2026 年 AI 从业者调查

UTAW科技业劳动者调查梳理了生成式AI如何改变整个科技行业的工作，内容来自构建、部署、管理、评估和使用这项技术的劳动者的视角与亲身经历。

本报告也可下载PDF版本：

↓下载PDF（5.2 MB）

摘要

AI这个词被用来描述一堆彼此迥异、很多时候还相互矛盾的技术。这个词本身谈不上有什么共识，但它的影响已经逐渐清晰。参与我们调查的人把它描述为一股大体上负面的力量，正在重新组织他们的工作：产出预期提高，技能要求改变，监控范围扩大，专业能力被削弱，责任归属发生转移，同事之间出现分化。AI应用很少真正消除工作，它做的是重新分配工作，并让工作变得更密集。

劳动者强调，AI要用得好，前提是他们自己能决定怎么用。1核心问题不只是AI好不好用，而是雇主如何引入它、如何控制它、如何衡量它、拿它来做什么。说白了，只有当一个人能自己选择用不用、怎么用的时候，它才是有用的。

我们指出的这些问题，并非源自当今模型的技术局限。产出质量差、幻觉、代码写得烂，这些确实有影响，但只是问题的一部分。因为雇主用AI来加剧工作强度、为裁员找理由、砍掉初级岗位招聘、扩大监控、让劳动者去技能化和降技能化、把风险转嫁给员工、削弱他们的自主权。就算模型不断进步，只要劳动者无法获得可执行的权利来决定AI在工作场所乃至整个社会中如何使用，职场中这些根本问题就依然存在。

科技业劳动者对AI在环境、军事和国家监控场景中，以及对心理健康造成的危害深感忧虑。正因如此，本次调查的建议重点不在于功能，而在于谁在控制它、谁从中获益。

必须切实赋予劳动者维护和拓展自身权利的能力，包括对AI如何引入、使用、监控和评估拥有可执行的权力。

劳动者必须拥有最终决定权，决定在工作中如何使用AI工具、或者是否使用。选择不使用，不应因此受到任何惩罚。

协商与透明只有在带来真正的问责和有效行动时才有意义。只披露、不追责，不过是粉饰。

正在形成的政策方向包括：

仅靠透明远远不够；劳动者需要就AI部署进行实质性的协商与谈判。
AI的使用不得强制；劳动者因拒绝使用AI而遭受不利待遇，须有法律保护；雇主在AI驱动的管理决策上应受到限制。
针对AI的外部性建立保障；以强有力的监管确保我们构建的AI不会伤害人与地球。
遏制人才流失；为初级和应届劳动者建立并维护不依赖AI的学习路径。
劳动者拥有最终话语权；将工作场所AI的集体谈判机制制度化。

政策建议

以下建议是对2026年TUC大会通过的、由CWU提出、Aegis附议、UNISON、National Education Union、USDAW支持的 composite motion「工作场所中的人工智能」的扩展。2

设立新的工作场所AI监管机构

我们需要一套有牙齿的监管框架，让雇主和科技公司为其AI的使用承担责任，具体如下：

设立新的法定工作场所AI监管机构，有权对雇主和技术供应商进行调查、执法和处罚。
该机构应覆盖所有AI系统，包括genAI工具、自动化决策系统、监控工具、招聘系统、生产力系统和绩效管理工具。
劳动者及其工会应能直接向该机构举报与AI相关的危害，包括不安全部署、歧视性结果、过度监控、虚假的生产力宣称、工作强度加剧、去技能化与降级、岗位流失，以及伦理和环境方面的担忧。
该机构应有权要求雇主披露AI系统、暂停部署、开展影响评估、与劳动者及其工会协商、补救损害并撤回已部署的系统。
该机构的治理委员会中，劳动者和工会专家代表的人数应与雇主、公务员和学术界代表的人数相等。

技能、培训与初级岗位通道

在部署 AI 的地方，必须优先考虑技能与职业发展，以消除 AI 引发的去技能化和降技能化：

保护初级岗位和学习通道，确保 AI 不取代培训、带教、督导或基础技能培养。
雇主不应以 AI 替代领域专业知识、合理的人员配置或职业发展投入。
劳动者应拥有受保护的时间来学习、练习、复盘和发展技能，而不必被迫依赖 AI 工具。
当 AI 改变工作性质时，雇主必须为再培训和技能提升提供资金与时间。
不得要求劳动者以损害其专业判断、手艺、信心或学习能力的方式使用 AI。

