ARTICLE · 1065174
AI 越来越强以后谁会变得更有价值
零、AI 越来越强以后谁会变得更有价值
AI 越来越强，很多人的第一反应是：人的价值是不是会越来越低？
但诺贝尔经济学奖得主 Daron Acemoglu 最近在《The Atlantic》写了一篇文章，给出了一个更值得追问的角度:
技术进步从来不只是“机器变强”这么简单。真正重要的是：技术最终让谁获得更多能力，谁掌握更多高价值任务，谁能分享到生产率增长带来的收益。
换句话说，AI 越来越强以后，真正值得关注的不是“人还剩下多少工作”，而是：
谁会因为 AI 变得更有能力、更能进入新的高价值任务？
这也是理解 Acemoglu 这篇文章最重要的入口。
一、技术越来越强，不代表所有人的价值都会一起提高
我们很容易把技术进步想成一件整体向上的事情。
机器更先进，软件更智能，企业效率更高，经济生产率提高，于是所有人的生活和收入也应该同步变好。
现实并没有这么简单。
有些技术会让人的能力更值钱；有些技术会让原来稀缺的技能变得普通；还有一些技术，会直接把人的任务交给机器。所以，“技术有没有进步”只是第一层问题。
更重要的是：
技术进步以后，人的任务发生了什么变化？
一个岗位没有消失，不代表岗位里的价值结构没有变化。
同一个岗位里，可能同时发生三件事：
一部分重复任务被 AI 接走； 一部分复杂任务因为 AI 辅助变得更容易； 一部分新的任务开始出现。
真正影响一个人长期价值的，往往不是岗位名称还在不在，而是他最后还掌握多少高价值任务，以及能不能借助 AI 进入新的任务。
二、过去几十年的自动化已经告诉我们，生产率提高不等于人的价值同步提高
这也是 Acemoglu 为什么如此重视 Automation（自动化）。
这里的 Automation 不是泛指所有技术进步，而是指：原来由人完成的任务，被机器或软件直接接替。
Automation 当然能创造价值。
机器可以更快、更稳定，也可以显著降低成本。
所以 Acemoglu 并不是在说“自动化让经济变差了”。
他真正提醒的是：
生产率提高，不等于劳动者的收入、议价能力和职业价值一定同步提高。
Acemoglu 与 Pascual Restrepo 对美国长期劳动市场的研究发现，过去几十年与重复性、规则化任务相关的 Automation，是工资结构分化的重要驱动力之一。
背后的机制并不难理解：
Automation → 人的部分任务减少 → 对部分劳动者的需求下降 → 工资和议价能力承压。
他们把这种变化称为 Task Displacement（任务置换）。
企业仍然可能更高效，经济仍然可能增长。
但如果技术主要做的是“接走人的任务”，却没有同步创造足够多新的人工任务，那么生产率增长就可能和普通劳动者的价值增长逐渐脱钩。
这也是今天讨论 AI 时最值得警惕的历史经验。
生成式 AI 已经不再只处理重复性体力任务，它开始进入客服、文案、分析、编程、法务等认知工作。
如果 AI 只是把 Task Displacement 扩展到更多知识工作，那么机器会越来越有价值，但并不意味着更多人也会同步变得更有价值。
问题就在这里。
AI 有没有另一条路？
三、AI 真正不同的地方，是它也可能把过去稀缺的能力交给更多人
想象一个现场维修人员。
过去遇到复杂故障，他可能需要查大量说明书，等待高级工程师支持，或者依赖多年经验才能定位问题。
现在，AI 可以同时读取设备型号、故障记录、照片、传感器数据和历史维修知识，再帮助他判断应该先检查什么、为什么、下一步怎样验证。
这时候 AI 没有直接把这个人从流程里拿掉。
相反，它让一个普通劳动者拥有了过去只有更高水平专家才具备的一部分能力。
Acemoglu、David Autor 和 Simon Johnson 把这类方向放进 Pro-worker AI（让劳动者能力和经济价值变得更强的 AI） 框架中。
在他们更完整的研究里，技术变化可以分成多种类型。
对理解“谁会变得更有价值”最重要的是四种：
Automation：机器接走人的现有任务； Augmentation（能力增强）：AI 帮助人把原来的任务做得更好； Expertise-Leveling（专业能力拉平）：让更多人完成过去需要较高专业门槛的任务； New Task Creation（新任务创造）：技术创造新的、仍然需要人完成的任务。
