关于生成式 AI 将如何重塑工作场所的讨论，常常两种对立观点之间摇摆：一部分观点聚焦于使用 AI 提升生产力的潜力，而另一部分则关注其可能导致的劳动力替代效应。然而这些论点，普遍缺乏基于大规模、真实使用行为的实证数据支持。
为了拨开迷雾，微软研究院进行了一项里程碑式的研究，深入分析了超过 20 万次用户与 AI 助手 Copilot 的匿名对话。这项研究没有停留在“哪些工作将被取代”的表层问题，而是深入剖析了人与 AI 互动时的每一个“工作活动”（Work Activity）。
研究结果揭示了一个关于人机协作的深刻洞见：AI 在工作流中的成功整合，并非是简单的任务“自动化”，而是取决于技术与工作活动的契合度。在此流程中，人类负责定义任务目标（即研究中的“用户目的”），而 AI 则作为执行特定支持性任务（即“AI 行动”）的高效伙伴。理解并优化这一结构化的交互模型，正是未来企业构建核心竞争力的关键所在。
这项研究提出了一个极具启发性的核心框架，帮助我们理解人机互动的本质。研究人员指出，在每一次人机对话中，实际上都并存着两种截然不同的工作任务：
1. 用户目的（User Goal）：指用户希望通过 AI 的帮助，最终要实现的目标。例如，一位市场经理的目标是“为新产品撰写一份营销文案”。
2. AI 行动（AI Action）：指 AI 为了响应用户指令而具体执行的活动。在上述例子中，AI 的行动可能是“根据关键词生成初稿”、“润色特定段落”或“提供10个备选标题”。
研究人员用一个简单的例子阐明了这种区别：当一个用户想弄清楚如何打印文件时，他的“用户目的”是操作办公设备，而 AI 为了帮助他，所执行的“AI 行动”则是培训他人使用设备。这个看似细微的区别，却至关重要。它将“AI 是否会取代我”的模糊问题，转化为一个更具操作性的问题：“在我的工作流程中，哪些具体的‘AI 行动’能够最高效地服务于我的‘用户目的’？”
通过对海量对话的分析，研究者发现了一个出人意料的事实：在高达 40% 的对话中，“用户目的”和“AI 行动”所属的工作活动类别完全没有交集。这有力地证明，人们并非简单地将自己的工作外包给 AI，而是在利用 AI 执行一系列支持性的、不同于自己最终目标的子任务。人类专注于“做什么”和“为什么做”，而 AI 则在“如何做”的某些环节上提供助力。
基于对“用户目的”和“AI 行动”的区分，研究者们旨在通过对大规模真实对话数据的分析，系统性地回答以下几个核心问题：
最常见的 AI 应用场景是什么？用户最频繁寻求 AI 帮助的工作活动（用户目的）是哪些？AI 自身最常执行的工作活动（AI 行动）又是什么？
AI 在哪些任务上表现最好？哪些类型的 AI 行动获得了最高的用户满意度和任务完成率？
AI 对不同职业的潜在影响有多大？通过将 AI 能够成功执行的工作活动与不同职业所需的活动进行匹配，可以如何量化 AI 对各个职业的“适用性”，从而识别出受影响最大和最小的职业类别。
通过回答这些问题，该研究试图超越理论预测，为理解生成式 AI 在当前阶段对劳动力市场的实际影响。
职业（Occupation）：如“经济学家”。
任务（Task）：该职业包含的具体职责，如“汇编、分析和报告数据以预测市场趋势”。
详细工作活动（Detailed work activity, DWA）：这是最具体的层级。一个职业中的具体“任务”（Task）会被对应到一组 DWA。DWA 相当于一个标准工作模块，是可以在不同工作角色之间迁移和复用的具体技能或活动。例如，对于经济学家这一职业，DWA 是“预测政治、经济或社会趋势”。
中间工作活动（Intermediate work activity, IWA）：这是中间层级。每一个更具体的详细工作活动都从属于一个中间工作活动。这篇论文的研究分析主要集中在 IWA 这个层面，如“分析市场或行业状况”。