拒绝、质疑与提出异议的权利

劳动者必须保留拒绝的权利，并在这样做时免遭报复：

将选择权写入法律：在涉及专业、伦理、环境、平等、无障碍、安全、宗教、心理健康或质量方面的顾虑时，劳动者有权决定是否使用以及如何使用生成式 AI 工具。
劳动者因拒绝、质疑、批评或举报 AI 使用或开发中的问题而遭受不利对待的，应受到保护。
任何劳动者都不应因对 AI 提出顾虑而被视为抵触、绩效不佳或不适合晋升。
当 AI 被用于影响劳动者工作、薪酬、绩效、晋升、纪律处分、招聘或裁员的决策时，劳动者应有权要求人工复核。

环境与社会问责

必须对 AI 的负外部性进行全面评估和披露：

要求雇主评估并披露工作场所 AI 的环境影响，包括能耗、水耗、对数据中心的依赖、基础设施需求以及供应链影响。
环境报告不能简化为狭义的碳核算，还应涵盖 AI 扩张带来的更广泛的社会成本和物质成本。
AI 公共政策必须纳入劳动者声音、环境问责和民主控制，而不只是创新与生产率方面的主张。
将生成式 AI 模型归类为两用技术，并加强军事出口许可标准的执行。

健康与安全

必须更新健康与安全法规，将 AI 给工作场所带来的新型心理伤害纳入考量：

要求在部署前以及 AI 系统发生重大变更时进行影响评估。评估必须涵盖工作量、身心健康、平等、无障碍、工作保障、技能、培训、环境与伦理影响。
立法确立离线权。
如果 AI 确实带来了生产力提升，要求雇主确保这些收益按比例惠及劳动者（例如在不降薪的前提下缩短工时、带薪培训假、加薪）。

监控、绩效与监视

劳动者不得因使用（或未使用）生成式 AI 工具完成工作的程度而受到纪律处分或绩效问责：3

AI 使用数据不得用于纪律处分、晋升、裁员、绩效评分或生产力对标，除非已明确披露、经集体协商同意并经过独立评估。这包括 AI 排行榜、token 排名或使用量看板等施压劳动者使用 AI 的手段。
要求雇主证明 AI 相关指标衡量的是有用、安全且高质量的工作，而不只是活动量、成本、数量或速度。
劳动者不得因 AI 使用不足而受到惩罚。
禁止在劳动者无法质疑数据、方法或结果的情况下，进行不透明的 AI 驱动或 AI 辅助的绩效评估。

防止裁员与离岸外包

必须加强裁员保护，雇主不得借采用 AI 之名行离岸外包与业务外包之实：

不得允许雇主以采用 AI、生产力提升或自动化预测为由，绕过独立证据、协商和谈定的保障措施直接裁员。
加强裁员保护，延长最低协商期，并将集体程序中的“业务单元”定义扩大至整个雇主。
对以 AI 为由合理化裁员、事后又就同一批工作重新招聘、外包或重新分配的做法，引入更严厉的处罚。

协商、透明与披露

雇主必须被强制要求让劳动者切实参与实施决策：

引入法定义务：在 AI 工具被引入、扩展、强制使用或在任何工作流程中发生重大变更之前，必须与劳动者进行有意义的协商。
在存在集体谈判的地方，雇主有义务就 AI 部署及其对监控、生产力预期、人员编制和工作设计变更的影响进行谈判。
在没有集体谈判的地方，劳动者有权在对不利影响有合理担忧时要求暂停、审查或撤除 AI 系统，并有一条通往监管机构的升级路径。
雇主必须在员工可获取的文件中披露工作场所使用的 AI 系统，包括其用途、采用原因、收集了哪些数据、谁可以访问这些数据、数据保留多长时间。

