学者新书：AI 难以触及的「混乱工作」

伦敦政治经济学院教授 Luis Garicano、香港大学 AI、管理与组织中心主任 Jin Li，以及香港大学商学院经济学 Area Head Yanhui Wu 在新书《Messy Jobs: The Work That AI Cannot Reach》中提出，AI 对白领工作的替代能力被高估了。三人认为，理解 AI 的经济影响不能只看技术能力，还要看工作的「混乱度」——即一项任务能否被提前明确指定、是否存在多方利益冲突与执行博弈。

核心论点：混乱度决定 AI 的替代边界

书稿以一个日常场景开场：AI 代理自作主张更换了网络运营商、预订了度假屋，但用户家里还有伴侣、室友和孩子的「政治」需要协调。作者借此说明，许多知识工作的瓶颈并非信息不足，而是家庭或组织内部的资源分配、任务分工与共识达成。

沿这一逻辑，作者把所有知识工作排在一个「混乱光谱」上：

• 一端是定义清晰、可被规则化的单一任务，例如根据邮件中的工资单填写表格；
• 另一端是难以预先指定的复杂任务集合，例如运营一家工厂或管理一个家庭。

AI 在光谱的「干净」一端替代能力强，但越往「混乱」一端走，其替代能力就越弱。

对主流预测的反驳

2026 年 2 月，微软 AI 部门负责人在接受《金融时报》采访时表示，多数白领任务将在「未来 12 至 18 个月内被 AI 完全自动化」。作者明确反对这一判断，认为预测者并不理解大多数白领工作者每天实际在做什么。

他们主张，AI 的经济后果必须用组织经济学的语言来讨论——稀缺性、互补性、瓶颈、信号与激励，以及工作的组织方式——而不是只看技术能做到什么。

两道门槛：供给侧与需求侧

书稿将工作的存续归结为两个门槛：

• 供给侧门槛：技术上能否被 AI 高质量、低成本地完成；
• 需求侧门槛：市场是否为「人类来源」的真实感、信任与责任支付溢价。

只要任一侧门槛足够高，工作就能存活。两道门槛都高的工作最为稳固。这一框架被用来分析政企组织的政治属性、执行与变革的混乱度，以及市场对人类原创性与可信度的偏好。

组织重构：人机捆绑的新形态

作者进一步指出，工作并非孤立存在，而是嵌在围绕人设计的招聘、监督、培训等组织系统中。把 AI 直接叠加在既有体系上无法奏效，组织本身需要重新设计筛选、验证、标准与培训流程，以适应每个存续岗位都变成「人机捆绑」的现实。

书稿强调，技术并非塑造未来的唯一变量，激励结构与组织设计同样关键。三位作者来自公共政策与劳动经济学背景，书中以价格理论为工具，论证当「智能」变得廉价后，判断、协调、信任与责任反而更具价值。