Steve Hanke 质疑 AI 将大规模摧毁就业的预测

尽管企业高管和研究人员一再警告自动化将淘汰白领岗位，Steve Hanke 仍对 AI 将大规模摧毁就业的预测提出了质疑。这位经济学家通过 Google News 引发的观点，将讨论重点从 AI 能否执行任务，转向企业能否围绕它以盈利方式重组整个岗位。

这一差别至关重要。模型可以起草电子邮件、总结会议或生成软件代码，却未必能取代对最终结果负责的员工。大多数工作都结合了例行任务、判断力、责任承担、体力活动、人际关系，以及软件无法可靠获取的知识。

Hanke 的观点与一些科技领袖更为悲观的预测形成对照。Anthropic CEO Dario Amodei 曾警告，AI 可能淘汰许多初级白领岗位；而劳动研究人员也观察到年轻劳动者正面临初步压力。争议已不再是 AI 是否会改变工作，而是任务自动化是否会演变为大规模失业。

Steve Hanke 对 AI 就业问题实际主张的是什么

Hanke 的观点最好被理解为关于经济适应的论证，而不是声称 AI 不会影响就业。

根据这篇 Hanke 访谈，这位 Johns Hopkins University 经济学家并不认为 AI 会成为大规模的就业破坏者。这一立场否定了“模型能力增强必然导致永久性失业”的简单逻辑链条。

这条链条中缺失的一环是需求。当技术降低某种产品或服务的生产成本时，客户往往会购买更多。企业可以扩大产出、改善服务、推出新产品，或将员工转向此前成本过高的任务。

生产率指的是，劳动者以一定数量的劳动创造多少产出。若 AI 提升生产率，企业便可用更少的工时生产相同产出；也可以将这些工时用于服务更多客户、提高质量或进入另一个市场。

最终的就业影响取决于哪种反应占上风。当企业维持产出不变时，削减成本会降低劳动力需求；当更低成本吸引来足够多的新业务时，扩张则会增加需求。

这正是为什么一段演示视频无法终结关于就业的争论。模型完成一项任务，并不能说明客户会如何反应、企业会多快采用它，或之后会产生哪些新工作。

组织的行动速度也往往慢于模型开发者。企业必须将 AI 接入可信数据，制定审核流程，培训员工，管理安全问题，并明确谁对错误负责。这些限制将技术能力与具有经济价值的自动化区分开来。

客户支持模型便是一个清晰例子。它可以建议回复内容并检索政策表述，帮助一名客服代表处理更多对话。然而，企业仍需要人员处理例外情况、安抚愤怒客户、批准退款，并对结果承担责任。

软件开发中也存在同样的模式。编程助手可以生成函数或测试，但工程师仍必须决定开发什么、检查依赖关系、保护客户数据，并在部署后维护系统。更快的代码生产甚至可能带来更多审核和集成工作。

这并不保证就业会保持稳定。当软件吸收了足够多的任务、而需求未能增长时，企业仍可能裁撤岗位。更有力的主张其实更为有限：任务层面的自动化并不会自动导致职业层面的消失。

这一推理延续了技术变革的悠久历史。机械化降低了特定活动的劳动力需求，同时也创造了互补岗位、更大的市场和全新的产业。转型过程仍会伤害特定劳动者、地区和年龄群体。

这种区分能够避免乐观演变为自满。一个经济体或许能避免大规模失业，但数百万人仍可能经历裁员、议价能力减弱或艰难的职业转型。整体韧性并不能保护每一位劳动者。

因此，Hanke 的介入改变了问题本身。观察者不应只问模型能否完成人类工作，而应问企业是否在裁撤岗位、改变招聘计划、扩大产出或重新设计工作。

这些结果需要劳动力市场证据来判断。仅靠能力基准测试无法提供答案。

Google News 上的争论为何关乎任务，而非完整职业

支持 Hanke 的最有力证据，是将 AI 暴露程度与被 AI 完全取代区分开来。

International Labour Organization 与波兰 NASK 在 2025 年发布的一项研究发现，全球每四份工作中就有一份在某种程度上暴露于生成式 AI 的影响之下。然而，研究人员认为，转型比替代更可能发生。