引言

本报告从技术劳动者的视角审视 AI——这些劳动者构建、部署、评估、管理并使用这些系统。这是一次由劳动者主导、由劳动者生成的干预，介入关于 AI 的公共讨论，基于整个技术劳动力队伍中技术劳动者的直接经验。

“AI”这个词并不指代单一技术，这一点没什么帮助。它是一个伞形术语，把被捆绑营销的不同技术统统罩在一起。本报告将表明，其中一些技术有有益的用例，另一些则没有。有些甚至根本不存在，也可能永远不会存在——尽管它们在关于 AI 的公共讨论中占据了很大一块。

我们的调查从一个基本前提出发：技术劳动者不仅受 AI 影响，他们还了解这些系统在实践中如何被构建、引入、监控和使用。任何关于 AI、工作和监管的严肃讨论，都离不开他们的经验。

为什么要做一次关于 AI 的技术劳动者调查？

是谁塑造了我们对 AI 的认知？几乎无一例外，是不懂技术的媒体评论员，以及拥有 AI 公司的技术创业者。后者有时出身软件工程师和科学家；但无论如何，他们都是超级富有的商人，能从 AI 的扩散中获利。

据我们所知，这份报告是首次对广大技术从业者的 AI 经验进行系统性综合。我们的调查覆盖英国科技行业的供应链，包括客服人员、研究科学家、软件开发人员、网络安全分析师、技术教育工作者等等。

我们的从业者调查依托供应链上各环节员工的技术专长。方法直截了当，聚焦具体的日常经验，让不同岗位从业者的见解相互碰撞，并追问背后的深层动因。

作为一个阶层，开发和部署 AI 的从业者可以说是这个话题上最有发言权的人。作为一群已加入工会和正在组建工会的劳动者，本报告中的声音谈的是进步、公平，以及对弱者的保护。科技公司的高管层代表着资本对生成式 AI 技术的贪婪构想，他们的立场一向明确：快速行动，打破常规。被硅谷巨头们“打破”的“东西”排成长长一串，从 Molly Russell 这样的青少年，到饱受战火摧残的刚果东部民众。技术从业者——这套新技术背后的脑力与体力劳动者——担心 AI 与人和地球并不相容。

我们所说的“AI”指什么？

AI 被形容为一个“行李箱词”，容量大到你想往里装什么都可以。这种含糊的措辞毫无益处，因为实践中 AI 涵盖了一系列截然不同的技术，其风险、环境影响和收益各不相同。具体来说，当人们谈论 AI 对心理健康、网络安全或岗位自动化构成的威胁时，谈的是 LLM 和 agent（基于 LLM 的系统）。这些技术的能耗最高。

而当人们谈论 AI 的突破和有益应用，比如获得诺贝尔奖的 Alpha Fold 或天气预报模型时，谈的则是完全不同的另一类技术。这类技术针对特定任务（即狭窄、定义明确的任务），使用的是能耗可以忽略不计的小型模型。

用同一个词指代两种技术，只会让关于各自风险与收益的讨论变得混乱。生成式 AI（genAI）这个词更能准确涵盖 LLM、视觉语言模型（VLM），以及任何基于训练数据合成输出的机器学习技术（包括音频和视频）。4 在本报告中，我们力求在提及 AI 时尽可能精确。

AI 的哲学思潮

关于 AI 的争论大多围绕通用人工智能（AGI）展开，而这是一种定义模糊、并不存在的理论技术。5 这场争论牵涉许多问题（例如如何定义 AGI、AI 末日论者与 AI 加速主义者之争、是否应该追求 AGI），我们在此不予讨论，因为它们大体上只会让人偏离 genAI 的现实应用。AGI 缺乏定义，使得对其风险的讨论被推向一个遥遥无期的未来时刻，而 genAI 带来的当下与近期风险，以及它日益融入社会赖以运转的各种系统，却被忽视了。

或许有一定相关性的是 AI 乐观派与悲观派之间的争论。前者相信 genAI（进而也包括那个难以捉摸的 AGI）能解决世界上最重大的问题，后者则不信。科技从业者在这一问题上并没有统一意见，但他们对 genAI 最前沿实践的回应总体上是悲观的。

