AI、劳动力与工作未来

AI对工作的影响不是一个“岗位会不会消失”的百分比，而是任务如何重组、谁获得工具与学习、谁承担校验和监控、生产率如何分配，以及转岗成本由谁支付。本面板同时检验就业、工资、工作质量和劳动者议价权。

第一幕追踪AI、劳动力与工作未来如何从概念、测量和原型形成可执行对象，并用同预算旧基线区分真正机制与规模效应。

甲、技能偏向技术变迁Skill-Biased Technical Change

Autor, Katz and Krueger, Quarterly Journal of Economics 113, 1169–1213 (1998), doi:10.1162/003355398555874确立技能偏向技术变迁的历史节点。2026年把用技能组工资和就业变化识别技术需求偏向、技能偏向技术变迁的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。

技能偏向技术变迁只锁定一个原因：用技能组工资和就业变化识别技术需求偏向。〔对象清单〕2026年冻结对象和总预算，移除机制而方向仍在便撤回，技能偏向技术变迁的批次、平台、最差亚组与现场漂移不得由峰值代偿。技能偏向技术变迁的外部复现误差率以95%区间裁决。〔对象清单〕对技能偏向技术变迁Skill-Biased Technical Change而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有用技能组工资和就业变化识别技术需求偏向”推出的每一步中介、责任人和可撤回条件，〔对象清单〕缺少任何一环，都不能把相关性写成机制。

提出卷页由Autor, Katz and Krueger, Quarterly Journal of Economics 113, 1169–1213 (1998), doi:10.1162/003355398555874锁定，反方命题是“计算机扩散是否系统提高受教育劳动相对需求与工资”，截至2025年的延续为“AI可能同时补足新手并提高高技能设计与判断价值”。技能偏向技术变迁复算给3套配置、95%区间、5%尾部和run ID，技能偏向技术变迁的批次、平台、最差亚组与现场漂移失败样本不清洗。

技能偏向技术变迁的硬边界是技术使用增加而同技能组工资未升时技能偏向解释会反转。2026年把技能偏向技术变迁的批次、平台、最差亚组与现场漂移推至规格外；技能偏向技术变迁覆盖样本越多，最差亚组的反向误差反而越易被总体均值遮蔽，平均基准不能冲销反号结果。〔对象清单〕落到复现实务，可为技能偏向技术变迁Skill-Biased Technical Change建立版本化对象表：输入、基线、资源预算、异常运行和人工接管分别留痕，并用“以“用技能组工资和就业变化识别技术需求偏向”为主读数，并列样本、误差、周期和对照”统一结算，避免换口径后仍宣称性能提高。

〔对象清单〕工程验收以“用技能组工资和就业变化识别技术需求偏向”为主读数，连续24h记录技能偏向技术变迁的外部复现误差率、版本、人工接管与恢复。技能偏向技术变迁的批次、平台、最差亚组与现场漂移未测即保留“尚缺技能偏向技术变迁在独立场景的长周期阴性结果”，95%成功不能删除5%失败谱。

技能偏向技术变迁跨域登记为关键及军民两用技术与经济安全称“双重用途技术困境Dual-Use Technology Dilemma”；见第 579 号第一条“双重用途技术困境”。〔对象清单〕它共享〔01 谁进入分母〕计算机扩散是否系统提高受教育劳动相对需求与工资，2026年送往第二平台时，技能偏向技术变迁的批次、平台、最差亚组与现场漂移的对象、量纲与停止阈值均不得改名。

乙、常规任务模型Routine Task Model

常规任务模型由Autor, Levy and Murnane, Quarterly Journal of Economics 118, 1279–1333 (2003), doi:10.1162/003355303322552801固定为历史节点，新意是职业名称不变时内部任务、速度和责任仍可能彻底改变。2026年重读时把按任务的常规性和互补性解释岗位重组、常规任务模型的批次、平台、最差亚组与现场漂移和实现栈并列，避免把单次纪录误作系统能力。〔事件时间轴〕这也给出一项不依赖宣传口径的核验：独立团队只拿到冻结版本与“决定本项AI、劳动力与工作未来结果能否成立的只有按任务的常规性和互补性解释岗位重组”的操作定义，仍能复算“以“按任务的常规性和互补性解释岗位重组”为主读数，并列样本、误差、周期和对照”，否则所谓转向可能只是数据管线或命名变化。

可消融的唯一单因是按任务的常规性和互补性解释岗位重组：2026年维持样本、版本与预算不变，仅撤去该机制；若读数仍同向，本条失败。常规任务模型的外部复现误差率以95%区间登记。

Autor, Levy and Murnane, Quarterly Journal of Economics 118, 1279–1333 (2003), doi:10.1162/003355303322552801给出起点，争议由“技术替代的是职业还是可编码的认知与体力任务”承担，最新状态是“生成式AI把部分非例行语言任务也变成可委派步骤”。证据表列3组常规任务模型的批次、平台、最差亚组与现场漂移配置、95%置信区间、5%尾部和run ID，阴性运行全部进入分母。〔事件时间轴〕机构采用常规任务模型Routine Task Model之前还应公布否决门槛：一旦“⇄系统核算后方向反转：按旧任务分类预测新模型时会漏掉边界快速移动，常规任务模型分辨率越高，捕获效率和跨批一致性反而可能越低”出现，就暂停扩张并回到“按任务的常规性和互补性解释岗位重组”的原始记录复核，该门槛必须早于部署决定写入方案。

边界判据写作按旧任务分类预测新模型时会漏掉边界快速移动。当2026年测试越过常规任务模型的批次、平台、最差亚组与现场漂移，常规任务模型分辨率越高，捕获效率和跨批一致性反而可能越低；方向翻转须先于均值进入结论。

“按任务的常规性和互补性解释岗位重组”承担验收读数，另开常规任务模型的批次、平台、最差亚组与现场漂移账。系统跑满24h后保留常规任务模型的外部复现误差率、版本、维修与中止原因；〔事件时间轴〕余下5%失败及“尚缺常规任务模型在独立场景的长周期阴性结果”仍入正文。〔事件时间轴〕把常规任务模型Routine Task Model与相邻路线比较时，统一分母至少应包含成功、失败、弃权和未覆盖对象四类，只有“以“按任务的常规性和互补性解释岗位重组”为主读数，并列样本、误差、周期和对照”在这些类别上都可回查，跨研究比较才有意义。

常规任务模型的异名接口采用关键及军民两用技术与经济安全称“可控性困境Collingridge Control Dilemma”；见第 579 号第二条“可控性困境”。共同预设是〔01 谁进入分母〕技术替代的是职业还是可编码的认知与体力任务；第二团队在2026年重放原始记录时，不得以同向代理替换常规任务模型的批次、平台、最差亚组与现场漂移。

丙、就业极化Job Polarization

在Goos and Manning, Review of Economics and Statistics 89, 118–133 (2007), doi:10.1162/rest.89.1.118之前，就业极化缺少把局部优化变成系统判断的支点；节点价值在于总体就业增长可以与中间阶层路径收窄同时发生。2026年评价比较工资分位与任务结构的长期就业份额时，同时冻结就业极化的批次、平台、最差亚组与现场漂移和对照。

因果账只许留下比较工资分位与任务结构的长期就业份额这一项。2026年用相同对象做移除实验，机制消失而优势不变即否证；就业极化的批次、平台、最差亚组与现场漂移只界定失效域。就业极化的外部复现误差率报告95%区间。

来源链依次是Goos and Manning, Review of Economics and Statistics 89, 118–133 (2007), doi:10.1162/rest.89.1.118、“中等工资常规岗位收缩是否造成高低端就业同时增长”和“AI暴露向专业文职任务扩展使极化形态可能改变”。原始表公开3档配置、95%区间、5%失败谱及run ID；就业极化的批次、平台、最差亚组与现场漂移导致的中止按失败计入分母。

