AI 对劳动的影响，前沿问题已经不只是“会不会取代工作”。更深的问题是：AI 如何进入管理、监督、评估、排班、招聘、培训、客服、创作和绩效考核，把劳动过程重新组织起来。OECD 在 2020 年代持续调查 AI 与工作，指出制造业和金融业的雇主与劳动者都看到生产率和工作条件改善的可能，但也担心岗位流失、技能压力和管理不透明。
与此同时，算法管理已经从外卖、网约车和仓储，扩展到办公室、客服中心、教育、医疗和创意行业。社会学要研究的不是一个抽象的“AI 冲击”，而是 AI 被谁部署、用于管理谁、改变了哪些权力关系。
破除误解
第一个误解，是把 AI 与劳动的关系简化成替代。现实更复杂。AI 可能替代某些任务，也可能增强某些岗位，还可能制造新的低薪标注、审核、维护、提示工程和数据清洗劳动。它常常不是让人消失，而是改变人必须怎样工作。第二个误解，是把算法管理视为中立优化。算法派单、评分、路线规划、工作量预测和自动排班，看似提高效率，却也可能把风险转嫁给劳动者。
迟到、差评、低接单率、低活跃度会变成自动惩罚。劳动者面对的不再是一个能谈判的主管，而是一套难以解释、难以申诉的系统。第三个误解，是认为 AI 只影响低技能劳动。生成式 AI 正在进入律师、设计师、程序员、教师、记者、医生和咨询顾问的工作流程。专业劳动也会被拆分、监控和重新定价。
核心问题
AI 与劳动前沿有三条主线。第一是任务重组。哪些任务被自动化，哪些任务被增强，哪些任务被转移给消费者或外包劳动者？一个客服系统自动生成回复，可能减少重复劳动，也可能让客服同时处理更多会话。一个程序员使用代码助手，可能提高速度，也可能被要求更快交付。
第二是管理权力。AI 系统可以记录点击、停顿、位置、语音情绪、键盘活动、工单速度和客户反馈。管理从“主管观察”转为“数据化持续监控”。劳动者的自我解释空间变小，系统评分成为事实。第三是技能与身份。AI 可能让新手更快进入复杂任务，也可能削弱专业判断训练。当系统提供建议，人类仍承担责任时，专业身份会出现新的张力：人到底是在判断，还是在为模型背书？
谁在做、做到哪一步
OECD、ILO、Eurofound 和欧盟议会研究服务部门正在推动跨国比较与政策评估。OECD 的 AI and Work 项目收集雇主和劳动者调查，试图把 AI 影响从宣传口号拉回经验数据。ILO 则关注平台劳动、算法管理、工作安全和社会保护。学术界把劳动过程理论、平台研究、组织社会学和技术研究结合起来。研究对象从外卖骑手和仓储工人，扩展到白领、创意劳动者和远程办公者。
方法也在混合：访谈劳动者如何理解算法，民族志观察平台现场，统计模型估计工资与排班变化，内容分析比较企业 AI 叙事，准实验研究工具引入前后的绩效差异。
| 研究对象 | 关键问题 | 常用方法 |
|---|---|---|
| 平台劳动 | 派单、评分、封号和申诉 | 民族志、访谈、平台数据 |
| 办公室 AI | 生成式工具如何改变任务 | 访谈、组织案例、日志分析 |
| 招聘筛选 | 算法是否复制歧视 | 审计实验、统计模型 |
| 仓储与客服 | 监控如何改变节奏和压力 | 田野、传感数据、健康调查 |
为什么"任务"是比"职业"更好的分析单位
关于 AI 影响就业的预测长期众说纷纭，一个技术性原因是分析单位选错了。
以"职业"为单位提问——"程序员会被取代吗"——几乎必然得不出可靠答案，因为一个职业名称下捆绑着高度异质的工作内容。程序员既要写样板代码，也要与产品方谈清需求、在故障中做判断、承担线上事故的责任。前者高度可自动化，后者几乎不可。
改用"任务"为单位，问题立刻变得可回答：把一个职业拆成任务清单，逐项问三件事——
- 这项任务的输出是否可验证？（能立即判断对错的任务更易自动化）
- 它是否需要承担后果的责任？（责任无法委托给模型）
- 它是否依赖未被记录下来的情境知识？（模型只能学到被写下来的部分）
这套拆解带来一个反直觉但重要的推论：自动化不是按"技能高低"推进的，而是按"任务是否可验证"推进的。所以它可以同时冲击低薪的数据标注与高薪的文案撰写，却绕过工资相近、但依赖现场判断与责任承担的岗位。用"高技能 / 低技能"这条轴去预测，方向本身就错了。
责任缺口：谁为模型的建议负责
算法管理与生成式工具共同制造了一个新的结构性问题：建议由系统给出，责任仍由人承担。
