在过去五年里，《工作的新未来》报告持续记录了工作的变化。今年，这种转变显得尤为明显。此前几版主要关注技术如何通过自动化任务、加速沟通、扩大信息获取来提升生产率，以及远程办公的兴起。如今，生成式 AI 让这一转型按下了快进键。AI 不再只是简单地加快现有工作流程，而是越来越多地参与其中，塑造人们如何创造、决策、协作和学习。
几十年来，微软各研究团队一直在研究这些变化，但并非将其视为抽象趋势，而是当作真实发生的工作体验。在不同组织和职业中，人们正以不均衡、富有创造性、有时甚至出人意料的方式尝试使用 AI。许多人正在节省时间、拓展能力、承担更复杂的工作，但未来真正的机会，在于利用 AI 帮助我们更好地协同工作。
《工作的新未来》 报告汇集了微软内外的研究成果，以理解 AI 进入工作场所时究竟正在发生什么。通过数十位作者与编辑的共同努力，报告综合了大规模数据分析、实地与实验室研究以及理论成果，从“谁在使用 AI”“为什么使用”“它如何重塑生产率、协作、学习与判断”等角度展开分析。报告还重点指出了变化尤其迅速的职业领域，以及这些技术带来的更广泛社会影响。
综合来看，这些发现指向一个核心洞见：工作的未来并不是某种单纯“发生在我们身上”的事情。我们正在主动建构它——通过个人做出的选择、团队形成的规范、组织采用的系统，以及研究者所揭示的新发现。与此同时，AI 的角色仍在演变，并正带来各种影响——其中有些可能被视为正面，有些则可能被视为负面。以下内容是在这一时间点上、基于研究证据形成的一幅快照，以及它能为我们提供的启示：如何共同借助 AI 创造一个更新、更好的工作未来。
采用与使用
生成式 AI 正快速进入工作场所，速度很可能快于大多数早期技术。但“谁在使用它、如何使用它”的模式，将决定“谁能从中受益”。有关早期采用的报告似乎显示出显著渗透率：在德国的一项调查中，38% 的在职受访者表示自己在工作中使用 AI。但不同行业之间的使用率和信心差异很大，而且男性报告在工作中使用 AI 的频率高于女性。当前尚不清楚，这种差异究竟是由职业分布、新工具使用舒适度，还是其他因素所驱动。这带来了一个挑战：不均衡的采用，很可能会进一步转化为采用者与未采用者之间在生产率提升、学习机会、后续职业路径等方面的不均衡。
从全球范围看，生成式 AI 的采用情况还呈现出更多差异。高收入国家在总体使用率上依然领先，但增长最快的地区却出现在中低收入区域。当本地语言支持不足时，人们会转而使用英语，只为获得更可靠的结果。如果不加大基础设施和多语言模型开发方面的投入，AI 非但不能缩小现有鸿沟，反而可能强化这些差距。
在组织内部，是否使用 AI 的决定，受企业文化的影响往往大于战略宣讲材料。人们会在信任雇主、并觉得可以放心试验时尝试新工具；他们会持续使用那些确实能改善工作的工具，但也可能拒绝那些看起来是为替代自己而设计的工具——而这恰恰是劳动者普遍存在的担忧。许多最有价值的应用，根本不是来自自上而下的推动，而是源于员工自己动手尝试、发现真正有帮助的方法，再把这些经验分享给同事。研究表明，在工作场所技术设计中纳入员工视角，有助于实现生产率与福祉的可持续提升。
我们也开始看到，人们究竟在用 AI 做什么。Anthropic 对数百万条用户对话的分析发现，Claude 使用场景中有 37% 与软件和数学类职业相关。一项针对 Microsoft Copilot 对话的研究则发现，它对销售、媒体、技术及行政岗位中的信息工作者活动具有较高适用性。但更广泛的结论其实很简单：大多数职业至少都包含一些 AI 能发挥作用的任务。
这些变化也带来了社会层面的副作用。多项研究显示，使用 AI 的员工可能会被认为能力较弱，即便他们的产出与未使用 AI 的人完全相同。这种“认知惩罚”是否会在不同群体间不均衡地发生，仍是一个开放问题。不过，使用过 AI 的管理者往往会更公平地评价 AI 辅助完成的工作。这表明，在 AI 能够被公开、且不受偏见地使用之前，可能需要更广泛的亲身接触与理解。
对工作与劳动力市场的影响