职业聚合过粗会把同一职业内部的工资和任务分化抹平构成就业极化的停止线。到2026年，就业极化的批次、平台、最差亚组与现场漂移一旦主导，就业极化模型越复杂，外部复现后的净增益反而越不稳定，峰值读数便不能代表净效用。〔装置边界〕面向下一轮材料，AI、劳动力与工作未来应优先补齐“尚缺就业极化在独立场景的长周期阴性结果”的原始记录，并把“⇄系统核算后方向反转：职业聚合过粗会把同一职业内部的工资和任务分化抹平，就业极化模型越复杂，外部复现后的净增益反而越不稳定”作为预注册反例，这两项同时公开，才能区分暂时缺证与真正失效。

部署账把“比较工资分位与任务结构的长期就业份额”设为主量纲，每24h记录就业极化的外部复现误差率、版本、漂移与恢复。就业极化的批次、平台、最差亚组与现场漂移无数据就写“尚缺就业极化在独立场景的长周期阴性结果”；95%可用也不遮蔽5%反号。

与相邻领域的精确链接是关键及军民两用技术与经济安全称“多边出口管制协调Multilateral Export Control Coordination”；见第 579 号第三条“多边出口管制协调”。双方共享〔01 谁进入分母〕中等工资常规岗位收缩是否造成高低端就业同时增长；2026年跨平台转移时，就业极化的批次、平台、最差亚组与现场漂移仍用同一单位、版本与失败阈值。〔装置边界〕在AI、劳动力与工作未来的这一对象上，复核应把“以“比较工资分位与任务结构的长期就业份额”为主读数，并列样本、误差、周期和对照”拆成同一分母下的主结果与失败谱，“尚缺就业极化在独立场景的长周期阴性结果”要单列编码，不能在汇总时并入其他项。

丁、职业自动化概率Occupation Automation Probability

Frey and Osborne, Technological Forecasting and Social Change 114, 254–280 (2017), doi:10.1016/j.techfore.2016.08.019确立职业自动化概率的历史节点。2026年把把技术可自动化特征映射到职业任务组合、职业自动化概率的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。〔样本分层〕对职业自动化概率Occupation Automation Probability而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有把技术可自动化特征映射到职业任务组合”推出的每一步中介、责任人和可撤回条件，〔样本分层〕缺少任何一环，都不能把相关性写成机制。

这里拒绝多因叙述，决定结果能否成立的只有把技术可自动化特征映射到职业任务组合。〔样本分层〕2026年固定对象、实现和预算后做删除检验，若方向未变便退稿。职业自动化概率的外部复现误差率须给95%区间。

提出证据见Frey and Osborne, Technological Forecasting and Social Change 114, 254–280 (2017), doi:10.1016/j.techfore.2016.08.019，最强争议是“专家标注和职业特征能否预测真实自动化而非技术可能性”，延续状态为“研究从职业概率转向任务暴露、采用成本和组织互补”。职业自动化概率交付3批职业自动化概率的批次、平台、最差亚组与现场漂移数据、95%区间、5%尾部和run ID，异常逐例保留。〔样本分层〕落到复现实务，可为职业自动化概率Occupation Automation Probability建立版本化对象表：输入、基线、资源预算、异常运行和人工接管分别留痕，并用“以“把技术可自动化特征映射到职业任务组合”为主读数，并列样本、误差、周期和对照”统一结算，避免换口径后仍宣称性能提高。

职业自动化概率不能越过企业只自动化少数任务时职业高暴露仍可能就业增长。2026年把职业自动化概率的批次、平台、最差亚组与现场漂移扫过全量程时，职业自动化概率应用范围越广，版本漂移和未记录失败反而越多；方向一旦翻转，平均性能再高也不抵销。

验收表首先读取“把技术可自动化特征映射到职业任务组合”，随后核对职业自动化概率的批次、平台、最差亚组与现场漂移。持续24h日志含职业自动化概率的外部复现误差率、版次、接管和修复；95%成功与5%失败同时发布，缺口写成“尚缺职业自动化概率在独立场景的长周期阴性结果”。〔样本分层〕证据链还要把Frey and Osborne, Technological Forecasting and 的起点材料与更新文献放在同一比较表里，并逐项报告“把技术可自动化特征映射到职业任务组合”在哪些设备、机构或人群中没有出现，而不是只保留成功演示。

跨域异名为关键及军民两用技术与经济安全称“出口管制成效评估Export-Control Effectiveness”；见第 579 号第四条“出口管制成效评估”，不是宽泛类比。它检验〔05 平均值代表个体〕专家标注和职业特征能否预测真实自动化而非技术可能性；2026年由独立团队复跑原始记录时，职业自动化概率的批次、平台、最差亚组与现场漂移的单位、阈值和停止规则保持不变。

戊、工业机器人与地方劳动市场Robots and Local Labor Markets

Acemoglu and Restrepo, Journal of Political Economy 128, 2188–2244 (2020), doi:10.1086/705716确立工业机器人与地方劳动市场的历史节点。2026年把用产业机器人暴露和地区差异识别替代冲击、该节点的批次、平台、尾部与漂移、实现栈与旧基线同时入账。

工业机器人与地方劳动市场只锁定一个原因：用产业机器人暴露和地区差异识别替代冲击。〔版本登记〕2026年冻结对象和总预算，移除机制而方向仍在便撤回，该节点的批次、平台、尾部与漂移不得由峰值代偿。工业机器人与地方劳动市场的外部复现误差率以95%区间裁决。〔版本登记〕机构采用工业机器人与地方劳动市场Robots and Local Labor Markets之前还应公布否决门槛：一旦“⇄系统核算后方向反转：地区产业趋势未充分控制时机器人效应会吸收既有衰退，工业机器人与地方劳动市场覆盖样本越多，最差亚组的反向误差反而越易”出现，就暂停扩张并回到“用产业机器人暴露和地区差异识别替代冲击”的原始记录复核，该门槛必须早于部署决定写入方案。

提出卷页由Acemoglu and Restrepo, Journal of Political Economy 128, 2188–2244 (2020), doi:10.1086/705716锁定，反方命题是“机器人采用是否降低暴露地区的就业与工资”，截至2025年的延续为“后续研究比较不同国家、行业和任务的替代与生产率效应”。工业机器人与地方劳动市场复算给3套配置、95%区间、5%尾部和run ID，该节点的批次、平台、尾部与漂移失败样本不清洗。

工业机器人与地方劳动市场的硬边界是地区产业趋势未充分控制时机器人效应会吸收既有衰退。2026年把该节点的批次、平台、尾部与漂移推至规格外；工业机器人与地方劳动市场覆盖样本越多，最差亚组的反向误差反而越易被总体均值遮蔽，平均基准不能冲销反号结果。

〔版本登记〕工程验收以“用产业机器人暴露和地区差异识别替代冲击”为主读数，连续24h记录工业机器人与地方劳动市场的外部复现误差率、版本、人工接管与恢复。该节点的批次、平台、尾部与漂移未测即保留“尚缺工业机器人与地方劳动市场在独立场景的长周期阴性结果”，95%成功不能删除5%失败谱。

工业机器人与地方劳动市场跨域登记为关键及军民两用技术与经济安全称“欧盟双重用途规则EU Dual-Use Regulation”；见第 579 号第五条“欧盟双重用途规则”。〔版本登记〕它共享〔05 平均值代表个体〕机器人采用是否降低暴露地区的就业与工资，2026年送往第二平台时，该节点的批次、平台、尾部与漂移的对象、量纲与停止阈值均不得改名。〔版本登记〕本条的边界案例应从“尚缺工业机器人与地方劳动市场在独立场景的长周期阴性结果”中抽样，而不是只从最容易成功的中心案例抽样，这样才能判断“⇄系统核算后方向反转：地区产业趋势未充分控制时机器人效应会吸收既有衰退，工业机器人与地方劳动市场覆盖样本越多，最差亚组的反向误差反而越易”究竟是偶发噪声，还是足以改变结论方向的系统反例。

