AI 智能体会取代自由职业者吗？四年证据揭示了什么（ChatGPT、Claude、Upwork、Jobbit）

现在，每一位企业主都在问同一个问题的某种变体：哪些工作可以交给 AI 智能体，哪些仍然需要人来做？这一次，这个问题有了一个实验室。自 2022 年末以来，那些承载着数百万作家、译者、设计师和开发者的在线自由职业平台，同时也承载了一场自然实验：当一种胜任常规知识工作的替代品，以近乎零的边际成本一夜之间出现在一个每项工作都会被发布、定价并打上时间戳的市场中，会发生什么。

本案例研究像学者对待任何其他证据体系一样对待这场实验：究竟测量了什么、测量得有多严谨、结果显示了什么，以及目前还无法显示什么。研究依据来自斯坦福（Stanford）、麻省理工学院（MIT）、哈佛商学院（Harvard Business School）、芝加哥大学（University of Chicago）和加州大学洛杉矶分校（UCLA）研究者的同行评审论文及工作论文，来自 BCG 和阿里巴巴（Alibaba）内部的随机现场实验，来自 METR 和 OpenAI 的能力评估，以及来自 Upwork 和 Fiverr 平台自身的数据。覆盖时间段从 2022 年 11 月 ChatGPT 发布起，到 2026 年 8 月这些研究中最新一项完成更新为止。

对标题问题的简短回答是：到目前为止，智能体替代的是任务而非自由职业者，而且这种替代是局部的、快速的、参差不齐的。较长的回答则更有用，因为它告诉企业当前的边界在哪里，以及应如何在边界两侧开展工作。

结论摘要

经得起审慎解读的证据，可归纳为五项结论。

第一，替代是真实存在的，且高度集中。在 ChatGPT 发布后的八个月内，一家全球领先平台上易被自动化的写作和编程类工作发布量相对于劳动密集型工作下降了约 21%，而图像生成工具则使图像类工作的发布量下降了约 17%。在 Upwork 上，在受 AI 影响较大的类别中，资历和口碑对谁能获得聘用的预测力已可测量地下降，而价格的预测力则上升。

第二，对更广泛劳动力市场的影响仍然很小。最为精确的一项研究基于丹麦的行政记录，排除了 ChatGPT 发布两年后收入或工时出现超过 2% 影响的可能性。但例外情况十分明显：在美国，受 AI 影响最大的职业中，22 至 25 岁员工的就业水平如今比其与受影响较小的同龄群体同步增长本应达到的水平低约 19%。

第三，与 AI 协作带来的生产力提升幅度大，但分布并不均衡。这种提升在经验较少的员工完成常规任务时最为显著，而在任务超出工具能力范围时，对专家而言甚至可能变为负面效果。在一项严谨的试验中，经验丰富的开发者使用 AI 工具时的工作速度反而慢了 19%，但他们自己却认为快了 20%。

第四，智能体已经从助手转变为劳动者。前沿系统能够完成的任务时长每隔几个月就会翻倍，盲测的专家评审员如今认为，最优秀模型交付成果的质量在近一半的案例中与专业人士相当或更好。但一旦把审核和修正的时间计算在内，所测得的节省幅度就会从约九十倍骤降至 12% 至 39% 之间，而且即便是最优秀的职场智能体，偶尔仍会犯下会造成不可逆后果的小错误。

第五，理性的应对方式，也是各平台正在趋同采用的方式，是一种分工：常规的、可审核的数字工作交给智能体；判断、担责、在场以及任何不可逆的事情交给人；并在两者之间建立起有意设计的交接机制。

论证：为何自由职业平台是恰当的实验室

劳动经济学家通常依赖年度调查和宽泛的职业代码开展工作。在线自由职业平台则提供了更为稀缺的东西：被拆解为一个个独立任务的工作，每项任务都有发布日期、价格、类别、买家、卖家和结果。当一项能够完成部分此类任务的技术出现时，这种变化会在数周内体现在发布量的走势中，体现在谁赢得合同以及以何种价格赢得合同上。这个市场也会即刻采用新工具，因为自由职业者与浏览器标签页之间不存在采购周期。