实际应用中的 genAI 是一种自动化技术，而一如过去所有自动化技术，效率提升的主要受益者通常是那些超级富有的公司所有者。一方面，工作正被 genAI 改变的员工报告了各种对其身心健康的损害。6 另一方面，过去 30 年的科技繁荣和过去十年的 AI 泡沫，让极少数亿万富翁大发其财，并极大地助推了他们的政治影响力（且明显偏极右）。与此同时，大多数劳动者已连续数年面临收入逐年下降，而不平等几十年来一直在急剧恶化。

因此，可以公允地说，genAI 这项技术眼下给亿万富翁带来的好处，远远超过它未来某个不确定时点惠及（或摧毁，取决于他们瞄准的是哪一类投资）其他人的承诺；而谁在鼓吹 AI、谁在承受 AI 部署之苦，恰恰印证了这一现实。工人和小企业主面对的是同一个敌人：掌握前沿模型的大科技公司。它们一边把 genAI 强推给劳动力，一边以越来越离谱的价格出租自己的模型。

此外，支持者和批评者都把 genAI 说成一种必将长期存在的技术。这种“不可避免”的叙事把政治能动性从人手中转移到“市场”——也就是这项技术的超级富豪所有者——手中，让高管层及其股东受益。工人为什么要不加批判地接受这套说法？

genAI 是一种具有社会、经济和机械影响的力量，这些影响可以被理解、被应对、被监管，必要时也可以被禁止。任何一次具体的 genAI 部署，乃至它作为一种广泛存在的技术本身，都不应被视为既定事实。

关于 AI 导致的裁员

AI 乐观派大肆宣扬生产率提升。我们更愿意直呼其名：劳动强度加大。一些评论者将其称为杰文斯悖论。7 效率提升越多，创造的就业机会就越多。套用本杰明·富兰克林的话说，这半句真话（效率提升）是一个弥天大谎。

公司在缩减人员、停止招聘，把剩下的工作分给更少的人，期限还更紧。乍看之下，公司是在裁员（既有大规模裁员，也有小规模的常规裁员），并声称这是因为“AI 取代了对工人的需求”。内部员工的说法是，裁员更多是为了在通胀上升时保住营收，通过操纵财务指标抬高公司估值，甚至只是为了支付 genAI 平台的订阅费用。

Jevons 悖论真正适用的工作环节是文本合成。如果一个工人的全部工作就是尽可能多地写出文案，不管质量如何，那这份工作确实可以被自动化。这些所谓的 AI 效率，不过是用来掩盖现实的借口：熟练员工被换成了并不好用的新工具，而挺过裁员的人则要接过不断加码的活儿。

综合来看，采用生成式 AI 意味着在更不愉快的任务上做更辛苦的工作——讽刺的是，这恰恰与 AI 鼓吹者的承诺相反，他们说“AI 会做无聊的任务，把有趣的留给人类”。

归根结底，工人掌控

最终，最适合监管生成式 AI 的，是构建和使用它的工人，因为他们最先享受到好处，也最先承受后果。作为普通劳动者，技术工人同样无法置身于这项技术对社会其他部分的影响之外——那些拥有这项技术的亿万富翁则不然。我们拒绝“亲工人 AI”8 这一已被驳倒的前提，并在本报告中提出了以工人为中心的方案。

本报告的合理结论并不新鲜，Wendell Phillips 在 150 多年前就雄辩地提出过：劳动有权享有它所创造的一切。如果我们继续任由科技巨头把权力和利润攫为己有，就会继续看到生成式 AI 最恶劣的一面——剥削和支配大多数人。反过来，如果把 AI 技术的权力交到创造和部署它们的工人手中，社会就能收获回报、避开伤害。工人应当有权在工作中掌控 AI。我们拒绝“亲工人 AI”的前提，并在本报告中

调查暴露出的问题

1. 工作满意度下降

“我一停止用 AI 写代码，就重新开始享受我的工作了。”——软件工程师

工人们描述自己被推离需要动脑的任务，转而去做提示、审查和修正低质量产出。

写代码的员工正在经历一种质变：工作从解决问题变成了监督 LLM。许多受访者说，自己不再有“心流”的感觉，而是在监督模型、评估输出。为了避免放行糟糕的结果，审查和修正的工作量往往大到让时间不省反费。

