每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast，在通勤、走路或做家务时一篇篇轻松听完
"很多岗位的名称可能不变，但工作内容会改变。"
"如果真正创造价值的部分由 AI 完成，留给人的部分价值更低，工资就可能受到不利影响。"
"我们要想办法，确保人们提高生产力、创造更多价值后，这些贡献能体现在收入和工资上。"
AI 能让你更快交出一份报告、写完一段代码，但工资会不会跟着涨，是另一个问题。在 Silicon Valley Girl 的访谈里，Google 高级副总裁 James Manyika谈到，判断 AI 对一个人的影响，不能只看他的岗位还在不在，还要看他留下来做的工作是否更有价值。
他长期研究技术怎样改变就业，也负责 Google 的研究、实验室、技术与社会相关事务。他不赞成短期内大量白领岗位会消失的预言，却同样担心另一种变化：人没有被裁掉，工作中最有价值的部分却交给了 AI，收入因此受到挤压。保住岗位与获得更高的收入，需要分开考虑。
岗位还在，工作可能已经换了
访谈开始，主持人提起了 Manyika 打过的一个赌。他回忆，几年前有人断言，两年内一半白领岗位会被 AI 消灭，他不认同这个判断，便和其中几个人打赌。两年后再去问，对方的回答却是，把时间再往后推两年。
他反对的是把模型进步的速度，直接当成岗位消失的速度。模型学会了找代码里的错误，并不意味着一个软件开发岗位的全部工作都已经能交给它。具体任务能否自动完成、企业能否把流程接起来、最后能否交出可靠的结果，是几件不同的事。
在他的分析中，岗位减少、岗位增长和工作内容改变会同时发生。有些重复性任务更容易自动化，相关岗位可能减少；另一些现有岗位会因为需求增加而扩招，还会出现此前没有的新工作。他认为，影响最广的变化，是原有岗位里面的事情变了。
只盯着有没有裁员，很容易漏看工作已经怎样改变。职位名称没换，接到的任务却可能不同：过去花大量时间亲手做的部分，现在由 AI 起草，人需要花更多时间核对、修改，或者决定接下来该做什么。这些变化，同样会影响一个人的收入。
Manyika 与主持人讨论，为什么岗位名称不变，里面的工作也可能改变。
21% 的任务用上了 AI，不等于被替代了
Manyika 在访谈中提到了 Google 的 ATLAS 研究。这项研究观察人们怎样使用 Gemini App、AI Mode 和 Gemini API。Google 发布的首期报告分析了 1,500 万次经过汇总和去标识处理的人机交互，并发现，在典型岗位中，已经用上 AI 的任务比例约为 21%。
主持人一开始把这个数字理解成可以被 AI 自动化的任务比例，Manyika 随即纠正：它说的是实际使用情况。他用“使用范围很广，但用得还不深”概括当时的状况，并解释了人和 AI 之间的关系：
"我们发现，在这些任务中，AI 大多是在提供辅助，而不是把任务完全自动化。人仍然在和这项技术一起工作。"
比如，写报告时请 AI 查资料、列提纲，就算用上了 AI。但从拿到资料，到判断是否可信、形成结论，再到把报告交出去，还有很多事情要做。AI 参与了其中几步，与它独立完成整份报告，差别就在这里。
因此，21% 既不是 AI 的能力上限，也不是已经消失的工作比例。这项研究还只观察了 Google 的部分 AI 产品，不能当成整个劳动力市场的全貌。相关口径可对照 Google 发布的 ATLAS 说明。
做事更快以后，你手里的工作还值多少钱
当主持人问，效率提高以后薪水会怎样，Manyika 认为，如果 AI 帮人做出了更多、更有价值的成果，人的贡献随之增加，工资就有理由提高。但他也担心另一种情况：
"我认为，风险在于：虽然技术在帮助你工作，但真正创造价值的部分是 AI 做的，留给你的部分价值更低。这时，工资就可能受到不利影响。"
可以拿一份分析报告来理解这个区别。如果你借助 AI 整理资料，因而有时间把关键问题查得更透、找出此前遗漏的原因，最终帮助团队作出更好的决定，那么提效扩大了你能完成的事情。
另一种可能是，资料整理、分析和结论逐渐都由系统完成，人只负责复制到模板里、修好格式。即便每天交出的报告更多，也不能只凭数量判断个人贡献增加了。两种情况下，岗位都可能还在，效率也都提高了，但人承担的事情并不一样。
Manyika 提醒，工作容易受到 AI 影响，并不必然意味着坏结果。同一项技术既可能替人完成任务，也可能让人有能力承担更多事情。要判断自己的处境，得回到工作本身：AI 做完之后，还需要你解决什么问题？