理解“谁在使用 AI”以及“他们为何使用”，有助于评估其价值，但更难的问题在于：它究竟如何影响生产率和劳动力市场，而这往往没那么直观。生产率的提升可以来自节省时间、提高工作质量，或仅仅是让人感觉自己更有能力。接受调查的企业级 AI 用户表示，他们每天可节省 40 到 60 分钟；基于模型的评估则显示，前沿系统在越来越多任务上的质量表现，已接近专家水平。但 AI 也可能降低生产率。在美国的一项调查中，40% 的员工表示，他们在过去一个月里收到过“workslop”，也就是表面看起来很精致、实际上却并不准确或无用的 AI 生成内容。一旦出现这种情况，节省下来的时间很快就会被抵消，工作质量甚至还会下降。
对于这对岗位和更广泛劳动力市场究竟意味着什么，我们仍未掌握全貌。大规模实证研究尚未发现失业率、工作时长或职位空缺在总体层面出现明确变化。然而，AI 似乎的确正在压缩年轻、缺乏经验劳动者的机会。初级岗位对经验和知识的依赖较少，因此也更容易被自动化。实证证据表明，在 AI 高暴露岗位中，22 至 25 岁劳动者的就业相较于类似但 AI 暴露较低的岗位下降了 16%；企业采用 AI 后，对初级岗位的招聘似乎也出现放缓。这种模式引发了一个更长期的担忧：如果那些原本能让劳动者学习技能的工作被自动化，随着时间推移，专业能力的形成机制可能会被削弱。理论模型研究和实证证据都强化了这一观点。
与此同时，AI 也在改变哪些技能更重要。在职位发布中提到 AI 技能的岗位，其同时强调分析性思维、韧性和数字素养的概率，几乎是其他岗位的两倍。那些更容易被 AI 模型外包的工作需求——包括数据相关任务或常规翻译——仍在持续下降。即使整体就业保持稳定，AI 也已经在重塑岗位结构，而且这一趋势还将持续。
随着更多实证证据不断出现，理论研究帮助我们勾勒未来可能的方向。其中一个反复出现的主题是：随着 AI 能力提升，人类判断力——例如识别机会、在模糊情境中工作、或从多个输出中做出选择——会变得更有价值。而那些利用 AI 来增强人的能力，而非仅仅替代人的组织，往往最终会创造出新的工作类型，而不是简单消灭旧岗位。如果我们希望 AI 真正兑现其促进广泛繁荣的潜力，那么前进的路径就不在于替代任务，而在于扩展人所能做到的事情。
人机协作
随着 AI 变得更有能力，人机交互的性质也在变化。AI 系统正越来越多地参与决策、创造与沟通，并被定位为一种“协作者”。这引出了若干问题：如何支持人与 AI 之间的“协作”；我们能从人与人之间的互动中学到什么；以及 AI 系统的能力会带来哪些不同机会，又提出了哪些不同要求。
高效协作的核心是共同基础，也就是让人们能够协调与沟通的共享理解。在人类对话中，我们会不断确认是否对齐——通过澄清、回应和追问来完成。但当前的 AI 系统往往跳过这些步骤，直接生成默认“已经理解”的回答，而不是逐步建立理解。研究表明，这种缺乏对话基础的情况会导致人机交互出现断裂。令人鼓舞的是，像 CollabLLM（在新标签页中打开） 这样的系统，会提示 AI 提出澄清问题并进行多轮回应，从而展现出更好的任务表现和更具互动性的交流方式。
信任是协作的另一个关键方面。虽然 AI 能处理海量信息，但它在决策中的效用取决于它对人类目标的理解程度，以及人们对其能力的理解程度。如果使用的 AI 并不了解用户目标，结果可能比完全不用 AI 还差。然而，人们又常常高估 AI 的能力，从而扭曲自己对“何时使用、如何使用”的判断。支持选择性委派的系统能够改善这类决策，尤其是在 AI 的回应本身就被设计为考虑这种选择性策略时。
AI 能力的不断进步，正在推动人们角色的转变。以软件生产为例，开发者过去往往从头到尾编写代码，而现在越来越多是在审阅和完善 AI 生成的建议。写作者和设计师也越来越像策展人和编辑，更多是在引导 AI 输出，而非从零开始亲自完成一切。这种转变要求新的技能——例如编写有效提示词、审查 AI 回应、保持质量监督——同时也需要新的工具加以支持。
