叶韦明

　　关于人工智能重塑劳动力关系的议题，一直受到广泛关注和讨论。公众的视野常常被“AI将取代一切”与“AI仅是泡沫”的二元对立所局限。跳出技术决定论的思维，从社会技术系统理论的视角来看，技术并非决定就业的唯一变量。

　　回顾技术演进的历史，每一次自动化浪潮都伴随劳动力市场的重构。劳动经济学研究发现，技能导向型的技术升级往往会削减传统的重复性岗位和标准化工作机会，这将导致工作岗位分布呈现出两头大、中间小的“哑铃型”结构。之所以产生这种极化效应，是因为中等技能岗位多为可编码的常规认知任务，最容易被自动化替代；而高创意、高判断力、高资源调度的顶层岗位和依赖手工灵活性的底层岗位，反而难以被机器取代。但这一认知盲区忽略了两重风险：其一，生成式AI正在侵蚀知识型工作本身，无论处于何种技能阶段，皆存在智能工具分担部分工作的演变趋势。其二，企业为降本增效而削减初级技能岗位，意味着切断了人才梯队的源头。初级岗位不仅承担生产任务，也具有人才培养的功能，许多行业的隐形知识需要在初级岗位中反复试错和实践中积累，这一做法可能失去未来人才储备，更容易引发深层的社会情绪焦虑。

　　与此同时，技术发展带来的并不只是岗位替代。随着AI系统的普及，高质量的工作机会并未减少，而是在形态上发生了转变。由于人工智能生成结果的准确性难以保证，企业对结果审核、质量控制和风险把关的需求有所增加。这种“人在回路（Human-in-the-Loop）”的模式意味着系统越复杂，就越需要劳动者优化指令、核查结果，确保符合伦理规范。职场人的角色正从执行者逐渐转向AI系统监督者。

　　如果说知识工作领域的变化主要体现在信息层面，那么制造业的变化应该更加直观可见，但缺少充足的实地调研资料支持。将视角着眼于以广东省为代表的智能制造业先行区，在具有高度实体化特征的制造业中，AI不再是屏幕上的文本对话，而是嵌入在车间流水线、工业质检和柔性制造调度中的实体算法。生成式AI处理的是容错率较高的虚拟数据流；而工业AI必须直面充满不确定性的三维物理世界：

　　物理特征的复杂多样：工厂面临的材料（如高反光金属、柔性织物）、重量和大小千差万别。AI视觉系统与机械臂必须在光照多变、粉尘与震动交织的环境中，动态调整抓取力度与姿态，稍有不慎便会损坏产品。

　　空间位置的极限精度：内容生成可以容忍逻辑瑕疵，但实体产线对零部件位置与装配的精度要求往往在微米级。这要求AI具备极低的延迟反馈与高精度的空间感知能力。

　　高昂的试错成本：AI写错一段话只需一键重置，但在物理世界中，AI的决策失误可能直接导致设备撞击报废、整条产线停摆，甚至引发严重的人身安全事故。

　　因此，工厂AI的落地不仅是算法层面的推演，更是算力、传感器硬件与复杂物理规律深度耦合的系统性工程。在制造业生态中，AI的“破坏”与“创造”效应如何同步发生有待调研。一方面，传统生产线上的常规质检、基础装配等重复性岗位发生什么变化？另一方面，为了保障复杂生产系统的稳定运行，是否有大量新职业应运而生？例如机器视觉优化工程师、人机协调员等。企业在更新智能设备的同时，必须重新划分劳动分工和梳理工作流程，把更多的人力投入到算法无法处理的工作中。特别是在供应链全球化背景下，企业面临的不仅仅是效率竞争，更是组织能力的竞争。如何发挥智能算法在资源调度和流程优化上的优势，同时保留人类在判断、创新和风险把控方面的价值，是企业实现可持续发展的关键课题。

　　当制造业进入深度智能化阶段，劳动环境的核心矛盾也发生了变化。劳动者的工作对象不再只是静态工具，而是具备自主感知和决策能力的智能体，如自主避障车、协作机械臂等。人与机器之间不仅要完成任务协作，还要实现空间和心理层面的协作。这种改变对劳动者的技能和心理适应能力都提出了严峻挑战。

　　在车间的日常互动中，机器的运行轨迹、响应方式以及与人的合作，会直接影响劳动者对新技术的接受程度。如果自主移动设备的运行轨迹或指令干扰了工人的活动空间和工作习惯，极易引发工人的抗拒心理，有的员工会怠工，从而阻碍整体效率的提升，导致采购的技术无法落地。

　　此外，技能传承问题同样值得重视，隐性知识的传递危机日益凸显。当企业削减大量初中级实操岗位，青年技术工人获取实践经验的机会随之减少，技能断层随之出现。面对这一现象，仅靠算法监督难以替代经验在技能传承中的作用。因此，构建就业友好型的生产环境，要求企业在引入AI时不仅要关注机器的算力，更要关注工人之间的信息沟通和情绪传递，建立彼此信任的人机协作共同体。

　　在承认AI强大重构能力的同时，主动优化组织设计，灵活处理人机共存的边界问题，寻找新的创新点，是企业的重要课题。在技术变革的浪潮中，推动技术进步与就业质量之间建立更加健全的平衡机制，真正实现就业友好型的高质量发展。

　　本版专栏文章仅代表作者个人观点