斯坦福《Future of Work with AI Agents》全解读,并据此重构 AI 办公 Agent 的能力图谱、产品设计哲学与落地范式。
上一篇《从AI工具到数字劳动力》回答的是Agent 如何越来越会工作;这一篇回答的是它究竟该在哪些工作单元上变强、人愿意让渡多少、以及企业与售前应该怎样引导这个过程。斯坦福这项研究提供了一件此前框架里缺失的量具——需求侧的意愿刻度。本文第 01–02 节完整复述其方法与全部关键数据,读完不需要再打开论文;第 03 节之后为作者的延伸与应用。
岗位产品的心智是「我给你一个万能助手,你自己想用它干什么」——这把选择成本、验证成本与失败责任全部推给了客户。任务产品的心智是「我交付第 N 号任务,它的成功标准是这个,它现在做到 H2 级,人保留终审」。前者的验收是感受,后者的验收是判据。
「这个岗位每天做的十件事里,你最想交出去哪三件、最不想交出去哪三件?」——这一问同时拿到意愿分布与场景清单,比任何功能演示都更快定位落点。
一处必须先说清的区分:反对的是「以岗位为产品原子」,不是反对「按岗位组织」。任务是产品单位与验收单位,岗位是打包单位与销售单位——一个岗位的十几项任务里既有可全权交出的,也有必须人来做的,颗粒度只能落在任务。
引用一项研究之前,先确认它测了什么、没测什么。以下全部为论文原始口径。
| 项目 | 内容 |
|---|---|
| 论文 | Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce,arXiv:2506.06576(v1 于 2025 年 6 月,v3 于 2026 年 2 月修订) |
| 作者 | Yijia Shao、Humishka Zope(共同第一作者)、Yucheng Jiang、Jiaxin Pei、David Nguyen、Erik Brynjolfsson、Diyi Yang —— 斯坦福大学(SALT Lab 与 Digital Economy Lab) |
| 采集期 | 2025 年 1 月至 5 月 |
| 任务来源 | 美国劳工部 O*NET 数据库;筛选「可用计算机完成、且至少每月执行一次」的复杂多步骤任务,过滤后剩 2,131 项任务 / 287 个职业 |
| 员工样本 | 经 Prolific、Upwork、LinkedIn 招募 1,678 人,提供 7,016 条任务评分;按「每职业 ≥10 人」过滤后得 1,500 人 / 104 职业 / 844 任务 |
| 专家样本 | 52 位 AI 专家(有 Agent 研发经验的博士研究者与业界实践者);每项任务至少 2 人独立评估,标准差 ≤1 |
| 信度 | Krippendorff's α:能力评估 0.539,可行 HAS 评估 0.511 |
| 代表性 | 与美国劳工统计局(BLS)行业分布对照,行业层面覆盖广泛且具代表性 |
| AI Agent 定义 | 「能自主设计工作流、调用可用软件工具,代表用户或另一系统完成任务的系统或程序,不具备执行物理动作的能力」——不含机器人 |
这项研究方法论上的价值,大于它任何一条具体结论。
过去关于「AI 会取代多少工作」的推演,几乎全部建立在职业标签之上。论文指出这条路径的两个问题:其一,先前研究多集中在软件工程与客户支持等少数领域,无法覆盖真实工作的多样性;其二,多数研究只从资本视角出发,偏向编程这类更易变现的任务,没有充分纳入劳动者的价值判断。此外,依赖既有使用数据(如聊天机器人日志)的做法,无法给出前瞻性评估。
调查以五个开放式问题的语音访谈开场,让参与者自然地回忆并说明自己的工作,再据此校准评分——比打字更快进入真实经验语境。
参与者只收到与本职业相关的任务,且必须先确认「我确实做过这件事」才能评分,确保判断来自真实经验而非猜测。
评分前引导参与者考虑既有文献指出的因素:工作乐趣与失业担忧(针对意愿),以及物理动作、领域专长、不确定性、人际因素(针对 HAS)。
