这两天读了一篇来自斯坦福的名为《Future of Work with AI Agents》的论文，挺有意思。它似乎想为咱们打工人最关心的问题 -- AI到底会如何影响我们的工作 -- 提供一份清晰的答案。
为什么有意思呢？主要是它不像之前看到的很多所谓大V的文章一样，停留在泛泛之谈的预测上，而是尝试做一件更扎实的事：通过一套创新的研究方法，以及扎根到美国各行各业的深入调研，系统地为我们描述一副AI在真实工作场景中落地潜力的全景图。
它的研究规模不小，调研了来自美国104个职业的1500名一线工作者，以及52名顶尖的AI专家。可以说，这有点像一份针对AI时代就业市场的“深度体检报告”。
接下来，我们就来看看，斯坦福的这套研究方法到底创新在哪？这份“体检报告”又得出了哪些值得我们关注的结论？
一把尺子，两种视角：看斯坦福如何“解剖”AI与工作
在深入了解这篇论文得出的结论之前，咱们有必要先来了解一下它的研究方法到底好在哪？
过去，对关于AI对工作影响的研究，或多或少都有些局限。有的研究范围太窄，只盯着软件工程、客服等少数几个行业，很难反映出整个社会的复杂情况。还有的研究，更关心如何用AI帮老板们降本增效，却很少去倾听一线工作者的心声和价值观。
面对这些问题，斯坦福的研究团队换了一种全新的思路，我总结了一下，大概可以概括为以下三种方式，目前是让研究变得精细且全面。
1. 不谈职业，只聊任务，让问题更具体
首先，他们把研究的颗粒度放得特别细。
以前我们总问“AI会取代程序员么？”，这个问题太大也太模糊。斯坦福的研究者换了个问法，他们把一个职业拆分成无数个具体的任务，这些任务都来自于美国劳工部官方的O*NET数据库，非常权威。
比如，他们不问“信贷分析师”的未来，而是分别研究这个岗位中的具体任务，像是“分析信贷数据和财务报表，以确定信贷风险”。这样做的好处是，结论不会大而化之，更能反应真实情况的复杂性，因为同一个职业下的不同任务，被AI影响的程度可能也天差地别。
2. 人类能动性量表（Human Agency Scale, HAS）的引入
这是本次研究最大的亮点。传统研究总爱问一个任务“能在多大程度上自动化？”，但这忽略了另一种更重要的可能性：增强而非取代。也就是AI如何辅助人类，让我们变得更强。
为了科学的衡量这一点，斯坦福的研究员独创了一套 “人类能动性量表”（Human Agency Scale, HAS）“ 。你可以把它理解为一把衡量”一个任务需要多少真人参与“的尺子，从H1到H5分为五档：
- H1-H2 (自动化主导)： AI替代人的能力，完全独立或在极少帮助下完成任务 。比如“将会计审计数据转录到工作表” 。H3 (平等伙伴)： 人与AI紧密合作，形成1+1>2的效果 。这就是典型的“人机协同”。H4-H5 (人类主导)： AI作为辅助工具，任务的完成高度依赖人类的决策和监督 。比如“参与线上会议以了解最新趋势” 。
这个表的形态可以看看论文中的图示，我已将其翻译成中文：
这个量化表可以在研究的过程中帮助摆脱”要么被取代，要么不被取代“的二元思维，为人机协同模式的探讨提供了一套科学的表述。
3. 工作者意愿 vs 专家能力
我认为这是整个研究设计的点睛之笔。
光听工作者怎么想还不够，因为普通人可能并不完全了解AI技术到底发展到哪一步了。
所以，研究团队引入了第二个至关重要的视角：他们找来了53位来自谷歌、MIT、斯坦福等机构的顶尖AI专家，请他们从纯技术视角，同样这些任务，以当前的技术，AI到底能够做到什么程度。
通过对比一线工作者的意愿和AI专家的能力评估，研究就能清晰地找出理想与现实的契合与差距。比如，哪些是大家想用，技术也成熟的香饽饽？又有哪些是技术可行，但大家比较抵触的硬骨头？
这里还有一个针对工作者意愿访谈的设计创意是，他们采用音频访谈的模式。这是因为研究者们认为，相对于纯文本的问卷模式，受访者用口头表达的方式可以让他们更自由的表达观点，不会被预设的选项所约束，另外音频也可以捕捉到受访者的语气、情感、犹豫，这些信息都全面反映他们的真实想法和态度，从而获得更细微和深入的数据。
基于以上的三个设计理念，论文中将最终的研究方案组合成了一个完整、新颖的的审计框架。
正是这套精巧的组合拳，让斯坦福的这份研究相对于传统的泛泛之谈更具洞见。那么，他们到底得到了什么结论呢？
这份“体检报告”的四大核心结论
了解了这套严谨的研究方法后，我们再来看看这份汇集了1500名一线工作者和52位AI专家智慧的”体检报告“，到底告诉了我们哪些重要的结论。
结论1：工作者想让AI帮助减负，而非取代
研究首先揭示了工作者对AI自动化的真实态度。看上图，数据显示，在所有被调研的任务中，有 46.1% 的任务，一线工作者都对其自动化表现出比较积极的意愿（即自动化渴望度得分高于3分，满分5分）。这打破了“员工普遍抗拒AI”的刻板印象。
