CCAA:AI 不抢你的工作,它改写你的标准

2018 年，几位心理学家让人盯着屏幕上的点，把蓝色的挑出来。挑着挑着，他们悄悄把蓝点变少，参与者就开始把紫点叫成蓝的。换成面孔也一样，带威胁的脸一少，中性的脸看着就有了威胁。换成道德判断还是一样，过分的请求一少，无害的请求也判成不道德。事先告诉参与者会发生这种事，还是这样；付钱让他们守住标准，还是这样。这是 Levari 和同事发在《Science》上的结果。道理六十年前 Helson 就说过：人拿最近见过的东西当尺子，不拿绝对标准。

再看一只鸟。Tinbergen 给蛎鹬一个假蛋，比真蛋大，花纹比真蛋整齐，蛎鹬就丢下自己的蛋，去孵那个假的。它没有坏掉，它的本能在做本能该做的事，挑更像蛋的那一个；只是这世上从没有什么东西比蛋更像蛋，直到有人专门做了一个。夸张的关键刺激会击败自然刺激，这是 Tinbergen 上个世纪的发现。我们现在要说的这些机器，就是专门下这种蛋的。

一天几十个，按每个人的口味下，不要钱。

把蓝点换成一张脸，把假蛋换成一段对话。手机相册里那张修过的自拍，比镜子里的匀；凌晨三点还在回消息的助手，比身边任何一个人都耐心。这些东西没有一件是当成品交出去的，用处就是给人拿去比。比得久，比得勤，还几乎不花钱。咨询师描述过这样的场景：求美者把手机递过来，屏幕上是 AI 修过的她自己，于是问题从「你想要什么」变成「这张脸物理上做不做得到」。

比着比着，那个更匀、更省事的样子就成了「正常」，而正常这两个字，是每个人给别人打分时的起点。我们给这类东西起了个名字，叫认知驯化型 AI 应用，英文 Cognitive-Conditioning AI Applications，缩写 CCAA。它和「AI 替代」（substitution）是两件事。替代改变的是谁来做这件事；驯化改变的是这件事做到什么程度才算正常。尺子一换，客人要什么、肯出多少钱、干活的人心里有多累，全跟着变。

这一切不出现在任何一张裁员通知上，也进不了失业统计。一个人的岗位可以一个没少，他的活儿也一件没变，可病人、客户、学生、家人衡量他的那把尺子，昨晚已经在手机上换过了。所以判断一份工作安不安全，「AI 会不会做」问的只是前一半。现在量 AI 冲击的每一把尺子，量的也都只是这前一半。后一半没人在量。工具已经有一柜子，没有一件量的是它。

没人量的那一半

劳动市场已经有回声了。自由职业平台上，高暴露职业的月收入在 ChatGPT 发布后掉了约 5.2%，而且没有证据显示过去业绩好能挡住这一下。[1] 22 到 25 岁的年轻人，在高暴露职业里相对同龄的低暴露职业少了约 19% 的位置，机制是少招人而非裁人，作者自己把这叫作「早期描述性指标，不是因果估计」。客服坐席那边，配上 AI 助手每小时多解决 14% 的问题，新手多 34%，本来就干得好的老手几乎没变。机器抬的是下限。[2] 只是别把 ChatGPT 当成一次干净的自然实验。

Frank 和同事 2026 年用失业保险行政记录和数百万份 LinkedIn 履历发现，高暴露职业的失业风险从 2022 年初就开始上升，比 ChatGPT 发布早了几个月。2022 年之后的疲软里，掺着货币政策和疫情后的部门调整，这几样和模型能力没什么关系。

替代那一半是真的，也是小的。已经有人在量。引得最多的是 Eloundou 等人发在《Science》上的估计：只算大模型本身，约 1.8% 的职业有超过一半的任务受影响；把配套软件算进去，这个数字变成 46% 出头。定义换一下，答案差二十五倍。差在哪儿本身就说明了它们在量什么，量的是这项任务技术上能不能做。还有 Felten、Raj 与 Seamans 的 AIOE 能力关联指标，和 Webb 那份至今没正式发表的工作论文，量的都是同一件事。[3]