「如果一个 AI 系统能完全替你完成这项任务,你有多希望它这么做?」
1 完全不想 · 2 有一点 · 3 中等 · 4 很想 · 5 完全交给它
「如果 AI 系统协助这项任务,你与它之间需要多少协作才能有效完成?」
1 无需协作(H1) · 2 有限协作(H2) · 3 中等协作(H3) · 4 相当程度协作(H4) · 5 必须持续协作(H5)
HAS 是这项研究最可迁移的构件。论文明确指出,它对标但不同于 SAE 自动驾驶 L0–L5:后者是「AI 优先」视角,HAS 则是以人为中心的刻度,用来量化任务完成与质量所需的人类参与程度。
| 级别 | 原文定义 | 适用路线 |
|---|---|---|
| H1 | AI 智能体完全独立完成任务 | 自动化 |
| H2 | AI 需要极少量人类输入即可达到最佳表现 | 自动化 |
| H3 | AI 与人形成平等伙伴关系,其表现优于任何一方单独工作 | 增强 |
| H4 | AI 需要人类输入才能成功完成任务 | 增强 |
| H5 | 没有持续的人类参与,AI 无法运作 | 增强 |
更高的 HAS 级别并非天然更好——不同级别适配不同的 AI 角色。H1 场景应当开发完全自主的智能体;而 H3 场景的智能体必须支持与人类协作者之间有意义的协调与沟通。
这一条对产品设计的含义非常直接:把「全自动」当成产品的高级形态来打磨,方向是错的。真正的高级形态是可调节的介入深度——同一条 Skill,在不同企业、不同岗位、不同信任阶段,应允许运行在不同的 HAS 级别上。
本节尽量保留原始数字与原文措辞,读完不需要再回去查表。
研究把结果与 Anthropic 公布的 Claude.ai 使用数据(2024 年 12 月至 2025 年 1 月)做了对照,得到本文认为对产业界最有价值的一个数字:
自动化意愿最高的前 10 个职业,在 Claude.ai 的总使用量中只占 1.26%。
论文对此的解释是:现有使用模式可能偏向早期采用者或特定职业类型,而非反映更广泛的真实需求;使用数据会滞后于工作场所的实际需要。作为背景,论文还引用了两项外部数据:约 80% 的美国劳动者可能有至少 10% 的任务受 LLM 影响,其中 19% 可能超过一半受影响;以及 2025 年初,36% 的职业中已有部分工作者用 AI 处理至少 25% 的任务。
研究用 LLM 主题建模分析语音回答,发现在回答「你如何设想在日常工作中使用 AI」时,28.0% 的参与者表达了恐惧、担忧或负面情绪。这些人的三大担忧是:
第一大阻力,且远高于其余两项之和的一半。这是可靠性问题,可以被产品改善。
叙事与沟通问题。这解释了为什么「降本替代」的开场话术会激活阻力。
具体表现为:担心失去工作中的「人的温度」、创作控制权被削弱、以及希望在决策中保有能动性。
行业差异极大。「艺术、设计与媒体」行业只有 17.1% 的任务获得正面意愿评分,是全样本最低。该行业的语音回答呈现出一种精确的反对:受访者欢迎 AI 优化工作流、减少重复与繁琐,但明确拒绝其介入内容创作本身——「我绝不会用 AI 去取代艺术家」「研究我用 AI,设计我自己做」。
自动化意愿与失业担忧负相关(Spearman ρ = −0.22),与工作乐趣负相关(ρ = −0.28)。后者的绝对值更大——也就是说,人们更不愿意交出「自己喜欢做的事」,甚于不愿交出「怕丢工作的事」。这条对话术设计的含义是直接的:用「帮你保住岗位」去说服,不如用「帮你腾出时间做你喜欢的部分」。
把员工意愿 Aw(t) 与专家评估的技术可行性 Ae(t) 交叉,得到「意愿—能力景观」,划分为四个区间:
ρ = 0.17 是全篇最重要的一个数字。它意味着「技术能做的」与「人想要的」是两个近乎正交的维度——一个只跟着模型能力排路线图的产品团队,命中真实需求基本靠运气。这也正是需要一把需求侧尺子的全部理由。
研究以 Y Combinator 公司作为投资方向的代理,用 gpt-4.1-mini 把公司描述映射到任务上;同时对 arXiv 上的 AI Agent 论文做了同样的映射。结论相当直接:
