技术摘要：管理人类回退机制：在 AI 进步与工人流动性背景下的技能投资

问题陈述

本文探讨了部署自主 AI 系统企业面临的一个关键运营与战略困境：如何确定**工人参与度（worker engagement）**在 AI 辅助任务中的最优水平。虽然 AI 在执行常规任务时通常优于人类工人，但它仍是不完美的，存在失效、领域局限或不可用的情况。因此，企业必须决定保留多少工作量用于人工审查和干预。

这一决策涉及一个动态权衡：

1. 当前产出与未来技能： 引入工人参与（让他们进行审查或干预）通常会降低当前的运营产出，因为 AI 更快或更准确。然而，缺乏参与会导致技能侵蚀（deskilling），而参与则能促进边做边学（learning-by-doing）。
2. 回退动机（The Fallback Motive）： 企业需要人类技能作为“回退机制”，以应对 AI 失效的情况。
3. 排序动机（在流动性背景下）： 在工资标准化（防止企业通过加薪来竞争）的竞争性劳动力市场中，工人根据工作所提供的**技能轨迹（skill trajectories）**来选择职业。因此，企业的参与政策成为了吸引流动性工人的工具。

本文研究了这些动机如何相互作用，以及它们在单一企业垄断与具有工人流动性的竞争市场中如何有所不同，并探讨了两个不同的 AI 进步维度——能力（capability，工作时的质量）与可靠性（reliability，工作的概率）——如何影响参与策略。

研究方法

作者开发了一个简洁的两阶段解析模型，其特征是包含一个连续的工人群体和一个不断进步的 AI 系统。

模型原语

• 时间： 两个阶段（$t=1, 2$）。
• AI 属性：
  • 能力 ($\alpha_t$)： AI 在运行时有效的吞吐量。
  • 可靠性 ($1-\pi_t$)： AI 正常工作的概率；$\pi_t$ 为失效概率。
  • AI 随时间进步（$A_2 \ge A_1$），意味着 $\alpha_2 \ge \alpha_1$ 且 $\pi_2 \le \pi_1$。
• 工人技能 ($s_t$)： 以无辅助有效吞吐量衡量。模型关注的是低于基准线的工人（$s_t < \alpha_t$），对于这类工人，增加参与度会降低当前产出。
• 参与度 ($h_t \in [0,1]$)： 通过工人处理的工作流比例。
  • 产出： 当 AI 工作时，产出是 AI 能力与工人技能的加权平均值。当 AI 失效时，产出为工人的技能。
  • 技能动态： 技能通过转换函数 $g(s_t, h_t; A_t)$ 演化。
    • 侵蚀： 被动依赖 AI（$1-h_t$）会导致技能损失，其程度与差距 $(\alpha_t - s_t)$ 成正比。
    • 学习： 主动参与（$h_t$）能建立技能，其程度与差距及 AI 失效的频率成正比（学习发生在 AI 工作正常且偶尔失效的情况下）。
• 工资： 建模为技能 $s$ 的市场出清凸函数 $W(s)$。企业无法在薪酬上进行差异化，只能在工作设计（参与度）上进行差异化。
• 流动性： 通过 logit 选择框架进行建模。工人根据两家事前看似相同的企业所提供的预期未来技能轨迹（以及随之而来的未来工资）进行排序选择。参数 $\eta$ 代表排序摩擦。

解析方法

1. 单一企业基准： 作者首先求解在垄断设置（无流动性）下的最优参与政策。在此情况下，企业仅关注回退动机：即为 AI 失效时保留技能。
2. 两企业流动性： 作者引入了第二家企业。工人根据参与政策创造的技能轨迹进行排序。作者分析了参与度博弈的纳什均衡，区分了：
   • 末期（第 2 阶段）： 回退动机消失；参与度纯粹是为了吸引工人。
   • 初始期（第 1 阶段）： 参与度需平衡当前产出损失、未来回退价值以及排序优势。
3. 比较静态分析： 模型分析了 AI 能力 ($\alpha$) 和可靠性 ($\pi$) 的变化如何改变参与水平并针对不同的技能群体。