它们没有一个变量回答「谁裁决它做得好不好」，AIOE 没有，Webb 没有，Eloundou 没有。它们从一开始就在回答另一个问题。活儿干完之后由谁点头、点头的人心里那把尺子从哪儿来，量表里没有这一栏。

主流经济学擦到过这根轴一次。Acemoglu 把 AI 十年的全要素生产率效应压到不超过 0.71%，计入难学任务后低于 0.55%，理由是难学任务「有大量情境依赖因素影响决策，且没有可供学习成功表现的客观结果度量」。那几乎就是我们要的第二根轴，只是他拿它去说 AI 更没用，我们拿它去问谁受保护。Autor 说得更直接，围住专家能力的那道门禁不是任务难度，是执照和责任。[4]

两种驯化

这个名字要管用，得先把它管不着的东西切出去，不然它会把什么都吞进来。定义只有一句，念着有点硬，每个限定词都在挡住一类不该算进来的现象，头一类就是那些真的被当成成品交出去的 AI 产出。

认知驯化型 AI 应用（CCAA）：指这样一类 AI 应用，其输出不作为成品被消费，而被使用者当作参照系；在长期、高频、边际成本接近于零的重复曝光下，这类输出的统计特征（均值更优、方差更小、摩擦更低）被内化为「正常」，从而改写使用者对现实的期待阈值。

麻烦在于「驯化」有两种意思，混在一起会让整个论点失效。一种长在采购这一侧，买方对价格、交付量、周期、改稿次数的预期被重置。文案行业是典型，「一次活动」现在默认意味着一夜之间四十个版本，边际成本为零。这是市场现象，是普通的成本驱动的标准通胀，用价格竞争就能完整解释，不需要新概念。另一种长在感知这一侧，一个人对一张脸、一段对话、一个伴侣、一具身体应该是什么样的基线被重置。这是心理现象。CCAA 只指后者。这条排除有一个不太舒服的后果。文案、通用插画、模板视频，是大多数人想到「AI 冲击」时最先想到的行业，也是这个论点最不可识别的地方：那些行业里标准变了，供给方也同时变了，没法把任何一部分归到驯化头上，价格竞争已经解释了全部。干净的证据只出现在人还在做、标准却自己动了的地方，比如医美、心理咨询、护理、教育。所以往后文案类例子只作为例示出现，不作为证据。

名字是我们起的，2026 年 9 月 1 日首发。「驯化」在这里取日常义，不取心理学里联结学习那个义；CCAA 这四个字母在加拿大是一部破产法，当检索词基本没法用，正式场合请写全称。

这不新

这套东西没有一处是新的。开头那个蓝点实验有一长串前身。Helson 的适应水平理论说，人是拿近期那批刺激的分布定出一个参照点，再用这个参照点去判断眼前这一个；Parducci 的范围-频率理论把均值和方差怎么定下阈值写成了公式；Brickman 与 Campbell 的享乐适应说，更好的均值会变成新的常态，满意度重置回原位。再往外还有 Festinger 1954 年的社会比较、Gerbner 的培养理论，以及开头那只蛎鹬背后的超常刺激。这些文献加起来，已经覆盖了 CCAA 的全部机制主张；我们不主张发现了新的心理机制。[5]

还有一处得说清，开头那个实验只做了一半。Levari 他们做的是东西变少那一边，蓝点稀了，「蓝」这个概念就往外扩；我们要的是好东西变多那一边，好脸、好回复、好文章密了，「好」的门槛就往上抬。参照点理论原则上对称，可发表出来的实验只做了那一边。这个对称性是待检验的，不是已证的。验它不难，同一套范式反过来做一遍就行。

同一串前身里还有一条，顺手就能拿来反驳我们。享乐适应文献里有一条核心结论，说适应基本上是对称、可逆的；涨薪的快乐会退回原点，跑步机会转，但不会把人永久搬到别处。照这个说法，看惯了 AI 修的脸，过一阵子也就看惯回去了。如果驯化只是享乐适应换了个马甲，它的经济学推论就会错在一处很具体的地方：阈值上移的同时不满也在衰减，需求不会持久地迁移到医美。我们不否认这条反驳。