| 观测 | 发现 |
|---|---|
| YC 投资分布 | 41.0% 的公司—任务映射落在低优先区与红灯区;各区间的平均公司数无显著差异——也就是说,资本并未向绿灯区与研发机会区倾斜 |
| YC 集中的职业 | 前五位全部是软件与商业分析:计算机与信息系统经理、计算机程序员、计算机系统工程师/架构师、软件质量保证分析师与测试员、商业智能分析师 |
| 学术研究分布 | 论文—任务映射更集中于研发机会区(相对乐观的信号),但同样高度局限在计算机科学与工程领域 |
| 研究最密集的三项任务 | 计算机与信息研究科学家「运用理论专长创造或应用新技术」1,169 篇;同职业「分析问题以开发涉及软硬件的解决方案」1,132 篇;计算机程序员「修订、修复或扩展现有程序」1,109 篇 |
| 位置 | 职业 | 说明 |
|---|---|---|
| 专家评 H1 主导 | 104 个职业中有 16 个,包括计算机程序员、校对与文稿人员、旅行社代理 | 按当前能力估计即可高度自动化,AI 暴露度最高 |
| 员工期望 H5 | 「编辑」是唯一一个员工主导期望 H5 的职业 | 必须有持续的人类参与 |
| 专家评 H5 | 只有数学家与航空航天工程师 | 技术上确实离不开人 |
| 同行业内的分化 | 计算机程序员 vs 信息技术项目经理 = H1 vs H4 | 同一行业内部差异极大,按行业做产品切分会失真 |
论文还与 Eloundou 等(2023)做了对照:后者发现高薪职业暴露度更高;而本研究显示,真正决定 HAS 高低的不是薪资,而是任务是否例行、结果是否易于验证——越例行、越易验证的任务,所需人类能动性越低。这一条与《Evolution × Delegation》框架中「可验证性」的判据完全同向。
员工评分强调人际沟通是 H5 任务的决定性特征;专家评分则同时强调人际沟通与领域专长两项。
最常见的范式。设想 AI 承担特定角色或个性化职能——例如「训练它自动分析原始测序数据的质控报告,标记问题样本并建议预处理步骤」。有受访者直白地说:「就是让我来配置我自己的 AI。」
为部分或全部工作流提供辅助——「我把它当作替我做研究的助手,但每个答案我都会复核,因为不能依赖它的准确性。」
仅在工作流的某些环节上希望完全交出去。是三种范式中占比最低的一种。
研究把每项任务映射到 O*NET 的通用工作活动(Generalized Work Activities),再分别计算每项技能的平均薪资(BLS 2024 年 5 月数据,作为当前经济价值的代理)与平均所需人类能动性,对比两个排序,得到三条趋势:
「分析数据」「更新知识」这类技能在当今高薪职业中很常见,但在高人类能动性的任务中不再突出。
涉及人际互动、协调、资源监控的技能,更频繁地与高 HAS 任务关联——尽管它们在当前以薪资衡量的体系里并未被优先重视。
所需人类能动性最高的前 10 项技能横跨很广:从人际与组织能力,到决策判断与质量评判。这意味着对个体的技能广度要求在提高。
这一节值得完整保留——引用一项研究时,它的边界与它的结论同等重要。
以下为作者延伸。两把尺子测的是不同的东西,合起来才构成选择依据。
《Evolution × Delegation 产业框架》里的高价值工作有一组严格判据:难度落在 τ < d < c 之间、结果可验证、可低成本探索、有明确业务价值、且高频。斯坦福的绿灯区判据只有两条:员工想要、技术可行。
这两组判据的交集才是真正该先做的工作,而它们的差集正是最容易出问题的地方:
| 组合 | 典型任务 | 会发生什么 | 处理方式 |
|---|---|---|---|
| 绿灯 ∩ 甜点区 | 报价方案生成、投标信息比对、经营分析初稿 | 采纳率与价值同时成立,是真正的灯塔场景 | 优先立项 |
| 绿灯 ∖ 甜点区 | 数据录入、文件改名、格式转换 | 采纳率很高,ROI 很薄。论文自己写明:员工想要自动化的是低价值与重复性任务 | 做,但只作为入口,不作为项目主体 |
