一、引子：三个故事，同一把铲子

第一个故事，深圳，1995年。比亚迪刚成立，想做镍镉电池，一条日本自动化产线要价数千万元，买不起。王传福把产线拆成工序，能用人就不用机器——买不起分切机，就用裁纸刀配一块等尺寸挡板当夹具。据多篇财经报道，他用100多万元建成日产4000只电池的产线，成本比日本厂商低约40%。这里真正值得记住的是：工艺知识里最要命的尺寸参数，不在工人手上，而在挡板上。

第二个故事，城市晚高峰。配送站前站长金壮壮记得三次“加速”：3公里送餐时限，2016年1小时、2017年45分钟、2018年再缩7分钟到38分钟。据《人物》2020年特稿转引美团技术2017年文章，算法优化降低19%运力损耗——过去5个骑手的活，4个就能干完。路线、时限、定价、奖惩，曾经属于经验判断的一切都被收进算法。

第三个故事，2025至2026年的律所与会计师事务所。研究者早在2023年就用美国统一律师资格考试真题测试GPT-4，模型拿到297分（满分400）；一份据商业内幕网披露的普华永道内部幻灯片——系媒体泄露、未经公司确认——显示计划到2028财年将初级招聘削减约32%，原因包括“AI的影响”。

三个故事相隔三十年，主角从流水线工人换成骑手、再换成金领。把它们并排放在一起，会看出同一个结构：夹具固化了手艺，算法收编了经验，AI智能体正在编码专业知识——同一套机制沿技能阶梯向上攀爬的三个阶段。这套机制半个世纪前被命名为“概念与执行的分离”：把“知道怎么做”从劳动者身上剥离，装进工具与模型。流水线用一个世纪收编体力，算法用约十年收编经验，大模型编码专业知识只用了数年。

二、第一铲：夹具与流水线

1832年，巴贝奇在《论机器与制造业的经济》里观察制针工序：高技能环节付酬高，简单环节可雇廉价童工；分工让工厂主只需为每道工序购买恰好所需的技能与力气——去技能化不是工业化的副产品，而是分工的经济学动机。

八十年后，泰勒在1911年《科学管理原理》里把这道口子制度化：搬运生铁粗陋到“完全可能训练一只聪明的大猩猩，使它比任何人都更高效”；而背后“科学”高深到“最适合干这活的人也无法理解其原理”。知识归计划部门，执行留车间。

1974年，布雷弗曼在《劳动与垄断资本》里把线索锻造成总钥匙：资本将“概念”与“执行”分离，既增强控制，又压低劳动力价格。剑桥大学出版社田野研究里，iPhone产线女工自述“每个动作两秒，每十秒完成五个动作”。早在1811年，英国乡间砸机器的卢德派主体就是高技能工匠；历史学家霍布斯鲍姆在1952年《过去与现在》（Past & Present）创刊号的《机器破坏者》一文中，把他们的行动称为“以暴乱进行的集体谈判”（collective bargaining by riot）。工匠们看准了机器的用途，却守不住已被工程学瓦解的阵地。

三、第二铲：算法与手机

“算法管理”作为学术概念诞生于2015年：李（Lee）等人研究网约车平台后，将其定义为承担管理职能的软件算法与配套制度。2020年，凯洛格（Kellogg）等人把算法控制归纳为“6R”：以限制和推荐指挥，以记录和评分评估，以替换和奖励惩戒——区别于流水线与现场主管的第三种控制形态。

最扎实的田野证据来自北京大学社会学系陈龙：他卧底送外卖五个半月，指出平台调度系统正是“数字泰勒大脑”，收集骑手、商家、顾客与商圈数据，为每单预估时间、定价、派单、规划路线。真正有意思的是后面这个细节：骑手发现中国人民大学一处公寓有侧门，步行入校比绕北门骑行省约三分钟（北门约4分钟、侧门不到半分钟）。这条不在地图上的“地方性知识”，在走的人多后被平台数据捕获，时限随即按新捷径压缩，“堵上漏洞”。