回应是把持久性主张收窄。人会适应回去，制度不会。漂移过的标准一旦被写进招聘评分表、诊所的前后对比图库、平台的默认照片规范、绩效考核模板、保险核保标准，它就固化了。对比图库是最容易看见的一种。去年挂上去的那组「后」，只要本身已经是 AI 辅助修过的，它明年就是客人进门时心里的那张脸；而这条线是从哪年哪张图开始的，没人会记得，那张图却还挂在墙上，带着日期。这些痕迹都留着档案和日期，能一条条数出来。不写进制度的漂移，留不下经济后果。

镜子开始回话

剩下真正新的只有一件事：生成一个更好的样本，边际成本降到了零。镜子从此会回话，而且是对着一个人回话。跟着来的第一件事是理想刺激按人生成。广播媒体的理想形象只有一份，发给所有人，谁都看得出那是给别人准备的。生成式 AI 的那一份不一样，是照着这个人此刻的反应优化过之后才生成的，而且它会回话。社会比较文献把应答性列进驱动内化的几个关键变量，而杂志封面从不回应任何人，挂在那里，谁看都一样。

第二件事贴得更近，参照物里现在装着使用者自己的理想化影像。滤镜与 AI 自拍把比较距离塌缩到零，比较对象从名人换成了更好版本的自己。那张脸有和自己一样的骨相、一样的痣，穿的还是昨天那件衣服，只是皮肤干净得多。同一个人一天能拿到几十份为他优化过的样本。几十份，能点清。

被拆掉的是培养理论的成立条件。培养理论假设一个共享、广播、不可选的符号环境，正因为共享，它才产出主流化（mainstreaming），让所有人的世界观向电视中间值收敛。生成式 AI 给的是另一种分布：个性化、按需、无上限，而且使用者自己能拧。换掉的不只是媒介。它把培养理论的生成条件拆掉了。由此得到一条可以证伪的预测：它预测的是规范分化，不是规范主流化。如果未来十年观察到的是审美、语言、关系期待的趋同，那么我们这条核心区分就是错的。

三条机制

两封备忘录

第一条叫语域同化（register assimilation）。同一件事，两封备忘录，两种说法：

• 「以下两项需要您拍板。」
• 「这俩事儿您给看看呗。」／「辛苦您帮忙定一下。」／「这两项得请您签个字。」

两种表述的专业程度相当，差的是身份标记。语域本来携带着关系信息，谁跟谁什么关系，这事有多急，请托有多重。上司读到第一句，只知道有两件事要办；读到第二句，还顺带知道了写信的人跟他熟到什么程度，这事催得有多紧。AI 写作工具正在把后一种换成前一种，一种机构中立体。

第二拍在后面。三条请托被润得一模一样，老板看不出哪条真急，只好把三个人都叫来开个会。话省了，事没省。沟通的总成本没有下降，只是从语言挪到了流程。多开一次会，抄送名单再拉长一点，时限统统提前。

先看一个实验室里的因果。Jakesch 和同事让约一千五百人在一个带倾向的语言模型辅助下写作，写出来的内容被推向模型的倾向，被试随后自报的态度也跟着移动，他们称之为「潜在说服」；作者同时提醒：模型的倾向是刻意做强的，话题是低固着度的，且这个态度偏移很可能是暂时的。[6]

同一件事放大到整个学术语料上还在。Kobak 和同事扫过 1,500 万余篇 PubMed 摘要，用超额词频认出 2022 年之后的突变，2024 年至少 13.5% 的摘要经过 LLM 处理，某些子库高达 40%，幅度大于新冠疫情对学术写作的影响。Liang 和同事扫过将近一百万篇论文，计算机科学领域被改写的比例最高到 17.5%。[7]

再放到两个人之间。Hohenstein 和同事的两个随机实验发现，智能回复提升了沟通效率与正面情绪语言，也改善了对话伙伴的评价，可一旦对方怀疑发信人用了 AI，评价随即转为负面。[8] 实验室、语料、对话三处都指同一个方向，这条的证据链最完整。