2. 去技能化与降技能化

“编程助手用得越多，你自己写代码的能力就越差。”——软件工程师

降技能化是普遍存在的重大隐患。受访者反映，长期使用生成式 AI 之后，以前根本不需要查的东西现在得去查。这在编程工作中尤其明显，但不仅限于编程。

初级员工和基础不牢的人正过度依赖 agent、assistant 这类工具。初级员工既没有动力也没有时间去学习必要的技术和批判性思维能力；工作强度加大，意味着他们越来越没有可以一起讨论问题的人。缺乏专业能力，他们也就很难判断 LLM 输出的质量。

一些资深员工在被要求使用 LLM 时也反映出现了降技能化，但也有人表示，把 LLM 当作辅助编程的工具、而不是自己思考的替代品，反而更有信心。由于他们的技能在 AI 普及之前就已打下，他们更有能力抵抗认知投降 9。不过和初级员工一样，他们也承认自己审查和亲手写代码的能力正在随 LLM 的使用而退化。

“因为 AI 会聚合和提炼信息，常常丢掉重要的细节和细微之处，也就没有机会通过接触和犯错来学习。”——数据分析师

雇主正用 LLM 替代对员工的培训，掩盖了专业知识和技能上的缺口。在强制使用 LLM 研究助手的地方，这些助手取代了学习过程，让人产生不切实际的期待，以为一个人可以在短时间内成为专家。

从长远来看，整个行业将面临专业能力与技能的流失。与此同时，LLM 生成内容在开源库中泛滥，意味着文档数量在增加而质量在下降，这进一步阻碍了各个职业阶段的人有效学习。

3. 监控、惩戒与晋升

“AI 现在已经纳入我们的 KPI 了。薪酬和奖金都取决于是否使用 AI。”——初级软件工程师

管理层对生成式 AI 工具使用情况的监控十分普遍，有时甚至被形容为监视，形式也多种多样。员工反映，自己既会因为用得不够多而被处罚，也会因为用得太多而被处罚，有时同一家公司里两种情况并存。Token 已经取代产出质量成为绩效指标，职业晋升与工具使用挂钩，而实际能力反而被牺牲。在某些情况下，使用生成式 AI 完成的工作还会由基于 LLM 的评估器来监控和评判，而这些评估器无法准确理解人类的回答，导致绩效结果有失公平。

“我们被要求尽可能多用 token，然后我同事就因为用太多被警告了。”——高级数据工程师

多数受访者表示，数据收集过程不透明，不清楚哪些使用数据被收集、又如何被分析。这加深了员工与管理层在绩效评估及后续惩戒流程中的不对等，员工只能对着一个看不见的靶心盲目开枪。

4. 外部性与更广泛的危害

“就算它好用，也不能说明它整体上没问题。”——软件开发人员

受访者反复质疑“对企业有利即对社会有利”这一假设，并主张采用生成式 AI 对环境、心理和政治的影响必须纳入公司决策。即便某个工具的采用是理性且有依据的，员工表示外部性仍被无视。

许多受访者还表示，当被强制在工作中使用生成式 AI 而此举又与个人信念相悖时，他们会感到内疚，因为其开发与维护造成了危害。10 这种认知失调带来的压力，对许多人来说已经延伸到工作时间之外。

“我希望我构建的 AI 能造福人类，而不是助长种族灭绝。”——研究科学家

来自前沿实验室、开发尖端模型的研究人员表示，他们对自身工作被用于军事场景深感不安。尽管内部多次上报、外部有吹哨人曝光、也有公开抗议，研究科学家和工程师们描述的高层领导却始终否认或刻意无视这一问题的存在及其规模 11。

员工们提出，数据中心算力（相对于人类智能）对环境的影响从未被纳入考量。他们质疑这样一种底层逻辑：烧掉更多化石燃料，只为把工作做得更快、质量却更差。

5. 单方面决策

“没有人被征询过意见。新 CEO 在全员大会上宣布裁员 40%，同时宣布全面转向 AI。”——项目经理

在大多数引入 AI 的案例中（有少数明显例外），无论使用程度微不足道还是深度嵌入工作流程，都不存在征询意见的环节。参与者表示，高层管理团队并不理解他们强制推行的工具，把员工当成试验场，而这些工具往往拖慢或恶化它们声称要加速或改善的工作。

