■ 郑天意
生成式人工智能(生成式AI)凭借内容生成与逻辑推理能力，已开始系统性渗透翻译、编程、文案等任务领域，引发关于“技术性失业”的深层忧虑。传统任务模型将工作拆解为常规与非常规两类，认为计算机仅能替代遵循明确规则执行的常规任务，却难以触及需要情境判断与创造性的非常规任务。然而，生成式人工智能已突破这一传统认知壁垒。本文直面替代与创造不对称的现实痛点，基于职业任务异质性构建扩展分析框架，力图揭示替代效应的深层逻辑与岗位创造的可行路径。
我们需从两个新维度重构任务异质性：其一为任务的可编码性，即任务能否拆解为清晰的符号化输入输出流程;其二为生成价值弹性，指引入生成式AI后任务产出在质量与效率上的提升空间。通过这两个维度的交叉组合，可将任务划分为四类：“强可编码—低弹性”任务，如数据归档等，因缺乏创造性溢价，面临高度替代风险;“强可编码—高弹性”任务，如代码生成等，则呈现替代与增强并存的格局——初级标准产出岗位被压缩，而高阶架构设计、审核与整合需求显著上升;“弱可编码—低弹性”任务，如心理咨询等，依赖具身认知、人际共鸣与情境灵活性，生成式AI仅能发挥辅助作用，难以形成实质性替代;“弱可编码—高弹性”任务，如战略决策等，生成式AI可提供海量方案生成与模拟推演支持，与人类的直觉判断、价值权衡深度互补，进而催生全新的高阶决策角色。可见，任务异质性直接决定了生成式AI替代效应的强弱。
生成式AI的替代并非沿技能线性分布，而是呈现出鲜明的“中技能凹陷”特征。中等技能程式化职业，如翻译、初级会计、插画与基础编程，其产出易于被模型习得并零成本复制，正成为替代重灾区，形成中产知识职位的塌缩痛点。与此相对，高技能任务因涉及跨域整合与伦理裁决，低技能服务任务因依赖人际在场与具身应变，二者均保持较低的替代风险。这一“凹陷”特征进一步加剧了劳动力市场的两极化趋势。
替代的另一面是创造效应。其一，职业内部任务发生重组。劳动者的工作重心从直接执行标准化产出，转向定义任务目标、设定约束条件、监控AI输出并进行伦理把关，人机协同逐渐成为常态。其二，全新的任务与职业被催生，如提示工程师、AI审计师、合成数据治理专家以及人机交互设计师等。这些新角色要求从业者既具备深厚的领域知识，又掌握驾驭生成工具的AI元技能。
化解焦虑的出路在于紧扣任务异质性。对于“强可编码—低弹性”任务的从业者，须提供向AI运维的转岗培训;对“强可编码—高弹性”从业者，应加速“增强型”技能重塑，培育人机协作能力;对弱可编码领域，须强化人类独特优势的制度保护。
(作者单位：白城师范学院)