同样这些特点也使这个实验室并不完美。平台记录的是已发布的需求，而非全部需求；如今转而用智能体在内部完成工作的客户，会直接从数据中消失，而不会以"替代"的形式出现。类别本身也在变化，因此"写作"类的下降可能部分只是被重新归类为"AI 内容编辑"。大多数大型数据集来自美国，而平台上的自由职业者也无法代表整体劳动力。这些局限对解读结果很重要，后文会再讨论，但这并不意味着这些证据毫无用处。它们更像是一种领先指标，而非一次全面普查。

利害关系并不小。IPSE 估计英国自由职业者约有 205 万人，约占该国 420 万独立自雇人士的一半，这一估算所采用的定义仅限于技能水平最高的三大职业类别。而这些职业，恰恰是 AI 适用性研究中排名最高的那些。

证据时间线（2022 至 2026 年）

发现一：替代是真实的、快速的、局部的

最早的严谨证据来自 Xiang Hui、Oren Reshef 和 Luofeng Zhou，他们对一家大型在线劳务平台的研究于 2024 年发表在 Organization Science 上，后来还获得了华盛顿大学（Washington University）颁发的、面向具有实践影响力研究的 Olin 奖。他们将受 ChatGPT、DALL-E 2 和 Midjourney 影响的职业中的自由职业者，与受影响较小的职业中的自由职业者进行比较，发现受影响群体的工作数量和月收入均出现下降。真正让这一领域感到不安的发现与质量有关。拥有优秀历史评分和长期业绩记录的自由职业者并未因此得到保护；恰恰相反，作者报告的迹象表明，表现最优秀的人受到的冲击反而更大。最合理的解释是，在常规文本和图像类工作中，在买家眼中，人类的优秀产出与机器的合格产出已变得几乎可以互相替代，因此"优秀"所带来的溢价率先被侵蚀。

Ozge Demirci、Jonas Hannane 和 Xinrong Zhu 随后直接测量了需求侧。他们使用来自一家全球领先自由职业平台的发布数据，在一篇发表于 2025 年 Management Science 的论文中发现，在 ChatGPT 发布后的八个月内，易自动化的写作和编程类工作发布量相对于劳动密集型工作下降了 21%，而在图像生成模型出现后，图像创作类发布量下降了 17%。有两项次要结果与这一头条发现同样重要。留在受影响类别中的发布内容变得更为复杂，报酬也更高，竞争也更为激烈。换句话说，替代并没有清空整个类别，而是移除了该类别的底层部分。

为什么最先受到冲击的是写作、翻译和图像类工作？微软研究院（Microsoft Research）发表于 2025 年、对 20 万条匿名 Bing Copilot 对话的分析为这一机制勾勒出了轮廓。AI 适用性最高的职业，是那些工作内容以收集、生产和传递信息为主的职业；口译和笔译位居榜首，其 98% 的工作活动与该助手已经能够胜任的任务重合。适用性并不等同于被替代，作者也特意强调了这一点，但这一排名几乎精确地预测出了平台研究中发现正在萎缩的那些自由职业类别。

