最近刷到一条关于 Anthropic 劳动力市场研究的解读，第一眼看着有点扎心。

在计算机和数学这类职业里，报告给出的理论能力覆盖率已经到了94%。可把模型真正放进工作流后，当前被实际覆盖的任务只有33%。

94和33，中间这块空出来的地方，才是我觉得最值得聊的。

因为这两年大家讨论 AI 替代工作，经常像在讨论一场还没开打的比赛。模型能不能写代码，能不能做表格，能不能读合同，能不能回复客户。能做的事情越来越多，于是结论也很容易一路滑到，既然能做，人就要被换掉。

可企业不是一个能力测试场。

它是一个谁来承担后果的地方。

Anthropic 在今年3月发布了一份研究，试着把这件事拆得更细一点。它没有只问大模型理论上能不能加速某个任务，而是把职业任务、Claude 的真实工作相关使用情况和自动化程度放在一起，看哪些任务已经真的进入专业工作场景。

报告把这个指标叫作实际观察暴露。

这个名字听着有点学术，意思很朴素。理论上能做，和现实里真的有人敢让它做，是两件事。

程序员的任务覆盖率最高，达到75%。数据录入员是67%。客户服务代表也排在前面。另一头，厨师、摩托车修理工、救生员、调酒师、洗碗工这些需要现场操作和面对面互动的职业，在研究样本里接近零覆盖。

这并不奇怪。

可更有意思的是，哪怕是最容易被模型碰到的白领工作，真实采用也没有像能力展示那样一路冲过去。

为什么。

因为把一个答案写出来，和让这个答案接着影响客户、金额、流程和责任，隔着很长一段路。

我想起很多团队最熟悉的一个场景。模型先帮你把材料读完，整理出结论，效率很高。接下来有人问，这笔异常订单要不要放行。屏幕上的建议也许写得很漂亮，可谁来确认数据还是最新的，谁来判断例外是否适用，谁来承担放错之后的损失。

到这里，速度突然就不再是唯一问题了。

报告自己也很克制。它提到，实际使用低于理论能力，可能来自模型能力边界，也可能来自法律限制、软件集成门槛、人工核验和组织信任。换成日常工作的话，就是模型会了，不等于系统接上了，不等于流程允许了，更不等于负责人愿意签字。

很多做业务的人看到这里，大概会松一口气。

确实没必要因为一个模型演示，就把所有流程推倒重来。单纯查资料、写初稿、做摘要、归类线索，这些地方先用起来就行。为了让每一个问题都显得先进，硬塞一个复杂系统进去，也挺没必要。

但如果问题开始跨部门、跨系统、跨多个状态，而且输出后面跟着一个现实动作，事情就不同了。

模型到底依据哪些数据。它看到的客户和财务看到的是不是同一个客户。它建议的动作有没有权限。完成以后，谁能回头查清楚发生了什么。

这些看起来不够酷的东西，才是企业迟迟没有急着换人的原因。

模型缺的不是语言能力。

它缺的是被允许进入业务的那套上下文。

还有一个信号，比全面裁员更值得盯住。

研究没有发现高暴露职业的失业率出现系统性上升。但在22到25岁人群中，进入高暴露职业的入职率有下降迹象。报告给出的估计是，ChatGPT 发布后的阶段里，这部分年轻人的入职率相较2022年下降14%，而且这个结果只勉强达到统计显著性。

我看到这里，比起马上想到谁会失业，先想到的是一个更具体的问题。

新人从哪里学会工作。

过去很多初级岗位的价值，不只是把事情做完。更重要的是，人在反复整理材料、跟进需求、改一版又一版东西的过程中，慢慢学会业务术语，知道例外在哪，知道客户为什么会突然改口，知道一份看上去没问题的表为什么不能直接发。

这些东西以前被叫作经验。

现在，它很可能是人和模型协作时最该留下来的部分。

不是说初级工作就没有价值了。恰恰相反，重复性的执行被压缩以后，团队更得想清楚，怎样让新人尽快碰到真实问题，怎样把判断过程说出来，怎样不让他们只剩下点按钮和接结果。

不然会有点尴尬。大家都在说要培养有判断力的人，可进入组织的人连形成判断的机会都少了。

这事儿挺现实的。

再往前想一步，企业真正该做的，可能也不是用 AI 把谁替出去，而是把被压缩掉的时间拿回来，重新分配给那些以前总被挤没的事情。

比如让资深员工把异常判断的依据讲清楚。让模型先做资料整理，人来负责确认关键对象、规则和边界。让新人不只是接收模型的答案，而是被要求追问，为什么是这个结论，少了哪一份证据会改变判断。

这听起来比直接减人慢。

但它也更接近能长期跑下去的组织能力。

我一直觉得，AI 对工作的影响，到头来不会只是一张替代率排行榜。模型当然会把一些执行动作做得又快又便宜，这件事已经在发生。可一份工作从来不只是一堆动作的总和。里面还有对现场的理解，对例外的识别，对人和系统的协调，以及事情出错以后有人愿意站出来说，我来处理。

这些东西没有那么容易被压缩成一个提示词。

回到开头那组94和33。

中间的差距并不是模型不够聪明的证明。它提醒我们，真正的采用不是把能力接上去就结束，而是把数据、流程、授权、责任和人的成长一起接上去。

AI 会继续变强，这点不用怀疑。

可企业不急着换人，也未必只是反应慢。很多时候，它们是在等一件更难的事准备好。

让技术真的有人敢用，也有人能负责。

资料参考，Anthropic，Labor market impacts of AI: A new measure and early evidence，2026年3月5日。本文仅将头条链接作为选题线索，关键数据与研究表述已回溯官方原文核验。