机器人会抢走蓝领的工作吗？Anthropic 2026 年研究的真正结论 (Anthropic, Tesla, Nvidia, Jobbit)

十年来，公众对自动化的讨论一直围绕着同一个数字。2013 年，牛津大学的 Carl Benedikt Frey 和 Michael Osborne 估计，美国 47% 的就业岗位所在的职业在未来二十年内有很高的计算机化风险，此后每一场关于未来工作的演讲都会重复这个数字。十三年过去了，本应清空仓库和建筑工地的机器人只出现在演示中、几千家工厂里和少数出租车上，而本应被取代的人们仍在工作，其中许多人所在的职业还是雇主无法招满的短缺职业。标准说法中有些地方错了，而直到最近，还没有人去衡量错在哪里。

2026 年 9 月 30 日，Anthropic 的经济学团队发布了 Russell Legate-Yang 和 Maxim Massenkoff 撰写的 "What work can robots do?"（机器人能做什么工作？）。据本文所能查证，这是首次尝试用现实中真实存在的机器人来评估美国经济中的每一项体力任务，并提出那个 47% 从未问过的问题：价格是多少。答案改变了这场辩论。机器人已经可以完成美国约四分之三的体力工作任务，但只有千分之三的任务比人工更便宜。按照 20 世纪 90 年代以来机器人价格的下降速度，要让这一差距缩小到覆盖十分之一的工作，大约需要四十年；即使在激进情景下，一半的体力工作也要到 2050 年以后。本案例研究细读这篇论文，把它与 AI 已经对案头工作产生的影响的证据并置，考察各种反对意见，并梳理这一模式对英国技工、小企业主以及 Jobbit 这样的公司意味着什么。Jobbit 正是建立在这篇论文如今加以量化的前提之上：机器与人之间的交接，是未来二十年的核心设计问题。

研究结果概述

第一，能力已不再是大多数体力工作的决定性约束。Anthropic 的研究发现，机器人可以完成美国 74% 的体力任务，相当于全部工作时间的 34%，所依据的是已经销售、部署或演示过的机器人，而非想象中的机器人。

第二，成本才是约束。如今，机器人只对 0.3% 的工作任务具有成本竞争力。对于暴露度最高的大型职业包装工，估计每名工人每年节省约 $2,500，而其人工成本约为 $49,000；对于出租车司机，机器人的成本仍比人类高出约 $7,000。

第三，差距缩小得很慢。自 20 世纪 90 年代以来，机器人价格每年下降约 3%。按这个速度，机器人要对 10% 的美国工作具有成本竞争力需要 40 年。在论文的快速情景中，成本下降速度快四倍，能力提升速度快两倍，机器人要到 2050 年前后才会对一半的体力工作比人更便宜，而按历史趋势则是 2085 年，要实现其中 90% 的自动化仍需 53 年。

第四，数字工作面临的是相反的图景。约 50% 的美国工作仅就大语言模型而言就受影响，若把语言模型或机器人合并计算则为 81%。来自工资单数据的早期劳动力市场证据显示，在 AI 暴露度最高的职业中，22 到 25 岁人群的就业比暴露度较低的同龄人低约 19%，而经验丰富的工人和整体经济尚未出现类似变化。

第五，受机器人影响最大的人，缓冲垫最薄。与不受影响的工人相比，他们持有学位的可能性低 55 个百分点，时薪低约 $30，失业率则高出一倍以上。

第六，仍然存在的障碍具体而可衡量。约 70% 的体力任务受限于能力，其中大约一半受限于操作和灵巧性；14% 被现行法规阻挡，25% 被人类偏好阻挡。在这些任务上，几十年内仍然需要人，而教会机器的数据也尚不存在。