最新、也是对企业读者最具启发意义的证据，来自加州大学洛杉矶分校安德森商学院（UCLA Anderson）的 Auyon Siddiq 和 Niuniu Zhang。他们 2026 年的工作论文《"Human Capital, AI, and Labor Commoditization"》（人力资本、AI 与劳动力商品化）追踪了近 5万名在 ChatGPT 出现之前就已活跃的 Upwork 自由职业者，时间跨度为 2021 年初至 2026 年初的 21 个季度，涵盖 226万份已完成合同。他们没有单纯统计工作数量，而是探究究竟是什么因素预测了谁会被聘用。在翻译、写作等受 AI 影响更大的类别中，自由职业者的自我展示、资历和口碑三者合计的预测权重，相对于摄影等受影响较小的类别下降了约 7.8%，而价格的权重则有所上升。到最后一年，人力资本相关指标的重要性下降了约 10.1%，价格的重要性则上升了约 1.8%。经验丰富的自由职业者所拥有的优势先后收窄了 6.2% 和 10.3%，在受影响最大的工作中，报价更低的自由职业者多赢得了 7.9% 的合同。受影响领域的整体需求下降了约 7%。作者将这一现象称为"商品化"：当买家能够从模型那里获得一份过得去的初稿时，他们愿意为人类支付的理由，就从"你是谁"变成了"多少钱"。

发现二：总体影响仍然很小，但有一个突出的例外

如果平台层面的证据就是全部事实，那么国家统计数据眼下也应当有所体现。但大体上并没有，而那些未能发现显著影响的研究，恰恰是设计最为严谨的一批。

Anders Humlum 和 Emilie Vestergaard 将大规模的采用情况调查与丹麦的行政劳动记录相关联，覆盖了 11 个受影响职业中的 25,000 名员工和 7,000 个工作场所。他们的 NBER 工作论文于 2025 年首次发布，2026 年 3 月修订，记录了迅速的采用过程：受影响职业中的大多数雇主已启动聊天机器人相关项目，员工反馈了生产力方面的益处，与 AI 相关的新任务也十分普遍。然而，关于收入和记录工时的双重差分估计结果却是精确的零效应，排除了在 ChatGPT 出现两年后，无论在员工层面还是工作场所层面出现超过 2% 影响的可能性。真正发生变化的是工作的结构：雇主通过任务重组来消化这项技术，包括在内容生成、AI 监督和 AI 集成方面新增任务，采用者也逐渐流向工具更为实用、薪酬更高的职业，只是人数太少，不足以影响整体平均值。该论文的早期版本将自我报告的时间节省估计为工作时长的不到 3%，仅为同一职业受控试验中所记录的收益（通常高于 15%）的一小部分。AI 在试验中能做到什么，与它在薪资单上真正改变了什么，这两者之间的差距，是这一领域文献的核心谜题，而丹麦正是这一差距被测量得最为清晰的地方。

耶鲁大学预算实验室（Budget Lab at Yale）通过另一条路径，针对美国得出了类似的结论。该实验室追踪就业的职业构成，并对受 AI 影响的职业采用合成双重差分法，其 2025 年和 2026 年的更新均未发现明显的 AI 痕迹。2026 年初的数据显示裁员率低，但招聘率也低，作者认为，一项具有广泛影响的技术，理应需要比 ChatGPT 问世以来这大约三年更长的时间才能显现出效果。

这一例外由斯坦福大学数字经济实验室（Stanford's Digital Economy Lab）的 Erik Brynjolfsson、Bharat Chandar 和 Ruyu Chen 记录下来，他们的论文《"Canaries in the Coal Mine?"》（煤矿中的金丝雀？）使用了覆盖数百万美国员工的 ADP 薪资记录。在其 2026 年 8 月的更新中，数据截至 2026 年 6 月，受 AI 高度影响职业中 22 至 25 岁员工的就业水平，比其若与受影响较小职业中同龄员工同步变化本应达到的水平低约 19%，高于一年前 15% 的差距。从绝对水平看，该年龄段员工在受影响最大的两个五分位组中的就业人数，在 2022 年 11 月至 2026 年 6 月间下降了约 11%，而受影响最小的三个五分位组的就业人数则增长了约 10%。经验丰富的员工并未表现出类似的差距，作者明确表示，他们并未观察到广泛的、全经济范围的替代现象。就业下降集中在那些 AI 的使用是在自动化工作、而非补充工作的职业中。