己、职业人工智能暴露Occupational AI Exposure

职业人工智能暴露由Felten, Raj and Seamans, Strategic Management Journal 42, 2195–2217 (2021), doi:10.1002/smj.3286固定为历史节点，新意是暴露高可以意味着替代也可以意味着获得更强辅助。2026年重读时把把AI能力进展连接到职业所需人类能力、职业人工智能暴露的批次、平台、最差亚组与现场漂移和实现栈并列，避免把单次纪录误作系统能力。〔失败谱〕这也给出一项不依赖宣传口径的核验：独立团队只拿到冻结版本与“决定本项AI、劳动力与工作未来结果能否成立的只有把AI能力进展连接到职业所需人类能力”的操作定义，仍能复算“以“把AI能力进展连接到职业所需人类能力”为主读数，并列样本、误差、周期和对照”，否则所谓转向可能只是数据管线或命名变化。

可消融的唯一单因是把AI能力进展连接到职业所需人类能力：2026年维持样本、版本与预算不变，仅撤去该机制；若读数仍同向，本条失败。职业人工智能暴露的外部复现误差率以95%区间登记。

Felten, Raj and Seamans, Strategic Management Journal 42, 2195–2217 (2021), doi:10.1002/smj.3286给出起点，争议由“AI能力基准与职业任务的对应能否预测真实采用和结果”承担，最新状态是“暴露指标加入生成能力、互补性和行业工作流”。证据表列3组职业人工智能暴露的批次、平台、最差亚组与现场漂移配置、95%置信区间、5%尾部和run ID，阴性运行全部进入分母。〔失败谱〕面向下一轮材料，AI、劳动力与工作未来应优先补齐“尚缺职业人工智能暴露在独立场景的长周期阴性结果”的原始记录，并把“⇄系统核算后方向反转：同一暴露分数未区分采用和组织设计时就业方向不可判定，职业人工智能暴露分辨率越高，捕获效率和跨批一致性反而可能越低”作为预注册反例，这两项同时公开，才能区分暂时缺证与真正失效。

边界判据写作同一暴露分数未区分采用和组织设计时就业方向不可判定。当2026年测试越过职业人工智能暴露的批次、平台、最差亚组与现场漂移，职业人工智能暴露分辨率越高，捕获效率和跨批一致性反而可能越低；方向翻转须先于均值进入结论。

“把AI能力进展连接到职业所需人类能力”承担验收读数，另开职业人工智能暴露的批次、平台、最差亚组与现场漂移账。系统跑满24h后保留职业人工智能暴露的外部复现误差率、版本、维修与中止原因；〔失败谱〕余下5%失败及“尚缺职业人工智能暴露在独立场景的长周期阴性结果”仍入正文。

职业人工智能暴露的异名接口采用关键及军民两用技术与经济安全称“无形技术转移Intangible Technology Transfer”；见第 579 号第六条“无形技术转移”。共同预设是〔05 平均值代表个体〕AI能力基准与职业任务的对应能否预测真实采用和结果；第二团队在2026年重放原始记录时，不得以同向代理替换职业人工智能暴露的批次、平台、最差亚组与现场漂移。

庚、人工智能与任务替代AI Task Substitution

在Webb, The Impact of Artificial Intelligence on the Labor Market, Stanford working paper (2020)之前，人工智能与任务替代缺少把局部优化变成系统判断的支点；节点价值在于文本相似不等于系统可靠完成任务也不含责任成本。2026年评价用技术专利能力与任务文本重叠测量替代压力时，同时冻结该节点的批次、平台、尾部与漂移和对照。

因果账只许留下用技术专利能力与任务文本重叠测量替代压力这一项。2026年用相同对象做移除实验，机制消失而优势不变即否证；该节点的批次、平台、尾部与漂移只界定失效域。人工智能与任务替代的外部复现误差率报告95%区间。〔机构接口〕可执行的压力测试是预先固定样本单位、时间窗口和排除规则，再针对“⇄系统核算后方向反转：专利语言变宽或策略化时暴露指标会先于真实能力膨胀，人工智能与任务替代模型越复杂，外部复现后的净增益反而越不稳定”做至少两轮外部复算，若方向翻转，人工智能与任务替代AI Task Substitution的结论必须随之收窄。

来源链依次是Webb, The Impact of Artificial Intelligence on the Labor Market, Stanford working paper (2020)、“专利文本与职业任务相似度能否识别AI对高技能工作的影响”和“语言模型扩大文本、代码和分析任务的技术重叠”。原始表公开3档配置、95%区间、5%失败谱及run ID；该节点的批次、平台、尾部与漂移导致的中止按失败计入分母。

专利语言变宽或策略化时暴露指标会先于真实能力膨胀构成人工智能与任务替代的停止线。到2026年，该节点的批次、平台、尾部与漂移一旦主导，人工智能与任务替代模型越复杂，外部复现后的净增益反而越不稳定，峰值读数便不能代表净效用。〔机构接口〕证据链还要把Webb, The Impact of Artificial Intelligence on t的起点材料与更新文献放在同一比较表里，并逐项报告“用技术专利能力与任务文本重叠测量替代压力”在哪些设备、机构或人群中没有出现，而不是只保留成功演示。

部署账把“用技术专利能力与任务文本重叠测量替代压力”设为主量纲，每24h记录人工智能与任务替代的外部复现误差率、版本、漂移与恢复。该节点的批次、平台、尾部与漂移无数据就写“尚缺人工智能与任务替代在独立场景的长周期阴性结果”；95%可用也不遮蔽5%反号。

与相邻领域的精确链接是关键及军民两用技术与经济安全称“研究安全与学术自由Research Security and Academic Freedom”；见第 579 号第七条“研究安全与学术自由”。双方共享〔10 更多数据必然减少偏倚〕专利文本与职业任务相似度能否识别AI对高技能工作的影响；2026年跨平台转移时，该节点的批次、平台、尾部与漂移仍用同一单位、版本与失败阈值。〔机构接口〕对人工智能与任务替代AI Task Substitution而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有用技术专利能力与任务文本重叠测量替代压力”推出的每一步中介、责任人和可撤回条件，〔机构接口〕缺少任何一环，都不能把相关性写成机制。

辛、生成式AI职业暴露Generative AI Occupational Exposure

Eloundou et al., Science 384, 1306–1308 (2024), doi:10.1126/science.adj0998使生成式AI职业暴露从局部演示转为可审计命题，核心观察是任务受影响不等于任务被删除且节省时间可能扩大服务需求。2026年证据包把按任务时间与工具增强条件估计生成式AI影响范围与生成式AI职业暴露的批次、平台、最差亚组与现场漂移分别编号，并保留旧方法对照。

这里拒绝多因叙述，决定结果能否成立的只有按任务时间与工具增强条件估计生成式AI影响范围。〔资源预算〕2026年固定对象、实现和预算后做删除检验，若方向未变便退稿。生成式AI职业暴露的外部复现误差率须给95%区间。

提出证据见Eloundou et al., Science 384, 1306–1308 (2024), doi:10.1126/science.adj0998，最强争议是“语言模型影响的任务时间份额能否代表工资和岗位结果”，延续状态为“研究区分直接自动化、软件增强与人机协作暴露”。生成式AI职业暴露交付3批生成式AI职业暴露的批次、平台、最差亚组与现场漂移数据、95%区间、5%尾部和run ID，异常逐例保留。〔资源预算〕落到复现实务，可为生成式AI职业暴露Generative AI Occupational Exposure建立版本化对象表：输入、基线、资源预算、异常运行和人工接管分别留痕，并用“以“按任务时间与工具增强条件估计生成式AI影响范围”为主读数，并列样本、误差、周期和对照”统一结算，避免换口径后仍宣称性能提高。

生成式AI职业暴露不能越过模型能力评估者与真实用户不同会系统高估可替代份额。2026年把生成式AI职业暴露的批次、平台、最差亚组与现场漂移扫过全量程时，生成式AI职业暴露应用范围越广，版本漂移和未记录失败反而越多；方向一旦翻转，平均性能再高也不抵销。

验收表首先读取“按任务时间与工具增强条件估计生成式AI影响范围”，随后核对生成式AI职业暴露的批次、平台、最差亚组与现场漂移。持续24h日志含生成式AI职业暴露的外部复现误差率、版次、接管和修复；95%成功与5%失败同时发布，缺口写成“尚缺生成式AI职业暴露在独立场景的长周期阴性结果”。〔资源预算〕本条的边界案例应从“尚缺生成式AI职业暴露在独立场景的长周期阴性结果”中抽样，而不是只从最容易成功的中心案例抽样，这样才能判断“⇄系统核算后方向反转：模型能力评估者与真实用户不同会系统高估可替代份额，生成式AI职业暴露应用范围越广，版本漂移和未记录失败反而越多”究竟是偶发噪声，还是足以改变结论方向的系统反例。

