葉韋明

關于人工智能重塑勞動力關系的議題，一直受到廣泛關注和討論。公眾的視野常常被“AI將取代一切”與“AI僅是泡沫”的二元對立所局限。跳出技術決定論的思維，從社會技術系統理論的視角來看，技術并非決定就業的唯一變量。

回顧技術演進的歷史，每一次自動化浪潮都伴隨勞動力市場的重構。勞動經濟學研究發現，技能導向型的技術升級往往會削減傳統的重復性崗位和標準化工作機會，這將導致工作崗位分布呈現出兩頭大、中間小的“啞鈴型”結構。之所以產生這種極化效應，是因為中等技能崗位多為可編碼的常規認知任務，最容易被自動化替代；而高創意、高判斷力、高資源調度的頂層崗位和依賴手工靈活性的底層崗位，反而難以被機器取代。但這一認知盲區忽略了兩重風險：其一，生成式AI正在侵蝕知識型工作本身，無論處于何種技能階段，皆存在智能工具分擔部分工作的演變趨勢。其二，企業為降本增效而削減初級技能崗位，意味著切斷了人才梯隊的源頭。初級崗位不僅承擔生產任務，也具有人才培養的功能，許多行業的隱形知識需要在初級崗位中反復試錯和實踐中積累，這一做法可能失去未來人才儲備，更容易引發深層的社會情緒焦慮。

與此同時，技術發展帶來的并不只是崗位替代。隨著AI系統的普及，高質量的工作機會并未減少，而是在形態上發生了轉變。由于人工智能生成結果的準確性難以保證，企業對結果審核、質量控制和風險把關的需求有所增加。這種“人在回路（Human-in-the-Loop）”的模式意味著系統越復雜，就越需要勞動者優化指令、核查結果，確保符合倫理規范。職場人的角色正從執行者逐漸轉向AI系統監督者。

如果說知識工作領域的變化主要體現在信息層面，那么制造業的變化應該更加直觀可見，但缺少充足的實地調研資料支持。將視角著眼于以廣東省為代表的智能制造業先行區，在具有高度實體化特征的制造業中，AI不再是屏幕上的文本對話，而是嵌入在車間流水線、工業質檢和柔性制造調度中的實體算法。生成式AI處理的是容錯率較高的虛擬數據流；而工業AI必須直面充滿不確定性的三維物理世界：

物理特征的復雜多樣：工廠面臨的材料（如高反光金屬、柔性織物）、重量和大小千差萬別。AI視覺系統與機械臂必須在光照多變、粉塵與震動交織的環境中，動態調整抓取力度與姿態，稍有不慎便會損壞產品。

空間位置的極限精度：內容生成可以容忍邏輯瑕疵，但實體產線對零部件位置與裝配的精度要求往往在微米級。這要求AI具備極低的延遲反饋與高精度的空間感知能力。

高昂的試錯成本：AI寫錯一段話只需一鍵重置，但在物理世界中，AI的決策失誤可能直接導致設備撞擊報廢、整條產線停擺，甚至引發嚴重的人身安全事故。

因此，工廠AI的落地不僅是算法層面的推演，更是算力、傳感器硬件與復雜物理規律深度耦合的系統性工程。在制造業生態中，AI的“破壞”與“創造”效應如何同步發生有待調研。一方面，傳統生產線上的常規質檢、基礎裝配等重復性崗位發生什么變化？另一方面，為了保障復雜生產系統的穩定運行，是否有大量新職業應運而生？例如機器視覺優化工程師、人機協調員等。企業在更新智能設備的同時，必須重新劃分勞動分工和梳理工作流程，把更多的人力投入到算法無法處理的工作中。特別是在供應鏈全球化背景下，企業面臨的不僅僅是效率競爭，更是組織能力的競爭。如何發揮智能算法在資源調度和流程優化上的優勢，同時保留人類在判斷、創新和風險把控方面的價值，是企業實現可持續發展的關鍵課題。

當制造業進入深度智能化階段，勞動環境的核心矛盾也發生了變化。勞動者的工作對象不再只是靜態工具，而是具備自主感知和決策能力的智能體，如自主避障車、協作機械臂等。人與機器之間不僅要完成任務協作，還要實現空間和心理層面的協作。這種改變對勞動者的技能和心理適應能力都提出了嚴峻挑戰。

在車間的日常互動中，機器的運行軌跡、響應方式以及與人的合作，會直接影響勞動者對新技術的接受程度。如果自主移動設備的運行軌跡或指令干擾了工人的活動空間和工作習慣，極易引發工人的抗拒心理，有的員工會怠工，從而阻礙整體效率的提升，導致采購的技術無法落地。

此外，技能傳承問題同樣值得重視，隱性知識的傳遞危機日益凸顯。當企業削減大量初中級實操崗位，青年技術工人獲取實踐經驗的機會隨之減少，技能斷層隨之出現。面對這一現象，僅靠算法監督難以替代經驗在技能傳承中的作用。因此，構建就業友好型的生產環境，要求企業在引入AI時不僅要關注機器的算力，更要關注工人之間的信息溝通和情緒傳遞，建立彼此信任的人機協作共同體。

在承認AI強大重構能力的同時，主動優化組織設計，靈活處理人機共存的邊界問題，尋找新的創新點，是企業的重要課題。在技術變革的浪潮中，推動技術進步與就業質量之間建立更加健全的平衡機制，真正實現就業友好型的高質量發展。

本版專欄文章僅代表作者個人觀點