一旦不再期待 AI 会表现得像一场经济衰退，这些结果彼此之间其实是一致的。任务层面的替代最先出现在合同周期最短、重新定价最频繁的地方：自由职业零工和入门级招聘。自由职业市场之所以是那只"金丝雀"，是因为它每周都在重新定价；而薪资单则是那座"煤矿"，迄今为止那里的空气变化最小。

发现三：增强带来的收益很大，但并不均衡，而且前沿是参差不齐的

与替代相对应的是增强，而在这一方面，由于可以采用随机化方法，实验证据格外有力。

Brynjolfsson、Danielle Li 和 Lindsey Raymond 在一篇发表于 2025 年 Quarterly Journal of Economics 的论文中，研究了一款生成式 AI 助手向 5,179 名客服人员分阶段推出的过程。每小时解决的问题数量平均提升了 14%，新手和技能较低的客服人员提升了 34%，而经验丰富、技能较高的客服人员几乎没有变化。这款工具似乎将最优秀客服人员的做法编码了下来，并传递给了最新加入的人，使他们更快地沿着经验曲线成长。

哈佛商学院（Harvard Business School）的 Fabrizio Dell'Acqua 及其同事与 BCG 合作，在一项现已发表于 Organization Science 的研究中，将 758 名管理顾问随机分配至使用或不使用 GPT-4 完成一系列贴近实际的任务。在模型能力范围之内的十八项任务中，使用 AI 的顾问完成的任务数量多 12.2%，速度快 25.1%，盲测评审员给出的质量评分高出 40%。而在一项特意选定、处于该能力范围之外的任务中，使用 AI 的顾问得出正确答案的可能性反而低了 19 个百分点。作者为这一边界所起的名字"参差不齐的技术前沿"，已成为描述这一问题的标准说法：工具能力的边界并不沿着用户能够看见的线条延伸，而用户也很难判断自己究竟处在这条线的哪一侧。

Xiao Ni、Tianjun Feng、Lauren Xiaoyuan Lu 及其合著者在阿里巴巴客服业务内部开展的一项现场实验中，在更大规模上重现了这种分布模式：5,940 名新客服人员，约 256万次对话，39万条客户评分。表现较差者在速度和质量上的提升都最为明显；表现最优者速度提升甚微，而且无论是主观还是客观指标，质量都有所下降。能够抬高下限的辅助手段，也可能拉低上限。

此外还有 METR 针对经验丰富的开源开发者开展的随机对照试验，发表于 2025 年 7 月，是这一时期被引用最多的警示性结果，值得精确说明。16 名开发者在他们自己维护的代码仓库中完成了 246 项真实任务，这些仓库平均拥有超过 22,000 颗星标和一百万行代码，任务被随机分配为允许或禁止使用 AI 工具，所用工具主要是搭配 Claude 3.5 和 3.7 Sonnet 的 Cursor。使用 AI 时，他们完成任务反而多花了 19% 的时间。研究开始前，他们预测速度会提升 24%；结束后，他们估计自己快了 20%。这种认知落差与生产力结果本身同样重要。它表明，大多数行业调查所依赖的自我报告收益，恰恰在专业水平最高的地方被高估了。有关软件开发工作的具体影响，详见AI 会取代软件开发者吗？

R. Maria del Rio-Chanona、Ekkehard Ernst、Rossana Merola、Daniel Samaan 和 Ole Teutloff 撰写的一篇 2025 年综述将文献中的这些脉络汇聚在了一起：受控试验中的生产力提升幅度约为 20% 至 60%，现场实验中约为 15% 至 30%，在简单任务上对新手的提升更大，在复杂任务上则表现不一；数字轨迹数据显示，写作和翻译领域存在替代现象，与此同时对 AI 技能的需求上升，而对新手需求下降的证据虽尚温和，但正在增多。