完整不等于说到了点子上。这些研究证明的是模仿与扩散，即语言确实在向模型风格收敛。没有一项证明任何人的验收阈值发生了移动。模仿和阈值移动是两回事，后面那个冻结文本的实验就是用来把两者分开的。

正常范围有多宽

第二条叫分布替换（distribution replacement）。人判断什么算正常，办法是从见过的样本里估一个分布。AI 生成的内容同时动了这个分布的两个参数，均值上移，方差压缩。方差压缩抹掉的是「正常范围有多宽」这条信息，而正是它决定一个人肯把多少东西算进正常里。

最硬的支持证据不在 AI 研究里，在视觉适应研究里。Brooks 和同事 2020 年的综述总结了一批实验，长时间看某一类体型的照片，会移动观察者的「主观正常点」（point of subjective normality），也就是他心里「正常身材」该是什么样的那个位置。这个移动可以双向诱发，在实验室里操控得动，也受注意力调节。这是「分布决定正常」目前最扎实的实证版本。注意它的边界：实验用的是照片，不是 AI 输出。[9]

AI 那边的直接证据只有一项预注册实验。Doshi 与 Hauser 找来 293 名写作者和 600 名评分者，拿到生成式 AI 创意的人，作品新颖性提升约 6.7%、有用性提升约 6.4%，本来创造力最弱的人提升最大；同时这批作品彼此之间的相似度，显著高于纯人类对照组。相似度那一项的量级得说清楚，方向确凿，幅度很小。[10]

一年之后有人做了更大的实验，结论掉了个方向。Ashkinaze 和同事 2025 年在 ACM 集体智能会议上报告了一个动态链式设计，800 多名参与者、40 多个国家，后一批人能看到前一批人的产出。高 AI 暴露没有改变个体创造力，反而提高了集体想法的多样性及其变化速率。这个设计更大，生态效度也更高。这条机制目前是有争议的，不是已确立的。我们仍然留着这一条，理由是这两项创造力实验测的是产出多样性，我们说的是方差压缩；视觉适应那边方差压缩是硬的，创造力那边很可能根本没碰到我们说的这件事。留着它是我们的赌注，文献目前不站在我们这边。[11]

凌晨三点的耐心

第三条叫零摩擦强化（frictionless reinforcement）。AI 助手对每一位使用者都是这样的：凌晨三点也回消息，第七次改稿时不叹气，被骂了也不记着。历史上这种关系形态只有极少数人体验过，社会为它备好了专门的称呼：御医、家庭教师、贴身随从。现在它成了人人日常，每天几十次。要是参照点理论没错，这种日常会留下痕迹：对服务业从业者的容错期待被抬高，对同事与家人的摩擦耐受度下降，「由真人来处理」从默认项变成付费升级项，客诉触发阈值下移。这一串是推断，非已验证结论。

驯化要成立，需要重复、即时反馈、低代价。人给的反馈永远带摩擦，要等，要看脸色，回头还得还人情。AI 给的这几样全占。当无摩擦的一侧成了主要的训练集，对摩擦的耐受阈值应当下降。这是道理。证据比道理软得多。

Fang 和同事让 981 人跟 ChatGPT 聊了四个星期，超过 30 万条消息。他们安排的条件，文字还是语音，聊私事还是聊公事，什么都没测出来。测出来的是一件他们没安排的事：日均聊得越多的人，孤独感越高、线下社交越少、越依赖它、越停不下来。多聊是这些人自己挑的，所以这是相关不是因果，使用量是自选择的；效应量非常小，β 在 0.02–0.06 之间；这批人用的是通用 ChatGPT，研究者每天还派了任务，伴侣类应用没测。这篇论文还是预印本，尚未经同行评议。[12]