案例：为什么这项研究是理想的实验室

自动化预测通常以两种方式之一失败。Frey 和 Osborne 这类职业层面的研究把整份工作当作可自动化的单位，由此得出 47% 这个数字；2016 年，OECD 的 Melanie Arntz、Terry Gregory 和 Ulrich Zierahn 在任务层面重复了这一研究，考虑到每个职业内部的工作构成，覆盖 21 个国家，可自动化工作的比例降至 9%。而专家调查类研究则是询问专家机器将来能做什么，这相当于押注于可能永远不会面世的技术。

Anthropic 的论文在设计上避开了这两个陷阱。它以 O*NET（美国 Department of Labor 的职业数据库）中约 900 个职业的大约 19,000 条任务描述，以及 Bureau of Labor Statistics 的就业和工资数据为起点。它使用 Claude 模型为每项任务的体力、认知和人际内容打分，只保留那些普通软件无法自动化的体力任务，然后在网上搜索确实执行过每项任务的具体机器人，要求以商业部署、销售或重大演示作为证据。每项任务被置于一个四级环境控制量表上：E0，没有机器人能做；E1，机器人可在专门建造的环境中完成，例如工厂流水线；E2，在结构化的人类设施中完成，例如仓库；E3，在非结构化环境中完成，例如城市道路。大多数已部署的机器人都生活在人工设计的空间里，这就是作者把这一级别视为近期风险良好衡量指标的原因。

成本是建模得出的，而非假设。对每项受影响的任务，模型估算所引用机器人的年成本，包括购置和安装、维护、软件、能源、监督、保险和报废处置，固定成本按估算的资本成本分摊到每年，并与工人的总薪酬（按其花在该任务上的时间比例折算）相比较。只有当机器人的年成本低于其所取代的人工时，任务才算具有成本竞争力。随后，作者对整套方法做了回溯验证：用 1977 年及之后各个年代存在的机器人对任务进行评级，结果显示，在当时受机器人影响更大的职业，后来损失的工资和就业也更多，而这正是一个暴露度指标要有价值就必须做到的。

这项研究针对的是美国。这是读者应当牢记的不完美之处。英国的工资、能源价格、监管和职业构成都有所不同，而且还没有人用英国数据运行过这一方法。但这里的利害关系如果说有区别，只会更高。Construction Industry Training Board 2026 年 6 月的预测指出，该行业在 2026 年至 2030 年间平均每年需要新增 41,200 名工人，总计超过 206,000 人，才能跟上需求，现有劳动力中 40% 年龄超过 45 岁，自英国脱欧以来已流失超过 200,000 名欧盟工人。Department for Education 2025 年 12 月发布的 Occupations in Demand 统计显示，有 10.9 million 人，占劳动力的 32.9%，处于 125 个需求偏高的职业中，并点名电工和电气装配工（201,000 个岗位）以及汽车技师和机修工（183,000 个）为该名单上规模最大的技工行业之列。如果机器人即将取代技工行业，这种短缺就只是暂时的问题。下面的证据表明并非如此。

证据时间线，2013 到 2026 年

发现一：机器人能做大多数体力工作，但几乎都不划算

论文中的第一个数字是会被广泛引用的那个，值得精确表述。在美国全部工作时间中，54% 是认知或人际性质的，46% 是体力性质的。在体力部分中，有 12 个百分点是作者找不到任何机器人能完成的（E0），23 个可以在专门建造的环境中完成（E1），10 个可以在仓库等结构化人类设施中完成（E2），1 个可以在非结构化环境中完成（E3）。合起来，机器人可以完成 74% 的体力任务，即全部工作时间的 34%。例子很具体：城市道路上的自动驾驶出租车，在仓库中搬运库存的自主移动机器人，金属加工车间里由 AI 引导的焊接单元，以及无需司机就能挖出笔直沟槽的挖沟机。

