任务模型
劳动经济学核心框架：技术不是替代职业，而是替代任务。一个职业由若干任务组成，有些可自动化，有些不能。
简介
任务模型（task model）是分析 AI 对就业影响的正确粒度：不问”岗位会不会消失”，而问”哪些任务已被穿透、哪些仍需人、时间如何重新分配”。它把职业看成任务束，技术改变束内组合，而不是一刀切抹去职业标签。
该框架源自 Autor、Levy 与 Murnane 2003 年工作，后经 Acemoglu、Restrepo 等扩展为动态”任务内容变化”。在 AI 语境下，它对接 AI暴露度 的技术热力图，并解释 Anthropic 2026 年”理论覆盖 vs 实际覆盖”差距为何首先是任务级差距。
关键信息
核心特性
核心主张
任务模型源自劳动经济学中Autor、Levy和Murnane在2003年提出的经典框架，后由Acemoglu和Restrepo等人持续扩展。其核心主张是：技术不是替代职业，而是替代任务。一个职业由若干任务组成，有些任务可被自动化，有些不能。劳动者在不同任务之间重新分配时间，而非整个职业被抹去。
Acemoglu和Restrepo进一步提出”任务内容变化”的动态视角：技术不断改变一个职业内部的任务组合。当某些任务被自动化后，剩余任务的重要性上升，同时可能出现全新任务。
五类任务分类
Autor等人将任务分为五类，AI和此前的自动化技术主要冲击前两类：
| 任务类型 | 示例 | AI自动化前景 |
|---|---|---|
| 常规认知任务 | 记账、数据录入、标准报告生成、对账 | 高度可自动化 |
| 常规体力任务 | 流水线操作 | 已被先前自动化覆盖 |
| 非常规分析任务 | 编程、设计、税务筹划、架构决策 | 部分可自动化，核心判断保留 |
| 非常规互动任务 | 谈判、管理、员工关系处理、客户提案 | AI难以替代 |
| 非常规体力任务 | 护理、维修、餐饮服务 | AI难以替代 |
应用方法
用任务模型评估某个岗位时，正确的做法是拆解而不看岗位标签：
- 财务分析岗：不问”财务分析师会不会消失”，而看凭证生成→高度可自动化；对账→高度可自动化；异常交易调查→需要判断，保留；税务筹划→需要专业判断和信任，保留
- 研发岗：生成样板代码→AI已覆盖；写单元测试→AI已覆盖；系统架构设计→需要trade-off判断，保留；生产环境故障排查→需要跨域判断，保留
- 法务岗：法规检索→高度可自动化；标准合同审查→高度可自动化；纠纷解决→需要谈判技巧，保留；跨法域判断→需要综合判断，保留
理论边界
任务模型有三个主要边界：
- 不涵盖制度阻挡：因工会、法规、行业准入阻挡而延缓的替代不在模型内
- 不包含未创造的新任务：AI时代出现的新任务类型（提示工程、智能体编排等）需外部补充
- 未充分考虑组织语境差异：同一任务在不同组织中执行方式差异大，模型假设任务描述可统一匹配
与AI职业影响的关联
Anthropic 2026年报告显示的”理论覆盖度与实际覆盖度的差距”，本质上是任务层面的差距：不是整个法律职业被覆盖80%，而是其中合同审查、法规检索等具体任务被覆盖。职业标签是粗糙的，任务才是分析的正确粒度。
在职业族群观察中，有研发从业者花了三个月把自己的工作拆解成若干Skill，逐一判断哪些交给AI、哪些自己来——这正是任务模型从理论落到日常的缩影。
不同素材中的观点
- 2026-07-16-woshipm-ai-career-transformation：全面阐述任务模型的理论来源、五分类法、应用示例和边界。指出Anthropic 2026报告的理论vs实际覆盖度差距本质是任务层面的差距，并提供了研发、财务、法务三个岗位的任务拆解案例。