当前基于聊天的界面，往往不足以支撑这些不断演进的工作流程。除了需要了解 AI 系统的能力、局限与工作方式，以及具备领域专长和情境意识以便进行干预外，监督还要求对系统活动、决策和输出具有可观察性。为解决这些问题，新的界面设计正在出现，包括 AI 推理过程可视化、共享编辑空间，以及允许人类与 AI 轮流主导任务的混合主动系统。这些创新旨在保留人的主动权，同时让 AI 更透明、更具响应性。
归根结底，工作的未来在于构建人与人之间的互补性交互，并借鉴人类协作方式的知识；同时，也要承认人机交互所特有的挑战，并利用 AI 的能力来实现这一目标。
面向团队协作的 AI
AI 系统从一开始就是围绕“服务个体”来设计的，而不是围绕“服务人类团队”来设计。因此，当人们以团队方式使用 AI 时，表现往往不佳，甚至可能不如一个单独使用 AI 的个体。
好消息是，越来越多研究开始致力于支持团队与群体互动的 AI。研究者主要采取两大路径：（1）聚焦过程的策略，即构建 AI 来促进特定团队过程，如信息共享；（2）聚焦结果的策略，即训练端到端 AI 系统，尝试从团队的短期和长期结果中学习。
前一类方法的例子包括：在小组讨论中提供“反方辩手”视角的系统，或帮助放大少数意见的系统。后一类方法的例子则包括：帮助团队作出更优决策的系统，或推动会议朝目标达成方向前进的系统。
来自集体智能等领域的理论表明，这两种方法都具有巨大潜力：AI 可以解锁全新的协作模式，而这些模式可能与过去截然不同，也更加高效。一个显著例子是，AI 使得更具临时性的团队成为可能：某个组织内（甚至跨组织）的精准人员组合，可以为了某个具体问题而迅速聚集，问题解决后再解散。
从更哲学的角度看，甚至将个体与大语言模型（LLM）的互动理解为一种团队合作，也是有益的。事实上，相较于“人工智能”，“集体智能”或许更适合描述 LLM 这类技术。LLM 汇聚了数百万人的知识——这些人撰写网页内容、在 Reddit 和 Wikipedia 等平台发帖、与聊天机器人互动，并生成其他类型的数据——然后按需将这些知识提供给个体。每一次你与 LLM 互动，其实都是在与数百万人的劳动成果互动，而无需承担那种规模协作本不可能承受的巨大协调成本。
思维、学习与心理影响
生成式 AI 正在改变认知与学习，同时也引入新的心理动态。这使得围绕主动性、努力程度与福祉所作出的设计选择，变得越来越关键。
在生成式 AI 中，一个核心趋势正在显现：人们正从“通过做来思考”（例如自己撰写文档）转向“从输出中作选择”（例如提示 AI 撰写文档）。如果没有配套的用户体验设计来持续保持人的认知参与，以及相应的技能提升/再培训来适应可获得工作的变化，这种转变可能会削弱支撑人类专业能力的判断力和实践能力。AI 也可以被设计为支持思考，而不是替代思考，例如通过激发反思、为推理搭建支架，以及通过替代方案与批判帮助人们“决定如何做决策”的工作流程。在构思与创造力方面，其益处也可能很脆弱。在错误的时机使用 LLM，可能会降低原创性和自我效能感；而反复把认知任务外包出去，即便 AI 被移除后，这种影响仍可能延续。为了避免以长期能力为代价换取短期准确性，AI 体验应帮助用户练习挑战和改进 AI 输出所需的判断力。
AI 在教育中的使用已经十分普遍，但这类活动很大一部分是通过通用工具进行的，而不是借助专门的教育产品；与此同时，培训和政策仍在追赶之中。在学习情境中，AI 被设计成高效完成职场任务的速度与便利性，可能与教育的实际需求发生冲突。学习往往受益于“有益的困难”，而过度依赖摘要与综合，如果没有周到支持，可能会让学习变得更浅层。这可能意味着：在向 AI 求助之前，先尝试自己解决问题；采用以问题驱动的辅导方式，要求学生对输出进行论证与核查。编程教育依然至关重要，但其重心需要从记忆语法转向强调抽象与责任，例如问题定义和批判性审阅。职场培训则可以通过帮助员工将 AI 重新理解为“思维伙伴”，促使其进行反思式互动，并强化校准与验证习惯，从而对抗过度依赖以及“work-slop”式的生产率问题，使员工继续对最终决策承担责任。