| 甜点区 ∖ 绿灯 | 绩效评估初审、客户异议处理、跨部门协调 | 价值高但员工不愿让渡(尤其若属于他们享受的部分,ρ = −0.28) | 降到 H3–H4 运行,先做协作不做替代 |
| 研发机会区 | 需要跨系统结果字段的闭环任务 | 意愿存在,能力缺口明确 | 进产品路线图,不进本期方案 |
| 红灯区 | 涉及人事判断、对外承诺、不可撤回动作 | 技术可行但组织不许,硬推必出事故 | 交 Control Plane,不交模型团队 |
46.1% 这个数字很容易被当作「市场需求已被验证」来引用——但配合论文自己的解释读,它同时意味着:员工最想交出去的,正是价值密度最低的那一档(重复、繁琐、有压力)。如果产品路线完全跟随意愿,会得到一个采纳率漂亮、续约困难的产品。意愿是准入条件,不是选择依据。
这是两套框架最有价值的合成点。委派阶梯(Task → Workflow → Work → Role)刻画的是Agent 能承担多大的完整单位,是供给侧;HAS(H1–H5)刻画的是人愿意让渡到什么程度,是需求侧。此前我的框架只有供给侧,因此把「委派受阻」几乎全部归因于可靠性与治理——遗漏了最普遍的一种:人根本不想给。
论文提供了这条缺口的量化证据:47.5% 的任务上,员工要求的人类参与高于专家认为技术上必要的水平;且分歧在低 HAS 区间最尖锐。这段差距不会自动消失,它需要被产品与治理主动收窄。
WORKBank 记录的是「人想要什么、AI 能做什么」;WORKSKILLSBANK 要记录的是「这条 Skill 究竟是什么、怎么算做对了、能不能被治理」。
今天几乎所有办公 Agent 的技能库,存的都是一段提示词加一组工具调用。这样的 Skill 无法被评估、无法被比较、无法被治理,也无法证明它在变好。要成为能力图谱,每条 Skill 必须携带足够的结构化元数据。
| 字段 | 含义 | 为什么必须 |
|---|---|---|
| task_ref | 对应的标准任务编号与职业族 | 没有分桶,「同类任务上的改善」无法度量 |
| delegation_unit | Task / Workflow / Work / Role | 决定验收口径与所需授权层级 |
| has_default | 默认运行的能动性级别 | 论文明示更高 HAS 并非更好——产品的高级形态是可调介入深度,不是全自动 |
| has_range | 允许调节的范围 | 同一 Skill 在不同客户、不同阶段应可运行在不同级别 |
| has_observed | 实际使用中员工选择的级别分布 | ΔHAS 的原始数据,Trust 的可观测代理 |
| success_rubric | 可判定的成功标准(自动项 + 人评项) | Evals 的最小单位,缺它则进化无法证伪 |
| feedback_channel | 反馈从哪来:采纳度回执 / 共写 diff / 结果字段 | 决定这条 Skill 能否进入学习回路 |
| fusion_deps | 依赖的系统、数据源与触发事件 | 场景融合三类的具体化,也是实施工作量的来源 |
| control_reqs | 所需权限、审计粒度、确认策略 | Control Plane 的挂载点,风控评审的依据 |
| adoption_dist | 四档采纳度分布随版本变化 | Learning Velocity 在 Skill 层面的可测形式 |
| version / author | 版本链与贡献者署名 | 资产归属与激励设计的基础 |
| reuse_span | 被多少个 task_ref 复用 | 跨任务迁移的最小观测量,Experience Moat 的证据 |
标准任务集合,含意愿分布、可行性评估、区间归属。这一层可以借鉴公开研究的方法论,但需要本地化重建。
Skill 与任务的多对多映射,携带上表十二个字段。这是产品的核心资产层,也是企业能带走的东西。