医生采纳了辅助诊断系统的提示、律师采用了模型起草的条款、程序员合并了代码助手的补全——出问题时，追责对象是人。这带来两种都不理想的行为倾向：
- 过度采纳：系统提示常常正确，人逐渐放弃独立核验；一旦系统在罕见情形下出错，人已失去发现它的能力（自动化偏误）。
- 防御性拒绝：为规避责任而系统性忽略建议，使工具的收益归零，但监控与考核压力依然存在。
关键在于，这两种反应都不是使用者不专业，而是激励结构的产物：收益归于组织（更快、更省），风险归于个人（追责落到操作者）。所以"如何提高从业者的 AI 素养"是一个次要问题；首要问题是责任与收益是否落在同一方身上。
这也是社会学能对这场讨论作出独特贡献的地方——它不问模型有多准，而问准确率的提升被谁拿走、误差的代价被谁承担。
代价与争议
AI 工作场所研究最大的争议，是生产率叙事和劳动权利叙事之间的冲突。企业强调效率、稳定、一致和个性化管理。劳动者和工会更关心节奏、压力、透明度、申诉权、隐私和工资议价。同一项技术可能同时提高产出和加重控制。另一个争议是“人类在环”。许多系统声称最终决定由人类做出，但人类可能没有足够时间、信息或组织权力去反驳模型。
如果人类只是点击确认，责任却由人承担，这并不是真正的人工监督。AI 还会改变全球劳动分工。模型训练和内容审核依赖大量低可见劳动，常由低工资地区承担。高收入国家看到的是智能工具，低收入地区看到的可能是数据标注、创伤性审核和外包不稳定性。
未知的边界
- 生成式 AI 对白领职业的长期工资、晋升和技能形成影响仍缺少稳定证据。
- 算法管理是否会从平台劳动扩散为普通组织的默认管理方式，仍在发生中。
- 劳动者能否通过工会、数据权利和共同设计参与算法治理，目前高度依赖制度环境。
- AI 提高生产率后，收益会进入工资、利润、价格还是工作时间缩短，尚无定论。
- “人类监督”怎样才不是形式化背书，需要法律、组织和技术共同定义。
跨域连接
- 人工智能与劳动力市场：自动化的影响单位是任务而非职业——同一职业中部分任务被替代、部分被补充。这使"某职业会不会消失"这一提问方式本身是错的，而正确的单位也决定了培训政策该瞄准什么：不是转行，而是任务组合的重构。
- 工作与劳动组织：技术对技能的影响不是单向的——历史上既有去技能化（流水线）也有再技能化（数控机床），方向取决于技术被嵌入何种组织形式。这说明"AI 会不会取代人"这一问题在技术层面无法回答，它取决于企业如何重组分工。
- 算法管理与劳动者权力：更直接的变化发生在管理而非替代——算法把派单、评分与监督自动化，使信息不对称急剧扩大。这削弱了传统的申诉与协商机制，因为无法对一个不可见的规则提出异议，而这一点比就业总量的变化来得更快。
- 不平等与增长：技能偏向型技术变迁曾是解释工资不平等扩大的主流框架，而近年的证据更支持任务偏向的解释：中间技能的常规任务最先被替代，产生就业极化而非单调的技能溢价上升。两种模型对政策的含义不同：一个指向普遍提升教育，一个指向中间层的转岗支持。
- 机器学习概览：生产率悖论在此重演——技术能力的展示与可测量的总体生产率增长之间存在长期滞后。历史经验（电气化、计算机化）显示滞后来自组织与技能的配套调整，因而"能力已经具备"与"经济效应已经发生"之间的距离，本身是可研究的对象。
参考文献
- OECD. AI and Work. 2023-2026 topic reports and surveys.
- OECD. Algorithmic Management in the Workplace. OECD Publishing, 2024.
- International Labour Organization. World Employment and Social Outlook: The Role of Digital Labour Platforms in Transforming the World of Work. 2021.
- Wood, Alex J. Despotism on Demand. Cornell University Press, 2020.
- De Stefano, Valerio. “Negotiating the Algorithm.” Comparative Labor Law & Policy Journal, 2019.