一般工作活动（Generalized work activity, GWA）：这是最概括的层级，提供了对相似工作活动的最宽泛的分类。每一个中间工作活动会从属于一个更抽象的一般工作活动。比如，“分析市场或行业状况”这个中间工作活动，又从属于“分析数据或信息”这个一般工作活动。
研究者选择在“中间工作活动”（IWA）这一层面进行分析，因为它既足够具体，又能跨越不同职业，从而揭示 AI 能力的通用性。
为了全面评估 AI 的影响力，研究团队设计了一套多维度的评分体系，最终整合成一个综合性的“AI 适用性分数”（AI Applicability Score）。分数越高，意味着该职业的工作内容与 AI 当前能力的适配度越高。该分数的计算主要包含三大关键指标：
1. 任务完成度（Completion）：AI 在多大程度上成功完成了用户的请求？研究人员使用大语言模型来对每一次用户与 Copilot 的对话进行“任务完成度”的分类。他们通过将这种 LLM 分类器的判断结果与用户的“点赞”反馈数据进行比较，发现两者高度相关，从而验证了这种计算方法的有效性。
2. 影响范围（Scope of Impact）：为了区分 AI 在任务中的贡献大小（例如，是写了一份完整报告还是仅回答了一个简单问题），研究团队引入了“影响范围”这一指标。对于每一次对话，研究团队使用一个大型语言模型（LLM）分类器来评估 Copilot 所展示出的能力覆盖了对应工作活动（IWA）的多大一部分。每一次 AI 的行动都被置于一个六点量表上进行评估（从“无”到“完全”），以判断其能力覆盖了对应工作活动的多大一部分。
3. 活动频率（Activity Share）：这项活动在真实世界中的使用频率有多高？只有那些被用户频繁请求，且 AI 能够成功、深度完成的活动，才对职业产生实质性影响。
通过将这三个维度加权整合，研究为每个 O*NET 中定义的职业计算出了一个最终的“AI 适用性分数”，从而为我们提供了一张基于真实使用数据的职业影响地图。
通过对数据的深度挖掘，研究揭示了当前生成式 AI 清晰的能力图谱，以及一些出乎意料的发现。
1. AI 发力的主场：知识工作的得力助手
研究发现，AI 最常被用于辅助和执行的活动高度集中在知识工作领域。最常见的“用户目的”聚焦于三大类：信息收集、内容创作（编写与编辑）以及与他人交流。
一个更深层的洞察在于“用户目的”与“AI 行动”在核心动词上的显著不同，这揭示了人与 AI 之间清晰的角色分工。
描述“用户目的”的动词往往是主动的、目标导向的。例如，用户希望获取（Obtain）关于商品或服务的信息、开发（Develop）新闻或艺术内容、撰写（Write）商业材料、研究（Research）特定问题 。这些动词表明，用户是整个任务的发起者和最终负责人，掌握着工作的主动权。
与此形成鲜明对比的是，描述“AI 行动”的动词则带有强烈的服务和支持色彩。例如，AI 的角色是回应（Respond）客户问询、提供（Provide）公共信息、呈现（Present）技术信息、协助（Assist）他人 。在更多情况下，AI 被用来执行培训（Train）、指导（Coach）和建议（Advise）等动作，体现出一种服务和支持的角色。
这些发现清晰地表明：人类正在利用 AI 作为强大的信息处理器和沟通辅助器，来完成自己的知识密集型任务。相比之下，涉及体力活动、监控实体设备或指导他人的工作活动，则极少出现在人机对话中。
2. AI 的“高光”与“盲区”：满意度揭示的真相
数据显示，用户对 AI 的帮助总体上是满意的。其中，三类活动的满意度最高：
编写和编辑文本（如撰写报告、修改邮件）
研究信息（如调研法律法规、了解健康问题）
评估或购买商品（如比较产品特性）