把若干 Skill 按岗位打包成「任务束」,作为销售与交付的容器。岗位是打包单位,不是产品原子——任务束必须以显式任务列表呈现,客户要能看到覆盖了哪几项、没覆盖哪几项。
斯坦福的任务集来自美国劳工部 O*NET,职业结构、协作方式与授权文化都与国内不同——中国办公场景里大量高频任务(微信群协同、多层级审批、关系型销售跟进、政企材料合规)在 O*NET 体系里没有对应条目。照搬 844 项任务会漏掉最有价值的一部分。论文自己的第一条局限也指出:其任务集不涵盖 AI 融入后涌现的新任务。正确做法是以其方法论为模板,用真实任务日志重建本地任务集。
以 DuMate 这类桌面级办公 Agent 为具体对象——原则同样适用于同类产品。
技能库不应是「高级用户的自定义功能」,而应是产品的一级对象:有编号、有版本、有 owner、有质量分。用户看到的第一屏应该是「你的岗位有哪些任务已被覆盖」,而不是一个对话框。论文发现最常见的协作范式是「角色化 AI 支持」(23.1%)——员工设想的正是这种可配置、有specific职责的形态。
「设计套件」「金融套件」是能力视角;企业采购的心智是「给这个岗位配一个搭子」。论文给出了更硬的理由:同一行业内部的 HAS 差异可以极大——计算机程序员是 H1,信息技术项目经理是 H4。但同样的逻辑再往下推一层——岗位内部同样不齐,一个岗位的十几项任务里既有 H1 也有 H4。所以颗粒度必须落在任务,岗位只是聚合与销售的容器:按领域切必然失真,按岗位切也只是止损。
每条 Skill 显示当前运行级别,用户可在允许范围内调节:从「我来确认每一步」到「做完告诉我」。论文强调 H3 场景的智能体必须支持与人类协作者之间有意义的协调与沟通,而 H3 是 47/104 职业的主导期望级别——换言之,协作界面不是次要功能,它是主战场。
四档采纳度回执(直接可用 / 小改 / 大改 / 弃用)加一个可选的 HAS 自评。只回传枚举值,与任何本地化与合规承诺都不冲突——但它是把「有多少 Agent 在跑」补成「跑出来的被用了多少」的唯一路径。
「生成文件、交付到目录」的形态,会让人打开 Office 修改的那一刻起,产品彻底失明。本地共写画布与数据是否出本地无关,它是交互形态的选择——补上它,反馈信号与交互摩擦两个问题同时解决。
办公中大量高价值工作是被事件唤醒的:新文件落地、邮件到达、审批流转到本环节。缺少监听器,Agent 永远等在门外。这一项工程量不大,但它是「工作流融合」的入场条件。
任务被大改或弃用后,让它记录一条「我认为哪里没做对」。这是六层经验数据里唯一由 Agent 自己生成的一层,也是把数据堆积变成学习的那道闸——目前市面上没有任何一家产品做了这件事。它同时正面回应了论文中最大的阻力项:45.0% 的负面情绪来自「不信任 AI 的准确性与可靠性」,而可解释的失败归因正是重建信任最直接的手段。
「按岗位打包」很容易在半年内退化成「以岗位为原子」。三条判据,任意一条失守就已经滑过去了:
| 维度 | 还是任务产品 | 已经滑成岗位产品 |
|---|---|---|
| 任务束的形态 | 显式清单 —— 客户能看到覆盖了哪 8 项、没覆盖哪 5 项 | 黑箱标签 —— 只说「覆盖 HR 场景」 |
| 验收落在哪 | 单条任务的采纳度与评判标准 | 「这个岗位的整体满意度」 |
| 销售怎么说 | 「这 8 项现在由它做,其余仍归人」 | 「这个岗位交给它」 |
第三条最危险,因为它同时踩了另一条主张——AI 重构工作单元,而非替代岗位。以岗位为销售单位讲久了,「替代整个岗位」的叙事会自己长出来,而那正是激活组织阻力的那句话。
同一把尺子,在三个层面上是三件不同的工具。
个人使用者最常见的错误,是从「AI 能做什么」开始试。正确的起点是一张自评表:把自己每天做的十件事列出来,各标一个期望 HAS 级别。可以直接沿用论文的提问方式——「如果 AI 协助这项任务,需要多少协作才能有效完成?」