第二个数字才是关键。当模型为每项任务给所引用的机器人定价，并与其将取代的人工相比时，机器人只对 0.3% 的工作任务更便宜。大约 300,000 名美国工人所在的职业中，机器人可以完成 95% 的工作；其中最大的群体，约 560,000 名包装工，是成本持平最明显的例子：机器人的估计成本每年比人类低约 $2,500，而人类的人工成本约为 $49,000。在另一端，机器人出租车在技术上是数据中暴露度最高的职业，暴露指数为 2.2（满分 3），但在尚未考虑监管的情况下，估计每年仍比其将取代的司机贵约 $7,000。暴露度最高的十个职业中，有九个是车辆操作员。

作者给出的解释，也是本文认为最站得住脚的解释，是体力工作的技术前沿比经济前沿推进得远得多。在过去 50 年里，机器人每年能做到以前做不到的约 2% 的体力工作：1977 年它们无法完成 62% 的体力任务，如今对于同样这批任务，它们无法完成 24%。能力在不断复合增长。成本却没有跟上，因为一台能搬箱子的机器人仍然是一项资本资产，要附带维护、能源、监督和保险，而它竞争的对象是只按工作小时付酬的工人。

发现二：即使在乐观情形下，时间线也以数十年计

论文最重要的贡献是情景分析，因为它把“机器人很贵”变成了具体的年份。参考 Bank of Japan 的序列和其他来源，机器人价格自 20 世纪 90 年代以来每年下降约 3%。保持这一速度，大约需要 40 年，机器人才会对 10% 的美国工作具有成本竞争力。成本下降 20%（按历史速度约七年）会使机器人对约 2.8 million 名工人的体力任务具有竞争力；要覆盖全部工作的 10%，则需要成本下降 70%。

快速情景在设计上是慷慨的。经质量调整的成本下降速度最高可达历史的四倍，机器人学习新任务的速度是两倍。即便如此，机器人也要到 2050 年前后才会对 50% 的体力工作具有成本竞争力，而按历史趋势则是 2085 年，实现 90% 体力工作的自动化需要 53 年。作者所用的这句话值得引用，因为对一篇经济学论文来说它异常直白：“Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation.”（机器人需要在未来几十年里持续保持创纪录的价格下降和质量提升速度，才能实现快速的体力自动化。）

在这里，应当把证据与解释区分开来。这些年份不是预测，而是把假设统一应用于每项任务的结果，作者自己也说，这些假设可能并不反映机器人公司实际如何确定优先级。如果一家公司把全部精力投入某一项高价值任务，比如仓库拣货，它完全可能让该任务的成本下降得远快于每年 3%，而经济的其余部分原地不动。这些情景确立的是问题的形状，而不是它确切的日程：体力自动化是一个漫长、不均衡、受硬件经济学支配的过程，与软件形成对比，在软件中多增加一项任务的边际成本接近于零。

与过去技术的比较支持这一解读。上一代同类技术是工业机器人，Acemoglu 和 Restrepo 2020 年的研究发现，在 1990 年至 2007 年间，每千名工人多增加一台机器人，会使受影响的美国通勤区的就业人口比下降 0.2 个百分点，工资下降 0.42%。真实、可测量，而且缓慢：这些效应在十七年里累积，只出现在机器人本来就最便宜的行业，别处则没有。

发现三：数字工作是相反的故事

同一个研究团队也衡量了另一条前沿，而这种对比正是本案例研究的核心。Anthropic 早先的暴露度研究和这篇论文自己的比较显示，约 50% 的美国工作仅凭大语言模型就能触及，而语言模型或机器人合并起来则能触及 81%。按职业划分的模式很有启发性。运输和物料搬运受语言模型影响不到 15%，但把机器人计算在内后约为 90%；办公室和行政支持已经高度受语言模型影响，加上机器人后接近 100%；个人护理和服务工作在两种情形下都在约 40%，因为它的人际性质是两种技术都无法触及的。