“工具引入往往靠‘感觉’，没有任何证据表明能提升质量或效率。高层领导在引入新工具前不会咨询自己的专家。”——网络安全专家

参与者描述，生成式 AI 工具被引入，靠的是高管的热情、投资者或客户的压力以及市场恐慌（即“别人都在做”）。即便确实进行了征询，员工提出的担忧要么未被认真对待，要么被完全驳回。有一个典型案例：某公司的网络安全专家提出，LLM 生成的代码会削弱公司网络安全，但他们的意见被无视了。

员工们并不是要求简单地被告知正在使用哪些 AI 系统。他们是专家，要求的是在决策做出之前参与其中，并拥有改变、暂停、限制或拒绝未经证实的部署的权力。

6. 工作中日益加剧的社会分化

“我对同事工作成果的信任度大幅下降。这意味着我要花更多精力和时间去审查和理解别人的代码。”——高级软件工程师

广泛采用正在公司员工中制造出多重分化。首先，初级与高级员工之间的技术专长差距被拉大。其次，职场层级中较低层级的员工比高层级员工受到更多监控和考核。第三，分化出现在用 LLM 更快产出的人与必须检查、纠正、修补或承受后果的人之间。最后，对 LLM 工具和 agent 的依赖正在减少协作，参与者报告工作中的孤立感日益加重。

“初级同事发来的低质量 pull request 铺天盖地，不懂技术的产品负责人又无视 bug 的蔓延，这种情况下我们很难达到绩效预期。”——数据工程师

此外，参与者报告项目经理／项目群经理与承担实际工作的技术岗位之间的裂痕正在加深。随着 LLM 越来越多地被用来估算任务时长或可行性，其结果往往与真正干活的人的经验和专长相冲突。于是，用 LLM 构思项目的人和交付项目的人之间产生了一种“我们对他们”的感觉。

7. 工作量

“用 agent 干活就像玩老虎机，输出可能一分钟来，也可能一小时才来，而且你根本不知道它能不能成。”——三线支持工程师

“问题刚说出口，就指望你在一小时内拿出解决方案。”——软件工程师

在整个调查中，没有员工认为 genAI 减轻了工作量。他们报告的是工作强度上升：产出量增加、截止期限收紧、对生产率的期望提高。

如前所述，工作性质正从有成效的解决问题转变为对 LLM 的监督；代码生成的速度远超人类检查的速度。员工描述了额外的劳动：审查代码、调试问题、检查输出、修补 LLM 造成的问题。多数情况下，这些额外劳动是隐形的，管理层看不到，也不体现在 KPI 中。

教育界和学术界的从业者指责学生或同事滥用 genAI，由此产生的额外工作既没有报酬，也无人分担：写详细报告以证明滥用行为、处理申诉和补考、修正质量低劣的输出材料。在软件和网络安全领域，genAI 产出的代码、工单、报告或事件记录，多到熟练员工根本来不及逐项检查和纠正。在客户支持类工作中，文本生成速度同样带来了额外的编辑和质量控制工作。把这些监督工作进一步交给 genAI 的诱惑很大，但结果出了问题，责任落在员工身上，从来不会落在工具身上。

上述现象整体上呈现出的效果是：高生产率预期催生大量不可靠的输出，这些输出又必须由人或辅助工具来审查，形成一个正反馈回路，使工作不断加剧。这个回路本身就构成一个两难：有责任心的员工要想打破它，只能放慢速度、认真审查输出，而这会危及自己的绩效指标。可要是她选择最省力的做法，又可能为审查不力的 LLM 输出背锅。

8. 健康与安全

“压力在上升，信心在下降，注意力也在下降。我不再去全员大会了，因为总会有某个高管站出来说我们不够努力。”——项目经理

“我喜欢写代码，也喜欢我的工作，但我知道，如果继续沿着这条路走下去，我曾经的快乐会消失，再也回不来——不只是因为质量变差，还因为这门语言正在死去。”——软件工程师