这份 ILO 就业指数评估的是职业内部的任务，而非将每一份受影响的工作都视为同样容易自动化。这样的做法能更有效地描绘职场风险。

一份工作是由一系列活动构成的。行政员工可能需要安排会议、准备文件、解读特殊请求、保护机密信息，并协调多位人员。生成式 AI 对其中一些活动的处理能力强于另一些。

暴露程度衡量的是 AI 能否协助完成或执行相关任务。它并不能证明雇主一定会采用这项技术、技术一定能可靠运行，或整个职位一定会消失。

ILO 的研究人员根据当前生成式 AI 的能力，为任务赋予自动化评分。他们发现，多数职业仍包含需要人类参与的活动。文职工作仍然尤其容易受到影响，因为语言模型能够处理许多以文本和结构化内容为基础的任务。

性别和地域同样影响风险。在高收入国家，ILO 发现，近 10% 的女性就业集中在自动化潜力最高的职业中；男性的相应比例为 3.5%。

这一差距反映的是职业集中度，而非劳动者技术能力的差异。在许多发达经济体中，女性在文职和行政岗位中占比更高。这些工作包含更多当前模型能够复现的任务。

这一发现使任何令人安心的标题都变得复杂。AI 无需引发全经济范围的失业，也能造成不均衡的损害。它可能对雇用特定人口群体的职业施加集中压力。

转型也可能在不抹去某个职业的情况下减少员工数量。一个此前需要 20 名员工的部门，可能借助 AI 用 15 人运作。职位名称得以保留，但招聘减少，工作负荷发生变化。

初级就业则呈现出另一项脆弱性。初级员工往往从研究、起草、格式整理、文档编制和基础分析做起。这些任务帮助他们了解承担高级职责所需的背景。

如果 AI 吸收了这些任务，雇主将面临人才培养问题。他们今天可以少招初级员工，但这一决定可能在未来削弱其经验丰富员工的人才储备。

企业可能会重新设计职业早期岗位，而非将其淘汰。一名初级分析师或许会减少整理数据的时间，转而投入更多时间验证假设、访谈利益相关者和解释研究结果。

这种重新设计需要有意识的管理。它不会仅仅因为 AI 订阅服务变得可用就自然发生。

员工也需要获取支撑其决策的信息。随着 AI 改变员工的日常职责，个人知识系统可以帮助他们保存会议背景、文件和既往工作内容。可搜索的 AI knowledge base 能支持这种连续性，但不会替雇主决定应将哪些任务自动化。

任务框架为 Hanke 的论点提供了最坚实的基础。多数工作包含过多样性、隐性知识和责任要求，单一模型无法将其完全吸收。

但这一框架也指出了压力最先到来的地方。例行的数字化任务面临更快的自动化，而以人为中心和涉及体力活动的工作仍更难被替代。

因此，看到这场争论的 Google News 读者应谨慎理解“工作暴露”一词。它描述的是与 AI 的接触，而非一张必然到来的解雇通知。后果取决于雇主如何重组剩余工作。

真正的较量：工作被摧毁，还是被重新设计

只有当企业利用生产率收益来扩展工作，而不是把每项收益都视为削减人头的目标时，Hanke 的乐观论点才能成立。

企业并非在中性环境中采用 AI。高管面临降低成本、维护利润率，以及向投资者证明昂贵技术投资能够带来回报的压力。裁撤岗位比开拓新市场更快带来可见成果。

这种激励强化了“工作被摧毁”的论点。即使 AI 无法自动化整个职业，企业也可以将部分自动化与工作整合结合起来，剩余员工随之承担系统无法处理的任务。

另一种选择是工作重新设计。雇主以不同方式划分职责，设立审核岗位，扩大服务能力，并培训员工监督 AI 辅助流程。这条路径可以在提升产出的同时保留就业。

这两种结果都不会由技术自动决定。管理策略、客户需求、劳动力供给、监管和竞争压力共同塑造结果。

World Economic Forum 的 就业预测说明了这两个方向。其 2025 年报告预计，到 2030 年，全球将新增 1.7 亿个岗位，同时有 9200 万个岗位被替代，净增 7800 万个职位。