Manyika 谈到，若 AI 接走工作中更有价值的部分，留给人的工作可能影响其工资。
创造了更多价值，也要让收入跟上
即使 AI 确实帮你做出了更好的成果，加薪也不会自动发生。主持人提出，员工应该为自己争取，因为企业未必能及时反应过来，尤其是小公司，可能还没有把效率变化计入报酬。Manyika 认同这个提醒。
他提到，过去几十年，美国工资与产出都在增长，但工资增长没有赶上产出增长。这不是 AI 才带来的问题，AI 却可能让它更严重。因此，效率提高了多少，与劳动者实际拿到了多少，必须分开看。
"他们应该为自己争取。我认为，如果他们的贡献更加独特，尤其是能与技术的能力互相补充，就应该带来更高的产出和工资。"
把这个建议放进日常工作，可以先把自己的贡献具体体现在哪里说清楚。比如，原来只能覆盖一个项目，现在能兼顾几个；过去容易漏掉的错误，现在能提前发现；过去只能给出初稿，现在能跟进到结果。比起只说“我用了 AI，省了很多时间”，这些事实更能说明你为团队多做了什么。
这些记录不能保证加薪，报酬还取决于公司的分配方式、经营状况和协商结果。但在讨论工资时，你有具体的成果可以谈，而不只是希望老板自动注意到效率变化。
AI 产出变多以后，谁来把结果查清楚
人的贡献会往哪里变？访谈后半段谈科学研究时，Manyika 给了一个例子。AI 让提出假设、模拟可能性变得容易，研究者能得到更多值得探索的方向，但这些结果还得进入实验室，才能知道哪些真正可行。
他提到，材料研究里的模型能预测大量可能存在的晶体结构。研究者接下来要判断能不能合成，再尝试把材料实际做出来。模型给出的候选结果增多，实验室面临的筛选和检验也随之增加。谈到这个变化，他说：
"现在，提出想法和可能性变得容易多了，但瓶颈在实验室验证。"
这时，研究人员仍要设计验证方法，判断模型给出的方向是否值得继续。Manyika 也因此重新追问科学家的角色：哪些问题需要人来提出，哪些结果需要人来验证？
回到普通人的工作，未必人人都要负责一个研究项目，但检查输出、运用专业经验、把问题问对，都是他在访谈中反复提到的能力。他还在关注一些新活动：有人监督 Agent 的运行、评估它们的表现，或者帮企业把新工具用起来。这些是正在观察的机会，还不是一张已经确定的高薪岗位清单。
判断变化快慢，要看真实工作怎样交出去
Manyika 不赞成大规模失业马上到来的预测，却没有把自己的判断当成永远不变的结论。主持人问，什么信号会让他改变看法，他提到了三个方面。
首先，要看 AI 能否在真实工作中独立完成耗时更长、步骤更多的任务，而不只是测试里跑出了好成绩。其次，要看能力是否更稳定：有些问题做得很好，换一项看似简单的任务却容易出错，这种不均衡如果明显改善，交给 AI 的工作范围就可能扩大。
第三是机器人能否更快赶上。Manyika 认为，机器人目前的进步落后于 AI 在认知任务上的进步；一旦它能更可靠地进入大量体力劳动场景，就会改变更多人的工作。
这些判断给普通员工提供了比追着预言跑更有用的观察办法：看看自己熟悉的流程，哪些步骤仍然必须由人确认，哪些已经能完整交出去，哪些错误还离不开专业人士处理。随着这些边界移动，再决定要学什么、接什么工作。
写在最后
不必等一个关于失业或加薪的预测被证明，才开始调整自己的工作。先从一项熟悉的任务试起，看 AI 能替你省下什么，又把哪些判断留给了你。把省下的时间用在值得做的事情上，也把新增的成果记录下来。收入未必马上改变，但你会更清楚，下一步该补什么能力、该为哪些贡献争取回报。
内容来源："Top Google Exec: Who Actually Gets Paid in the AI Economy"丨Silicon Valley Girl（嘉宾：James Manyika（Google 高级副总裁））
原视频：https://www.youtube.com/watch?v=Jijc0XokSpQ&t=11s
相关文章
《多邻国CEO：AI没让我裁一个人，但它改变了所有人的工作方式 | Silicon Valley Girl》 《李飞飞：十年后职场只剩两种人丨Silicon Valley Girl》 《编程正在消失，但软件机会才刚刚开始》
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣
⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