越来越多的证据表明，重度使用 LLM 会造成心理伤害。员工提出这一问题后，高层管理者往往置之不理，甚至加以嘲讽，尽管学术文献中已有相关记载，而参与者的经历也印证了这一点。12

工作加剧带来的压力上升并非独有现象，除此之外，参与者还报告了因技能退化导致的自信心下降、因 agentic 工作流时断时续而造成的注意力碎片化，以及等待输出时间不可预测对工作与生活平衡的负面影响。总而言之，被迫使用 genAI 工具的劳动者，心理健康正在受到损害。

术语表

Agent（智能体）

一种基于 LLM 构建、旨在自主执行任务的系统。

Assistant（助手）

一种基于 LLM 构建、旨在通过接受直接输入来辅助用户完成任务的系统。

AI：人工智能

在本报告中，AI 被用作一个宽泛的总称，涵盖自动化、预测、分类、生成、推荐或辅助决策的技术。本报告避免将所有 AI 系统一概而论。

AI 精神病（AI Psychosis）

对 AI 相关心理健康风险的简称。通常用来描述长期接触 AI 谄媚（sycophancy）所造成的影响，但也可能包括用户在使用生成式 AI 时经历的紧张、焦虑、自信丧失、注意力碎片化、伦理冲突或工作强度加剧。

算力（Compute）

算力一词用来描述程序运行所需的处理能力和物理（硬件）资源。AI 模型需要海量算力来训练和维护，这导致新建数据中心不断增加，消耗大量能源和水资源（目前能源以碳基为主）。建设这些数据中心还需要大量矿物，例如用于制造半导体的钶钽铁矿和钴。这些矿物主要在刚果民主共和国开采，代价是环境遭到严重破坏，采矿者（其中许多是儿童）也深受其害。

去技能化（Deskilling）

指某种劳动实践降低了一项工作或任务所需的培训或经验门槛，从而对薪酬和工作条件形成下行压力。

降技能化（Downskilling）

技能退化。指劳动者因依赖阻碍技能习得的技术，而丧失完成某项工作或任务的能力。

外部性（Externality）

指参与方行为给“未参与”的第三方造成的成本。相关例子：数据中心的碳排放与水资源消耗、劳动者心理健康、加沙平民的大规模伤亡。这些成本之所以被“外部化”，是因为管理层在决定 AI 开发或部署时对其视而不见。

GenAI：生成式 AI

一类基于 LLM 和 VLM、用于合成文本与图像信息的工具。

LLM：大语言模型

一种机器学习技术，用大量文本输入数据训练，能够合成或操纵自然语言文本。例如 ChatGPT、Claude 和 Gemini。

ML：机器学习

一大类统计算法，用输入数据训练，输出概率性预测。人工神经网络是机器学习算法的一种，也是 genAI 技术的底层基础。

谄媚（Sycophancy）

LLM 倾向于输出模型预测用户想听的内容，而不是正确或恰当的内容。

Token

Token 是 LLM 处理文本的单位。公司用 token 衡量成本、使用量或活跃度，但它衡量的未必是质量或生产率。

VLM：视觉语言模型

一种能同时处理图像和文本的系统。例如，它可以描述或合成图像、分析截图，或响应虚拟提示。

方法

UTAW AI 工人调查由 CWU 下属 UTAW 分会的成员于 2026 年 8 月和 9 月开展。工作坊以线下和线上视频通话两种形式进行，通过工人两两配对进行半结构化访谈来收集定性数据。

甚至在我们正式成立工会之前，我们就已经是 London Tech Workers Coalition 的一个工作组，一直基于马克思主义传统开展工人调查。Miceli 等人（2025）指出：“全球 AI 产业靠隐蔽且不稳定的劳动支撑，然而在研究这些劳动者的文献中，工人的声音基本缺席。”13 本次工人调查正是这一更广泛的工人调查潮流的一部分，在这片快速变化的经济中应运而生。