发现四：智能体已从助手转变为劳动者，可靠性差距才是问题的全部

以上所有内容讨论的都是 AI 作为助手、而人类在每一步都参与其中的情形。自 2025 年以来发生的变化是，系统如今能够执行多步骤的工作，人类只在最后进行检查，甚至完全不检查，这就改变了哪些证据才是重要的。

METR 的"时间跨度"指标衡量的是：以人类专业人员完成所需的时间来表示，一个系统能以 50% 的成功率完成多长的任务。在该方法论 2026 年 1 月的修订版中，测试集扩展到 228 项任务，其中包括 31 项耗时八小时或更长的任务，长期翻倍周期估计约为 196 天，而自 2023 年以来的翻倍速度加快至 131 天，自 2024 年以来更快至 89 天。当时测得表现最优的模型 Claude Opus 4.5，其 50% 成功率对应的时间跨度约为 320 分钟，置信区间较宽，大约在三到十二小时之间。作者明确指出，50% 的成功率门槛对于真实工作而言是相当宽松的，这一趋势对任务构成很敏感，而且大多数长任务所用的人类完成时间是估算值，而非实测值。在充分考虑这些限制的前提下，方向依然是明确的：可以被委托出去的数字工作的时长，一直在呈指数级增长。

OpenAI 于 2025 年末发布的 GDPval 评估，检验的正是这种被委托出去的工作质量究竟如何。测试任务由来自九个行业、44 种职业的专业人士撰写，平均拥有 14 年经验，并通过盲测方式，由专家将成果与人类交付物进行两两比较评分。表现最优的模型 Claude Opus 4.1 交付的成果，在 47.6% 的案例中被评为优于或等同于专家水平。但企业真正应当记住的是另一个数字。将机器耗时与人类耗时做简单比较，得出的比值接近九十倍，但该论文一旦将人工审核、以及必要时的返工计算在内，估算的节省幅度就会降至 1.12 至 1.39 倍之间，具体取决于所采用的策略。成本正是消耗在了审核环节。这与 Dell'Acqua 在顾问身上、METR 在开发者身上发现的机制如出一辙，如今在交付成果这一层面上再次得到了印证。

职场基准测试同时展现出了进步的速度与残留的问题。卡内基梅隆大学（Carnegie Mellon）的 TheAgentCompany 将智能体投放进一家模拟软件公司，其中运行着真实的 GitLab、OwnCloud、Plane 和 RocketChat 实例，共设 175 项任务；2024 年末推出时，表现最优的智能体完成了其中约四分之一，到 2025 年间提升到约 30%。Olly Styles 和 Sam Miller 于 2026 年 6 月重新审视了他们的 WorkBench 基准测试，报告称表现最优的智能体的任务完成率，已从 2024 年 3 月 GPT-4 的 43% 升至 Claude Fable 5 的 98%，而出现意外有害操作的运行比例则从 26% 降至 1.9%。他们同时报告称，前沿模型仍会犯一些基本错误，这些错误偶尔会造成不可逆的损害。百分之二已经相当不错了；但这也意味着大约每五十次运行中，就有一次会做出不该做的事。

由 Yiwei Wang、Chuan Zhu、Tianjun Feng、Lauren Xiaoyuan Lu 和 Bingxin Jia 完成的2026 年阿里巴巴现场实验，是首个在真实服务运营中、针对有人类参与监督的智能体 AI 所获得的随机对照证据。接受实验处理的员工负责监督一个智能体处理符合条件的客户对话，自己则手动处理其余部分。平均对话时长有所下降，客户因同一问题再次咨询的情况变化不大，但由智能体处理的对话评分明显更低。当失败属于技术性质，即问题未得到解决时，人工介入挽回局面的效果，要远好于失败属于情绪性质，即客户感到沮丧的情形，而且介入越早效果越好。担任监督角色的员工，对自己仍亲自处理的对话也投入了更多关注，这是一种正向的溢出效应。这是迄今为止关于智能体与人之间的交接应当如何设计的最直接证据：及早关注、在事实层面介入，不要把情绪问题留给机器处理。

