Anthropic那张“AI要吃掉工作”的图，可能没你想的那么吓人

一张看上去很吓人的图，和一个没那么结实的结论

最近，Anthropic一份关于AI与劳动力市场的报告在科技圈里被广泛转发。最抓眼球的是一张对比图：红色代表当前职业对大语言模型的“实际暴露度”，蓝色代表这些职业面对LLM的“理论能力覆盖范围”。蓝色部分铺得很大，几乎像一场缓慢推进的潮水，从文艺媒体、办公室行政，到法律、金融、管理，一路漫过去。

如果只看这张图，确实很容易得出一个结论：AI迟早会接管大多数白领工作。那种视觉冲击很强，甚至比很多标题党还直接——不是“AI可能影响岗位”，而是“AI理论上能覆盖大量岗位任务”。在今天这个人人都对职业安全感有点紧张的时点，这种图天然会被放大传播。

但新闻最怕只看图不看脚注。Ars Technica这篇报道做了一件很有价值的事：它往下追问了一层——Anthropic所谓的“理论能力”，到底是怎么量出来的？答案并不神秘，也不那么坚硬。它并不是Anthropic对自家最新模型做的大规模真实测试，也不是基于近两年产业部署情况做出的动态预测，而是主要借用了2023年一篇很有名的论文《GPTs are GPTs》。问题也恰恰从这里开始。

这不是今天AI的成绩单，而是2023年的“未来想象图”

那篇2023年的研究，出自OpenAI、OpenResearch和宾夕法尼亚大学研究者之手。研究方法看上去很科学：把美国O*NET职业数据库中的工作任务拆得很细，然后让研究者判断，GPT-4以及未来可能出现的“LLM驱动软件”，能不能把这些任务的完成时间缩短至少一半，而且质量还要“相当”。

听起来合理，实际却埋着几个很大的前提。第一，这种判断很大程度上依赖人工标注；第二，参与标注的人，并不是这些岗位的从业者，甚至很多人并不熟悉具体职业本身；第三，他们做判断时，还被允许把“未来可能出现的软件工具”一起算进去。换句话说，这里面混杂了“现在模型能做什么”和“未来有人也许会把它包装成好用产品”两层完全不同的东西。

这就像拿着一台刚上市的智能手机，不仅讨论它今天能拍什么照片，还顺手把三年后可能出现的所有摄影App、自动修图服务和云端剪辑能力一起算进来，然后说：这台手机理论上可以替代半个影像工作室。你不能说它完全错，但它显然不是现实。

更关键的是，研究者自己也承认了局限性：标注有主观性，对职业的理解未必充分，不同任务与职业之间如何聚合，本身也存在逻辑不清和标签偏差。可一旦这些高度不确定的估算，被Anthropic包装成一块整齐、漂亮、带颜色对比的图表，它就突然长出了一种“客观真理”的外观。这正是技术传播里最危险的一种错觉：图做得越像仪表盘，假设就越容易被当成事实。

真正撑起“蓝色恐慌”的，是对未来软件的乐观脑补

如果只看2023年那篇研究对当时LLM能力的估计，其实没有现在图表看起来这么夸张。研究认为，在当时条件下，大约只有15%的工作任务能被LLM提升至少50%的效率；只有约2.3%的职业，其过半任务会因此“暴露”给LLM。这个数字并没有“AI横扫就业市场”的戏剧效果。

真正把数字推高的，是研究中的另一层设定：anticipated LLM-powered software，也就是“预期中的LLM驱动软件”。这部分想象空间非常大。比如研究者认为，未来合同谈判或采购协商也可能被LLM影响，因为双方可以把自己的立场输入模型，让模型帮助解决争议。这个设想听上去很先进，也很像投资人爱听的故事，但现实里它不只取决于模型会不会说话，还取决于制度是否接受、公司是否愿意采用、当事人是否信任、责任谁来承担。

这也是今天很多AI讨论最容易忽略的一点：技术能力从实验室走到真实工作流，中间隔着产品设计、组织流程、法规约束、成本结构、用户习惯和风险管理，不是一条直线。模型会总结文档，不等于律师事务所愿意让它改合同；模型能生成病例摘要，不等于医院敢让它直接参与处方决策；模型会写代码，也不等于团队因此整体提速。

