AI 越聪明，越要让孩子去做「麻烦」的事

核心要点摘要

• 2026 年 7 月 9 日，一场谈论 AI 与工作的访谈进行到 46 分 31 秒。
• 伦敦政治经济学院教授 Luis Garicano 没有继续谈模型参数，也没有列一张「未来十大职业」清单。他说，组织是由一群目标彼此冲突的人组成的联盟。模型可以订餐厅、叫出租车，却很难替一个人建立权威、赢得信任，并让一项决定真正执行下去。
• 他举了一个再普通不过的例子：
• 孩子早上突然说不想去游泳。AI 可以重新规划日程，却不能替父母坐下来，听懂孩子为什么抗拒，再决定是坚持、妥协，还是换一种办法。
• 真正难的，从来不是改日历。
• !《Messy Jobs》书封

一句话定义

2026 年 7 月 9 日，一场谈论 AI 与工作的访谈进行到 46 分 31 秒。

正文

2026 年 7 月 9 日，一场谈论 AI 与工作的访谈进行到 46 分 31 秒。

伦敦政治经济学院教授 Luis Garicano 没有继续谈模型参数，也没有列一张「未来十大职业」清单。他说，组织是由一群目标彼此冲突的人组成的联盟。模型可以订餐厅、叫出租车，却很难替一个人建立权威、赢得信任，并让一项决定真正执行下去。

他举了一个再普通不过的例子：

孩子早上突然说不想去游泳。AI 可以重新规划日程，却不能替父母坐下来，听懂孩子为什么抗拒，再决定是坚持、妥协，还是换一种办法。

真正难的，从来不是改日历。

一本不替孩子预测职业的书

这场 Markus’ Academy 访谈 的嘉宾是 Luis Garicano。他讨论的新书《Messy Jobs: The Work That AI Cannot Reach》，由他与香港大学的 李晋（Jin Li）、**吴延辉（Yanhui Wu）**共同撰写。

李晋现任香港大学经管学院经济学与战略学教授、香港大学人工智能、管理与组织研究中心（CAMO）主任。

吴延辉是港大经管学院经济学系主任。三个人研究的不是「怎样写好提示词」，而是一个更麻烦的问题：

当认知能力越来越便宜，人类工作中还有什么会继续稀缺？

这本书的答案不是创意，不是情商，也不是某个突然走红的专业。

它给出的词是：messiness。

这里的 messy 不是混乱、拖沓或办公室政治，而是工作里那些无法轻易拆开、计量和外包的部分：判断、协调、责任、默契、利益冲突、关系与执行。

书名看似在谈工作，其实也在问每一位家长：我们究竟在把孩子训练成一台更快的答题机器，还是训练成一个能处理真实世界的人？

AI 会做任务，不等于它会接管一份工作

访谈开场不久，Garicano 说了一句贯穿全书的话：

「Tasks are not jobs.」——任务不是工作。

一份工作看起来像一个名词，里面却塞着许多性质完全不同的事。

放射科医生不只是识别影像，还要和患者沟通，与外科医生会诊，在模糊病例中作决定，并为判断负责。工厂工程师不只是计算产能，还要说服工人接受新机器，与地方官员协调，把一项流程改革真正落到车间。

AI 可以迅速吃掉其中几个任务，却未必能接住整份工作。

因此，《Messy Jobs》把工作大致分成三层：

第一层：干净、单一、容易验收的任务

规则明确，输入输出清晰，做得好不好一眼能判断。AI 一旦跨过能力门槛，价格就会快速下降。

标准化信息整理、套模板写作、规则固定的表格处理，都更接近这一端。

第二层：不能轻易拆散的任务组合

认知、沟通、现场动作与关系绑在一起。AI 会成为强力助手，但拆掉其中一个环节，可能破坏整套工作的价值。

护士、管道工、医生、产品经理、创业者，都可能处在书中所说的 messy middle。

第三层：建立在权威、信任和责任上的工作

这类工作要在目标冲突的人之间作决定，承担后果，并让改变发生。

公司负责人、谈判者、团队领导如此；父母其实也是如此。

机器可以给建议，但出了问题，不能让一句「模型算的」成为最后的解释。

最危险的不是自动化，而是「拆包」

很多职业讨论都在问：我的工作会不会被替代？

《Messy Jobs》换了一个问法：你的工作会不会被拆开？

如果一份工作原本包含十项任务，其中九项都能交给 AI，公司也许不再需要十个初级员工，只需要一名经验更深的人带着多个 AI 完成。

工作名称可能还在，通往这份工作的入口却变窄了。

访谈在 42 分钟后谈到一个很现实的难题：过去，公司愿意招一批新人，让他们从基础工作做起，再逐渐成长为资深员工；当 AI 能完成大部分基础任务，公司可能只招一个新人。