这些数字涵盖的结构性力量并不只有 AI。人口结构变化、能源转型、经济状况和更广泛的数字化采用，都会影响这些预测。

不过，这一估计抓住了核心冲突：大规模岗位流失和就业净增长可以同时发生。失去岗位的劳动者不一定具备新岗位所要求的地域条件、经验或技能。

一名被替代的行政助理不会立即成为 AI 工程师。培训需要时间、收入、机会，以及愿意雇用缺乏直接经验者的雇主。

地域又带来了另一种错配。新的数据中心、能源和技术岗位可能出现在与自动化办公场所不同的地区。全国就业可以上升，而特定社区却失去稳定工作。

时机与总量同样重要。如果企业快速淘汰岗位，而新产业招聘缓慢，劳动者可能经历多年的失业或收入下降。2030 年的有利结果，并不能消除 2027 年痛苦的转型。

就业类型同样重要。一份工时不可预测的新合同岗位，并不一定能替代带薪职位所提供的稳定保障。只统计岗位数量，可能掩盖工资、福利和议价能力的变化。

汉克的观点在宏观经济层面最有说服力。新技术通常会降低生产成本、刺激投资，并创造互补性需求。经济并不是一组静待自动化的固定任务集合。

它的弱点则体现在分配层面。市场可以创造新的机会，却未必会把这些机会交给那些承担了调整成本的同一批劳动者。

这种张力解释了为何企业承受的压力大于模型开发者。AI 实验室可以展示能力，但雇主决定这种能力是支持劳动者，还是替代他们。

投资者应关注运营指标，而非宣传话术。人均营收上升，可能是因为员工生产率提高，也可能是因为公司裁员，或两者兼有。

客户同样会影响这一平衡。如果成本下降带来更好的服务或更低的价格，需求就可能扩大。如果企业保留全部节省下来的成本、同时服务质量下降，生产率提升就不会产生同样的经济反应。

因此，最重要的较量并非人类智能与机器智能之间的对抗，而是扩张与攫取之间的较量。

扩张是利用 AI 创造更多价值、服务未被满足的需求，并创造互补性工作。攫取则主要利用它削减劳动力成本，同时维持组织原有的目标不变。

汉克的预测取决于扩张能否足够频繁地占据上风，以抵消岗位替代的影响。未来几个季度将显示企业行为是否支持这一假设。

乐观的 AI 就业观点尚未解答的问题

避免就业末日，并不意味着能够避免工资走弱、职位空缺减少，或让刚开始职业生涯的人面对更严峻的市场。

就业只是衡量劳动力市场健康状况的一项指标。劳动者可以仍然保有工作，却获得更小的加薪幅度、承担更多职责，或失去对工作评估方式的控制权。

近期研究越来越关注这些较为隐蔽的影响。企业可以通过更高利润率攫取大部分生产率收益，而非通过薪酬或缩短工作时间与员工分享。

工资压力尤其难以察觉。雇主很少会宣布 AI 削弱了员工的议价能力。这种变化通常表现为加薪放缓、报价降低，或可竞争的职位空缺减少。

招聘冻结也带来类似的统计问题。一家公司可以通过自然流失缩减规模，却不将这种变化描述为 AI 裁员。现有员工仍在，但离职者不再被补充。

这种模式对应届毕业生尤为重要。他们依赖新的职位空缺，而非既有岗位的延续。稳定的整体失业率，完全可能与不断恶化的初级岗位市场并存。

因此，对汉克最关键的反驳涉及分配与时间，而不只是岗位总数。AI 即便未能大规模摧毁就业，仍可能将收入从劳动者转移给所有者。

它还可能加强监控。记录产出、评估互动，或提出人员配置建议的软件，即使不替代任何人，也可能削弱劳动者的自主权。

质量风险又增加了一项限制。生成式 AI 系统有时会以自信的语言给出错误信息。在错误会影响资金、健康、法律权利、安全或公共安全的领域，人工审核仍然不可或缺。

审核工作并非没有成本。员工必须足够了解相关主题，才能识别错误、调查不确定的输出，并记录最终决定。更快的生成速度，可能带来更多需要核验的材料。

责任同样难以自动化。模型无法承担法律责任、就组织意图作证，或修复受损的客户关系。在具有重大影响的决策背后，企业仍需要能够承担责任的人。

ILO 的工作场所分析强调，技术的影响取决于实施方式。社会对话、培训和劳动者保护，会影响转型是否能够改善工作质量。

这些保障措施挑战了“仅凭市场适应就能带来良好结果”的观点。劳动者的议价能力各不相同，而企业掌握的计划自动化信息也多于员工。

小型企业面临独立的限制。它们可以获得强大的 AI 工具，但许多企业没有专门的安全团队、整洁的内部数据，或进行广泛评估的时间。即使技术在受控测试中表现良好，实际采用也可能仍停留在浅层。