然后证据掉头。De Freitas 和同事 2026 年发表于《Journal of Consumer Research》的多项研究发现，AI 伴侣降低孤独感，效果与真人互动相当，高于看视频之类的活动。Smith、Bradbury 与 Karney 2025 年在《Perspectives on Psychological Science》上的关系科学综述给的判断是：AI 对人际关系下游影响的实证基础基本上是空白的。[13] 两边都没测那件要紧的事。迄今没有任何一项实验测量过「接触 AI 之后，人对真人伴侣或服务者的期待发生了什么变化」。这条机制目前是假说，不是发现，也是三条里最软的一条。我们留着它，因为另外两条问的都是内容怎么变，只有这一条问的是人对人的期待怎么变，而后者才是把标准漂移变成钱的那一步。

编译器不是护身符

水电工的活要过验收，验收不看师傅笑得好不好；计量员的活要过标定，标定不看客户心情。有一道外人能强制执行的关口，谁也没法拿自己的参照系把标准悄悄挪走。有硬验收就安全，这条规则我们一开始也信，还觉得几乎是自明的。初级程序员把它推翻了。他有编译器、单元测试、线上故障三道关，一道比一道硬，都是货真价实的外部验收；出了错，机器当场告诉他错在第几行，不掺任何人的好恶。按上面那条规则，他应该是安全的。他不是。这三道关，机器过得比他便宜。这条规则是错的。验收没有保护他，验收成了替掉他的那台机器的通行证：一个能自动判分的关口，正好也是一条能自动训练的跑道。

倒过来说才对：验收标准对从业者的保护力，正比于自动化系统通过该标准的成本。编译器、单元测试、精算准备金测试、标准化考试，机器通过的成本不高于人，这类锚是软的，不提供保护。现场检验、医疗过失责任、结构签章，这类锚是硬的，才提供保护，因为过关得肉身到场、得有执照、还得有人把身家押上去。

量一个职业因此只剩两个问题。头一个，买方说「不够好」的时候，这个争议能不能不参照买方的比较集就裁决下来？水电工的答案是能，管子漏不漏，外人看得见；医美的答案劈成两半，安全那一半能裁决，好不好看那一半只能看客人心里那张脸。第二个，当前的模型能不能端到端产出被接受的交付物（注意是交付物，不是任务）？修图能，动刀不能。

两个问题各拆成四个能查证的二元项，各计 0–4 分，打分细则在文末的编码手册里。两根轴一交叉，四个格子就出来了，这张 2×2 是整套框架的骨架，后面所有的判断都从它上面读。

	验收锚定（AA 高）	验收弹性（AA 低）
可自动化度高（DA 高）	锚定但被挤压 （软锚失效：初级程序员、精算、通用翻译）	弹性且高替代 （内容农场、模板设计）
可自动化度低（DA 低）	绝缘 （水电、检验计量、殡葬、护理）	弹性但难替代 （医美、心理、陪伴、高奢体验）

看到这张图，很自然会想再加一根轴，这行有多依赖审美、情绪、肉身。我们头一版就这么画过，画成了第二张矩阵。职业运动员一个人就让这根轴立不住。按对情绪和肉身的依赖，职业体育拉满；可它的裁决是计分板，现存最硬的外部验收之一，观众再被驯化也改不了比分。同一个对象在两种纵轴定义下落到相反的极端，说明依赖度替代不了裁决方式。护士和重建外科医生是同样的形状。我们自己的第二张矩阵在这一点上是错的。那张图抓到过一样东西，是这张 2×2 看不见的，就是谁在制造参照系。这件事得画，但画不成轴，因为那是有方向的流，而轴只装得下量。婚礼摄影师说明了原因。他今年的样片是明年新娘的参照；新娘拿着一个物理上做不到的效果来要求他，并为此付钱；同时他的修图线已经被自动化了。角色跟着收入线走，所以编码只能按收入线来；可他一个人，同时站在发射端、承接端、被挤压端三个位置上。

环路位置	含义	典型收入线
发射端	其输出成为别的市场的参照材料	图像生成模型、美颜滤镜平台、虚拟主播、AI 短剧、伴侣应用
承接端	标准漂移后超出廉价渠道的物理供给能力，需求转移过来	医美、高端 SPA、心理咨询、陪伴类服务
被挤压端	标准漂移了，而自己的交付物同时可被自动化	插画师、初级开发、通用翻译
绝缘端	锚定验收，不参与参照系博弈	水电、计量、殡葬、特种设备维保