采用情况的数据证实，这一转变并不局限于实验室之中。Anthropic 2026 年 3 月的经济指数报告显示，49% 的职业中至少有四分之一的任务已用 Claude 完成，而且编程工作正从对话式使用向自动化 API 工作流迁移，自 2025 年 8 月以来，编程相关份额在 API 中上升了 14%，在聊天产品中下降了 18%。Lightcast 为 2026 年斯坦福 AI 指数报告所提供的数据发现，AI 技能出现在美国 2.5% 的职位发布中，提及"智能体 AI"技能集群的职位发布比例从 2024 年的 0.06% 上升到 2025 年的 0.23%，约合 9万个职位。此外，UpBench 是一项基于 Upwork 平台上真实、已完成工作构建的 2025 年基准测试，由资深自由职业者将每项工作拆解为可验证的验收标准，并据此对智能体评分。用客户评判自由职业者的那套标准来给智能体打分，本身就是供给侧未来走向的一个信号。

机制：为何模式呈现出这样的形态

四种机制解释了证据所显示内容的绝大部分，值得在此说明，因为它们能够预测接下来会发生什么。

第一种机制是常规能力的商品化。当模型能够产出一份产品描述、一段翻译或一个样板模块的可接受草稿时，买家为该类别中人类资历买单的意愿就会下降，价格随之成为决定性变量。Siddiq 和 Zhang 测量的正是这一转变，而 Demirci 及其同事则展示了它的镜像：留给人类的工作变得更加复杂、报酬更高，竞争也更加激烈。

第二种机制是验证成本成为了约束性瓶颈。生产已经变得廉价，但核查并没有。GDPval 在计入审核后从九十倍骤降至不到 1.4 倍、METR 中被拖慢的专家，以及参差不齐的前沿，描述的都是同一种经济现象。谁能以低成本核实产出，谁就能获得收益；谁做不到，谁就要为此付出返工或未被发现错误的代价。这正是为什么在容易核查的任务上，收益会流向新手，而在核查成本与完成任务本身成本相当的任务上，专家的收益会陷入停滞。

第三种机制是学徒制断层。智能体擅长完成的任务，恰恰是企业过去交给初级员工和初级自由职业者、用以让他们学习成长的那些任务。Brynjolfsson、Li 和 Raymond 的研究表明，辅助工具对新手帮助最大；而 Brynjolfsson、Chandar 和 Chen 的研究则表明，企业招聘的新手数量却因此减少。这两者可以同时成立：一家企业若只需更少的初级员工就能产出同样的成果，便会招聘更少的初级员工，即便每个人的生产力都有所提高。其长期代价，即经验丰富人才储备的日渐稀薄，尚未在任何数据集中显现出来，却是这一领域中最重要的一个未被测量的变量。

第四种机制是互补性人类任务的持续存在。Demirci 研究中作为对照组的劳动密集型工作并未出现下滑。阿里巴巴的实验表明，情绪性失败很难通过机器挽回。担责、在场、体力劳动和人际关系之所以仍然由人来承担，原因与模型能力毫无关系，而完全在于客户能够接受什么。

审慎的读者应当同时考虑另外两种解释。美国入门级岗位的下滑，恰逢利率上升以及科技行业疫情时期招聘热潮的消退，这两个因素本身也独立冲击了同一批人群；斯坦福的作者们通过企业内部比较、以及对比自动化型职业与增强型职业来应对这一问题，但这一混杂因素无法被完全排除。此外，每一种"受影响程度"的衡量指标本身都是由模型推导出来的，因此这些研究在某种程度上检验的是分类器自身的假设。丹麦的集体谈判制度，也可能抑制了本应在更宽松劳动力市场中更快显现的工资反应。