跨域异名为关键及军民两用技术与经济安全称“外国投资国家安全审查Foreign Investment Screening”；见第 579 号第八条“外国投资国家安全审查”，不是宽泛类比。它检验〔10 更多数据必然减少偏倚〕语言模型影响的任务时间份额能否代表工资和岗位结果；2026年由独立团队复跑原始记录时，生成式AI职业暴露的批次、平台、最差亚组与现场漂移的单位、阈值和停止规则保持不变。

第二幕检验AI、劳动力与工作未来进入复杂现场后的扩展、漂移、生命周期和治理后果，并把失败样本重新放回分母。

一、写作任务随机实验Generative AI Writing Experiment

Noy and Zhang, Science 381, 187–192 (2023), doi:10.1126/science.adh2586把写作任务随机实验钉在可复算节点：短任务收益未计入事实核验、制度责任和后续返工。随机提供生成式AI比较完成时间与盲评质量须与写作任务随机实验的批次、平台、最差亚组与现场漂移分账；〔外部复算〕2026年复核保留旧基线、版本与失败运行。

写作任务随机实验只锁定一个原因：随机提供生成式AI比较完成时间与盲评质量。〔外部复算〕2026年冻结对象和总预算，移除机制而方向仍在便撤回，写作任务随机实验的批次、平台、最差亚组与现场漂移不得由峰值代偿。写作任务随机实验的外部复现误差率以95%区间裁决。

提出卷页由Noy and Zhang, Science 381, 187–192 (2023), doi:10.1126/science.adh2586锁定，反方命题是“实验中的写作提速和质量提高能否迁移到真实组织”，截至2025年的延续为“后续现场研究加入复杂工作流、协作和长期学习”。写作任务随机实验复算给3套配置、95%区间、5%尾部和run ID，写作任务随机实验的批次、平台、最差亚组与现场漂移失败样本不清洗。

写作任务随机实验的硬边界是任务越依赖组织知识时实验优势可能在现场消失。2026年把写作任务随机实验的批次、平台、最差亚组与现场漂移推至规格外；写作任务随机实验覆盖样本越多，最差亚组的反向误差反而越易被总体均值遮蔽，平均基准不能冲销反号结果。〔外部复算〕把写作任务随机实验Generative AI Writing Experiment与相邻路线比较时，统一分母至少应包含成功、失败、弃权和未覆盖对象四类，只有“以“随机提供生成式AI比较完成时间与盲评质量”为主读数，并列样本、误差、周期和对照”在这些类别上都可回查，跨研究比较才有意义。

〔外部复算〕工程验收以“随机提供生成式AI比较完成时间与盲评质量”为主读数，连续24h记录写作任务随机实验的外部复现误差率、版本、人工接管与恢复。写作任务随机实验的批次、平台、最差亚组与现场漂移未测即保留“尚缺写作任务随机实验在独立场景的长周期阴性结果”，95%成功不能删除5%失败谱。

写作任务随机实验跨域登记为关键及军民两用技术与经济安全称“对外投资安全审查Outbound Investment Security”；见第 579 号第九条“对外投资安全审查”。〔外部复算〕它共享〔10 更多数据必然减少偏倚〕实验中的写作提速和质量提高能否迁移到真实组织，2026年送往第二平台时，写作任务随机实验的批次、平台、最差亚组与现场漂移的对象、量纲与停止阈值均不得改名。〔外部复算〕这也给出一项不依赖宣传口径的核验：独立团队只拿到冻结版本与“决定本项AI、劳动力与工作未来结果能否成立的只有随机提供生成式AI比较完成时间与盲评质量”的操作定义，仍能复算“以“随机提供生成式AI比较完成时间与盲评质量”为主读数，并列样本、误差、周期和对照”，否则所谓转向可能只是数据管线或命名变化。

二、客户服务生成式AIGenerative AI at Work

Brynjolfsson, Li and Raymond, Quarterly Journal of Economics 140, 889–942 (2025), doi:10.1093/qje/qjae044确立客户服务生成式AI的历史节点。2026年把用分阶段上线识别AI建议对每小时解决量和质量的影响、客户服务生成式AI的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。〔反号压力〕可执行的压力测试是预先固定样本单位、时间窗口和排除规则，再针对“⇄系统核算后方向反转：高经验者质量小幅下降时平均提速会掩盖专业能力损失，客户服务生成式AI分辨率越高，捕获效率和跨批一致性反而可能越低”做至少两轮外部复算，若方向翻转，客户服务生成式AIGenerative AI at Work的结论必须随之收窄。

可消融的唯一单因是用分阶段上线识别AI建议对每小时解决量和质量的影响：2026年维持样本、版本与预算不变，仅撤去该机制；若读数仍同向，本条失败。客户服务生成式AI的外部复现误差率以95%区间登记。

Brynjolfsson, Li and Raymond, Quarterly Journal of Economics 140, 889–942 (2025), doi:10.1093/qje/qjae044给出起点，争议由“现场助手能否提高生产率并缩小经验差距而不降质量”承担，最新状态是“2025正式发表的企业部署显示平均提速与显著异质性”。证据表列3组客户服务生成式AI的批次、平台、最差亚组与现场漂移配置、95%置信区间、5%尾部和run ID，阴性运行全部进入分母。

边界判据写作高经验者质量小幅下降时平均提速会掩盖专业能力损失。当2026年测试越过客户服务生成式AI的批次、平台、最差亚组与现场漂移，客户服务生成式AI分辨率越高，捕获效率和跨批一致性反而可能越低；方向翻转须先于均值进入结论。

“用分阶段上线识别AI建议对每小时解决量和质量的影响”承担验收读数，另开客户服务生成式AI的批次、平台、最差亚组与现场漂移账。系统跑满24h后保留客户服务生成式AI的外部复现误差率、版本、维修与中止原因；〔反号压力〕余下5%失败及“尚缺客户服务生成式AI在独立场景的长周期阴性结果”仍入正文。〔反号压力〕在AI、劳动力与工作未来的这一对象上，复核应把“以“用分阶段上线识别AI建议对每小时解决量和质量的影响”为主读数，并列样本、误差、周期和对照”拆成同一分母下的主结果与失败谱，“尚缺客户服务生成式AI在独立场景的长周期阴性结果”要单列编码，不能在汇总时并入其他项。

客户服务生成式AI的异名接口采用关键及军民两用技术与经济安全称“武器化相互依赖Weaponized Interdependence”；见第 579 号第十条“武器化相互依赖”。共同预设是〔13 时间尺度可自由压缩〕现场助手能否提高生产率并缩小经验差距而不降质量；第二团队在2026年重放原始记录时，不得以同向代理替换客户服务生成式AI的批次、平台、最差亚组与现场漂移。

三、知识工作者生成式AIGenerative AI for Knowledge Workers

在Dell’Acqua et al., Harvard Business School Working Paper 24-013 (2023)之前，知识工作者生成式AI缺少把局部优化变成系统判断的支点；节点价值在于工具在熟悉题上可靠会诱导用户在边界外过度信任。2026年评价比较边界内外任务的人机协作表现与置信校准时，同时冻结知识工作者生成式AI的批次、平台、最差亚组与现场漂移和对照。

因果账只许留下比较边界内外任务的人机协作表现与置信校准这一项。2026年用相同对象做移除实验，机制消失而优势不变即否证；知识工作者生成式AI的批次、平台、最差亚组与现场漂移只界定失效域。知识工作者生成式AI的外部复现误差率报告95%区间。〔责任链〕落到复现实务，可为知识工作者生成式AIGenerative AI for Knowledge Workers建立版本化对象表：输入、基线、资源预算、异常运行和人工接管分别留痕，并用“以“比较边界内外任务的人机协作表现与置信校准”为主读数，并列样本、误差、周期和对照”统一结算，避免换口径后仍宣称性能提高。