这四种变化看起来都叫“AI 进步”，但它们对人的价值完全不同。
特别值得注意的是：
New Task Creation 才是这个框架里最无歧义的 pro-worker 路径。
因为它不是只让旧任务更高效，而是在扩大人仍然可以参与的任务集合。
这也是为什么我们不能只看 AI 替代了多少任务。
更值得看的，是 AI 有没有让一个普通人获得过去没有的能力，并由此进入新的高价值任务。
四、能力变强，不代表每个人都会变得更值钱
这里还有一个很容易被忽略的反转。
假设 AI 让更多普通员工掌握了过去只有少数专家才具备的一部分能力。
从这些员工的角度看，这是 Augmentation。
但从原来的专家角度看，一些过去非常稀缺的技能，也可能因为 AI 被快速复制，市场溢价因此下降。
所以：
让更多人变强，不等于让所有人同时升值。
经济学家 Joshua Gans 对 Pro-worker AI 的一个重要质疑，就在这里。
劳动市场衡量的不只是“你会不会”，还看“有多少人会”。
当 AI 把一种稀缺能力大规模扩散以后，一部分人会因为能力门槛下降而获得新的机会；另一部分人原有的专业壁垒却可能被削弱。
软件开发也是类似。
AI Coding Agent 可以帮助经验较少的开发人员更快完成编码、测试和代码理解，让他们迅速获得过去需要更长时间才能形成的一部分执行能力。
但如果大量基础编码任务同时被自动完成，原来依赖这些任务积累经验、逐渐成长的职业路径，也可能被压缩。
因此，真正判断一个人会不会因为 AI 变得更有价值，至少要继续问三件事：
AI 接走了他的哪些任务？ AI 又给了他哪些过去没有的能力？ 他能不能利用这些新能力进入更高价值的新任务？
边界：Pro-worker AI 目前更适合被理解为一种技术方向和经济学框架，而不是已经被宏观经济证明的确定答案。
Augmentation 也不天然意味着所有劳动者都会获得更高工资、更强议价权和更多就业机会。
五、AI 越来越强以后，真正升值的可能不是某个职业，而是一类能力结构
走到这里，我们才能重新回答文章最开始的问题。
AI 越来越强以后，谁会变得更有价值？
Acemoglu 并没有给出一张“未来高价值职业排行榜”。
他的研究真正指向的是另一件事：
决定人的价值变化的，不只是职业名称，而是技术最终把哪些任务留给人，又给人创造了哪些新的能力和任务。
从这个框架继续往下看，本文认为，未来更值得关注的不是“哪个职业不会被 AI 影响”，而是哪些人能够不断完成这样的迁移：
旧任务被自动化 → 借助 AI 获得新的能力 → 进入更复杂的新任务 → 重新形成新的专业价值。
反过来，如果一个人的主要价值长期来自容易被标准化、复制和自动执行的任务，而又没有进入新的任务，他的相对价值就更容易受到压力。
对企业也是一样。
今天评估 AI ROI，最容易计算的是：
节省多少人力、自动化多少流程、减少多少成本。
这些指标当然重要。
但如果企业只计算 Cost Saved，却不看 Capability Added 和 New Tasks Created，就很容易系统性地高估 Automation，而低估 AI 对人的能力扩张。
例如：
普通客服能不能解决过去必须升级给专家的问题； 销售能不能处理更复杂的客户需求； 工程师能不能跨越原来的专业边界； 一线员工能不能获得过去只有专家掌握的信息和判断能力。
这些变化短期未必像“少几个人”那么容易进入财务报表，但它们可能决定一个组织长期真正新增了什么能力。
这一部分同样属于本文在 Acemoglu 框架基础上的进一步分析。
所以，AI 越来越强以后，真正值得问的不是：
哪些人还能保住原来的价值？
而是：
哪些人能够借助 AI，不断进入过去做不到的新任务，并重新建立自己的稀缺性？
技术当然会让一部分旧能力贬值。
但技术也可以让更多人获得过去无法获得的知识、判断力和执行能力。
最后决定结果的，不只是 AI 进步了多少。
还取决于企业、资本和制度究竟把这种能力用来做什么。
AI 越来越强，真正会持续升值的，不一定是离 AI 最远的人，而更可能是能够借助 AI 不断获得新能力、进入新任务、重新创造稀缺价值的人。