语言模型方面的估计有更长的渊源。2023 年，OpenAI 和 University of Pennsylvania 的 Tyna Eloundou、Sam Manning、Pamela Mishkin 和 Daniel Rock 发现，80% 的美国工人所在的职业中至少有 10% 的任务受语言模型影响，19% 所在的职业中有超过一半的任务受影响，其中写作、编程和数据分析受影响最大，体力和户外工作受影响最小。Anthropic Economic Index 将匿名化的 Claude 对话映射到 O*NET 任务，展示了人们实际如何使用这些工具：在 2026 年的报告中，增强略领先于自动化，为 52% 对 45%，使用也趋于多样化，在 2025 年 11 月到 2026 年 2 月之间，最常见的十项任务占对话的比例从 24% 降至 19%。该指数还报告称，人均 GDP 每上升 1%，人均使用量就上升 0.7%，这提醒我们，采用程度与财富相伴。

暴露度是否已变成取代，是工资单数据谨慎作答的问题。Stanford 的 Digital Economy Lab 的 Erik Brynjolfsson、Bharat Chandar 和 Ruyu Chen 利用超过 25 million 美国工人的 ADP 记录，在 2025 年报告称，在 AI 暴露度最高的职业中，早期职业工人的就业出现相对下降，而同一岗位上经验丰富的工人则没有；他们 2026 年 8 月的修订版采用截至年中的数据，得出这些职业中 22 到 25 岁人群的就业比其若与暴露度较低的同龄人走势一致时低约 19%，调整通过招聘而非薪酬进行，并集中在 AI 实现自动化而非增强的领域。与此同时，正如 Yahoo Finance 报道的（10 月 1 日），Anthropic 自己的经济学家 Maxim Massenkoff 和 Peter McCrory 发现，自 2022 年末以来高度受影响工人的失业率没有系统性上升，而 Anthropic 首席执行官 Dario Amodei 关于 AI 可能消除一半初级白领工作的警告，就目前的数据而言，仍然是一个警告，而不是一项观察。

诚实的综合结论是这样的。当前这波 AI 带来的第一个可测量的劳动力市场效应，不是仓库里的机器人，而是办公室里缺失的毕业生岗位。体力工作受经济学保护，案头工作则没有。

发现四：谁受影响，以及什么仍在阻挡其余部分

机器人受影响工作的人口特征，是应当塑造政策的发现。与不受影响职业的工人相比，高度受影响职业中的工人是女性的可能性低 20 个百分点，是西班牙裔的可能性高 16 个点，持有学士学位的可能性低 55 个点，时薪低约 $30，失业的可能性高出两倍以上。他们也更有可能搬运重物、在极端高温下或靠近危险物质的环境中工作。机器人已经能做的任务，不成比例地是那些艰苦、危险、报酬低的任务，这既是将其自动化的最有力理由，也是转型若不加管理就会造成痛苦的原因。

阻挡其余部分的因素同样具体。在机器人尚不能完成的体力任务中，约 70% 受限于能力，其中大约一半受限于操作和灵巧性：染发、在埋地管道周围徒手挖掘、搭建脚手架、理顺电线。规划和推理方面的不足占 8%。法规阻挡了 14% 的体力任务，人类偏好阻挡了 25%，两者合起来涵盖了大部分这样的工作：机器人在工厂里可以被接受，在卧室或教室里则不行。论文中的两个职业显示了同一份工作内部的情况有多混杂：石膏板接缝工的暴露指数为 1.6，其 41% 的时间暴露于自主喷涂机器人，26% 的时间不受影响，因为凌乱的收尾工作机器人无法完成；回收分拣员的暴露指数为 1.7，其超过 75% 的时间暴露于传送带上的计算机视觉抓取器，只有 8% 不受影响。

作者的总结是技工应当记住的：不受影响的工作“highly interpersonal or requires physical skills that robots today don't have”（高度人际化，或需要当今机器人所不具备的体力技能），并且“if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics”（如果以过去为鉴，出租车司机和仓库包装工会比护士和机修工更早看到变化）。