来源链依次是Dell’Acqua et al., Harvard Business School Working Paper 24-013 (2023)、“AI位于能力边界内外时是否分别改善或损害专业任务”和“研究转向多月现场实验和需要团队协调的工作模式”。原始表公开3档配置、95%区间、5%失败谱及run ID；知识工作者生成式AI的批次、平台、最差亚组与现场漂移导致的中止按失败计入分母。

采用率更高却错误校验更少时净质量可能反向下降构成知识工作者生成式AI的停止线。到2026年，知识工作者生成式AI的批次、平台、最差亚组与现场漂移一旦主导，知识工作者生成式AI模型越复杂，外部复现后的净增益反而越不稳定，峰值读数便不能代表净效用。

部署账把“比较边界内外任务的人机协作表现与置信校准”设为主量纲，每24h记录知识工作者生成式AI的外部复现误差率、版本、漂移与恢复。知识工作者生成式AI的批次、平台、最差亚组与现场漂移无数据就写“尚缺知识工作者生成式AI在独立场景的长周期阴性结果”；95%可用也不遮蔽5%反号。

与相邻领域的精确链接是关键及军民两用技术与经济安全称“供应链韧性Supply Chain Resilience”；见第 579 号第十一条“供应链韧性”。双方共享〔13 时间尺度可自由压缩〕AI位于能力边界内外时是否分别改善或损害专业任务；2026年跨平台转移时，知识工作者生成式AI的批次、平台、最差亚组与现场漂移仍用同一单位、版本与失败阈值。〔责任链〕对知识工作者生成式AIGenerative AI for Knowledge Workers而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有比较边界内外任务的人机协作表现与置信校准”推出的每一步中介、责任人和可撤回条件，〔责任链〕缺少任何一环，都不能把相关性写成机制。

四、生成式AI与工作时间重组Shifting Work Patterns with Generative AI

Dillon et al., NBER Working Paper 33795 (2025), doi:10.3386/w33795使生成式AI与工作时间重组从局部演示转为可审计命题，核心观察是个人节时不会自动缩短会议或组织依赖且可能被新增任务吸收。2026年证据包把连续记录工具分配后各类工作活动的时间变化与生成式AI与工作时间重组的批次、平台、最差亚组与现场漂移分别编号，并保留旧方法对照。〔排除规则〕机构采用生成式AI与工作时间重组Shifting Work Patterns with Generative AI之前还应公布否决门槛：一旦“⇄系统核算后方向反转：邮件时间下降但工作强度上升时效率收益不能代表福祉，生成式AI与工作时间重组应用范围越广，版本漂移和未记录失败反而越”出现，就暂停扩张并回到“连续记录工具分配后各类工作活动的时间变化”的原始记录复核，该门槛必须早于部署决定写入方案。

这里拒绝多因叙述，决定结果能否成立的只有连续记录工具分配后各类工作活动的时间变化。〔排除规则〕2026年固定对象、实现和预算后做删除检验，若方向未变便退稿。生成式AI与工作时间重组的外部复现误差率须给95%区间。

提出证据见Dillon et al., NBER Working Paper 33795 (2025), doi:10.3386/w33795，最强争议是“节省邮件和文档时间能否减少总工时或改变协作结构”，延续状态为“六千名知识工作者现场实验区分个人任务与协调任务”。生成式AI与工作时间重组交付3批生成式AI与工作时间重组的批次、平台、最差亚组与现场漂移数据、95%区间、5%尾部和run ID，异常逐例保留。

生成式AI与工作时间重组不能越过邮件时间下降但工作强度上升时效率收益不能代表福祉。2026年把生成式AI与工作时间重组的批次、平台、最差亚组与现场漂移扫过全量程时，生成式AI与工作时间重组应用范围越广，版本漂移和未记录失败反而越多；方向一旦翻转，平均性能再高也不抵销。

验收表首先读取“连续记录工具分配后各类工作活动的时间变化”，随后核对生成式AI与工作时间重组的批次、平台、最差亚组与现场漂移。持续24h日志含生成式AI与工作时间重组的外部复现误差率、版次、接管和修复；95%成功与5%失败同时发布，缺口写成“尚缺生成式AI与工作时间重组在独立场景的长周期阴性结果”。

跨域异名为关键及军民两用技术与经济安全称“先进半导体管制Advanced Semiconductor Controls”；见第 579 号第十二条“先进半导体管制”，不是宽泛类比。它检验〔13 时间尺度可自由压缩〕节省邮件和文档时间能否减少总工时或改变协作结构；2026年由独立团队复跑原始记录时，生成式AI与工作时间重组的批次、平台、最差亚组与现场漂移的单位、阈值和停止规则保持不变。

五、算法管理的争议地带Algorithmic Management

Kellogg, Valentine and Christin, Academy of Management Annals 14, 366–410 (2020), doi:10.5465/annals.2018.0174确立算法管理的争议地带的历史节点。2026年把把算法的推荐、奖惩与劳动过程权力关系同时分析、该节点的批次、平台、尾部与漂移、实现栈与旧基线同时入账。

算法管理的争议地带只锁定一个原因：把算法的推荐、奖惩与劳动过程权力关系同时分析。〔基线冻结〕2026年冻结对象和总预算，移除机制而方向仍在便撤回，该节点的批次、平台、尾部与漂移不得由峰值代偿。算法管理的争议地带的外部复现误差率以95%区间裁决。〔基线冻结〕面向下一轮材料，AI、劳动力与工作未来应优先补齐“尚缺算法管理的争议地带在独立场景的长周期阴性结果”的原始记录，并把“⇄系统核算后方向反转：自动决策一致性提高而申诉通道变弱时程序公平会下降，算法管理的争议地带覆盖样本越多，最差亚组的反向误差反而越易被总体”作为预注册反例，这两项同时公开，才能区分暂时缺证与真正失效。

提出卷页由Kellogg, Valentine and Christin, Academy of Management Annals 14, 366–410 (2020), doi:10.5465/annals.2018.0174锁定，反方命题是“数据化指挥控制如何改变劳动者自主、抵抗和申诉”，截至2025年的延续为“算法排班、绩效、招聘与生成式代理进入共同治理”。算法管理的争议地带复算给3套配置、95%区间、5%尾部和run ID，该节点的批次、平台、尾部与漂移失败样本不清洗。

算法管理的争议地带的硬边界是自动决策一致性提高而申诉通道变弱时程序公平会下降。2026年把该节点的批次、平台、尾部与漂移推至规格外；算法管理的争议地带覆盖样本越多，最差亚组的反向误差反而越易被总体均值遮蔽，平均基准不能冲销反号结果。〔基线冻结〕在AI、劳动力与工作未来的这一对象上，复核应把“以“把算法的推荐、奖惩与劳动过程权力关系同时分析”为主读数，并列样本、误差、周期和对照”拆成同一分母下的主结果与失败谱，“尚缺算法管理的争议地带在独立场景的长周期阴性结果”要单列编码，不能在汇总时并入其他项。

〔基线冻结〕工程验收以“把算法的推荐、奖惩与劳动过程权力关系同时分析”为主读数，连续24h记录算法管理的争议地带的外部复现误差率、版本、人工接管与恢复。该节点的批次、平台、尾部与漂移未测即保留“尚缺算法管理的争议地带在独立场景的长周期阴性结果”，95%成功不能删除5%失败谱。

算法管理的争议地带跨域登记为关键及军民两用技术与经济安全称“半导体价值链瓶颈Semiconductor Value-Chain Bottlenecks”；见第 579 号第十三条“半导体价值链瓶颈”。〔基线冻结〕它共享〔17 局部最优可加总为整体最优〕数据化指挥控制如何改变劳动者自主、抵抗和申诉，2026年送往第二平台时，该节点的批次、平台、尾部与漂移的对象、量纲与停止阈值均不得改名。

六、平台劳动的信息不对称Platform Labor Information Asymmetry

平台劳动的信息不对称由Rosenblat and Stark, International Journal of Communication 10, 3758–3784 (2016)固定为历史节点，新意是自主上线不等于能控制价格、客户分配或账户停用。2026年重读时把比较平台可见信息与劳动者可见信息和纠错权、平台劳动的信息不对称的批次、平台、最差亚组与现场漂移和实现栈并列，避免把单次纪录误作系统能力。