一个来自论文的额外提示:意愿与「工作乐趣」的负相关(ρ = −0.28)强于与「失业担忧」的负相关(ρ = −0.22)。所以自评时可以多问自己一句——我不想交出去,是因为怕,还是因为喜欢?如果是后者,那就不该交,也不必因此感到落后。
这套自评的副产品比主产品更有价值:它让人第一次看清自己的工作构成。多数人从未把自己的岗位拆成任务看过。
论文在局限中明确承认:部分员工可能出于对工作安全或被监控的担忧而保留真实反馈。因此在企业内做这套测量,必须先书面承诺:匿名聚合、结果不进入任何个人绩效评估。缺这一条,收上来的是表演而不是意愿——而基于表演做出的授权设计,会在第一次事故时全部失效。
ΔHAS —— 同一批员工、同一项任务,使用一段时间后愿意让渡的能动性级别变化量。它是目前唯一能观测「信任是否在积累」的量,也因此是 Delegation = f(Trust, …) 中 Trust 项的可行代理。
本文初版把 HAS 处理成一项个人属性——每个人对每项任务标一个期望级别。这个处理有两个问题:其一,个人自评存在社会期望偏差(原研究亦在局限中承认),当员工知道管理层会看到结果时,答案会向「配合」漂移;其二,让渡在现实中本来就是集体决定——一项工作交不交给 AI,往往不是某个人能单独决定的。
更准确的做法是把 HAS 作为工作空间的属性:「这个空间里,Agent 运行在 H2」是一个可配置、可协商、可随时间上移的设定,而 ΔHAS 按空间测。空间级曲线比个人问卷更难被表演,也更贴近「集体愿不愿意」这个真实问题。个人自评仍然有用——但它的位置是诊断输入,不是考核指标。关于「工作空间」为何是这一系列问题的共同答案,见配套研究《隔舱:Native AI 办公 Agent 的权限换根》。
售前解决方案工程师在客户现场最有效的动作,不是演示功能,而是问一句:
这一问同时拿到三样东西:场景清单(可直接做需求四分法)、意愿分布(决定默认 HAS 级别)、以及阻力位置(最不想交的那三件,就是红灯区,方案里应主动排除而非回避)。
主动把红灯区写进「范围外」,比含糊带过更能建立信任——它向客户证明你理解的是他们的工作,而不只是产品的功能表。这也与售前作战手册中的需求四分法直接对接:意愿低而技术可行的需求,应归入治理讨论,不应作为交付承诺。
还有一个反直觉的话术调整来自论文数据:不要用「帮你保住岗位」去化解焦虑(失业担忧只解释了 23.0% 的负面情绪),而要用「腾出时间做高价值工作」——这是 69.38% 的员工选择自动化的首要理由,是全样本中最强的一个动机。
任务被抽走之后,剩下的部分不会消失,它会重新聚合。
「AI 替代岗位」的叙事之所以顽固,是因为它简单。但任务级审计给出的图景完全不同:论文中只有 16/104 个职业被专家评为 H1 主导,绝大多数职业呈倒 U 形分布——一个岗位的十几项任务里,可能有三四项进入绿灯区,两三项进入红灯区,其余留在中间。没有任何一个岗位被整体抽空。真正发生的是:剩余任务的构成变了,于是岗位的定义必须重写。
把被抽走的任务从 JD 里删掉,把新增的任务补进去——审核 Agent 产出、维护 rubric、处理异常长尾,这些是新工作而不是「顺手做的」。
如果产出翻倍而考核不变,员工没有理由配合。Agent 带来的产能提升必须计入使用者与其直属管理者的绩效,否则中层会成为最大的阻力源。
当一半的初稿由 Agent 产出,评审、交接与责任归属的流程都要改。谁签字、出错找谁、返工算谁的——这些问题不解决,扩权就永远停在原地。
初级岗位的传统成长路径是通过重复劳动积累手感。这条路径被压缩后,需要新的替代设计——否则三年后没有可晋升的中层。这是最少被讨论、后果最深远的一条。
论文的第四组发现给出了岗位再设计的具体方向:信息处理类技能(分析数据、更新知识)在高能动性任务中不再突出,而人际互动、协调、资源监控类技能的权重在上升——尽管后者在当前以薪资衡量的体系里并未被优先重视。同时,高能动性技能横跨人际、组织、决策与质量判断多个维度,意味着对个体的技能广度要求在提高。
翻译成人力资源的语言:今天薪资最高的那批技能,未必是明天最稀缺的那批。这个错位窗口,正是组织提前布局培训的机会。
