AI 最先压缩的可能不是最难工作，而是“结果容易验收”的中等脑力劳动

关于 AI 与就业，最常见的分类方式是“它会不会替代低端工作”。这个分类很可能不够准确。

自动化并不天然偏爱“低端”。机器最喜欢的是另一类任务：输入能被明确表达，过程可以重复，输出容易检查。

一个资深律师做复杂并购谈判很难自动化；一个初级法务整理标准合同更容易。一个顶级产品经理决定公司做什么很难自动化；一个运营人员把固定数据填进周报更容易。

这里的关键不是工资，而是可验证性。

数据与背景来源：World Economic Forum；International Labour Organization。具体口径见文末。

为什么“中间层”容易被挤压

任何自动化系统都需要一个误差反馈机制。

如果 AI 写一段 SQL，可以执行查询并比较结果；写代码可以跑测试；翻译可以抽查；客服回复可以按满意度评分；财务录入可以对账。

这些任务即使不是简单任务，也有一个共同优势：机器做错以后，人类很容易发现。

相反，“给公司选择未来三年的战略方向”很难自动化，不一定是因为模型完全没有分析能力，而是因为反馈要三年后才能出现，而且结果受大量外部变量影响。

所以未来岗位价值会越来越受两个变量支配：

任务是否容易形式化？结果是否容易快速验收？

越容易，自动化速度越快。

工作不会按职业名称整体消失，而是先被拆成任务

“会计会不会消失”“程序员会不会消失”通常问错了尺度。

一个职业内部包含很多不同任务。

会计里有票据录入、对账、税务判断、内部控制、沟通、签字责任；程序员里有样板编码、架构、排错、需求澄清和上线责任。

AI 会先吞掉其中可标准化的部分，剩余部分重新组合成更少但更高杠杆的岗位。

因此企业可能出现一种看似矛盾的局面：

• 仍然招聘程序员；
• 但同样业务规模所需程序员更少；
• 同时单个程序员负责的系统更多。

这会让“岗位存在”与“就业人数下降”同时成立。

最难替代的东西之一，是责任

模型可以给出建议，但公司最终仍需要有人对结果负责。

医疗诊断、金融审批、工程设计、生产安全、重要代码上线，都存在责任归属问题。一个系统即使能给出 99% 正确率，也不代表组织愿意让它在无人承担责任的情况下运行。

所以很多职业的核心价值可能从“亲手完成工作”迁移到“审核机器工作并承担结果”。

责任本身是一种稀缺资源，因为承担责任意味着风险、判断权、信誉和组织授权。

到 2036 年时的劳动市场可能更像“杠杆分层”

一部分人借助 AI 控制更大的产出：一个工程师维护过去三个人的工作量，一个设计师产生过去一个团队的初稿，一个小公司用 AI 完成过去需要多个职能岗位的流程。

另一部分工作，因为必须进入现实世界、处理高度不确定的人际互动或承担即时责任，仍然保留大量人工。

这会形成新的分化：不是简单的“脑力劳动赢、体力劳动输”，而是高杠杆判断型工作、机器可替代工作、现实世界执行型工作三类重新排序。

未来十年最值得投资的能力，可能不是学会某一个当前热门工具，而是提升自己在系统中承担“不可轻易外包给机器”的部分：定义问题、做取舍、处理异常、建立信任、承担责任。