扫码即用的共享单车：车停在哪里、谁在骑，系统都知道

这套机制驱动的不是一小群零工。第九次全国职工队伍调查（人民论坛2025年转述口径）显示，新就业形态劳动者已达8400万人、占职工总数21%；据国家统计局口径，2024年灵活就业人员超2.4亿，外卖骑手超1000万——据美团创始人2024年内部信，仅2023年通过美团获得收入的骑手就超745万。门槛低是真实贡献，但新骑手第一天就能送出老骑手的效率，恰证明路线经验与商圈记忆已不属于个人，而属于系统。普惠与收编是同一枚硬币。

四、第三铲：AI智能体

研究者（Katz、Bommarito、Gao、Arredondo等）在GPT-4发布同期，用美国统一律师资格考试（UBE）全套真题——选择、论述、实务——对GPT-4作不给例题、不做针对性训练的闭卷评测（zero-shot），模型得分297/400，七科中五科超过人类考生平均水平；论文2024年刊于英国皇家学会《哲学汇刊A辑》。专业服务业最坚硬的准入壁垒，就这样被跨过。

今天越来越多的知识工作，发生在一块发光的屏幕前

资本用真金白银确认了这一点。法律AI公司Harvey的估值从2025年6月的50亿美元升至2026年3月的110亿美元；据官方口径，Harvey已服务超过10万名律师，客户覆盖多数美国收入百强律所（AmLaw 100）。汤森路透CoCounsel则覆盖超2万家律所与法务部门、含85%的AmLaw100。厂商不再兜售“助手”，而在兜售自主完成工作的“智能体”。

法槌还在，但先动手的，常常已经是客户自己

收缩已经发生，刀口是“少招”而非“裁员”。美国法律就业协会（NALP）2026年8月数据显示，500人以上大所2025年少招约540名毕业生，初级律师招聘下降7.5%，是2014年以来首次下降。花旗2026年9月对57家大所的调查显示，三分之二的受访所预计2028年一年级律师少于2025年。另据商业内幕网报道，一份普华永道美国规划幻灯片显示：到FY2028，税务与鉴证初级岗从FY2025的3242人降至2197人、削减约32%，审计岗削减39%；原因自述为“转型努力、AI影响及加速中心整合”。该文件系媒体泄露、未经公司确认。

宏观信号同向。斯坦福团队基于薪酬记录的研究（2026年8月修订口径）发现：22至25岁劳动者在AI高暴露职业的就业，比“与低暴露职业同步增长”的反事实水平低约19%；同年龄段软件开发者就业较2022年末峰值降近20%，且收缩几乎全靠减少招聘。少招是流量截断，没有人被解雇，只有一届届毕业生发现职业阶梯的底层横档被抽掉。

“少招”的后果远比“裁员”隐蔽，却可能更深远。裁员削的是存量，冲击即时可见、社会反应迅速；少招截的是流量，没有一个具体的受害者站出来，伤口却落在职业结构的代际更替上。

被抽掉底层横档的，是一届届刚走出校门的年轻人

专业服务机构历来像金字塔：宽大的底层初级岗，逐级筛选、逐级收窄，最终塔尖产出能签字、能担责的合伙人。当底层连续数年只进不出或少进，金字塔的年龄结构便开始中空——眼下在位的资深者不受影响，但十年后，当他们老去或离开，本该由今天的初级律师、初级会计师补位的那一层会突然断层。一个行业可以在没有任何人失业的情况下，悄悄完成一代入口的关闭；而被关在门外的年轻人损失的不只是第一份工作，还有那条“从助理到专家”的既定上升路径本身。

收缩速度取决于能力扩张速度。独立评估机构METR发现，前沿AI能以50%成功率自主完成的任务时长（按人类专家用时计），2019年以来整体约每7个月翻一番，近期约3至4个月翻一番；2025年初模型只能完成约1小时的任务，最新已能完成人类专家需16小时的任务。

AI可自主完成的任务时长快速上升（示意，数据来源：METR）

话不能只说一面。耶鲁预算实验室未发现AI使用与就业变化有明确关联；丹麦全国行政数据研究（NBER，Humlum与Vestergaard，2025年、2026年修订）发现，ChatGPT推出两年后对收入与工时的影响不超过2%、不显著；METR自己的随机对照实验发现，资深开源开发者用AI反而慢19%（该实验针对资深者的复杂调试任务；入门级、模板化编码恰是收缩最明显之处——二者分处能力阶梯两端，并不矛盾）。IMF2024年测算全球约40%、发达经济体约60%的岗位暴露于AI，但暴露不等于替代。另一项NBER研究测得客服生产率平均提升14%、新手提升34%。总量相关研究此刻自然读不到信号——流量截断不产生失业登记（见前文“少招”一节）；而锁定青年高暴露队列对反事实的研究，已先于总量读出约19%的缺口。这些证据修正的是时间表而非方向：增强与替代是同一过程的两个相位，其间存在一个真实但有限的窗口期。

