 公司 CEO Aaron Levie 将此称为"盖尔-曼失忆症"的一种变体：人们会忘记这一原则在其他领域的适用性——看到 Claude 生成的 PPT 模板或法律文件草稿，便得出结论"咨询公司和律所完蛋了"。但当你聘请贝恩、BCG 或麦肯锡时，你确实会拿到一些幻灯片，但那并不是你付费购买的东西；正如买软件时你得到的是代码，但代码并不是产品本身。
"方向正确"的陷阱
对以上观点的常见反驳是：方向上和总体上成立即可，细节难免有例外——这在技术讨论中是常态。问题在于，你无法事先知道例外是否比规则更大。假设 1995 年面对互联网时说"这将摧毁媒体的实体分发价值"——这在方向上完全正确，但对唱片公司、报纸、电视台和电影工作室而言，实际意义截然不同。这样的判断究竟是具有预测价值，还是只是在复述一个常识？平均意义上的正确没有实际意义：你分析过的一半工作可能完全不受影响，而另外一大批需要彻底转型的岗位可能根本不在你的模型视野之内。无从得知。
Evans 表示，有人批评他的分析总是以"这要看情况"收尾。任何针对具体领域的精确预测，命中与否很大程度上依赖运气——正如 Yogi Berra 所说，预测是很难的，尤其是关于未来的预测。可以搭建框架和思维模型来说明变化可能如何展开，可以援引过去六次类似的技术变迁，甚至可以说出一些方向上正确的判断。但一旦试图将其量化、按职业和行业建模、绘制精美的雷达图，至少应当先问一句：这个模型能否通过"报纸测试""Uber 测试"和"CPA 测试"——它能否捕捉这些真实发生过的效应？如果不能，它对当下的讨论还有什么用处？