所以做法是保留一张 2×2，把第二张矩阵抓到的东西画成格子之间的箭头。发射端制造参照系，参照系同时打到承接端和被挤压端，前者需求上升，后者标准上移而自己被替代。绝缘端不在这条链上，没有一支箭头触及它。这四个位置是一条产业链上的四个环节，前一个的产出是后一个的输入。两张矩阵合并之后，新增的就是这组箭头。

打不准的那八个

这套框架拿 18 个行业跑过一遍压力测试，18 行里有 10 行带着警示标记。其中 8 行是编码本身不稳定，约 44%：医美、纹身、虚拟主播事务所、放射科医师、婚礼摄影、精算师、私人教练、明星建筑师。另外两行编码是稳的，麻烦在别处：初级程序员推翻了上面那条规则，陪伴类服务的方向定不下来。打不准的地方就是证据到此为止的地方。头一个是医美，旗舰案例偏偏编码最差。安全那一半 4 分，出了事，执照、病历、责任都在，做坏了要赔钱，赔多少有先例。满意度那一半 0 分，好不好看没有任何外部裁决，唯一的裁判是客人心里那张脸，而那张脸昨晚刚在手机上改过一次。同一间诊所，同一台手术，两半受的力方向相反。安全那一半被拧得越来越紧，满意那一半越来越没边。医生能证明的那一半和客人在意的那一半，就并排躺在同一份知情同意书上，谁也管不着谁。给医美一个格子，就得先决定听哪一半的。

接下来四个可以放一块儿说。虚拟主播事务所在法律上完全可以被 AI 替代，可粉丝掏的那份溢价，买的就是「这个身份背后是个人」；明星建筑师标准弹性、可自动化度高，按框架该被挤压，实际上是声望挡着他。一个补丁同时修好两个格子，说明缺的是一个变量，叫来源溢价：有人愿意为「这是人做的」本身付钱。它稳不稳，是开放的经验问题，矩阵答不了。放射科医师和精算师栽在同一处，先拦住他们的是许可，模型的读片和准备金测试已经逼到门口，法规还要一个具名的人签字。这类标着「受管制」的格子翻转最快，方差也最大。只能单独标出来，别混进平均值。

剩下的是陪伴类服务，这是整套框架的硬边界。AI 陪伴到底是互补（抬高情感基线，把人推向真人服务）还是替代（在渠道内就把需求满足了），这个符号不由两根轴决定，是外生的。所以对高驯化、低可自动化的服务，我们只给幅度，不给方向，直到有人把互补性单独量出来为止。

行业	AA	DA	环路位置	稳定性
医美	安全 4 ／ 满意度 0	1	承接端	⚠ 旗舰案例，编码最差
纹身	1	设计 3 ／ 施作 0	发射+承接／被挤压	⚠ 双角色，必须拆线
水电工	4（硬锚）	0	绝缘端	稳定
牙医	修复 4 ／ 美容 1	0	绝缘（带承接尾巴）	稳定
虚拟主播事务所	0	3，但有来源溢价	发射端	⚠ 见下
初级程序员	2–3，软锚	4	被挤压端	⚠ 推翻了旧规则
放射科医师	4（硬锚）	能力 4 ／ 受管制	待定	⚠ 方差最大
翻译	认证 3 ／ 通用 0	4	受管制／被挤压	稳定
婚礼摄影	0	拍摄 1 ／ 修图 4	三角色同时	⚠ 必须拆线
护士	4（硬锚）	0	绝缘端	稳定，见下方预测
高奢酒店礼宾	0	在场 0 ／ 信息 4	承接／被挤压	稳定
精算师	3–4，软锚	受管制	待定	⚠ 软锚风险
私人教练	1（可争论为 2）	课表 3 ／ 在场 0	承接／被挤压	⚠ 争议带案例
殡葬	3	0	绝缘端	稳定
明星建筑师	结构 4 ／ 设计 0	概念 4 ／ 签章受管制	发射+承接	⚠ 声望倒转
陪伴类服务	0	0	承接端	⚠ 方向不定
职业运动员	4（最硬）	0	发射端	稳定
内容农场写手	0	4	被挤压端	稳定但过度决定

