人工智能正在自动化创造专家的工作

当公司决定自动化什么时，他们通常会衡量时间、成本、错误率和输出量。然而，他们很少衡量任务对执行该任务的人的学习和成长的影响。这一疏忽很重要，因为许多看似重复或低效的任务也是人们通过隐形的学徒制成为有能力的专业人士的过程的一部分。

初级分析师建立第一个模型、开发人员追踪基本错误、支持代理处理常见投诉以及律师准备初始研究备忘录，都在产生工作成果的同时，也在学习如何将信息拼凑在一起、哪些细节重要、哪里会出现错误以及何时熟悉的模式不再适用。如果人工智能移除了任务而没有替代学习过程，组织可能会在短期内获得速度优势，但同时也会削弱他们将来所需的专业知识。

因此，劳动力问题比是否会减少入门级招聘更为重要。领导者需要问的是，曾经将缺乏经验的员工转变为能够判断、纠正和监督智能系统的专业人员的实践循环会发生什么变化。

专业知识是通过纠正建立的

专业知识通常被描述为知识，但知识本身是不够的。经验丰富的人已经遇到了足够多的案例，以便识别出弱信号、注意到不寻常的组合，并理解何时标准答案是不安全的。这种判断力是通过反复尝试工作、接受反馈、纠正错误和看到决策后果的循环过程中发展起来的。

许多初级任务之所以有价值，是因为它们创造了这些循环。撰写分析的第一稿迫使某人决定什么是相关的。清理数据揭示了真实信息的不完美。处理直接的客户案例教会了正常模式，这后来使得异常案例更容易被识别。审查专家的完成输出并不创造相同的深度，因为困难的选择已经被做出并隐藏了。

人工智能可以压缩这些循环。第一稿在员工定义问题之前就已经到来。代码助手在开发人员追踪失败之前就提出了解决方案。研究工具在分析师比较来源之前就总结了证据。输出可能更好、更快，但员工收到较少的机会来建立内部模型，以了解为什么它是正确的。

人工智能可以加速学习，但设计至关重要

风险并非不可避免。关于工作中生成式人工智能的一些最强有力的证据表明，它可以帮助经验较少的员工更快地学习，当它被用作指导而不是参与的替代品时。

一项关于 5,179名客户支持代理的NBER研究发现，获得生成式人工智能助手的权限使生产力平均提高了14%，在新手和技能较低的工人中，生产力提高了34%。研究人员发现，系统有助于传播更强的代理的做法，并使新工人更快地沿着经验曲线下降。

工作的设计很重要。代理在真正的客户对话过程中收到建议，但他们仍然必须解释情况、选择如何响应并观察结果。学习循环保持完整。人工智能添加了及时的专家模式访问，而没有完全将员工从决策中移除。

这与工作流程不同，在工作流程中，系统完成任务，员工在最后进行快速批准。当人们在诊断、选择和后果中保持活跃时，人工智能可以作为教练。当他们被简化为接受精致的输出时，技术可能会在短期内提高生产力，但对长期能力的贡献则远远不够。

自动化正在接近构建人类资本的任务

很容易假设人工智能只会移除低技能、重复的工作。当前的证据表明，情况更为复杂。

Anthropic的 2026年1月经济指数发现，Claude涵盖的任务通常需要比经济平均水平更高的教育水平。在一个实验估计中，研究人员发现，如果从职业中移除这些人工智能涵盖的任务，就会对工作产生第一次解除技能的效果，因为许多涵盖的任务代表了角色的高等教育组成部分。Anthropic谨慎地表示，这不是一个预测，因为职业可能会演变，新的任务可能会出现，但这一发现应该改变公司对自动化的思考方式。

常规和发展并非相互排斥。为分析做准备可能对经验丰富的员工来说已经变得常规，但对于初级员工来说，它仍然是必不可少的实践。草拟标准合同、调试熟悉的错误、准备预测和审查客户历史可能是可自动化的，但它们也让员工接触到该职业的结构。

这就产生了一个战略问题。最容易自动化的任务也可能是新员工学习所需上下文的任务，这个上下文对于以后处理更困难的任务是必要的。

验证悖论

许多组织通过说人们会从生产转向验证来应对。人工智能将生成工作，而人类将检查准确性、应用背景并保持问责。这听起来很合理，但它包含一个悖论：验证本身需要人工智能自动化工作曾经帮助创造的专业知识。

一项 微软研究院关于319名知识工作者和936个生成式人工智能使用示例的研究 发现，对人工智能的信心增加与批判性思考努力减少有关。该研究还发现，人工智能将批判性思考转向验证、集成和任务管理。这些活动很有价值，但一个人不能在没有足够的领域知识来识别可能缺失的内容的情况下有效地验证。

