近年来人工智能（AI）技术的进展显示出其在辅助人力资本密集型活动方面具有显著潜力。尽管新兴文献记录了AI在提高生产率方面的广泛影响，但对于AI如何改变“工作的本质”这一问题的关注仍相对较少。个体，尤其是在知识经济中的工作者，在开始使用AI后如何调整他们的工作方式？本研究以开源软件环境为背景，探讨AI对个体任务分配的影响。论文Generative AI and the Nature of Work利用GitHub Copilot的推广——这是一款面向软件开发者的生成式AI代码补全工具——所带来的自然实验机会，分析其影响。
借助为期两年的数百万条工作行为面板数据，论文研究基于一个程序准入门槛，通过准实验性的回归不连续性设计，研究AI技术对软件开发者任务分配的影响。研究发现，获得Copilot访问权限会促使个体将任务分配更多地转向其核心的编码工作，而减少非核心的项目管理任务。论文研究识别出驱动这一转变的两个机制：一是个体工作方式从协作性转向更加独立，二是从开发利用性任务转向更多探索性活动。该影响在能力相对较低的个体中更为显著。
论文研究结果在不同的识别策略、带宽与核函数选择，以及变量定义下均保持稳健。总体而言，这些估计结果表明，AI具有重塑工作流程、并有可能在知识经济中促使组织结构趋于扁平化的巨大潜力。
论文作者为Manuel Hoffmann, Sam Boysel, Frank Nagle, Sida Peng, Kevin Xu, 来自Harvard Business School, Microsoft和GitHub。
一、研究背景与核心问题
本文聚焦生成式人工智能（Generative AI）如何改变知识型工作者的工作本质，而不仅仅是其生产率效应。尽管现有文献广泛研究了AI对生产率的影响，但对其如何改变个体的任务分配和工作行为模式探讨不足。作者选取了GitHub Copilot作为研究对象，这是一款面向软件开发者的生成式AI代码补全工具。通过研究开源软件社区中数十万开发者的使用行为，本文试图回答：生成式AI是否让开发者更多地从事核心任务（如编码）而减少非核心任务（如项目管理）？又是否会促进独立性和探索性工作？AI是否对不同能力层次的开发者影响不同？
二、研究设计与自然实验
研究利用了GitHub对“顶尖开发者”提供Copilot免费试用的内部排名制度。这种制度构成了一个“准自然实验”，因为排名阈值附近的开发者是否获得Copilot的机会具有准随机性。作者使用回归不连续性设计（RDD）来捕捉Copilot可用性带来的因果效应，数据涵盖了从2022年6月至2023年6月期间187,489名开发者的周度行为数据，累计数百万条观察记录。
三、理论框架与研究假设
文章建立了一个基于CES效用函数的任务分配理论模型，提出以下关键假设：
- 假设1a：获取AI工具后，个体从事核心任务（如编码）的比例将上升。
- 假设1b：AI对非核心（管理）任务的影响不确定，需实证判定。
- 假设2：AI将促使个体更多从事独立工作，减少协作性任务。
- 假设3：AI将促进探索性任务（如新项目、新语言），减少对既有任务的重复利用（exploitation）。
- 假设4a与4b：低能力者从AI中受益更多，无论是对核心任务的转向还是对管理任务的调整。
四、Copilot的引入与数据结构
Copilot基于OpenAI的GPT-3，支持开发者通过输入函数头生成整个函数。GitHub在2022年6月向排名靠前的维护者免费开放Copilot访问权，用户需主动申请以验证其资格。研究样本包括所有首次获得Copilot访问权、且为顶级项目维护者的活跃开发者共计50,032人，研究衡量其在开源仓库中的编码行为、项目管理行为及AI使用频率。
五、主要发现与实证结果
- AI使用的因果效应显著：在Copilot免费资格排名阈值的左侧，AI使用天数显著高于阈值右侧的开发者，表明该自然实验设计有效。
- 任务重分配趋势明显：获得Copilot使用权的开发者，其编码任务比例上升了5.4个百分点（增长12.4%），而项目管理任务比例下降10个百分点（下降24.9%）。表明开发者将注意力从协作性强的项目管理任务中解放出来，转而专注于核心编程任务。
- 工作更独立：通过分析“提交代码”（push）和“创建仓库”等独立操作与“拉取请求”、“评论”等协作行为发现，AI用户更倾向于独立完成工作，减少了与他人的互动频率。在拥有Copilot访问权的开发者中，与其他人协作的仓库数量减少了17个，相当于从平均22个下降至5个，下降幅度高达79.3%。
- 鼓励探索性工作：AI使用者更倾向于参与新项目（探索），而非继续在旧项目上投入（开发利用）。他们使用的新编程语言数量增加21.8%，且更常使用在市场上工资更高的语言（年薪提升约1683美元），表明Copilot鼓励技术拓展与自我提升。
- 对低能力开发者影响更大：文章通过多种能力代理变量（如代码中心性、GitHub勋章数、关注者数量、平台入驻时间）进行中位数分组分析，结果表明低能力开发者在获得Copilot之后，任务分配的变化幅度更大，即他们更多地转向编码任务、减少管理任务，说明AI对弱者的补强效应更明显，有助于减少开源贡献中的“强者恒强”现象。
六、理论意义与政策启示
本文提出以下重要洞见：
- 生成式AI不仅提升效率，更重塑了工作流程，使得工作重心回归“本职”；
- 它减少了协作过程中的交易成本，有助于解决开源社区中因少数维护者超负荷而导致的“瓶颈问题”；
- 在组织层面，AI有潜力减少中层管理层级，推动扁平化结构；
- 在个体层面，AI鼓励探索性行为，有助于职业成长与技术积累；
- 在公平性方面，AI可能通过提升低能力者的生产力，缩小技能差距。
七、研究局限与未来展望
研究也存在一些限制：
- 未能捕捉到开发者在私有仓库中的行为（大约45.5%的Copilot使用发生于无公开活动的时间段），可能低估了AI的实际影响；
- 未能深入分析AI生成代码的质量，或AI在实际编码过程中所扮演的角色（如是否取代人际互动）；
- 随着Copilot后续功能的增强（如聊天交互、自动改进建议），其行为影响机制可能会更加复杂，需后续追踪研究；
- 研究仅聚焦于程序员人群，未来可扩展至更多知识型职业（如设计、写作、教育等），以全面理解AI对劳动结构的重塑作用。
八、总结
本文基于GitHub Copilot的推广策略，通过严谨的准自然实验设计和大规模行为数据，首次系统性地揭示了生成式AI如何深层次地改变知识型工作者的任务分配和行为模式。AI显著增强了开发者的独立性与创造性工作倾向，帮助其摆脱非核心管理性任务的消耗，尤其对低能力者帮助更大。这项研究不仅为理解AI如何改变“工作的本质”提供了清晰图景，也为技术部署、组织结构调整与公共政策制定提供了关键启示。