可消融的唯一单因是比较平台可见信息与劳动者可见信息和纠错权：2026年维持样本、版本与预算不变，仅撤去该机制；若读数仍同向，本条失败。平台劳动的信息不对称的外部复现误差率以95%区间登记。

Rosenblat and Stark, International Journal of Communication 10, 3758–3784 (2016)给出起点，争议由“平台如何借助信息和规则不对称控制名义独立劳动者”承担，最新状态是“动态定价、任务分配和生成式客服进一步自动化管理”。证据表列3组平台劳动的信息不对称的批次、平台、最差亚组与现场漂移配置、95%置信区间、5%尾部和run ID，阴性运行全部进入分母。〔异常运行〕证据链还要把Rosenblat and Stark, International Journal of Co的起点材料与更新文献放在同一比较表里，并逐项报告“比较平台可见信息与劳动者可见信息和纠错权”在哪些设备、机构或人群中没有出现，而不是只保留成功演示。

边界判据写作灵活时段增加但收入波动和无偿等待扩大时净自主下降。当2026年测试越过平台劳动的信息不对称的批次、平台、最差亚组与现场漂移，平台劳动的信息不对称分辨率越高，捕获效率和跨批一致性反而可能越低；方向翻转须先于均值进入结论。

“比较平台可见信息与劳动者可见信息和纠错权”承担验收读数，另开平台劳动的信息不对称的批次、平台、最差亚组与现场漂移账。系统跑满24h后保留平台劳动的信息不对称的外部复现误差率、版本、维修与中止原因；〔异常运行〕余下5%失败及“尚缺平台劳动的信息不对称在独立场景的长周期阴性结果”仍入正文。〔异常运行〕对平台劳动的信息不对称Platform Labor Information Asymmetry而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有比较平台可见信息与劳动者可见信息和纠错权”推出的每一步中介、责任人和可撤回条件，〔异常运行〕缺少任何一环，都不能把相关性写成机制。

平台劳动的信息不对称的异名接口采用关键及军民两用技术与经济安全称“关键矿物供应安全Critical-Minerals Security”；见第 579 号第十四条“关键矿物供应安全”。共同预设是〔17 局部最优可加总为整体最优〕平台如何借助信息和规则不对称控制名义独立劳动者；第二团队在2026年重放原始记录时，不得以同向代理替换平台劳动的信息不对称的批次、平台、最差亚组与现场漂移。

七、职场数据化监控Workplace Data Surveillance

在Ajunwa, Crawford and Schultz, California Law Review 105, 735–776 (2017)之前，职场数据化监控缺少把局部优化变成系统判断的支点；节点价值在于可测量行为不是贡献全貌且代理容易歧视残障与照护者。2026年评价限制数据目的、保留期限、推断范围和惩罚使用时，同时冻结职场数据化监控的批次、平台、最差亚组与现场漂移和对照。

因果账只许留下限制数据目的、保留期限、推断范围和惩罚使用这一项。2026年用相同对象做移除实验，机制消失而优势不变即否证；职场数据化监控的批次、平台、最差亚组与现场漂移只界定失效域。职场数据化监控的外部复现误差率报告95%区间。

来源链依次是Ajunwa, Crawford and Schultz, California Law Review 105, 735–776 (2017)、“生产率、位置和情绪监测能否改进安全而不侵蚀隐私”和“远程办公与AI推断把监控扩展到行为和心理代理”。原始表公开3档配置、95%区间、5%失败谱及run ID；职场数据化监控的批次、平台、最差亚组与现场漂移导致的中止按失败计入分母。

传感更密集会诱发策略行为并降低真实协作和信任构成职场数据化监控的停止线。到2026年，职场数据化监控的批次、平台、最差亚组与现场漂移一旦主导，职场数据化监控模型越复杂，外部复现后的净增益反而越不稳定，峰值读数便不能代表净效用。〔人工接管〕本条的边界案例应从“尚缺职场数据化监控在独立场景的长周期阴性结果”中抽样，而不是只从最容易成功的中心案例抽样，这样才能判断“⇄系统核算后方向反转：传感更密集会诱发策略行为并降低真实协作和信任，职场数据化监控模型越复杂，外部复现后的净增益反而越不稳定”究竟是偶发噪声，还是足以改变结论方向的系统反例。

部署账把“限制数据目的、保留期限、推断范围和惩罚使用”设为主量纲，每24h记录职场数据化监控的外部复现误差率、版本、漂移与恢复。职场数据化监控的批次、平台、最差亚组与现场漂移无数据就写“尚缺职场数据化监控在独立场景的长周期阴性结果”；95%可用也不遮蔽5%反号。

与相邻领域的精确链接是关键及军民两用技术与经济安全称“生命科学双重用途治理Dual-Use Life-Science Governance”；见第 579 号第十五条“生命科学双重用途治理”。双方共享〔17 局部最优可加总为整体最优〕生产率、位置和情绪监测能否改进安全而不侵蚀隐私；2026年跨平台转移时，职场数据化监控的批次、平台、最差亚组与现场漂移仍用同一单位、版本与失败阈值。〔人工接管〕机构采用职场数据化监控Workplace Data Surveillance之前还应公布否决门槛：一旦“⇄系统核算后方向反转：传感更密集会诱发策略行为并降低真实协作和信任，职场数据化监控模型越复杂，外部复现后的净增益反而越不稳定”出现，就暂停扩张并回到“限制数据目的、保留期限、推断范围和惩罚使用”的原始记录复核，该门槛必须早于部署决定写入方案。

八、人工智能技能工资溢价AI Skills Wage Premium

Alekseeva et al., Labour Economics 71, 102002 (2021), doi:10.1016/j.labeco.2021.102002确立人工智能技能工资溢价的历史节点。2026年把追踪技能需求、工资、岗位与地区的共同变化、人工智能技能工资溢价的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。〔撤回门槛〕面向下一轮材料，AI、劳动力与工作未来应优先补齐“尚缺人工智能技能工资溢价在独立场景的长周期阴性结果”的原始记录，并把“⇄系统核算后方向反转：培训供给扩大后技能标签增长而实际工资回报可能收缩，人工智能技能工资溢价应用范围越广，版本漂移和未记录失败反而越多”作为预注册反例，这两项同时公开，才能区分暂时缺证与真正失效。

这里拒绝多因叙述，决定结果能否成立的只有追踪技能需求、工资、岗位与地区的共同变化。〔撤回门槛〕2026年固定对象、实现和预算后做删除检验，若方向未变便退稿。人工智能技能工资溢价的外部复现误差率须给95%区间。

提出证据见Alekseeva et al., Labour Economics 71, 102002 (2021), doi:10.1016/j.labeco.2021.102002，最强争议是“招聘广告中的AI技能需求是否带来工资溢价及行业扩散”，延续状态为“生成式AI技能从开发扩展到领域整合、评测和治理”。人工智能技能工资溢价交付3批人工智能技能工资溢价的批次、平台、最差亚组与现场漂移数据、95%区间、5%尾部和run ID，异常逐例保留。

人工智能技能工资溢价不能越过培训供给扩大后技能标签增长而实际工资回报可能收缩。2026年把人工智能技能工资溢价的批次、平台、最差亚组与现场漂移扫过全量程时，人工智能技能工资溢价应用范围越广，版本漂移和未记录失败反而越多；方向一旦翻转，平均性能再高也不抵销。

验收表首先读取“追踪技能需求、工资、岗位与地区的共同变化”，随后核对人工智能技能工资溢价的批次、平台、最差亚组与现场漂移。持续24h日志含人工智能技能工资溢价的外部复现误差率、版次、接管和修复；95%成功与5%失败同时发布，缺口写成“尚缺人工智能技能工资溢价在独立场景的长周期阴性结果”。〔撤回门槛〕这也给出一项不依赖宣传口径的核验：独立团队只拿到冻结版本与“决定本项AI、劳动力与工作未来结果能否成立的只有追踪技能需求、工资、岗位与地区的共同变化”的操作定义，仍能复算“以“追踪技能需求、工资、岗位与地区的共同变化”为主读数，并列样本、误差、周期和对照”，否则所谓转向可能只是数据管线或命名变化。