最后，对话式 AI 正越来越多地被用于社会和情感支持，这使得共情与心理福祉成为设计和治理中的核心关切，尤其因为其影响会因用户情境和互动模式不同而出现显著差异。这种差异性也进一步提高了拟人化行为的风险和重要性。为了理解系统何时显得“像人”，以及这会带来什么后果，我们需要更清晰的定义和测量方法。更广泛地绘制设计空间，也能帮助设计者预判影响并选择替代方案。
特定岗位与行业
尽管《工作的新未来》报告的大部分内容聚焦于协作、沟通和决策等广泛的工作模式，我们也考察了一些正经历特别快速颠覆的具体职业。今年版本中尤为突出的包括软件工程与科学研究。为了纠正围绕这些领域的一些误解，我们回应了若干常见迷思，包括：
采用主要取决于模型能力。除去对这些迷思的澄清，我们也看到了软件生命周期中的真实转变。历史上，PM（产品/项目/项目群经理）更多关注客户需求、遥测数据、设计和反馈，而开发者负责写代码。随着生成式 AI 的出现，这些边界正在变得模糊。PM 表示自己在做更多技术性工作、写更多代码，而开发者则在与 AI 智能体互动时，越来越多地参与更高层次的规划与概念思考。
这种转变可由“vibe coding”的兴起加以说明——它指的是通过迭代式提示来开发软件，而不是直接编写和编辑代码。研究显示，经验丰富的计算机科学学生比新手更擅长 vibe coding，他们能用更少、但更有针对性的提示来引导模型。随着人类与 AI 助手之间建立起信任，工作会变得更具共创性，使工程师能够通过持续迭代保持“心流”状态。
综合来看，这些变化指向了软件构建方式上的更深层变革——不仅体现在代码生产机制上，也体现在团队如何协调、规划与协作上。
科学研究同样正在经历显著的 AI 驱动加速。AI 正通过帮助研究人员识别有前景的想法、重现已知结果、发现跨领域联系，实质性地加快科学发现。基础模型也使处理多样化数据类型变得更容易，并使过去不可能实现规模的实验成为可能。
研究生产率提升以及适度质量改进所带来的好处，似乎对职业早期研究人员和非英语科学家尤为明显。对他们而言，AI 既是协作者，也是一种获取先进工具的途径。
然而，AI 也带来了新的风险。当生成式系统参与其中时，数据来源、责任归属和结果复现等问题会变得更加复杂。提示词的细微变化就可能显著改变结果，使得结论更难验证。模型可能会在不注明出处的情况下复现观点，甚至完全“幻觉”出内容，从而加重来源核查的负担。而且，由于许多模型倾向于给出迎合性回答，科学家可能会高估 AI 生成洞见的新颖性或正确性。
结语
生成式 AI 并不是会在某个遥远未来才到来的事物，它此刻就正在重塑工作。以下是几个值得带走的要点：
-
AI 不只是让工作更快——它正在改变我们共同工作的方式。今年的研究显示出一个真实的转变：AI 正从自动化任务，转向积极塑造人们如何创造、决策、协作与学习。那些获得最大收益的组织，是将 AI 视为协作伙伴而非外挂工具，并建立起支持试验的文化、规范与信心的组织。
-
AI 的好处是真实存在的，但它们尚未被均匀分配。在不同国家、职业和行业中，采用率都在快速上升，但获取机会、使用信心和实际使用方式上的差距也在扩大。早期证据表明，谁在使用 AI（以及如何使用）将决定谁能受益。行业领导者需要确保 AI 扩大机会，而不是强化分化。
-
在 AI 驱动的世界里，人类专业能力变得更重要，而不是更不重要。在软件工程、科学研究和知识工作中，AI 正在改变角色分工：人们正从“亲自完成工作”转向“引导、审视并改进工作”。真正能够蓬勃发展的组织，将是那些投资于判断力、批判性思维和负责任监督的组织——并设计出能让人保持深思参与的 AI 体验。
今年的 《工作的新未来》 报告所呈现的研究，同时指向机遇与责任。未来并非预先注定。它将由我们今天所做的选择来塑造——包括我们如何构建 AI 系统、组织如何采用它们，以及个人如何学会与它们协同工作。微软将继续致力于在这些变化展开的过程中加以研究，以证据为基础深化理解，并确保我们共同构建的未来，是一个 AI 能帮助我们所有人更好协同工作的未来。