问卷

工作坊期间，每对参与者都会拿到一份访谈问题清单14，用于指导他们的小组访谈。参与者可以选择就自己最感兴趣的问题深入展开。小组访谈结束后，参与者回到大组，简要讨论各自的对话，并就浮现出的主题进一步展开，同时由主持人记录笔记。数据收集完成后，问卷经过匿名化处理并汇总，形成本文。

工会成员构成

UTAW 的成员来自科技行业的各个角落：既有科技公司和非科技公司里的技术岗位，也有科技公司内部的非技术岗位，还有从事技术教育普及的工作者。本次调查面向全体工会成员开放，不限岗位，因此我们的研究汇集了来自整个行业的声音。参与者的雇主类型同样十分广泛，既有自雇人士，也有中小企业和大型跨国科技巨头。

参与者的岗位涵盖软件开发、网络安全、IT 支持、数据科学与数据工程、客户服务、培训与教育、研究等。

致谢

感谢所有参与调查的工会成员，你们带来了自己（以及同事）的亲历经验，壮大了我们作为劳动者的集体知识。

感谢 UTAW 全国委员会，为开展一次彻底的 AI 调查指明了方向，并对本报告提出了反馈。

感谢 eeddwwiinn 搭建了这个超赞的网站，感谢 Adam Evans 负责平面设计与印刷排版。

本报告由 Lynda Ouazar、Eleanor Payne 和 Lamian Pheres 撰写和编辑，工人调查的设计与执行也由他们完成。要是发现错误，别 @ 我们。

脚注

Doctorow, C. (2026) The Reverse Centaur’s Guide to Life After AI. London: Verso. versobooks.com↗ ↩︎
C13 Artificial Intelligence at work – a just transition through worker voice for the benefit of workers and society. TUC Congress, 2026. Received from CWU, Aegis congress.tuc.org ↩︎
这与仅仅使用带有 AI 功能的工具不同，比如 HR 工具或“智能”看板。 ↩︎
Bender, E.M and Hanna, A. (2025) The AI Con: How to Fight Big Tech’s Hype and Create the Future We Want: Bodley-Head thecon.ai ↩︎
Hanna, A. and Bender, E.M. (2025) ‘The Myth of AGI’, Tech Policy Press, 3 June. [Accessed 11 September 2026] techpolicy.press↗ ↩︎
OECD (2024) The impact of Artificial Inteligence on productivity, distribution and growth: key mechanisms, innitial evidence and policy challenges. OECD Artificial Intelligence Papers, No. 15. Paris: OECD Publishing. doi.org↗ 另见 International Labour Organization (2026) The impact of GenAI on jobs, productivity and work organization. a review of the empirical evidence. Geneva: ILO. [Accessed 16 September 2026] ilo.org↗ ↩︎
Jevons, W.S. (1865) The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal-Mines. London: Macmillan. libertyfund.org↗ ↩︎
Gans, J. (2026) WTF is Pro-Worker AI joshuagans.substack.com ↩︎
Shaw, S. D., & Nave, G. (2026, January 12). Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender. osf.io↗ ↩︎
UK Parliament POST (2026) What are data centres and how sustainable are they? POSTnote 762. parliament.uk↗; The Guardian (2026) ‘Google DeepMind in talks with UK unions amid staff concern over US and Israel’s AI use’, 20 May. [Accessed 16 September 2026] theguardian.com↗ ↩︎
Concerned AI Workers (2026) Statement in Support of Anthropic’s Actions to Ensure Their AI Systems Are Not Used to Harm. [Accessed 10 September 2026] concernedaistaff.org↗ ↩︎
Kosmyna, N., Hauptmann, E., Yuan, Y.T., Situ, J., Liao, X-H., Beresnitzky, A.V., Braunstein, I. and Maes, P. (2025) ‘Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task’, arXiv preprint, arXiv:2506.08872. arxiv.org↗ ↩︎
Miceli, M., Dinika, A.-A., Kauffman, K., Salim Wagner, C., Sachenbacher, L., Hanna, A., & Gebru, T. (2025). Methodological Considerations for Centering Workers’ Epistemic Authority in AI Research. Proceedings of the AAAI ACM Conference on AI, Ethics, and Society, 8(2), 1698–1710. doi.org ↩︎
工人调查中使用的完整问卷。utaw.tech↗ ↩︎