机制：为什么模式是这样的

四种机制解释了这些发现，并预示接下来会发生什么。

决定部署的是环境，而不是任务。 这个四级量表是论文不事张扬的洞见。一台在工厂流水线上焊接得完美无缺的机器人（E1），在一个家庭扩建工程中毫无用处，因为那里每根托梁与上一根的距离都略有不同。大部分体力经济，以及几乎所有技工行业，都发生在 E3 条件下：非结构化、即兴的、周围有人。机器人已经征服了 E1，正在向 E2 推进；五十年之后，E3 只占 1% 的任务。

硬件经济学不同于软件经济学。 语言模型一旦训练完成，执行下一项任务的成本接近于零，这就是为什么案头工作中的暴露度在几年内就变成了取代。机器人则是一项会折旧的资产，必须为其工作的每个场地购买、安装、投保、维护、供电和监督。每年 3% 的价格降幅正是这种差异的标志，而论文的情景显示，即使加速四倍，成本持平到来的那个十年也几乎没有改变。

能力在复合增长，但要通过数据。 机器人每年能多做约 2% 的体力工作，而在其余任务中需要灵巧性的那一半，恰恰是训练数据最稀缺的。模型是从网络上的书面文字中学会写作的；水管工的双手没有对应的语料库。剩余 24% 的进展取决于在真实的地点、与做这些工作的人一起捕捉真实的工作，这天生缓慢，还引出了软件浪潮从未面对过的同意和所有权问题。

偏好和规则是下限，而不是滞后。 受偏好限制的 25% 任务和受法规限制的 14% 任务，并不是在等待更好的机器人。患者是否愿意被机器抬起，市议会对自动驾驶车辆的规定，以及顾客希望与安装厨房的那个人交谈，这些都以政治和文化的时间尺度变化，这就是作者把它们与能力和成本分开看待的原因。

怀疑论者还应在这些之外考虑三种替代解释。暴露度评级是由模型阅读简短的任务描述得出的，正如作者所指出的，这些描述“omit details that may be easy for humans but hard for robots”（省略了对人类可能容易、对机器人却很难的细节），因此在任务层面能力可能被高估，尽管就整个职业而言它被低估。成本估算是对一个几乎没有公开价格的市场的近似；2026 年 8 月的一项人形机器人价格调查发现，58 款商用人形机器人中只有 12 款有经过核实的价格。而且这些情景假设每项任务的下降幅度相同；通用操作方面的突破，也就是 Nvidia 和 Tesla 正在押注的那种，可能用作者的话说会“leapfrog our scale”（跃过我们的量表）。这些年份在形状上是稳健的，在细节上是松动的。

行业如何回应

反应沿着论文划出的界线分裂了。在硬件阵营，Nvidia 首席执行官 Jensen Huang 曾在 2026 年 1 月的 CES 上预言机器人领域将迎来“ChatGPT moment”，Elon Musk 则表示 Tesla 的 Optimus 人形机器人最早将于 2027 年开售，规模化后的长期目标价格低于 $20,000，不过目前尚无官方价格；Morgan Stanley 2025 年的展望认为，到 2050 年人形机器人市场将超过 $5 trillion，采用速度从 2030 年代末开始加快。Yahoo Finance 将 Anthropic 的这篇论文定位（10 月 2 日）为这些押注将要检验的预测。实际出货情况则更为有限：Unitree 的 G1 标价 $13,500，该公司在 2025 年出货了超过 5,500 台人形机器人，比所有竞争对手加起来还多；Agility 的 Digit 是美国仓库中部署最多的人形机器人，每台定价高于 $250,000，或作为服务每月约 $8,500；估值 $39 billion 的 Figure 向企业销售，没有公开价格。

经济学家大多接受了这一时间线。Apollo 的首席经济学家 Torsten Sløk 在接受 Yahoo Finance 引述时表示，即使按激进的预测，广泛的体力工作取代也需要数十年，并指出精细操作、法规和偏好方面存在瓶颈。更尖锐的争论出现在数字一侧，Stanford 的工资单证据和 Anthropic 自己的失业分析在已经发生了多少取代这一点上指向不同方向，而 OpenAI、Anthropic、Google、Microsoft、Manus 以及推出 Muse 的 Meta 正在推出能够浏览网页、填写表单并完成多步骤办公室任务的智能体，这正是暴露度最高、成本最低的类别。

