Z世代失业率已是全国平均水平的两倍。"AI抢走了工作"并不是全部真相
美国Z世代（1997年至2012年出生）的失业率目前为8.3%，大约是全国平均水平4.2%的两倍 Fortune。高盛估计，AI每月正在替代美国约1.6万个工作岗位，冲击集中在这一年龄段 Fortune。三分之一的受访雇主表示已经在用AI替代入门级岗位，科技和制造业受冲击最大；2026届毕业生中有89%担心AI会在他们找到工作之前先占据那个入门岗位，而这一比例一年前还只有64% Fortune。
这样的标题几乎会自己写出来：AI正在摧毁工作岗位，年轻人首当其冲。这话并没有错。但它是一件粗糙的工具，被用来描述一道极其精确的伤口——而这份精确，才是真正值得讲述的故事。
一个与标题对不上的数字
问题出在这里。丹麦一项基于行政数据的研究，追踪了11个高度暴露于AI的职业长达两年，发现聊天机器人平均只为员工节省了约2.8%的工作时间——而且在收入或整体就业方面都没有产生统计上显著的变化。仅此而已。这是一个几乎可以说平淡的宏观效应，本该支撑"AI被高估了"这一派的观点，而不是"AI正在摧毁工作"那一派。
然而，在这同样的11个职业内部，22至25岁年轻员工在最受AI冲击的岗位上的就业率，相对于暴露程度较低的同龄人下降了约13%——而在完全相同的职业中，经验丰富的员工却保持着正常的就业水平。同样的技术，同样的职业，结果却截然相反——完全取决于这项工具到来时，你站在职业阶梯的哪一级。
这种不一致——一个小到不足以撼动全国统计数据的宏观效应，叠加在一个足以让青年就业率下降两位数的残酷微观效应之上——值得在急于寻找宏大理论之前先仔细琢磨一下。它排除了最简单的解释("AI现在自己完成了工作，所以需要的人手更少了")：如果这个解释成立，那么这些职业中经验丰富的员工也应该同步减少。但事实并非如此。真正发生的，是比"AI取代劳动力"更具体的东西——而且它恰恰发生在职业阶梯最底层的那一级。
真正被自动化的是什么
安东·潘克拉托夫（Anton Pankratov）的新论文"人作为区分的生成者"，隶属于"观察者依赖万有理论"（Observer-Dependent Theory of Everything，简称ODTOE）项目，提出了一种更贴合这种不对称性的重新表述，比"AI抢走工作"更精确。ODTOE提出，自动化真正消耗的并非泛泛而言的"技能"，而是过去区分行为的结晶化产物：一种曾经确实很难第一次摸索出来、此后却硬化为可重复、可执行、模糊性极低的配置。按模板起草法律文件、按类别分拣客服工单、照已知模式写样板代码、总结标准文档——这些工作曾经都是判断力的体现。但等到新毕业生被教会这些技能时，它们早已结晶为一套程序。而这恰恰是大语言模型最擅长压缩的那类任务。
入门级岗位不成比例地正是由这类材料构成的。这不是历史的偶然，而几乎就是"入门级"这个词的定义：分配给新员工的工作，几乎从设计之初，就是已经被别人琢磨透、并简化成可传授程序的工作。相比之下，资历的积累建立在恰恰相反的活动之上：持续针对训练数据集中尚未出现过的问题，生成新的区分——在模糊情境下做出的判断，那种不能简化为先例的客户关系或技术决策。用ODTOE的术语来说，这就是人作为一个自我观察的观察者在发挥作用——一个能够对自身进行折返的算子，论文中记作Ô(Ô)——并持续生成世界尚未结晶为操作手册的结构。
正是这一点，比"自动化对所有人一视同仁"这种笼统说法，更能解释丹麦的数据：这项工具在整个职业范围内的能力大致均等——这正是节省工时的总体数字如此微小而平稳的原因。但暴露程度却极不均衡，因为入门级工作中堆满了结晶化的配置，而资深工作则不然。这篇论文的主张并不是说初级员工的技能不如资深员工，而是说初级员工在结构上被要求完成的工作，与模型已经能够模仿的工作重叠得多得多。
为什么"迟早也会轮到资深员工"低估了问题的实质
很容易把这理解为一种延迟，而非本质上的区分：AI先吃掉阶梯底层，然后逐步向上蔓延。这或许部分成立，ODTOE也没有否认这一点——论文明确说明，这是一个建立在真实劳动力市场数据之上的框架性论证，而不是它自己独立提出的新经验发现。在往下讲之前，有必要诚实地承认这个局限：这是一种解读既有数字的方式，而不是一个独立于这些数字被验证过的预测。
但阶梯这个比喻低估了顶层在结构上究竟有何不同。资深员工的一致性——论文将其形式化为B(O,C)，一个衡量观察者的判断力在特定配置下能否保持整体一致的乘积型指标——依赖于一些不会像技能那样结晶的品质：在模糊问题上持续保持的专注力、跨领域积累的经验（论文中称为Λ，即过去区分行为真正带来回报所留下的经验残余），以及在压力下较低的内在矛盾性。这些东西不会像格式规范那样被"用尽"并交给模型接管，而是会被不断锻炼。这也正是MIT的AI研究者安德鲁·麦卡菲（Andrew McAfee）另行提出的一种结构性担忧：如果企业把原本能让初级员工逐步成长为资深能力的那些入门岗位自动化掉，就有可能切断自己十年后仍将需要的人才管道——砍掉的正是那道训练稀缺判断力的阶梯 Fortune。
职业不再是衡量的基本单位
如果这篇论文的框架成立，那么对一个23岁的年轻人来说，实际的启示并不是"挑一个AI更难替代的职业名称"——Handshake的数据已经显示，各类别的入门级岗位数量比疫情前水平低了12%，所以"躲进安全类别"这条策略本身就越来越难以执行 Fortune。真正的启示在于，在这个框架下，职业是一种有限寿命的临时配置，而不是一面值得插旗宣示身份的认同。更持久的单位，是观察者自身的轨迹——你如何持续生成有效区分这一累积的、可迁移的模式，无论当下是哪种配置在支付你的薪水，这个模式都能延续下去。
这也重新定义了学校教育究竟是为了什么。ODTOE这篇论文的论点是，教育真正的产出，其实从来都不主要是它所传授的那些结晶化技能——那些技能本来就注定会硬化，并最终被自动化。教育更持久的产出，是技能背后的那种能力：当旧的配置不再奏效时，持续生成新的、有效的区分的能力——论文将其标记为Λ，正是这种积累，让观察者的一致性得以在场景转换中存续下来。这是一个比"教育在AI时代依然有用"更强的主张：论文认为，教育正在变得更接近于这个时代的基础设施，恰恰因为结晶化的技能如今已经廉价到可以被模仿，而生成新区分的能力却并非如此。
这一切都不会让Z世代的数字变得不那么真实，也不会让它变得不那么紧迫：8.3%的失业率与正在悄然收窄的人才管道，都不是抽象概念。ODTOE提供的并非解决方案，而是对其背后机制更精确的描述：这不是泛泛而言的"AI正在摧毁工作"，而是AI优先消耗结晶化的配置——不成比例地集中在这些配置最密集的那一级。完整论文，包括其自陈的局限性与四项可检验的预测，见 odtoe.org。