那么，大家为什么愿意拥抱自动化？通过数据可以进一步分析。最重要的原因并不是为了偷懒，而是 “将时间解放出来，从事更高价值的工作” 。据统计，这一理由在所有支持自动化的回答中被提及的比例高达 69.38% 。其次的理由是任务本身“重复或乏味（占比46.6%）” 和 “任务压力大或精神消耗严重（占比25.5%）” 。
这组数据清晰的表明，工作者普遍希望AI能成为一个强大的辅助，帮助他们从低效、重复性的工作中解脱出来，而不是一个准备随时抢饭碗的替代者。
结论2：通过绘制未来职场的导航图，发现很多投资跑偏了
通过将工作者自动化意愿与AI专家的技术能力评估相结合，论文绘制出了一张非常直观的 ”自动化意愿-能力景观图” ，并清晰的划分出四大区域。
从上图可以看出这四个区域分别为：
- “绿灯区”（高意愿、高能力）： 这些是AI落地的黄金地带，代表了兼具社会需求和技术可行性的任务，是实现生产力增益的首选 。“机遇区”（高意愿、低能力）： 这里市场需求比较旺盛，但现有技术还不是很成熟，是AI研发最应重点攻关的方向 。“红灯区”（低意愿、高能力）： 技术上虽然可行，但从业者内心比较抵触。在此类任务上如果强推AI可能会遭遇较大阻力，因此需要格外谨慎 。“低优先级区”（低意愿、低能力）： 无论是从需求还是技术角度看，这些任务的AI化优先级都较低 。
一个比较有趣的发现是，研究团队以著名创业孵化公司YC为样本，分析了当前AI领域的投资流向。结果显示，有高达 41.0% 的YC创业公司与任务的匹配，都错位地落在了”红灯区“和”低优先级区“。这表明，当前投资的方向与市场的真实需求（工作者意愿），以及技术研发的机遇之间，都存在着比较大的错位。
结论3：未来的主流是“人机伙伴”，而非“人机大战”
论文中在探讨理想的人机关系时，引入的”人类能动性量表“发挥了比较重要的作用。数据显示，H3（平等伙伴关系）成为了绝大多数职业中最被期望的人机协作模式，在 45.2% 的职业中占据主导地位 。
这再次证明了，工作者的内心深处其实并不抗拒AI，而是期望一种”1+1>2“的强强联合、优势互补的协作模式。对于AI模型或者系统的开发者来说，未来的核心不再仅仅是追求单一的自动化能力，而是如何设计出能够与人类进行无缝、高效协作的人机系统系统。
结论4：未来十年，这些“人类技能”将变得极其珍贵
这可能是整个论文中对我们普通职场人发展最有启发的一点。研究团队将O*NET数据库中的任务与核心技能进行关联，然后分别按照 ”当前市场的平均工资“ 和 ”AI专家评估的所需人类能动性（也就是多大程度离不开人）“ 对这些技能进行排序，对比结果比较意外，却也在情理之中。
价值相对被削弱的技能
许多目前的高薪硬核技能，由于AI的快速发展，它们对人类的不可替代性却在降低。如上图所示，最典型的就是”分析数据或信息“，这项技能在工资排名中高居榜首，但在”所需人力介入程度“的排名中却大幅下降。因为这正是AI越来越擅长的领域。
价值快速上升的技能
与之相反，那些AI很难介入、需要高度人类智慧和复杂的情感参与的技能，会变得越来越重要。在”所需人力介入程度“榜单上排名前列的技能包括：
- 组织、规划和优化工作培训和教导他人与上级、同事或下属的沟通能力指导、引领和激励下属
一句话总结就是，机器擅长的、可标准化的“信息处理”型技能正在被商品化，而真正体现“人味儿”的组织协调、教学沟通、情感互动、创新创造等“软技能”，将是未来职场中越来越重要的核心竞争力 。
论文研究方法的局限性
虽然论文采集了丰富且多样化的评估数据，以及设计了一套创新的审计框架，最终得出了不少高置信度的结论，但论文最后也讨论了这套评估方案自身的局限性，我们可以辩证的去看待这个问题。
首先是时间快照问题。这项研究的数据主要集中收集于2025年1月至5月之间，也就是说它反映的是“截至2025年初”的AI技术状况和工作者的看法 。但AI技术正在飞速发展，专家们对技术能力的评估可能很快就会过时。因此，这项研究可以视为一个宝贵的基线，并对核心数据集进行持续的更新，这对于追踪长期趋势非常重要。
第二是反馈的偏差问题。 尽管基于音频访谈这种方式试图引导参与者进行深度思考，但论文中也坦言，受访的一线工作者对AI的认知可能仍然有限，或者因为担心工作安全并没有真实表达自己的想法。例如，对于一项任务，员工可能会因为害怕“教会徒弟饿死师傅”而低估其被自动化的意愿。也就是说，音频访谈能在一定程度上捕捉更真实的情绪，但这种潜在的偏差无法被完全消除。
最后是文化单一性的问题。 这次研究的对象是美国的劳动力，其数据和发现都基于美国劳动部的职业数据库和美国劳动者群体。然而，不同国家和文化背景下的劳动者，他们的工作价值观、对自动化的接受度以及对“人类能动性”的偏好可能会有比较大差异。因此，将这套优秀的审计框架应用于其他国家和地区，进行跨文化比较研究，将是一个非常有价值的未来方向。
结语
尽管有一定的局限性，但斯坦福的这份论文最大的价值在于，用一份前所未有的科学框架，将关于AI与工作的讨论从泛泛而谈的猜想时代，带入了严谨证实时代。也为我们职场人清晰了接下来要努力的方向。