Jobbit 在这一格局中的立场是一种设计选择，而非预测，论文恰好描述了它。该公司的 AI 智能体处理数字化的、可审核的工作，也就是证据表明自动化成本低廉的那类工作：调研、文档、网站、自动化流程、图片，以及围绕一项工作的行政事务。当任务需要动手、现场判断或有人负责时，论文的数字表明那是未来数十年大多数体力工作的情况，工作就会交给 pro.jobbit.uk 上经过审核的人类专业人士，款项由托管账户代管，客户可以随时观看智能体并接管控制。公司的研究部门 Jobbit Labs 致力于解决论文在数据缺口中指出的那个较慢的问题：在征得同意的前提下，捕捉人们从事真实工作的真实任务数据，用以训练和验证面向物理 AI 的世界模型。Jobbit 尚未公布这一模式成效的试验数据，在此也不声称已有；其主张更为有限，即在成本持平仍遥遥无期的情况下，智能体加人类网络的架构是证据所支持的架构。这种分工的实践层面见 12 Jobs an AI Agent Can Do for Your Business This Week 和 Should Your Next Hire Be an AI Agent?，自由职业者方面的证据见 Do AI Agents Replace Freelancers?，公司本身则见 What Is Jobbit?。

企业应当如何利用这些证据

这些证据支持一条委派规则，小企业不需要战略顾问就能应用。

首先自动化围绕体力工作的数字层，因为那里成本与能力已经交汇。水管工的报价、发票、网站、评价请求、供应商调研和排班，就是受语言模型影响的那 50% 的工作；论文自己的数字表明，安装、在潮湿的橱柜里做诊断，以及与房主的交谈，都不会消失。未来十年里，技工生意的利润来自把节省下来的案头时间花在更多的现场工时上，而不是等待机器人。

把体力自动化当作针对任务的采购决策，而不是针对岗位的劳动力决策。论文的成本模型就是模板：把机器人的全部年成本与那一项任务上的人工相比较，放在你所处的环境级别中，并预期在未来数年内只有 E1 和 E2 条件下才会出现成本持平，也就是重复性的包装、搬运、焊接和分拣。对于几乎所有在客户家中完成的工作，成本持平并不在日程上。

为不受影响的核心招聘和培训。机器人做不了的 24% 的体力任务，以及人们不希望机器人去做的 25%，是技工行业中经久不衰的部分：灵巧性、在非结构化空间中的判断力，以及人与人的关系。CITB 所说到 2030 年 206,000 名工人的缺口，表明市场愿意为这些付费。

关注交接，而不是标题。对任何工作而言，有用的问题是机器应在哪里停下、人应从哪里开始，而这条线是逐项任务移动的。一家企业如果把它写下来，包括谁审核智能体的输出、谁为现场工作签字、谁对客户负责，就能获得收益而避免失败。

最后，在正确的地方解读早期信号。论文建议跟踪受影响的职业，即司机和仓库包装工，以发现体力工作冲击的最初迹象，而工资单数据表明，数字领域的冲击已经在毕业生招聘中显现。现在为后者做计划，稍后再为前者做计划。

局限与未决问题

这项研究是针对美国的，由模型评级，并且是静态的。暴露度和成本评级来自 Claude 阅读任务描述和关于机器人的网络证据，已经对照历史进行了检验，但没有对照实地试验；由人类专家小组来评估，对灵巧性的评分可能会不同。成本估算省略了借贷限制等采用阻力，情景也搁置了反馈效应，包括受影响职业中工资下降会进一步减缓采用的可能性。论文没有考察 AI 如何在没有机器人的情况下改变体力工作，例如通过预测性维护，也没有对英国建模，而英国的能源成本、监管和技工行业的结构都有所不同。