跨域异名为关键及军民两用技术与经济安全称“合成生物安全治理Synthetic Biology Security Governance”；见第 579 号第十六条“合成生物安全治理”，不是宽泛类比。它检验〔18 干预不回写到被干预者〕招聘广告中的AI技能需求是否带来工资溢价及行业扩散；2026年由独立团队复跑原始记录时，人工智能技能工资溢价的批次、平台、最差亚组与现场漂移的单位、阈值和停止规则保持不变。

九、人机互补与生产率J曲线Human-AI Complementarity and Productivity J-Curve

Brynjolfsson, Rock and Syverson, American Economic Journal: Macroeconomics 13, 333–372 (2021), doi:10.1257/mac.20180386确立人机互补与生产率J曲线的历史节点。2026年把把组织重设计和学习延迟纳入技术生产率核算、该节点的平台、尾部与漂移、实现栈与旧基线同时入账。

人机互补与生产率J曲线只锁定一个原因：把组织重设计和学习延迟纳入技术生产率核算。〔跨域外推〕2026年冻结对象和总预算，移除机制而方向仍在便撤回，该节点的平台、尾部与漂移不得由峰值代偿。人机互补与生产率J曲线的外部复现误差率以95%区间裁决。〔跨域外推〕证据链还要把Brynjolfsson, Rock and Syverson, American Econom的起点材料与更新文献放在同一比较表里，并逐项报告“把组织重设计和学习延迟纳入技术生产率核算”在哪些设备、机构或人群中没有出现，而不是只保留成功演示。

提出卷页由Brynjolfsson, Rock and Syverson, American Economic Journal: Macroeconomics 13, 333–372 (2021), doi:10.1257/mac.20180386锁定，反方命题是“AI投资为何在组织重构完成前难以出现在生产率统计”，截至2025年的延续为“工作流、数据、培训与决策权被视为互补无形资本”。人机互补与生产率J曲线复算给3套配置、95%区间、5%尾部和run ID，该节点的平台、尾部与漂移失败样本不清洗。

人机互补与生产率J曲线的硬边界是长期等待被无限延伸时J曲线会变成不可证伪的借口。2026年把该节点的平台、尾部与漂移推至规格外；人机互补与生产率J曲线覆盖样本越多，最差亚组的反向误差反而越易被总体均值遮蔽，平均基准不能冲销反号结果。〔跨域外推〕对人机互补与生产率J曲线Human-AI Complementarity and Productivity J-Curve而言，真正需要登记的不是又一个平均分，而是由“决定本项AI、劳动力与工作未来结果能否成立的只有把组织重设计和学习延迟纳入技术生产率核算”推出的每一步中介、责任人和可撤回条件，〔跨域外推〕缺少任何一环，都不能把相关性写成机制。

〔跨域外推〕工程验收以“把组织重设计和学习延迟纳入技术生产率核算”为主读数，连续24h记录人机互补与生产率J曲线的外部复现误差率、版本、人工接管与恢复。该节点的平台、尾部与漂移未测即保留“尚缺人机互补与生产率J曲线在独立场景的长周期阴性结果”，95%成功不能删除5%失败谱。

人机互补与生产率J曲线跨域登记为关键及军民两用技术与经济安全称“无人系统扩散Autonomous and Uncrewed Systems Diffusion”；见第 579 号第十七条“无人系统扩散”。〔跨域外推〕它共享〔18 干预不回写到被干预者〕AI投资为何在组织重构完成前难以出现在生产率统计，2026年送往第二平台时，该节点的平台、尾部与漂移的对象、量纲与停止阈值均不得改名。〔跨域外推〕可执行的压力测试是预先固定样本单位、时间窗口和排除规则，再针对“⇄系统核算后方向反转：长期等待被无限延伸时J曲线会变成不可证伪的借口，人机互补与生产率J曲线覆盖样本越多，最差亚组的反向误差反而越易被总”做至少两轮外部复算，若方向翻转，人机互补与生产率J曲线Human-AI Complementarity and Productivity J-Curve的结论必须随之收窄。

十、人工智能与工作质量AI and Job Quality

Lane, Williams and Broecke, OECD Social, Employment and Migration Working Paper 288 (2023), doi:10.1787/ea0a0fe1-en确立人工智能与工作质量的历史节点。2026年把把工资、强度、自主、学习、安全和稳定并列评估、人工智能与工作质量的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。〔盲法复核〕落到复现实务，可为人工智能与工作质量AI and Job Quality建立版本化对象表：输入、基线、资源预算、异常运行和人工接管分别留痕，并用“以“把工资、强度、自主、学习、安全和稳定并列评估”为主读数，并列样本、误差、周期和对照”统一结算，避免换口径后仍宣称性能提高。

可消融的唯一单因是把工资、强度、自主、学习、安全和稳定并列评估：2026年维持样本、版本与预算不变，仅撤去该机制；若读数仍同向，本条失败。人工智能与工作质量的外部复现误差率以95%区间登记。

Lane, Williams and Broecke, OECD Social, Employment and Migration Working Paper 288 (2023), doi:10.1787/ea0a0fe1-en给出起点，争议由“生产率提升能否同时改善自主、技能、安全与工作强度”承担，最新状态是“雇主和劳动者调查显示积极体验与失业担忧并存”。证据表列3组人工智能与工作质量的批次、平台、最差亚组与现场漂移配置、95%置信区间、5%尾部和run ID，阴性运行全部进入分母。〔盲法复核〕本条的边界案例应从“尚缺人工智能与工作质量在独立场景的长周期阴性结果”中抽样，而不是只从最容易成功的中心案例抽样，这样才能判断“⇄系统核算后方向反转：产出上升而监控、节奏和不确定工时恶化时工作质量反转，人工智能与工作质量分辨率越高，捕获效率和跨批一致性反而可能越低”究竟是偶发噪声，还是足以改变结论方向的系统反例。

边界判据写作产出上升而监控、节奏和不确定工时恶化时工作质量反转。当2026年测试越过人工智能与工作质量的批次、平台、最差亚组与现场漂移，人工智能与工作质量分辨率越高，捕获效率和跨批一致性反而可能越低；方向翻转须先于均值进入结论。

“把工资、强度、自主、学习、安全和稳定并列评估”承担验收读数，另开人工智能与工作质量的批次、平台、最差亚组与现场漂移账。系统跑满24h后保留人工智能与工作质量的外部复现误差率、版本、维修与中止原因；〔盲法复核〕余下5%失败及“尚缺人工智能与工作质量在独立场景的长周期阴性结果”仍入正文。

人工智能与工作质量的异名接口采用关键及军民两用技术与经济安全称“人工智能算力治理AI Compute Governance”；见第 579 号第十八条“人工智能算力治理”。共同预设是〔18 干预不回写到被干预者〕生产率提升能否同时改善自主、技能、安全与工作强度；第二团队在2026年重放原始记录时，不得以同向代理替换人工智能与工作质量的批次、平台、最差亚组与现场漂移。

十一、ILO生成式AI职业暴露指数ILO Generative AI Jobs Index

Gmyrek et al., International Labour Organization Working Paper 140 (2025)确立ILO生成式AI职业暴露指数的历史节点。2026年把用全球可比任务数据区分不同强度的生成式AI暴露、ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。

因果账只许留下用全球可比任务数据区分不同强度的生成式AI暴露这一项。2026年用相同对象做移除实验，机制消失而优势不变即否证；ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移只界定失效域。ILO生成式AI职业暴露指数的外部复现误差率报告95%区间。〔结果分母〕把ILO生成式AI职业暴露指数ILO Generative AI Jobs Index与相邻路线比较时，统一分母至少应包含成功、失败、弃权和未覆盖对象四类，只有“以“用全球可比任务数据区分不同强度的生成式AI暴露”为主读数，并列样本、误差、周期和对照”在这些类别上都可回查，跨研究比较才有意义。