缺乏经验的员工可以检查答案是否明显不一致或不支持。然而，很难注意到分析使用了错误的框架、忽略了操作约束或出于错误原因得到了合理的结论。精致的人工智能输出可能会隐藏缺乏理解，因为它在员工发展出审问它的判断力之前就已经看起来完整了。

关于 “锯齿状技术前沿”的研究使问题更加具体。在758名顾问的实验中，人工智能用户在技术能力边界内完成任务的速度快了25.1%，结果质量高了40%以上。在技术边界以外的任务上，人工智能用户比没有使用人工智能的参与者完成正确解决方案的可能性低了19个百分点。

因此，关键能力不是简单地使用人工智能，而是认识到系统何时在可靠性能边界之外运行。这个边界很少明显，学习如何看到它需要成功案例和失败的经验。

隐藏的继任风险

世界经济论坛的 2025年未来工作报告发现，雇主预计到2030年，39%的工人的核心技能将发生变化。它还发现，63%的雇主已经将技能差距视为变革的主要障碍，而77%的雇主计划提高员工的技能，41%的雇主预计会减少劳动力数量，因为人工智能会自动化任务。

这些策略可能会相互冲突，如果组织通过自动化移除了太多构成技能的工作。公司可以减少初级招聘，依靠高级员工监督人工智能，并报告强大的生产力几年。然而，弱点出现在以后，当经验丰富的人离开，需求增加，或者组织需要能够处理系统未见过的情况的员工时。

高级专家也可能成为新的运营约束。如果人工智能增加工作量，而只有少数人可以验证困难的输出，那些人会花更多时间审查和纠正，而不是教学。公司获得生产能力，但集中判断在少数人手中。

没有任何组织可以自动化学徒制，然后假设它将继续从市场购买经验。 如果许多公司遵循相同的策略，外部的经验丰富的人才池最终会变得更薄、更昂贵。

衡量工作的发展价值

在自动化任务之前，公司应该根据两个维度来评估它。第一个是输出价值：结果有多重要、多么昂贵、多么耗时？第二个是发展价值：执行任务可以建立什么能力？

输出价值低、发展价值低的任务是自动化的明显候选者。重新格式化常规文档或在系统之间转移信息可能在基本能力达到后教会很少的东西。

输出价值高但发展价值低的任务通常可以带有适当控制的自动化。组织仍然需要治理，因为结果很重要，但保留手动过程可能对员工的成长贡献很小。

最被忽视的类别包含输出价值适中但发展价值高的任务。初级员工的第一稿可能在商业上并不重要，因为高级员工会修改它，但产生它会创造一个有价值的比较，比较初级员工的初步推理和专家的反馈。移除这一步节省了时间，但也移除了练习。

输出价值和发展价值都很高的任务通常应该被增强而不是完全委托。员工可以使用人工智能进行研究、选项和批评，但他们应该保留对问题的定义、决策的解释和结果的学习的有意义的责任。

故意构建学徒层

一旦确定了发展任务，公司就可以重新设计它们，而不是保持低效的工作流程不变。目标不是让员工重复每一个手动过程，而是以更快、更有意图的形式重现那些建立判断力的体验。

一个选择是保留第一次思考。人工智能推荐之前，员工记录下初始诊断、预测或决策。系统可以提供一个替代方案，员工必须解释两个方案之间的不同之处以及他们会使用哪种方法。

组织还可以建立人工智能失败、边缘案例和有争议的决策的库。仅审查成功的输出会教员工相信系统。研究它失败的地方有助于他们认识到需要升级、额外证据或人工干预的条件。

经理应该评估学习是否超出了工具。员工能否解释最终输出背后的推理？他们能否确定会使其错误的假设？他们能否在上下文变化或人工智能不可用时适应？这些问题揭示了更多关于准备就绪的信息，而不是使用的提示数量或完成的任务数量。

最重要的是，初级员工仍然需要真正的责任。模拟和结构化练习有帮助，但专业知识也取决于后果、反馈和与真正复杂性的接触。人工智能应该使这些体验更安全、更频繁，而不是完全消除它们。

劳动力优势将来自更快的专业知识

最强大的组织将不是那些自动化最多的初级任务的组织。它们将是那些消除了低价值努力，同时加速了能够负责任地使用、挑战和监督人工智能的人的发展的组织。

这需要对自动化的回报率进行更广泛的定义。节省的时间和产生的输出很重要，但领导者也应该衡量新的工作流程是否加强或削弱了组织未来的判断力供应。一个在短期内高效但损害了专业知识管道的流程可能只在短期内是高效的。

在批准下一个自动化项目之前，领导者应该问一个额外的问题：人们通过做这项工作学到了什么，而在工作被自动化后，这种学习将在哪里发生？

答案将决定人工智能是否只是产生更多的输出，还是帮助产生下一代专家。