这一点，过去两年的一些现实研究已经在泼冷水。Ars提到，一项2025年的研究发现，开源开发者使用AI工具后，综合下来反而慢了19%。原因并不复杂：你节省了一部分编码时间，却把时间花在写提示词、审查生成结果、返工和修Bug上。AI不是没有帮助，而是帮助很容易被额外管理成本吃掉。很多知识工作也是类似逻辑：看上去自动化了，实际上只是把劳动从“创作”转移到了“筛选、核实、兜底”。

AI会不会抢饭碗，问题不在“能不能做”，而在“谁来担责任”

我一直觉得，关于AI与就业，最容易误导人的一句话就是“AI能做这项任务”。因为一项工作并不只是任务清单的拼盘。工作里还有判断、责任、关系、上下文，以及出了问题之后，谁来背锅。

举个最典型的例子，研究者自己也提到，AI可以为诊断和处方提供建议，甚至写病例记录，但最后仍然需要人类做决定。这句话看似平常，实际上很关键。因为在医疗、法律、财务、公共管理这些高责任行业，最后那一下“签字”本身，就是工作的核心价值之一。AI可能把前面的机械步骤压缩掉，却不一定能替代最后的判断权。

所以，很多所谓“暴露度高”的岗位，未必会被整岗替代，更可能经历的是重组。一个律师助理的工作内容会变，一个设计师的起稿方式会变，一个分析师写报告的流程会变，但这和“消失”不是同一个意思。工业革命没有让人类停止工作，互联网也没有让白领集体失业，它们做的更多是重排分工、抬高一部分岗位门槛、压低另一部分岗位溢价。AI更可能延续这个路径，只不过速度更快，落点更碎。

Anthropic自己其实也承认，截至目前，并没有在失业数据上看到那些“更暴露”的职业与“更不暴露”的职业之间，出现明显分化。公司当然也提醒，这种影响可能滞后，就像中国制造的冲击、或者互联网对传统行业的改造，往往要经过几年才会在统计里显形。这个判断我基本认同。但认同“影响会来”，不等于认同“那张图已经证明了影响的形状”。

真正值得警惕的，也许不是AI本身，而是被图表放大的想象力

过去三年，AI行业最不缺的就是两种情绪：一种叫狂喜，一种叫恐慌。2023年GPT-4刚出来时，几乎整个行业都处在极度亢奋状态，连“暂停AI研发六个月”“超级智能可能毁灭文明”这样的表述都能成为严肃公共讨论的一部分。那是一个很适合做大预测的年份，也很适合把模糊的可能性说成明确的趋势。

今天回头看，很多最夸张的预言没有兑现，但它们留下了深刻的叙事模板：AI会越来越强，岗位会越来越危险，今天没发生只是明天还没到。这个叙事不能说全错，却太容易把复杂现实抹平。企业采购AI，不只看能力，也看成本；员工使用AI，不只看效率，也看风险；监管者面对AI，不只看创新，也看责任边界。所有这些摩擦，都会让“理论能力”在现实里打折。

所以，这件事最重要的意义，不是告诉我们Anthropic的数据“靠不靠谱”这么简单，而是提醒我们：凡是关于AI未来的大结论，都得先问一句，它建立在什么假设上。是实测，还是推断？是今天，还是一个没有期限的未来？是在说“辅助人类”，还是“替代人类”？如果这些问题没说清，再漂亮的图，也可能只是把焦虑做成了可视化产品。

我不怀疑AI会继续改写劳动力市场，尤其是文字处理、客服、编程、文档流转、分析汇总这些已经高度数字化的工作。但我同样不觉得“理论能力覆盖80%任务”就等于“80%的工作快没了”。技术史反复证明，真正改变世界的，从来不是模型在论文里理论上能做什么，而是社会最终愿意把什么交给它去做。

这也是接下来最值得追问的问题：当AI越来越像一个合格的助手，企业会把省下来的时间变成更少的人力，还是变成更多的产出？答案不同，劳动力市场的走向就完全不同。这比一张吓人的蓝色面积图，要现实得多，也重要得多。