旗舰案例有多硬

承接端要真的成立，得有人在那一头掏钱。医美是这条线上数据最全的一段。可真去翻底下那几条引文，证据比外头传的软，结构也比通行说法乱得多。

这个题目上能引的最强一条，是 2026 年发表于《Mass Communication and Society》的一项三层元分析。社交媒体使用与整形考虑之间的相关系数 r = 0.21，以外貌为焦点的使用会放大这个关联。这是相关，量级属于中小。[14]

行业数据给了一个反向的细节。国际美容整形外科学会 2024 年的全球调查里，四年累计增长约 42.5%，可 2024 年相对 2023 年是下滑的，手术类 −6.7%，非手术类 −3.1%。如果驯化推动的需求是单调上升的，下滑就需要解释。[15] 我们的读法是，这一年掉头主要是价格和信贷的事，参照系漂移是个慢变量，慢到在单个年度的曲线上看不出来。这个读法我们证明不了。它和「驯化根本没在推需求」在 2024 年的数据上长得一模一样。能确定的只有一件，「AI 重写审美，医美需求就必然爆炸」是一个过于简单的叙事，宏观周期、价格与监管的影响很可能大于参照系漂移。

还有一处归属要更正。「Snapchat 畸形恐惧」并非由《JAMA Facial Plastic Surgery》首创。最早进同行评议文献的是 Ramphul 与 Mejias 2018 年 3 月《Cureus》的一篇社论；媒体把首创记给英国美容医生 Tijion Esho。Rajanala、Maymone 与 Vashi 那篇是观点文章，作用是把这个词医学化、推广开来，原文自己用的措辞也是「被称为（dubbed）」。这是我们此前写错、现已更正的一处。[16]

那个 55% 的数字要打折。「55% 的受访医生遇到过为自拍好看而求诊的患者，前一年是 42%」，来自美国面部整形与重建外科学会的年度会员调查新闻稿，样本框是协会会员医生，且为自选择应答。55% 能佐证现象存在，当人群比例用就完全不行。样本量、回收率与抽样方法从未公布过，也没有对应的同行评议文献。

「情绪劳动会变贵」这条目前没有证据。Hochschild 1983 年的《The Managed Heart》确立了情绪劳动这个概念，顾客不文明行为上升也有同行评议证据；新冠前后的对比研究显示，顾客不文明经由情绪耗竭影响绩效，这条间接效应在疫情后更明显。但我们找不到任何一项研究证明，接触技术或 AI 会抬高顾客对真人服务者的期待。这条推论只能作为附带研究设计的假说提出，不能当成已确立的发现。

同一件事在地理上还有个时间差。高渗透区已经在长的新需求，大致是把 AI 滤镜脸调回真人的诉求、AI 陪伴的戒断与真实关系修复、「人写的」内容溢价与真人身份认证，以及面向承接端从业者的期望管理培训；低渗透区还没被重估的，是绝缘端的定价。这一段依赖一个未经检验的假设，即 CCAA 的扩散速度与 AI 应用渗透率同步。假设很可能是错的，因为认知层面的传播主要靠内容，而内容全国流通，未必按地理梯度走。请当假说用，别当规划依据。

怎么知道我错了

我们自己写过三条证伪条件，一条一条想下去，三条都不成立。第一条是数医美求美者带来的参照图里 AI 图占多少。一开始就没有分母、没有基线、没有阈值。诊所不归档参照图，知情同意又挡住回溯采集；就算拿到图，对压缩过的社交图片做 AI 检测，校准差得没法用。何况整个图像供给里 AI 图的占比本来就在涨，看见患者带 AI 修饰图，只能证明 AI 修饰图存在。