大型企业在某些领域能够更快推进，因为它们拥有资金和专业人员。不过，遗留系统、采购规则和监管义务也会拖慢企业部署。

这些差异使全国范围的预测充满不确定性。AI 的采用速度不会在每家公司和每种职业中保持一致。

模型可靠性也可能迅速变化。更强的推理能力、更低的运营成本，或更成熟的智能体系统，可能让更深层次的自动化变得经济可行。今天的任务边界并非永久不变。

谨慎的结论并不是汉克错了，而是他的观点针对的是一种结果——大规模的就业净损失——而劳动者实际承受的是多种其他形式的压力。

最可能的近期情景，是生产率提升与选择性裁员、招聘减少、大规模岗位重塑和不均衡的工资影响并存。这种组合看起来不如失业危机那样戏剧化，但仍然值得关注。

Google News 的报道可能会把这种复杂性压缩成相互对立的标题。一方称 AI 将消灭工作，另一方则援引曾经创造繁荣的早期技术。

这两种框架都忽视了实际运营中的中间地带。雇主将自动化单个工作流程，发现新的瓶颈，调整人员配置，然后重复这一过程。劳动力市场的影响将通过成千上万个决策逐步累积，而非由一次决定性事件造成。

职业早期劳动者承担着最严峻的风险

最大的即时威胁并不是所有办公室岗位的消失，而是职业阶梯第一层的被侵蚀。

初级岗位的任务往往看起来容易自动化，因为它们涉及可预测的数字化工作。初级员工会总结文件、准备初稿、进行基础研究、更新记录，以及编写常规代码。

这些任务同时也是培训。它们让劳动者接触组织内部术语、客户预期、常见错误，以及资深同事的判断。

在没有替代学习机制的情况下移除这些任务，会造成一项隐性成本。企业今天节省了时间，却缩小了明天已为高级岗位做好准备的人才储备。

管理者不能假设审核 AI 输出能带来同样的发展。有效审核需要对正确答案应包含什么形成认知模型。初学者部分正是通过亲自完成工作来建立这种模型。

这形成了一种经验悖论。雇主希望员工能够监督 AI，但劳动者需要先积累实践经验，才能可靠地判断它。

组织有多种方式应对这一问题。它们可以保留结构化轮岗，要求员工解释自动化输出，并让初级员工承担面向客户或跨职能的工作。

它们还可以衡量学习成果，而非单纯衡量原始产出量。如果模型完成初版草稿，员工可以记录错误、改善来源质量，并为最终建议进行辩护。

这些做法需要投入。一家只关注即时节省的公司，很可能会在建立替代培训体系之前就削减初级岗位招聘。

风险并不局限于专业服务领域。客户支持、营销、会计、软件开发和法律运营，都依赖于让劳动者从常规任务逐步走向需要更多判断力职责的人才管道。

学徒制模式在早期技术变革中得以延续，是因为行业仍需要有经验的人。AI 提出了这样一种可能：企业会在职业早期阶段投入不足，却期待后续阶段照常延续。

教育机构同样面临压力。当模型能够即时生成这些输出时，教学生写通用文章或基础代码的价值会下降。课程必须强调核验、领域知识、问题界定和可问责的决策。

这种转变不应成为放弃基础技能的借口。从未学会在没有辅助的情况下写作、计算或编程的学生，可能难以发现复杂的错误。

已经身处组织内部的劳动者拥有优势。他们了解内部流程、关系和例外情况，而新求职者难以轻易证明这些能力。因此，AI 的采用可能保护现有员工，同时收窄进入职场的入口。

这种结果不会表现为大规模岗位消失，而会表现为一代人获得的起步机会减少。

这种影响随后可能波及工资和流动性。当更少的雇主培训缺乏经验的劳动者时，求职者将竞争更小范围的职位空缺。企业可以要求更多经验，同时提供更低报酬。

汉克的历史论点仍提供了乐观的理由。新行业和新职责可以创造替代性的入门路径。AI 评估、数据治理、工作流设计、合规和客户实施，都需要人类劳动。

