白惠天 腾讯研究院高级研究员

你有没有过这样的瞬间：写不完的总结、画不完的 PPT、改三遍还会出错的表单 …… 不是太难，就是太烦，做完没成就感，做慢了还影响进度。

如果 AI 能替你做点事，你最想交给它干什么？

过去一年，AI 成了打工人身边最常出现的 " 新同事 "。从 Copilot 到 Agent，越来越多打工人已经在用它写邮件、排日程、写代码。根据 Anthropic 团队 2025 年初发布的研究，全球已有 36% 的职业岗位中，员工已将 AI 用于至少四分之一的日常任务。OpenAI 的调研也指出，80% 的美国职场人至少有 10% 的任务受到 AI 影响，其中近五分之一的岗位中，AI 已介入超过一半的工作内容。

一个很关键的问题正在浮出水面：我们不是真的想被 AI 取代，但我们真的很想省点力。

斯坦福大学最近的一项大规模调研就试图回答这个问题：AI 来了，你最希望它来做什么？

结果，比想象中更真实——也更扎心。

AI 不是来炫技的，它是来帮你省力的

斯坦福的研究团队提供了一个反常识的答案：人们最希望 AI 接手的，并不是生成内容、编写代码或创意设计，而是那些最琐碎、最重复、最容易出错的低值任务——比如安排预约、整理文件、修工资单、导入数据 ……

为了更系统地理解 AI 与人的任务分工，这项研究构建了一个名为 WORKBank（AI Agent Worker Outlook & Readiness Knowledge Bank） 的研究体系。研究团队从 O*NET 数据库中筛选出 2000 多个具体任务，邀请 1500 位来自 104 个职业的一线职场人士逐项评估：

" 如果 AI 能胜任这个任务，你愿意让它来做吗？"

与传统 "AI 能做什么 " 的研究视角不同，这项调研反其道而行，从 " 人类愿不愿意交出去什么 " 出发，反向定义 AI 的真正落地优先级。

为实现 " 人愿望 × AI 能力 " 的双维分析，研究团队还邀请了 52 位 AI Agent 开发者为每项任务打分，并引入 "Human Agency Scale（人类介入度等级）"，将任务分为五类：

H1：AI 可独立完成

H2：AI 为主，人类仅关键干预

H3：人机协作，各有分工

H4：人类为主，AI 提供支持

H5：完全由人完成，AI 无法胜任

图 1 研究框架总览

调研数据显示，在所有被评估的 844 项任务中，有超过 46% 被职场人士打出了 " 希望 AI 来做 " 的高分（≥4 分）。其中七成以上的受访者明确表示，最希望 AI 接手的，是那些 " 重复但低价值 " 的日常事务，如整理文档、修正错误、数据录入。

排名前五的任务包括：

安排客户预约（如税务助理）

整理应急档案（如接警台）

修正工资记录

数据转格式与导入

网站数据备份

这些任务有一个显著共性：标准化高、重复频繁、判断强度低，却极其耗时、容易出错。

它们不是人类擅长的 " 创造性 " 或 " 判断力 " 任务，而是我们习惯性忍受、但最不想亲自处理的琐碎工作。这些 " 自动化愿望 " 最高的任务，几乎都集中在 " 隐形加班 " 重灾区：不属于 KPI 考核核心，却极度消耗时间精力，堪称职场人的 " 精神负担黑洞 "。

这或许也解释了一个令人深思的现象：自动化在很多人心中，并不是技术幻想，而是一种情绪释放。不是因为 AI 做得有多 " 炫 "，而是因为它能帮我们少加几个班、少报几次错、少整理几次本就不该自己动手的报表。这种真实的使用意愿揭示了一个重要趋势：AI 的真正机会，不在炫技，而在减负。在实际职场中，能帮人腾出脑力空间的 AI，远比会生成长篇内容的 AI 更受欢迎。

图 2 自动化愿望排行

愿望 ≠ 能力：AI 应用的错配正在发生

AI 专家同时评估了每项任务的 " 技术可实现程度 "，结果和职场人的意愿组合成了一个非常有趣的 " 愿望 - 能力四象限 "：

Green Light：愿望高 + 能力强 → 可优先部署

❌ Red Light：愿望低 + 能力强 → 需慎重推进

R&D 机会区：愿望高 + 能力弱 → 值得投入研发

Low Priority：愿望低 + 能力弱 → 暂无优先级

一个令人警惕的发现是：不少 AI 公司和研究论文热衷投入 "Red Light" 区，即那些 "AI 可以做，但用户根本不愿意交给 AI 做 " 的任务，比如自动撰写文章、生成创意文案等。当投资者、研究者将资源集中在 "Red Light 区 "，就可能形成 " 精力错配 " 与 " 社会阻力 " 双重夹击：前者让真正的 AI 刚需场景无人开发，后者让已部署 AI 遭遇用户冷落。这是 AI 发展过程中必须反思的 " 技术与意愿的错位陷阱 "。

图 3 愿望 × 能力四象限

任务分布图清晰揭示了技术的发展方向与真实需求之间存在脱节。AI 研究者可能热衷于替程序员写代码，而普通职场人更希望 AI 能帮他们报销、排班、查错。这个错配反映出一个更深层的问题：AI 产品的方向设计，往往脱离了用户真正的工作场景。真正高价值的机会，可能不是 " 技术上最酷的 "，而是最贴合用户真实痛点的。