各平台如何应对

各大平台读懂了同样的信号，并采取了行动。2025 年 4 月，Fiverr 首席执行官 Micha Kaufman 致信全体员工，称"AI 正在取代你们的工作"，包括他自己的工作，并敦促员工熟练掌握 Cursor 和 Legora 等工具；2025 年 9 月，该公司裁减了约 250 个岗位，占其员工总数近 30%，以转型为其所称的"AI 优先"公司，此前已于当年 2 月推出了 Fiverr Go 创作者工具。Upwork 则一直在将其助手 Uma 打造成该公司所描述的一种全天候工作智能体，能够代表客户和自由职业者采取行动，其2026 年 Future Workforce Index报告将成功的自由职业者重新定义为一种"AI 编排者"，负责将工具与领域专长相连接，并施加判断。同一份报告用一句话给出了价格信号：从事 AI 相关工作的自由职业者时薪比未从事此类工作的人高 34%，复杂的 AI 增强型工作收入同比增长 45%，而生成式 AI 与创意制作类工作的合同开工量增长了 90%，单份合同收入却下降了 13%。数量流向了简单的一端，而金钱流向了复杂的一端。

本案例研究所发布的平台 Jobbit，其设计正是围绕证据所指向的这种分工展开，而非偏向其中任何一方。智能体承担可审核的数字工作：构建并部署网站或网页应用、起草文档和演示文稿、开展调研、设置自动化流程、生成图像和视频。用户可以在智能体浏览器中观看其工作过程，并随时接管控制权，这正是阿里巴巴实验中发现最为有效的早期介入模式。对于智能体做得不好、或不应独自承担的工作，例如实体和本地性质的工作、需要担责的专家审核、任何客户需要真人来完成的事项，平台则会将其导向 pro.jobbit.uk 上受审核管理的人力网络。Jobbit 尚未公布自身的试验数据，本研究也未对其实际成效做出任何论断；这里所主张的，是一种设计与证据之间的契合关系。想了解具体机制的读者，可以从智能体 AI 到底是什么、观察并接管智能体浏览器控制权指南，以及小企业 AI 应用场景实用清单开始阅读。

企业应如何运用这些证据

这些发现可以转化为一条委派规则，企业主无需阅读任何一篇论文，就能直接加以运用。

把常规且可审核的工作交给智能体：初稿、摘要、调研简报、标准文档，以及一个你花一个下午就能点开检查的网站或内部工具。这正是每一项研究都发现收益最大的地方，尤其是当企业目前完成该任务速度缓慢、或干脆没有能力完成时，因为"新手效应"对企业同样适用，就像它对个人适用一样。如何用 AI 智能体让企业实现自动化一文给出了一套切实可行的起步流程。

把不可逆、涉及情绪、体力性质或需要担责的工作留给人：任何涉及转账、删除数据、接触情绪激动客户，或需要有人为结果负责的事情。阿里巴巴的实验和 WorkBench 中残留的问题，指向的是同一个方向。

在判断智能体是否更便宜之前，先把审核时间计入价格。GDPval 给出的诚实算法，即 12% 至 39% 的节省，而非九十倍，才是应当用来做规划的数字。如果企业内部没有人能够检查产出结果，那么这种节省就是不真实的；在这种情况下，正确的做法是让智能体完成工作，再由人类专家进行审核，而这正是自由职业数据所显示的、买家已经愿意为之支付溢价的安排。

要预见到这条前沿是参差不齐的，而且还会不断移动。一月份智能体还做不了的任务，到九月可能就已经变得稀松平常，反过来则不成立。持续测试，记录下哪些被检查过、哪些出了问题，并每个季度重新审视这种分工。