然而，其中许多岗位需要的技能，劳动者过去正是通过如今面临自动化的工作培养出来的。雇主必须搭建桥梁，而不能假设市场会自动提供有经验的候选人。

这正是岗位重塑论点面临最严苛检验的地方。重塑不能意味着给一名资深员工配备一个 AI 系统，然后取消整个初级团队。

一个可持续的模式必须说明人们如何进入、学习和晋升。没有这条人才管道，今天的生产率收益可能在明天造成能力短缺。

Steve Hanke Google News 辩论后该关注什么

三项信号将比又一次关于通用人工智能的预测，更有效地检验汉克的论点。

第一项信号是 AI 易受影响职业中的初级岗位招聘情况。初级软件开发人员、分析师、行政人员、营销人员和客户支持人员的职位空缺，能让人较早观察到雇主行为。

如果这些职位空缺持续下降，尤其是在整体商业活动仍然健康的情况下，就会削弱乐观观点。这将表明企业正在利用 AI 减少对新劳动者的需求。

如果初级岗位招聘保持稳定或上升，则会强化汉克的观点。这表明即使雇主将工作中的常规部分自动化，他们仍然需要人。

第二项信号是生产率、产出与员工人数之间的关系。仅凭生产率增长，无法区分扩张与成本削减。

如果企业报告产出增加、客户需求增长以及就业稳定，AI 将更像一种互补性技术。劳动者将产出更多，而组织则在追求更大的市场。

如果人均营收上升主要是因为员工人数下降，证据就会支持替代观点。投资者应将人员变化与销售额、服务量和资本支出一并考察。

第三项信号是高度受影响职业中的工资增长。就业可以保持稳定，而薪酬增长却失去动力。

工资增长放缓可能意味着，AI 增加了可用产出的供给，或削弱了员工的议价能力。这一结果将挑战任何仅以岗位数量来定义成功的观点。

健康的工资增长则表明，生产率提升正在惠及劳动者，尤其是在职位空缺缩短、招聘强劲的情况下。这将支持这样一种论点：AI 是稀缺人类专业能力的补充。

政策制定者应按职业、年龄、性别和地区追踪这些信号。全国平均数据可能掩盖文职人员、应届毕业生或依赖少数雇主的社区所遭受的集中性损失。

研究人员还必须将 AI 的影响与利率、贸易政策、人口结构变化及正常商业周期区分开来。企业有时会在因更广泛的财务原因裁员时，将其归因于 AI。

反过来也是如此。企业可能在不将决策标注为 AI 项目的情况下，悄然实现工作自动化。研究人员需要招聘信息、工资单数据、任务调查和企业披露，才能构建可信的全貌。

读者不应将单个月的数据视为最终结论。招聘和投资会波动，而组织层面的变化可能需要数个季度才会显现。

更有价值的问题是，是否正在形成一种持续一致的模式。受影响的职业，其职位空缺是否比可比岗位减少得更快？生产率提升是否正在扩大需求？工资是否跟得上？

Steve Hanke 的论点值得关注，因为它挑战了一种过于简单的假设：在动态经济中，能够实现工作自动化，并不能决定最终的就业岗位数量。

批评者同样值得重视，因为总体层面的适应可能掩盖特定人群遭受的严重损失。对于那些因技能、所在地或年龄而无法获得新机会的人来说，净增长几乎无法带来安慰。

现有证据既不支持自满，也不支持对 AI 引发就业末日的确定判断。它更指向快速的任务变化、选择性的岗位替代，以及对谁将获得收益的一场角力。

这正是未来 Google News 报道应采用的标准。在接受轻松实现繁荣的承诺，或全民失业的预测之前，应先观察实际的招聘、产出和工资表现。

对劳动者而言，务实的应对方式是记录自己的判断如何提升 AI 辅助成果，而不只是自己使用模型的速度有多快。对雇主而言，检验标准在于自动化是否在保留人员学习路径的同时，扩大了企业的雄心。

接下来的劳动力报告和企业披露将揭示，AI 会成为推动更广泛生产的引擎，还是一种更狭窄的削减工资支出的机制。你的工作场所目前正朝着哪一种结果建设？