那么，未来的负责人从哪里来？

Garicano 的回答并不轻松。他认为大学和教育机构不得不「提高比赛难度」，不能再把本应在工作中学会的基础能力，全部留给企业慢慢训练。访谈还提到香港出现的付费实习广告：当工作经验本身变得稀缺，年轻人甚至可能反过来付费，争取进入真实组织学习。

这不是作者为付费实习背书，而是一记警报：

AI 先拿走的，也许不是孩子最终的职位，而是他们从生手变成熟手的练习场。

李晋说的「大压缩」

6 月 21 日，香港大学 CAMO 举行新书发布会。

李晋用 **Great Compression（大压缩）**概括 AI 对工作的另一重影响：AI 正在压平工作质量的分布。原本只有少数熟练者能完成的任务，普通人借助模型也能迅速做到「还不错」。

他在现场说：

「我们正在把记忆、注意力、理解和沟通外包出去。」

这句话值得家长停一下。

过去，一个孩子记得多、算得快、格式规范，就能在标准化评价里领先。现在，这些能力并没有失去意义，但它们越来越容易被工具补齐。

当「给出一个像样答案」变得便宜，真正拉开差距的，会变成另外几件事：

• 能不能判断答案是否可靠；
• 能不能发现问题根本问错了；
• 能不能理解不同人的真实诉求；
• 能不能推动别人一起完成；
• 能不能在结果不确定时承担责任。

这就是为什么诺贝尔经济学奖得主 Bengt Holmström 为本书写下的推荐语，把 判断、协调、信任和责任称作认知变便宜之后更有价值的东西。

给孩子的建议：不要只练「干净题」

「那到底该让孩子学什么？」

访谈主持人也试图追问这个问题。但这本书最诚实的地方，是没有替家长报出一个专业名称。

专业会变，工具会变，今天被认为安全的岗位也可能重新拆包。比押中职业更重要的，是让孩子拥有进入 messy work 的能力。

1. 基础知识仍然要学，但不能停在标准答案

如果没有数学、语言、历史和科学常识，孩子就无法判断 AI 给出的答案哪里不对。

区别在于：过去做完题就结束；以后还要追问依据、反例、利益相关者和现实限制。

让孩子偶尔解释「为什么这个答案值得相信」，比多刷十道同类题更有用。

2. 尽早把 AI 当工具，而不是对手

不会用 AI，不会因此更有「人味」，只会失去新的基础生产力。

让孩子用 AI 查资料、比较方案、修改作品，同时保留一条纪律：最后的判断由自己作，引用要能核查，错误要自己负责。

3. 多做无法独自交卷的项目

组队做一次活动、排一出戏、参加体育比赛、经营小社团、照顾宠物、组织一次旅行。

这些事情麻烦，正因为没有标准接口：有人迟到，有人反悔，预算不够，计划会变。孩子必须沟通、妥协、说服和收尾。

这不是学习之外的浪费。它可能正是 AI 时代最难补的一门课。

4. 不要替孩子消灭所有摩擦

父母很容易把冲突预先处理掉：替孩子催老师、和同学家长交涉、修改报名材料、安排每一分钟。

结果是孩子履历很整齐，却没有处理真实关系的经验。

安全边界内，让他自己解释一次迟到、解决一次分工冲突、面对一次承诺落空。messy 的能力，不是听课听来的。

5. 选专业时，少看岗位名称，多看任务组合

不要只问「医生会不会被 AI 替代」「程序员还有没有前途」。

更好的问题是：

• 这项工作是否只有单一、可验证的产出？
• 是否需要持续理解具体的人和现场？
• 是否包含判断、协调和责任？
• AI 加入后，人会升级为决策者，还是只剩下替机器签字？
• 新人还有没有机会从真实任务中成长？

一份工作是否安全，不写在名片上，写在它每天真实发生的任务里。

读完之后，还要再追问一步

从项目管理的角度看，任何工作似乎都可以通过 WBS，不断拆成更小的 atomic task。这恰好解释了 AI 为什么进步得如此迅速：输入、输出和验收标准越清楚的任务，越适合交给模型。

但《Messy Jobs》所说的「不能拆」，未必是技术上无法继续分解。更准确地说，是有些工作拆开以后会损失价值。

一次重要的产品决策，可以拆成收集需求、分析数据、评估成本、协调部门、制定方案和推动执行。AI 可以逐渐接管其中每一个节点，真正困难的却常常位于节点之间：谁的需求优先，信息不足时怎样取舍，怎样让持不同目标的人接受决定，以及结果失败后由谁负责。