局限性与未解决的问题

大多数大型数据集来自美国，而平台数据衡量的是已发布的需求，而非全部已完成的工作。"受影响程度"的衡量指标本身由模型推导而来，因此研究结果在一定程度上继承了分类器的假设。观察的时间跨度都不长：丹麦为两年，美国不到四年，耶鲁作者提出的、广泛影响可能需要更长时间才能显现的观点，值得认真对待。基准测试并不等同于真实工作；GDPval 的任务是自成一体的交付物，WorkBench 是一个合成的办公室环境，而真实工作则充满打断、模糊性和办公室政治。能力发展的速度足够快，以至于本研究中的任何数字都只是一张快照，而最有可能被后续研究推翻的，是能力方面的数字，而非劳动力方面的数字。最后，对未来十年而言最为关键的一个影响，即日渐稀薄的学徒制人才管道是否会削弱经验丰富专业人士的供给，目前还完全无法测量。

结论

AI 智能体会取代自由职业者吗？到目前为止，它们替代的是任务，而且是在一项任务的产出能够被生产出来、并被判定为常规性质的地方。这已经足以使商品化的写作、翻译和图像类工作市场萎缩，削弱这些类别中资历所带来的聘用溢价，并大幅削减受影响职业中的入门级招聘，与此同时，整个经济体的收入与工时基本保持不变。在数据中脱颖而出的自由职业者，是那些出售判断力、担责能力，以及指挥并核查机器工作能力的人；从中受益的企业，则是那些学会把常规工作委派出去并加以审核、并把一切不可撤销之事留给人来做的企业。市场并没有失去交易的某一方。它正在围绕双方之间的交接重新组织，而那些让这种交接变得顺畅的平台，正是证据所青睐的平台。

常见问题

AI 智能体会取代自由职业者吗？

并非作为一个整体类别被取代。2022 年至 2026 年间最有力的证据显示，AI 替代的是具体任务，主要是常规写作、翻译、图像创作和简单编程，这些领域的职位发布量在 ChatGPT 出现后的几个月内，相对于劳动密集型工作下降了约五分之一。同一类别中复杂工作的需求，在报酬和竞争程度上均有所上升，而全国性数据并未显示出全经济范围的替代现象。最明显的受损者，是受影响职业中的入门级员工，而非经验丰富的自由职业者。

哪些自由职业工作受 AI 影响最大？

写作、翻译、内容编辑、图像与设计制作，以及常规编程。针对 Upwork 及其他平台的研究发现，这些类别的发布量出现下降，而且客户在招聘时，资历的重要性有所降低，价格的重要性则有所上升。体力性质、本地性质、基于人际关系，或需要为结果担责的工作，迄今为止基本未受影响。

使用 AI 智能体比雇佣自由职业者更便宜吗？

对于常规且可核查的工作，通常是更便宜的，但便宜的幅度要小于表面数字所暗示的程度。OpenAI 的 GDPval 评估发现，从原始数字来看，模型产出专业交付物的速度大约快九十倍，但一旦计入人工审核与修正，节省幅度就会降至约 12% 至 39%。如果企业内部没有人能够审核产出结果，那么现实可行的方案，是由智能体完成工作，再由人类专家进行检查。

小企业仍应把哪些工作交给人来做？

任何不可逆、涉及情绪、体力性质或需要担责的事情：付款和删除操作、情绪激动的客户、现场工作，以及必须有人为之负责的结果。2026 年阿里巴巴的一项现场实验发现，由智能体处理的客服对话速度更快，但评分更低，而且人工介入挽回技术性失败的效果，要远好于挽回情绪性失败。Jobbit 等平台正是针对这部分剩余工作，将负责数字任务的智能体与人力网络搭配使用。

为什么各项研究对 AI 与就业的看法存在分歧？

这主要是因为它们衡量的是不同的东西。受控实验衡量的是 AI 在特定选定任务上的表现，发现的是巨大的收益；平台数据衡量的是特定任务类别的需求，发现的是局部的急剧下降；薪资和行政数据衡量的是全经济范围的就业与收入，迄今为止发现的变化很小。一旦将任务层面的替代、不均衡的增强，以及缓慢的总体调整这三者放在一起解读，整幅图景就会变得一致。