五、为什么这次轮到高级知识分子

三次开动，刀口越抬越高：

机制能否得手，不取决于知识的高级程度，而取决于它能否被说清楚、写下来、变成规则——这就是“可言说性悖论”。OpenAI与宾夕法尼亚大学研究者的工作论文（arXiv，2023年）发现，岗位收入越高，暴露于大模型的程度越大；约80%的劳动者至少10%的任务受影响，约19%的劳动者至少一半任务受影响。水管工的手感藏在手指与管道的接触里，律师的手艺却摊开在意见书和案卷上——文本这次成了弱点。

剥去专业修辞，律师、会计师、咨询顾问的商业本质是“知识不对称的代理”。当客户也能向模型索要一份像模像样的初稿，代理费的地基开始塌陷。行业已本能转向：从知识代理变为责任代理——模型能生成报告，却不能签字、接受质询、被起诉。而“增强”阶段本身就是知识采集阶段：据Anthropic经济指数首期口径，2025年初约57%的使用是增强、43%是自动化；每一轮人机协作的“提效”，都在为系统沉淀工作流与质量基准，正如客服14%的实验同时也是一次话术知识采集。

六、自救之道：在概念端重建人的位置

自救从放弃三种幻觉开始：执照挡得住竞争者、挡不住客户自己；“我被AI增强”忽略了增强之后即是编码；“熬资历上岸”的前提是底层横档还在，而大所缩招与19%的青年就业缺口已抽掉它。

那该怎么办？说具体点，有四个位置值得去占，而且每个都能落到日常的动作上。

其一，提出问题。模型擅长答题而非定义问题，“问题值不值得问、验证标准是什么”仍需人定。操作上，接到任务先别急着要答案，先花时间把问题本身改写清楚：要解决谁的问题、成功长什么样、哪些约束不能动。把“提需求、定标准”的能力练成自己的主业，而不是把别人给的题目原样转交给模型。

其二，判断与品味。终审力来自亲手做过的脏活——资深开发者用AI反而慢19%，说明人与AI的正确关系是审查而非依赖。应像飞行员保持手动起降时数，定期在无AI模式下完成核心工作：自己先写一稿、自己先算一遍，再拿模型的结果对照，训练“一眼看出不对”的直觉，而不是把第一道判断权也交出去。

其三，具身与在场。手术手感、谈判读取、庭审节奏藏在身体与情境里，必须到场的工作最难编码。越是能被屏幕和文档完全描述的活越危险；尽量让自己处在要与人当面交锋、要临场反应、要动手触碰真实材料的位置上，并刻意积累这些“只可意会”的经验。

其四，责任与信任。争取签章权、持有职业责任保险、把品牌锚定在可追责的具体主体上——收费基础将从“我知道你不知道的”变为“出了事我担着”。模型可以无限生成意见，却没有财产可赔、没有执照可吊销、不能出庭接受质询；谁愿意并能够在文件末尾签下自己的名字，谁就守住了专业服务最后也最硬的一道壁垒。

个人奋斗之外还需制度回应。职业共同体的阵地应从守执照转向规则制定权：AI事故谁负责、智能体底稿谁签字，书写规则的位置就是下一个时代的执照。企业也必须回答学徒制考题。普华永道幻灯片计划削减约32%初级招聘，但裁掉入口岗，不等于行业不再需要判断力再生产。真正的考题，是企业能否把“学徒制”从“人手复制”升级为“人脑培育”：保留一批以人机协作方式完成真实项目的初级岗位，让新人在AI生成的初稿之上练习判断、担责与复盘，否则十年后将没有能签字的合伙人。学徒制不该消亡，它需要被重新设计。

历史不承诺任何高地永久安全，只承诺：每次铲子落下，总有人握铲柄，总有人躺坑底。定义问题、终审答案、必须到场、签字担责的人，此刻做的不是逃亡而是奠基。当铲子传到你手里，你拿它掘墓，还是奠基？