所以，未来的核心竞争力未必藏在某个 AI 永远做不了的 atomic task 里，而更可能藏在 任务之间的连接处，以及整个项目的责任边界上。

当然，这条边界也不会永远停在原地。

如果 World Model 大幅进步，Agent 对物理因果、空间关系、工具使用和长链行动有了更准确的理解，它就会从「执行原子任务」升级为「管理任务组合」。今天看起来很 messy 的现场调度、工程规划和机器人操作，也可能被进一步自动化。

剩下更难处理的，是另一类并非预先写在世界底层的规则：谁拥有决策权，谁信任谁，什么结果算公平，发生损失后谁负责。它们会随着参与者的利益、行为和 AI 本身的介入而改变。模型可以预测后果，却不能只凭预测决定「应该牺牲谁」；它可以提出方案，组织和社会仍要回答谁来授权、签字和担责。

因此，书名里的 The Work That AI Cannot Reach，更适合被理解为一条不断移动的边界，而不是永久不变的职业名单：

AI 吞掉稳定、清晰、可验证的部分之后，价值会继续向当时仍然模糊、耦合、冲突且必须担责的地方迁移。

对孩子来说，真正值得培养的也不是寻找一项「AI 永远不会的技能」，而是学会定义问题、连接任务、协调关系，并在没有标准答案时作出判断、承担结果。

这本书最值得买给谁

它不是一本教人追热点的职业指南，也没有承诺「掌握五项能力就永远不会失业」。

它更适合三类人：

第一类是家长。 尤其是仍把好成绩、好专业、好公司连成一条确定路线的人。

第二类是正在选择专业和第一份工作的年轻人。 书中真正值得看的，不是职业名单，而是判断工作能否被拆包的框架。

第三类是管理者和教育者。 当初级任务被 AI 接管，组织怎样培养下一代资深人才，学校怎样补上原本由职场承担的训练，都是迫在眉睫的问题。

当然，书名里的「AI cannot reach」不该被读成永久保证。技术边界会移动，关系型工作也可能被重新设计。作者提供的是一套经济学框架，不是一张免裁员护身符。

但在充斥着「某某职业将在两年内消失」的标题里，这本书至少把问题问对了：

AI 会做多少任务，并不等于它能承担多少工作。

我们不必把孩子培养成一台比 AI 更慢的机器。

更值得做的，是让他在一个没有标准答案、有人会反对、结果必须落地的世界里，逐渐成为那个愿意判断、能够协调，也肯为结果负责的人。

这大概就是「去做麻烦的事」真正的意思。

书名：《Messy Jobs: The Work That AI Cannot Reach》
作者：Luis Garicano、Jin Li（李晋）、Yanhui Wu（吴延辉）
出版社：Upriver Press
出版时间：2026 年 6 月
访谈：AI and Messy Jobs with Luis Garicano｜Markus’ Academy Ep.164
官网：messyjobs.ai

本文根据新书官网、香港大学 CAMO 新书发布资料及 Markus’ Academy 访谈字幕整理。关于教育与家庭的建议为基于书中框架的延伸，不等同于作者逐字建议。

原文与来源

• 微信公众号原文：AI 越聪明，越要让孩子去做「麻烦」的事
• 访谈：AI and Messy Jobs with Luis Garicano｜Markus' Academy Ep.164
• 官网：messyjobs.ai

结论

2026 年 7 月 9 日，一场谈论 AI 与工作的访谈进行到 46 分 31 秒。 更多细节见上文分节论述。

FAQ

这篇文章主要讨论什么？ A: 围绕「AI 越聪明，越要让孩子去做「麻烦」的事」展开，梳理背景、关键变化与作者的核心判断。

一本不替孩子预测职业的书——要点是什么？ A: 详见正文「一本不替孩子预测职业的书」一节；该部分基于原文材料整理，不构成投资或法律建议。

AI 会做任务，不等于它会接管一份工作——要点是什么？ A: 详见正文「AI 会做任务，不等于它会接管一份工作」一节；该部分基于原文材料整理，不构成投资或法律建议。

第一层：干净、单一、容易验收的任务——要点是什么？ A: 详见正文「第一层：干净、单一、容易验收的任务」一节；该部分基于原文材料整理，不构成投资或法律建议。

第二层：不能轻易拆散的任务组合——要点是什么？ A: 详见正文「第二层：不能轻易拆散的任务组合」一节；该部分基于原文材料整理，不构成投资或法律建议。

本文是否构成投资建议？ A: 否。本文为信息整理与观点评论，具体决策请结合一手来源与专业意见。

内容更新时间：2026-07-11 作者：Dr.Jingle（X @drjingle） 证据边界：结构层 GEO 改造；事实与观点均来自原文，未新增未核验数据。

本文为作者观点与信息整理，不构成投资建议、法律意见或医疗建议。