AI 就业转型（四）：模型会做，企业为何还没用起来

AI 就业转型 · 4/6

人们常把 AI 采用描述成一种自然扩散：模型能力提高，员工开始使用，生产率随后扩散到整家公司。真实情况是，这三步之间存在很大的断层。

OpenAI 的就业框架比较了理论暴露度与实际暴露度。前者衡量 AI 能够影响多少工作，后者衡量这些工作有多少真正出现在工作相关的 ChatGPT 使用中。所有职业类别的实际使用都明显落后于模型能力。

可能因 AI 扩大就业的职业，理论暴露度为 92.8%，实际暴露度只有 24.6%；较高自动化风险职业为 91.0% 对 22.8%；将重组职业为 76.7% 对 18.4%；短期变化较小的职业也只有 17.8% 对 3.6%。

报告称之为“能力采用差距”。对企业来说，它更像是工作系统没有准备好。

模型会做，不等于公司可以放心委派

Benchmark 证明的是模型能否在规定条件下完成任务。公司需要的是：使用正确数据，在真实流程中，以可接受的成本和风险，重复完成同一类工作。

模型必须知道当前处理的是哪个客户、合同、政策和历史决定；它需要读取正确系统的权限，同时不能接触无关数据；它还需要调用工具、验证结果，并在不确定时升级给人。

缺少这些条件，员工只能用 AI 完成零散的草稿和检索。模型看起来很强，组织仍然要人工承担协调、核查和执行。

采用缓慢不一定是员工抗拒

在法律、医疗、金融、教育和企业运营中，一个看似合理的错误，成本可能远高于节省的时间。

员工不知道哪些数据进入模型、谁能看到、答案是否过期，以及出错后由谁处理，就不会放心委派。管理者看不到使用过程，也无法衡量质量。安全团队发现 Agent 的权限大于任务需要，自然会阻止上线。

这些是系统设计问题，不是态度问题。培训员工写更好的 prompt，无法补上身份、权限、来源追踪、eval 和回滚机制。

Harness 把模型能力变成组织产能

一个可用的 AI-native 工作流，需要在模型周围建立 Harness：

• 能说明任务和当前状态的上下文；
• 范围明确的工具与权限；
• 清晰的完成标准；
• 覆盖质量、政策和业务结果的 eval；
• 可以检查每一步操作的日志；
• 面向高风险和模糊情况的人工升级；
• 能改进下一次执行的反馈。

这些条件齐备后，公司才能委派一条完整工作流，而不是让员工在多个系统之间手工复制模型输出。到这一步，模型能力才真正变成可重复的组织产能。

衡量委派深度，而不是开通了多少账号

License 数量和周活跃用户无法说明 AI 是否进入真实工作。企业应该衡量：

1. 哪些工作流已经有明确负责人？
2. 实际有多少任务量交给了 AI？
3. 人需要多频繁地修复输出？
4. 经过验证的周期和质量改善是多少？
5. 哪类失败阻止了进一步委派？
6. 每次执行是否留下了改进系统的证据？

目标不是让 AI 使用率最大化，而是把适合的工作安全、经济地交给系统，并让组织能够验证结果。

下一代模型变强，不会自动消除能力采用差距。更强的模型只会继续扩大技术边界，公司仍然必须搭建从可能性通向生产环境的桥梁。

参考来源

• Alex Martin Richmond, The AI Jobs Transition Framework, OpenAI Economic Research, April 2026.

AI 就业转型系列

• 上一篇：工作变便宜以后，岗位不一定减少
• 下一篇：AI 不会给所有职业带来同一种变化