Agentic Work Atlas

Pro-Worker AI 与劳动政策

7分钟阅读

Pro-Worker AI 与劳动政策

主题概述

本主题整合 Pro-Worker-AI 的政策维度：当市场自发方向偏向自动化和劳动替代时，哪些政策工具可以改变技术方向，使之走向新任务创建而非劳动置换？

核心论点来自 Acemoglu/Autor/Johnson 三位 MIT 经济学家在 Hamilton Project 的论述：市场不是不能产生 Pro-Worker AI，而是被自动化范式锁定——商业模式、AGI 愿景和行业结构共同导致投资不足。政策干预的目标不是减缓技术，而是改变方向。

四维政策工具箱

1. 政府作为引领者和实验者

  • 政府采购导向: 医疗和教育是联邦/州/地方政府深度参与的领域——政府可以说"我们要 Pro-Worker AI，我们要增强人类能力，我们要提供更好的服务"，形成示范效应
  • 政府自身建设 AI 能力: 联邦、州、地方层面不只是"让我们自动化、让我们替代工人、让我们削减成本"，而是"让我们创造性地思考我们能做的新事情"
  • 科研拨款条件化: NSF、NIH、DOD、DOE、USDA 等拨款流程可以明确要求申请人开发 Pro-Worker AI——必须包含新任务创建且新任务必须重视人类专业知识
  • 保持竞争: 政府自身和私营部门都需要竞争——"我们不是说任何人能挑选赢家"

2. 税制改革

  • 核心问题: 税制"过度偏好了算法的采用，而非人类专业知识和人类任务的开发"
  • 改革方向: 扭转这种不对称性——对自动化采用与人力资本投资施加更平衡的税收待遇
  • 现实约束: 理解存在收入考量，但改变不对称性"非常重要"

3. 新市场与劳动者声音

  • 创造围绕劳动者声音（worker voice）、专业知识所有权（ownership of expertise）、数据所有权（ownership of data）的新市场和活动
  • 劳动者不仅在任务层面被"恢复"，还应在价值分配层面获得更大份额

4. 打破制度壁垒

  • 职业许可改革: 如果要扩展人类能力（如护士执业者、技师），就必须允许他们做比以前更多的事情
  • 许可制度保护了既有从业者的利益，但也阻碍了新任务创建——Pro-Worker AI 需要劳动者能实际行使增强的能力

关键历史先例

先例政策机制对 Pro-Worker AI 的启示
DOD 自动驾驶 Grand Challenge$1M 奖金启动整个行业可设计 Pro-Worker AI Grand Challenge，用定向激励改变研究方向
数字广告与社交媒体崛起政府政策（Section 230）刻意创造了注意力经济"先上线后修复"策略的失败教训——Pro-Worker AI 需要事前方向引导
工业革命纺织工人停滞无政策干预，实际工资 50 年不涨不干预的代价可能极高；铁路到来才终结停滞
中国贸易冲击aggregate 效率收益 vs 社区 20 年创痛方向选择影响分配结果，"事后补偿"远不如"事前导向"

核心辩论与未解问题

  • 度量难题: "新任务"如何在事前被识别和度量？政策制定者如何区分真正的新任务创建和旧任务的重新包装？
  • 政治可行性: 税制改革和 Grand Challenge 需要两党共识；Section 230 式的立法在当前极化环境下几乎不可能
  • 速度约束: Autor 指出"变革速度至关重要"——劳动力市场调整速度远不如技术变革速度。AI 扩散比纺织机械化快得多，留窗更短
  • "不要减速"的张力: 三位学者一致表态不主张减缓 AI，但方向改变客观上需要资源重新配置——这在囚徒困境式的国际竞争中如何维持？
  • 中国维度: Acemoglu 认为如果不存在中国，硅谷也得重新发明中国作为 AGI 的替罪羊；转向 Pro-Worker AI 有助于中美关系并启动更好的制造业议程——但这一论断缺乏机制性论证

与 Agent 时代的交汇

  • Pro-Worker AI 框架为 "augmentation vs automation" 争论提供了经济学基础：coding agent 是否创造了需要人类判断力的新任务？
  • Forward-Deployed-Engineer 是 Pro-Worker AI 在 Agent 时代的组织形态：一线部署 + AI 知识增强，而非远程自动化
  • Schneider Electric 案例证明了 Pro-Worker AI 不限于高科技行业——现场技术工人、低薪零工同样受益

关联概念

关系图谱