来源链依次是Gmyrek et al., International Labour Organization Working Paper 140 (2025)、“全球职业暴露如何因收入、性别和职业结构而异”和“2025更新采用四级暴露梯度并强调转型多于替代”。原始表公开3档配置、95%区间、5%失败谱及run ID；ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移导致的中止按失败计入分母。

职业结构稳定的短窗口不能代表长期稳定与新任务生成构成ILO生成式AI职业暴露指数的停止线。到2026年，ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移一旦主导，ILO生成式AI职业暴露指数模型越复杂，外部复现后的净增益反而越不稳定，峰值读数便不能代表净效用。〔结果分母〕这也给出一项不依赖宣传口径的核验：独立团队只拿到冻结版本与“决定本项AI、劳动力与工作未来结果能否成立的只有用全球可比任务数据区分不同强度的生成式AI暴露”的操作定义，仍能复算“以“用全球可比任务数据区分不同强度的生成式AI暴露”为主读数，并列样本、误差、周期和对照”，否则所谓转向可能只是数据管线或命名变化。

部署账把“用全球可比任务数据区分不同强度的生成式AI暴露”设为主量纲，每24h记录ILO生成式AI职业暴露指数的外部复现误差率、版本、漂移与恢复。ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移无数据就写“尚缺ILO生成式AI职业暴露指数在独立场景的长周期阴性结果”；95%可用也不遮蔽5%反号。

与相邻领域的精确链接是关键及军民两用技术与经济安全称“经济制裁与技术创新Sanctions and Technological Adaptation”；见第 579 号第十九条“经济制裁与技术创新”。双方共享〔19 类别互斥且穷尽〕全球职业暴露如何因收入、性别和职业结构而异；2026年跨平台转移时，ILO生成式AI职业暴露指数的批次、平台、最差亚组与现场漂移仍用同一单位、版本与失败阈值。

十二、劳动者参与的AI转型治理Worker-Inclusive AI Transition Governance

International Labour Organization, Generative AI and Jobs: A 2025 Update (2025)确立劳动者参与的AI转型治理的历史节点。2026年把让劳动者参与任务重设、评测、申诉与收益分配、劳动者参与的AI转型治理的批次、平台、最差亚组与现场漂移、实现栈与旧基线同时入账。

这里拒绝多因叙述，决定结果能否成立的只有让劳动者参与任务重设、评测、申诉与收益分配。〔未覆盖项〕2026年固定对象、实现和预算后做删除检验，若方向未变便退稿。劳动者参与的AI转型治理的外部复现误差率须给95%区间。

提出证据见International Labour Organization, Generative AI and Jobs: A 2025 Update (2025)，最强争议是“培训、协商、社会保护与收益分享能否把暴露转成更好工作”，延续状态为“政策从预测岗位数量转向管理转型质量和群体差异”。劳动者参与的AI转型治理交付3批劳动者参与的AI转型治理的批次、平台、最差亚组与现场漂移数据、95%区间、5%尾部和run ID，异常逐例保留。〔未覆盖项〕在AI、劳动力与工作未来的这一对象上，复核应把“以“让劳动者参与任务重设、评测、申诉与收益分配”为主读数，并列样本、误差、周期和对照”拆成同一分母下的主结果与失败谱，“尚缺劳动者参与的AI转型治理在独立场景的长周期阴性结果”要单列编码，不能在汇总时并入其他项。

劳动者参与的AI转型治理不能越过会议和培训持续不代表长期治理，决策权未变时参与会空洞化。2026年把劳动者参与的AI转型治理的批次、平台、最差亚组与现场漂移扫过全量程时，劳动者参与的AI转型治理应用范围越广，版本漂移和未记录失败反而越多；方向一旦翻转，平均性能再高也不抵销。

验收表首先读取“让劳动者参与任务重设、评测、申诉与收益分配”，随后核对劳动者参与的AI转型治理的批次、平台、最差亚组与现场漂移。持续24h日志含劳动者参与的AI转型治理的外部复现误差率、版次、接管和修复；95%成功与5%失败同时发布，缺口写成“尚缺劳动者参与的AI转型治理在独立场景的长周期阴性结果”。〔未覆盖项〕可执行的压力测试是预先固定样本单位、时间窗口和排除规则，再针对“⇄系统核算后方向反转：会议和培训持续不代表长期治理，决策权未变时参与会空洞化，劳动者参与的AI转型治理应用范围越广，版本漂移和未记录失败”做至少两轮外部复算，若方向翻转，劳动者参与的AI转型治理Worker-Inclusive AI Transition Governance的结论必须随之收窄。

跨域异名为关键及军民两用技术与经济安全称“综合经济安全框架Integrated Economic Security Framework”；见第 579 号第二十条“综合经济安全框架”，不是宽泛类比。它检验〔20 窗口内稳定＝长期稳定〕培训、协商、社会保护与收益分享能否把暴露转成更好工作；2026年由独立团队复跑原始记录时，劳动者参与的AI转型治理的批次、平台、最差亚组与现场漂移的单位、阈值和停止规则保持不变。

◎ 二十年连起来看

二十个节点连起来，AI与工作的决定性机制是任务重组、组织互补和收益分配，而不是把技术可做、实验提速或职业暴露直接等同于岗位消失和社会生产率。早期先把对象和读数变得可执行，中期把实验与基础设施接成闭环，近期则把生命周期、分配后果和治理边界纳入同一证据账。

这条历史线不把新名词自动等同于新学科；只有来源、可消融机制、反号边界与跨场景复算同时成立，节点才进入主线。

◎ 三个常见误解

第一，峰值性能不等于系统净效用；第二，规模扩大不会自动消除选择偏差；第三，部署速度不能替代责任、维护和失败样本记录。

三个误解都来自把局部代理当作完整对象。只要能耗、人工、时间、地域或退出者被移出分母，路线排序就可能反转。

◎ 与相邻领域的接口

AI、劳动力与工作未来向上连接基础理论，向下连接制造、软件、标准与公共治理。接口必须保持对象、量纲和停止阈值不变，才能检验共同预设而不是并列热词。

最有价值的对撞，是让相邻领域用同一失败条件挑战“AI与工作的决定性机制是任务重组、组织互补和收益分配，而不是把技术可做、实验提速或职业暴露直接等同于岗位消失和社会生产率”，并推出一个原领域尚未安排的新实验。

◎ 争议现场

支持者强调新工具和制度已把过去不可运行的问题变成可测试系统；反方追问这些优势是否只在精心选择的地点、版本、预算与时间窗内成立。

裁决不靠口号投票，而靠冻结版本、同预算旧基线、跨站点复现、完整失败谱与预注册的反号条件。

◎ 往下五年看什么

未来五年要看生成式AI的短期提速能否跨组织持续，低经验者的追赶是否伴随专业知识流失，算法管理能否接受劳动者协商与申诉，以及ILO 2025暴露指数所指的转型能否通过培训、流动保障和收益分享转成更好工作。

优先观察开放数据、异常分类、跨区域比较和长期运维账是否出现；若只更新峰值纪录而不更新失败分母，面板判断不随宣传改变。

◎ 可与哪些领域对撞

可与控制论、计量学、因果推断、可靠性工程、科学社会学和技术治理对撞，分别追问反馈、溯源、归因、长尾失败、奖励结构与责任。

对撞时一次只替换一个前提；结论若因此反号，接口才产生新知识。

◎ 十条可做的研究命题

建立公开失败谱，比较只看成功样本与全量样本时结论是否反号。

把人工、校准、等待、维护和退出成本加入总分母，重算净收益。

在两个独立平台冻结版本复现同一方向，而非只复现最佳数值。

设计移除关键机制的消融试验，预先声明哪种结果会推翻单因主张。

将平均性能换成最坏分位数，观察技术或政策路线排序是否改变。

对代理指标施加分布外扰动，寻找它与真实目标开始解耦的阈值。

记录中止、停用和未完成运行，测量幸存者偏差制造了多少领先。

以同总预算而非同设备时间设置旧方法基线，并公开边界条件。

把资源、排放、供应链和退役责任延伸到生命周期，检查成本转移。

预注册一个会令主张失败的结果形态，数据到来后按原规则裁决。

◎ 资料核验

SDEUniverses.com · 新思想前沿　｜　第 580 号　｜　王德生 亲撰