数字方面的证据也有其局限。工资单数据显示的是受影响职业中年轻工人的相对就业，而不是因果关系，Stanford 的作者把他们的发现描述为与“no widespread displacement so far”（迄今没有广泛的取代）一致；Anthropic 的失业分析和 Stanford 的招聘分析可能各自在不同的方面是对的。来自单个助手的使用数据并不等于整个经济。而且人形机器人市场变化之快，使得这里引用的任何价格都只是 2026 年 10 月初的一个快照。

未决问题将决定下一个十年：一旦机器人从真实工作而非人工设计的演示中学习，通用操作能力的提升是否会快于每年 2%；法规和偏好这两个下限是否会移动；以及正如作者所说，工作本身会如何变化，“perhaps becoming more social and interpersonal as robots and AI advance”（也许随着机器人和 AI 的进步而变得更具社交性和人际性）。

结论

机器人会抢走蓝领的工作吗？不会以 47% 所暗示的方式，也不会在一个在职技工需要据以规划的时间表上。Anthropic 的研究表明，机器人如今已经能做大多数体力任务，却几乎负担不起其中任何一项；经济账以每年百分之几的速度逐步收拢；即使在机器人取得创纪录进步的世界里，也有一半的体力工作在 2050 年之后仍掌握在人的手中。今天可测量的冲击发生在数字工作中，那里暴露度最高，成本最低，而第一批毕业生已经从工资单上消失。对于英国的技工行业或小企业，证据指向一个策略：把案头工作自动化，保护动手的部分，并明确在哪里从一方交给另一方。这种交接正是 Jobbit 的工作所在，而这篇论文是迄今为止对其所处的这道缺口为何会长期存在的最清晰陈述。

常见问题

机器人会取代蓝领工人吗？

根据 Anthropic 2026 年 9 月的研究，数十年内不会。机器人如今已经可以完成美国约 74% 的体力任务，但只有 0.3% 的任务比工人更便宜，按机器人价格每年下降 3% 的历史速度，要让 10% 的工作达到成本持平大约需要 40 年。即使是激进情景，也认为一半的体力工作要到 2050 年以后。

哪些工作受机器人影响最大？

车辆操作员和仓库包装工。出租车司机以 2.2（满分 3）位居暴露指数之首，暴露度最高的十个职业中有九个是司机，而包装工是机器人已经略比人便宜的最明显例子。护士、机修工和大多数技工行业则处于另一端，因为他们的工作需要灵巧性、在非结构化空间中的判断力或人际接触。

AI 抢走白领工作的速度比机器人抢走体力工作的速度更快吗？

早期证据表明，在入门级岗位上是这样。Stanford 对超过 25 million 名工人的工资单记录的分析发现，在 AI 暴露度最高的职业中，22 到 25 岁人群的就业比暴露度较低的同龄人低约 19%，而经验丰富的工人没有类似变化，同时 Anthropic 的经济学家发现受影响工人的整体失业率没有系统性上升。数字任务一旦有了模型，自动化的成本几乎为零；体力任务则需要仍然昂贵的硬件。

技工应当如何应对自动化？

把业务中的办公室部分自动化，那里 AI 已经便宜且有能力，并投资于机器人无法匹敌的技能：灵巧性、在非结构化空间中的诊断，以及客户关系。据 CITB 称，仅英国建筑行业到 2030 年就需要超过 206,000 名额外工人，因此技工行业中人的部分是短缺，而不是过剩。

Jobbit 为之而建的缺口是什么？

自动化的数字工作与人类的体力工作之间的交接。Jobbit 的 AI 智能体负责调研、文档、网站和行政事务，证据表明这些工作的自动化成本低廉，而需要动手、现场勘查或有人负责的工作，则交给 pro.jobbit.uk 上经过审核的专业人士，款项由托管账户代管。Jobbit Labs 致力于研究这项研究所指出的物理 AI 所缺少的要素：真实世界的任务数据。