论文的判断是核心人类能力将从信息处理向人际能力迁移。这个方向是对的,但它隐含一个前提:这些能力仍有获得的途径。如果初级岗位的重复性任务被大量抽走,而组织没有设计新的养成路径,那么十年后的问题不是「人做什么」,而是「谁还会做判断」。把学徒环节自动化掉的组织,会在下一代管理者上出现断层。
以下为本文在原研究之外的延伸判断,仅代表作者观点。
意愿与能力近乎正交,意味着能力驱动的路线图与需求驱动的路线图会得出几乎不相干的两份清单。绝大多数 AI 产品团队只有前者。补上后者的成本极低——一次任务盘点而已,但它决定了工程资源是投在有人要的地方还是没人要的地方。
论文采集的是某一时点的意愿,且第一大阻力(45.0%)是「不信任可靠性」——这是产品可以改善的变量,不是固定的人性。把 HAS 当成约束条件的产品,会止步于当下的意愿;把它当成因变量的产品,会主动去移动它。这是两种截然不同的路线图。
意愿最高的十个职业只占 Claude.ai 使用量的 1.26%,同时 41.0% 的 YC 公司扎堆在低优先与红灯区,学术论文也高度集中在计算机领域。三个数字指向同一件事:真实需求最旺盛的地带,恰恰是竞争最少的地带。对办公 Agent 而言,这比任何赛道报告都更值得当作选品依据。
办公 Agent 天然掌握真实任务日志。只要加上 task_ref 分桶、采纳度回执与 HAS 自评三个字段,产品本身就是一台持续运转的任务库采集装置——它产出的是一份基于真实工作而非问卷的本地任务图谱,并且能规避论文自陈的第一条局限(静态任务集)与第五条局限(时效性)。这份资产的价值可能超过产品本身。
技术可行但员工不愿让渡的任务,缺的是信任基础设施:可解释的过程、可回滚的动作、清晰的责任归属。谁把这套基础设施做成产品能力,谁就能把红灯区转成绿灯区——而这恰恰是最难被竞品复制的一段护城河,因为它长在治理而非模型上。
本文提出「真实委派 = min(能力上限, 意愿上限)」,并把两线之间的差距称为沉没能力。收窄它的手段是可解释性、可回滚性与授权分级——但这三件事都需要一个可以承载配置与协商的边界:比个人大,才谈得上协商;比公司小,才配得准。个人太小,公司太大,而工作恰好发生在中间。见《隔舱》。
此前的 M0–M6 只有能力维与场景维。加入意愿维之后,同一家企业在同一个产品上可能处于「能力 M4、意愿 M2」的状态——这解释了大量「产品明明能做,客户就是不用」的现象,也给出了对应的干预手段:不是继续做功能,是做信任。
当员工知道管理层会看到这份 HAS 自评时,答案会向「配合」的方向漂移。论文自己在局限中承认了这一点,因此测量必须匿名聚合、结果不入个人绩效——否则拿到的是表演而非意愿。这与反馈信号面临的是同一个问题。
把工作拆成任务,便于产品化,但工作的价值往往产生在任务之间的衔接与判断上。一份销售报价的价值不在生成动作里,在对客户的理解中。过度任务化的产品会做对每一件事,而做错整件事——这也是委派单位必须向 Work 层上移的根本原因。
岗位不会被一次性替代,它会被一项一项地重新协商。
这项研究最有力的贡献,不是任何一个百分比,而是它把讨论的单位从职位名称换成了工作任务,并且第一次系统性地把「人愿不愿意」放进了同一张表里。这两件事合起来,让 AI 办公从一场关于替代的争论,变成一项可以被设计、被测量、被逐步推进的工程。
而它最刺眼的一个发现是 ρ = 0.17:我们造得出来的,和人们想要的,几乎无关。这不是技术的失败,是需求侧尺子长期缺席的结果。补上这把尺子的成本,比多训一个模型低得多。
对产品而言,这意味着交付单位应该是任务而不是助手;对企业而言,这意味着落地的第一步是盘点而不是采购;对售前而言,这意味着最有效的一句话是提问而不是演示;对个人而言,这意味着最值得关心的不是 AI 能做什么,而是自己最不愿意交出去的那三件事是什么——那大概就是你真正的能力所在。
让渡不是失去,是重新协商工作的边界。能被清楚说出「我保留什么」的人和组织,才有资格谈委派。