研究中的另一套量表是 "Human Agency Scale"，即人类希望在任务中保留多少参与权。令人欣慰的是，大部分受访者选择了 H3（人机协作）而不是 H1（完全由 AI 完成）。这表明，大多数人并不排斥 AI，而是在寻找一种更理想的协作方式：让 AI 处理底层机械步骤，人类保留决策与创造。

图 4 人类介入度分布

人们对 AI 的角色定位，其实因行业而异。在金融、法务、行政等职能中，只要 AI" 靠谱不出错 " 就已令人满意；而在媒体、教育、设计等创意场景中，用户则高度在意 " 表达主控权 "。

这意味着，AI 系统不该预设统一协作范式，而应在 " 自动化 " 与 " 增强人 " 的不同任务之间灵活切换。或许我们不该把 AI 设计成 " 超人型替代者 "，而应是 " 伴随型搭档 "。在未来的人机协作体系中，" 如何分工 " 远比 " 谁更强 " 更重要。

AI 正在悄悄改变 " 最值钱 " 的能力结构

研究团队将每项任务背后的核心能力映射到了 O*NET 的技能体系中，并从两个维度重新评估这些技能的 " 价值 "：

一是当前市场上的平均工资；

二是专家认为未来是否仍需人类深度介入（即高 HAS 等级）。

结果显示：传统上高薪的 " 信息处理 " 类技能（如分析数据、整理文档、执行规则）虽然依旧重要，但在 AI 的辅助下，这些任务正变得越来越自动化，其 " 人类参与价值 " 正在下降。而那些需要组织协调、跨团队协作、激发他人、做出判断的 " 人际型 " 与 " 管理型 " 能力，反而呈现出更强的稀缺性与不可替代性。

图 5 技能工资 vs 人类介入度排序

这种 " 高薪但易被取代、低薪却强依赖人 " 的倒挂现象，预示着一场职场能力结构的深度重塑：未来不可替代的，不是某项技术本身，而是在 AI 参与下仍必须由人类承担的角色与决策。

编程就是一个典型例子。今年 3 月，Anthropic 首席执行官 Dario Amodei 表示，未来 3 到 6 个月内，AI 将编写 90% 的代码；12 个月内，几乎所有的代码都可能由 AI 生成。OpenAI 首席产品官 Kevin Weil 也预测，到 2025 年底，AI 编程将实现 99% 自动化。

不同于以往 "3 到 5 年 " 的中长期预测，这两位大模型公司高管给出的时间表精确到了 " 今年底 "，也就意味着：AI 对编程行业带来的冲击，不只是 " 会不会 "，而是 " 马上来 "。

现实的确如此。根据美国劳工统计局《当前人口调查》数据显示：美国 " 计算机程序员 " 岗位就业比例已降至 1980 年以来最低点。曾在互联网泡沫高峰期达到 70 多万个的职位，如今仅剩其一半。可以说，程序员们夜以继日训练的大模型，首先革了自己的命。

这也解释了为何我们需要一种 " 超越技能 " 的能力结构更新：

不再只强调 " 写 Prompt"" 掌握语法 " 这类技术性技巧；

更重视 " 界定问题 "" 组织资源 "" 协调人机 " 的综合判断力。

AI 改变的不只是我们做什么，而是我们被需要做什么。

越来越多公司在招聘中强调 " 判断力、共情力、跨团队沟通能力 " ——因为这些，恰恰是 AI 短期内无法胜任的。

未来职场对人的要求，不再是 " 更像程序员 "，而是 " 更像组织者、协调者、战略思考者 "。那些靠熟练度赢得优势的能力，正在让位于人格的完整度、协作的弹性与思维的清晰度。

写在最后：真正理想的 AI，不是最聪明的，而是最识趣的

这项调研最有价值的地方，不在于告诉我们 AI 还能干多少种任务，而是反问了一个更重要的问题：我们真的想让它做什么？

答案并不总是 " 越多越好 "。很多职场人欢迎 AI 处理琐碎事务，却坚决不愿将创意表达、判断责任、人与人之间的互动交给 AI。这不是保守，而是一种边界感，是我们对 " 人该保留什么 " 达成的集体共识。

当 AI 不再只是工具，而走向 " 搭档 "" 代理人 "，它的设计逻辑也必须随之改变。

我们不需要一个什么都替代的 AI，而更需要一个懂得配合、知道退场的 AI。一个真正理想的 AI，不是最聪明的那个，而是最识趣的那个。

它懂你不想干什么，也懂你必须自己来；它理解什么可以高效自动化，也知道哪些事情永远不能被流程化。

" 快乐摸鱼 "，从来不等于懒散，而是一种反内卷、反任务淹没、争取注意力主权的隐性职场哲学。

当 AI 愿意接手那些琐碎低值的任务，我们终于有机会把注意力重新放在判断、创造、协作、表达这些最值得由人来完成的部分。

这，才是 AI 赋能的真正含义。

AI 的能力边界，正在倒逼我们更深刻地理解 " 人的价值 "。它替代的是可替代的，也提醒我们不断追问：

什么才是不可替代的？

也许，正是这些答案，塑造了我们在 AI 时代的真正身份。