要判断 AI 是否会取代某个职业，不能简单地看机器能否完成任务，而应从三个层面分析：这份工作是“强捆绑”还是“弱捆绑”；如果服务成本因 AI 而下降，市场需求是否会随之大幅增加；以及 AI 是替代了低端技能，还是增强了专家的核心能力。以放射科医生为例，尽管 AI 读片能力已超越人类，但由于该职业涉及复杂的人际沟通，且检查成本降低反而刺激了需求，导致其从业人数和薪资不降反升。这表明，AI 对就业的影响远比“机器取代人”的说法更为复杂，其最终结果充满了不确定性。
你的工作是“强捆绑”还是“弱捆绑”？
多数白领工作都混合了两种任务：一些任务可以被 AI 轻松处理，另一些则不能。一个职业被取代的风险，部分取决于这两类任务能否被轻易地拆分。
“干净”任务： 这类任务涉及可预测的问题、有客观的成功标准和大量书面数据，且人际互动少。例如，批准一份报销单或更新电子表格。这些是 AI 最擅长处理的。
“杂乱”任务： 这类任务需要处理不可预测的情况、满足主观的衡量标准、依赖隐性知识，并在复杂的人际关系中斡旋。例如，安抚一个不开心的客户或管理一个团队。AI 目前还 不擅长这些。
有些工作是“强捆滚”的，其各项职责紧密相连，将部分任务交给 AI 反而会降低效率。例如，一名庭审律师。准备庭审（干净任务）和在法庭上辩论（杂乱任务）密不可分。如果律师不亲自完成案例研究和材料准备，就无法在法庭上灵活应对质询和反驳。
为了胜任工作中“杂乱”的部分，律师需要亲自完成大部分“干净”的工作。
另一些工作则是“弱捆绑”的。招聘人员过去花大量时间筛选简历，现在 AI 可以代劳，使他们能将更多时间用于与候选人沟通、面试和谈判。将“干净”的筛选任务剥离出去，并不会影响他们完成“杂乱”的沟通任务。
如果产出变便宜，需求会增加多少？
当自动化降低了生产成本时，有时会反直觉地刺激就业增长。这种现象被称为“杰文斯悖论” (Jevons paradox)，即技术的效率提升反而导致了相关资源（或服务）需求的增加。
历史上有很多这样的例子：
- 汽车工业： 1913 年，福特引入流水线，大幅降低了汽车的生产成本和售价。结果，更多人买得起车，汽车工厂为满足激增的需求，雇佣了更多工人。
- 银行柜员： 1969 年 ATM 机问世后，银行运营成本降低，开设了更多分支机构，柜员数量在随后的几十年里持续增长。
- 会计行业： 1979 年电子表格发明后，会计师的需求也随之增长。
在这些案例中，一种看似要取代某个职业的技术，反而因为降低了成本、刺激了总需求，从而推动了该职业的增长。
然而，这种效应并非必然。例如，农业机械化大幅提高了效率，但由于人们的食物摄入量有上限，需求并未随之无限增长，导致农业就业人口比例大幅下降。
AI 是专家，还是你是专家？
AI 对工作的影响，还取决于它与从业者专业技能的互动方式。技术究竟是增强了专家的能力，还是让他们的专业知识变得廉价？
一个典型的对比是会计文员和库存文员。在计算机普及后：
- 会计文员： 电脑自动化了他们最不专业的技能（如记账和计算），使他们能专注于更复杂的分析和解释性工作。结果，这个职业虽然人数减少，但留下来的都是更专业、薪资更高的人。
- 库存文员： 电脑取代了他们最核心的专业知识（对仓库库存的熟悉），使他们只能从事扫描和补货等更基础的任务。结果，这个职业的门槛降低，薪资也随之下滑。
“故事几乎从来不是‘我们与机器赛跑，机器会赢’那么简单。对一个特定职业来说，重要的是技术是增强了工人的专业知识，还是商品化了这种专业知识。”
将这个框架应用到放射科医生身上，我们就能理解为什么他们的需求不降反升：
- 强捆绑工作： 读片（干净任务）与和病人、临床医生沟通（杂乱任务）密不可分。
- 需求增加： 扫描成本下降导致检查量大幅上升，符合杰文斯悖论。
- 提升专家能力： AI 只是辅助工具，最终的诊断、解释和建议仍需要放射科医生的高级专业知识。
然而，我们必须承认，技术的长期影响极难预测。当年，所有人都认为 ATM 会终结银行柜员，但这个职业的衰落最终并非由 ATM 造成，而是被一个谁也没想到的东西——智能手机——所改变。AI 革命带来的某些最深刻的后果，也同样可能出乎所有人的意料。