用户反馈最差的领域集中在数据分析和视觉设计。这表明，尽管 AI 可以处理信息，但在需要深度逻辑分析、数据可视化或原创性视觉创意的任务上，其表现尚不能完全满足用户的期望。这说明 AI 有明显擅长和不擅长的任务，有效使用 AI 意味着使用者必须能够判断 AI 的能力边界（表现较差的任务）和天花板（表现优秀的任务）并且扬长避短。
3. 职业影响地图：哪些岗位站在变革的中心？
最终的“AI 适用性分数”为我们揭示了受 AI 影响最大的职业图景。排名前 25 位的职业几乎全部与信息处理和沟通相关。口译员和笔译员高居榜首，其高达 98% 的工作活动都与 Copilot 频繁执行的任务重叠。紧随其后的是一系列我们熟悉的角色：销售代表、客户服务代表、作家与编辑、公关专员、市场研究分析师等。
从更宏观的职业大类来看，销售、计算机与数学、行政支持、社区与社会服务等领域的“AI 适用性分数”最高。这些职业的核心是什么？正是研究中发现的那些 AI 最擅长的“AI 行动”：向用户提供信息、回应问询、提供通用帮助。AI 强大的信息交流能力，与这些职业的核心需求形成了完美匹配。
相反，适用性分数最低的职业普遍具有两个特征：需要大量体力劳动（如建筑工人、保洁员）或高度依赖人际物理接触与精密操作（如护理助理、按摩治疗师、外科医生）。
这项研究为企业管理者和员工都提供了极具价值的实践指导，帮助组织超越“是否要用 AI”的初级阶段，进入“如何用好 AI”的深水区。
1. 重新定义工作：从“岗位”到“活动组合”的思维转变
研究最核心的启示是，AI 并非直接影响整个“职业”，而是构成职业的“工作活动”。一个职业的“AI 适用性”高，并非意味着它将被整体替代，而是其包含的大量细颗粒度活动可以被 AI 高效增强。
这对企业的人才发展和岗位设计提出了新要求。管理者需要带领团队，对自己和下属的工作进行“任务分解”，识别出哪些活动是高重复性、信息密集型的（适合 AI 辅助），哪些是需要复杂决策、战略思考和人际互动的（人类的核心价值区）。这种分解能够帮助团队成员清晰地看到人机协作的最佳结合点，从而重构工作流，将人类的精力聚焦于最高价值的活动上。
2. 识别关键能力：AI 人才的核心能力是“项目管理”能力
研究揭示的“用户目的”与“AI 行动”之间的差异，恰恰需要一种新型能力来弥合——“项目管理能力”。这意味着员工具备将一个宏大的业务目标（用户目的），精准地分解并“翻译”成一系列 AI 可以理解并执行的具体步骤（AI 行动），在 AI 输出内容后，再进行汇总、验证、为结果负责的能力。这种能力，正是 AI 素养 (AI Literacy) 的核心体现。它不仅仅是会写提示词，更是一种融合了业务理解、逻辑分解和对 AI 能力边界认知于一体的综合心智模式。
** 3. 战略性赋能：构建组织的“AI 力”**
鉴于有效的人机协作是一个用户目标驱动的交互过程，那么能够准确预判 AI 的能力边界、并将业务目标转化为精确、可执行指令，就成为高效使用 AI 所必备的最重要能力。对于企业而言，让员工掌握 AI 素养，不能仅仅依赖于个体的自发学习。它需要一套系统性的培养体系，一种自上而下的文化倡导。这正是 UMU 所倡导的“AI 力”理念的精髓——它不仅是个体能力，更是组织能力。
要构建这种组织级的“AI 力”，需要一个将学习科学、业务场景与 AI 技术深度融合的解决方案。员工需要的不仅是通用的“AI 入门课”，而且还需要更加贴近其工作场景的赋能。
最终，当组织中的每一个人都具备高效利用 AI 辅助工作的心智模式后，AI 的引进才真正成为驱动个人成长与组织发展的强大引擎。
参考文献：
Tomlinson, K., Jaffe, S., Wang, W., Counts, S., & Suri, S. (2025). Working with AI: Measuring the Occupational Implications of Generative AI. arXiv preprint arXiv:2507.07935.