核心贡献

本文做出了三个主要的理论贡献：

1. 参与度反转（The Engagement Reversal）： 本文指出，取决于劳动力市场的流动性，企业所重点参与的工人类型会发生根本性转变。
   • 无流动性时： 企业对技能最低的工人参与度最高。这些工人的技能差距最大，使得每单位参与度所构建的回退能力成本最低。
   • 有流动性时： 企业对技能最高（但仍低于基准线）的工人参与度最高。这些工人的技能最接近 AI 前沿，使得参与成本较低（产出缺口较小），且由此产生的技能轨迹对吸引流动性工人最具价值。
2. 解耦 AI 进步的维度： 本文证明了能力和可靠性通过截然不同且有时相反的渠道影响参与度，这一点在将 AI 进步视为单一指标时常被忽视。
   • 能力： 在流动性背景下，更高的能力会提高参与度，因为这扩大了企业可以向工人提供的技能差距，从而强化了工作的价值主张。
   • 可靠性： 其影响是非单调的。更高的可靠性减少了对回退的需求（降低了参与度），但也减少了学习的“实践”机会。参与度在中等可靠性时最高，此时系统既足够可靠以保证生产力，又足够不稳定以提供必要的练习和回报。
3. 专业化与搭便车： 模型显示，在流动性条件下，事前完全相同的企业可以内生地实现专业化分工。一家企业可能成为“技能构建者”（通过参与工人来吸引他们），而另一家则成为“搭便车者”（通过减少参与来节省成本，依靠第一个企业构建的共享劳动力池来获取技能）。这种专业化可能导致非对称均衡，其中搭便车者的收益高于构建者。

核心结果

1. 单一企业基准（回退动机）

在缺乏流动性的情况下，企业针对特定的目标技能水平 ($s^*$) 进行操作。

• 目标规则： 企业仅在达到 $s^*$ 时才进行足够的参与。
• 技能梯度： 参与度随初始技能的增加而非增。企业会对技能最低的工人进行充分参与（他们有最大的增长空间且工资成本最低），而对技能最高的工人减少参与（他们已接近目标或维护成本过高）。
• AI 可靠性： 随着 AI 变得更加可靠 ($\pi_2 \to 0$)，回退的价值降低，企业会减少参与。AI 能力 ($\alpha_2$) 在此设置下对参与度没有影响，因为企业仅在 AI 失效时才重视人类技能。

2. 工人流动性与排序动机

当工人可以在企业间流动时：

• 目标转向的反转： 企业将参与度转向高技能工人。
  • 原理： 对于低于基准线的工人，参与的成本是损失的产出缺口 ($\alpha - s$)。高技能工人的这个缺口较小。同时，由于工资函数的凸性，高技能工人的技能轨迹价值更高。
• 参与度反转： 企业的杠杆（参与度）保持不变，但目标人群发生了翻转：从技能分布的底部转向了顶部。
• 时机反转： 流动性可以反转参与的时机。企业可能会在第 1 阶段减少参与（以节省成本），但在第 2 阶段充分参与以吸引工人；而单一企业则会在早期参与以建立回退能力。

3. AI 进步的比较静态分析

• 能力 ($\alpha$)： 在流动性背景下，AI 能力的提升会提高参与度。更强的 AI 能力创造了更大的性能差距，使企业提供的技能轨迹对工人而言更有价值。
• 可靠性 ($\pi$)： 在流动性背景下，其关系呈倒 U 型。
  • 在可靠性极高时，参与度较低（无需回退，学习机会少）。
  • 在可靠性极低时，参与度也较低（频繁的失效会过快地破坏当前的利润率）。
  • 参与度在中等可靠性时达到顶峰，此时系统既足够可靠以维持生产，又足够不稳定以提供宝贵的学习机会。

4. 非对称专业化

在两企业博弈中，如果“技能溢出”（工人流向另一家企业）相对于参与成本较强，企业可能会分化为：

• 技能构建者： 全面参与以构建高技能劳动力。
• 搭便车者： 完全不参与，依靠共享的劳动力池来获取由另一方构建的技能。
  搭便车者通常通过避免构建技能的成本，同时仍能获取由此产生的劳动力，从而获得更高的利润。

意义与主张

本文声称是首批将人类-AI 工作设计视为人力资本投资问题（即企业的参与选择塑造了流动工人的技能）的解析模型之一。

• 重构问题： 作者认为，人类在 AI 辅助生产中的参与不仅仅是一个需要被最小化的运营成本，更是一种对可携带人力资本的战略投资。
• 政策启示： 研究结果表明，企业不能仅仅为了最大化短期 AI 效率而完全“关闭”人类参与。这样做不仅会侵蚀应对 AI 失效所需的回退能力，更重要的是，会导致企业将其最有价值的工人流失给那些提供更好技能构建轨迹的竞争对手。
• 对 AI 进步的细化理解： 本文强调，将 AI 进步视为单一指标是不充分的。能力与可靠性的区别会导致截然不同的战略反应，尤其是关于工人参与水平的反应。
• 研究范围的局限性： 作者承认了模型的局限性，指出这是一个两阶段的抽象模型。他们建议未来的研究可以探索技能与 AI 共同演化的更长周期，或者更丰富的劳动力市场。然而，在本文的模型范围内，关于参与度反转和可靠性非单调效应的发现被认为是稳健的理论洞见。