第二条是问陪伴应用的重度使用者，摩擦耐受度降没降。三面都是墙。采纳者是按这条斜率自选择进来的，控制基线孤独感也解决不了；让他们自己报，报的那把尺子已经跟着要测的东西一起变了；连符号都不定，治疗性使用完全可能把耐受度抬高。

第三条是量职场语域的变化。这个能测，可它测的是别的东西：反向因果、同窗口的混淆、没有对照组，一样不缺，最后只能证明模仿与扩散。三条机制里，语域那条的材料最厚，卡住的也是这同一处。

能用的设计是这样一件事。取 40 份 2019 年由人撰写的邮件与备忘录，一字不改。此后每年请一批全新的、没见过这批材料的管理者，按同一张量表判这些文本「可以直接发出去」还是「要求返工」。因为刺激按构造是恒定的，读出来的任何漂移，除了标准本身再没有别处可来。[17]

这个设计能把上面三条堵死的地方全绕开：刺激不动，只有尺子会动。「一个框架」与「一项发现」的分界线就在这里。同样的设计可以移植，医美用冻结面孔面板，陪伴用冻结对话转录，职场用冻结文本面板，再按 AI 暴露程度不同的领域做剂量-反应检验。开销也不大，一年一轮，四十份材料，加一批肯坐下来把它们读完的评分者。在这批人交卷之前，这篇文章里的每一个量都只是假设。

还有一个更便宜的，18 行里就摆着，是护士。翻身几次、按铃几秒内到、给药前核对几遍，都留着记录，也不随年份变。如果患者的参照系被一个无限耐心的聊天机器人重置了，那么在护理行为不变的前提下，患者满意度评分（HCAHPS 一类的工具）应当逐年下滑。行为不变、评分漂移，这就是一次现成的阈值测量。这张分数表是公开的，谁都可以去拉，连四十封信都不用凑。它只欠一个外部事件：患者自己去用了聊天机器人。而这件事正在发生，发生的速度在不同地区、不同年龄段又不一样，这就给了一个天然的剂量差。要是护理行为没变，护士的评分也年年不动，这篇文章就错了。

两个问题

这套框架不预测就业水平。一个行业的就业结果，主导的是需求、人口结构、价格和监管，驯化效应在里面只是一个小残差；拿这张 2×2 去推算某行业几年后有多少岗位，是误用。它只预测标准漂移的方向，而且只在制度编码发生的地方预测持久后果。对高驯化、低可自动化的服务，陪伴类是典型，它能说的只有幅度那一半。

能带走的是两个问题，随便哪一行都可以拿去对着自己问。谁裁决我做得好不好，是一张有法律效力的表，还是某个人的感觉？机器要通过这道验收，比我贵还是比我便宜？两个都答完，才知道自己站在哪一格。看不见后一半，就会得出「我的工作 AI 干不了，所以我安全」这种结论。承接端的从业者多持此见，而他们面对的参照系正在被重写。反过来说，一份工作是否真的受保护，问的是同一件事的另一头：这道验收，机器过起来贵不贵。有验收标准而机器过得便宜，那道验收就是替换用的跑道。

剩下的事情是测量。一年一批评分者读四十份不动的旧材料，外加一张本来就公开的分数表，开销就这些。在定刺激漂移面板跑出第一批数据之前，这篇文章只是一套词汇和一组待检验的假设。蛎鹬的麻烦从来不在鸟身上，在那颗被专门做出来的蛋；如果这些机器真的在下这种蛋，护士的分数和那四十封信会先看见。

附录一：关于这个词

这个术语由 TopXEA 研究组提出并定义，首次发表于这篇文章，日期 2026 年 9 月 1 日。建议引用格式：TopXEA 研究组（2026 年 9 月 1 日）。《CCAA：AI 不抢你的工作，它改写你的标准》。TopXEA。https://topxea.com/zh/blog/ccaa-cognitive-conditioning-ai-applications

「conditioning」在这里取日常义，不取学术义。心理学里「cognitive conditioning」已经是被占用的表述，属于 Cautela 的内隐条件作用（covert conditioning）家族，指的是联结学习（有条件刺激、无条件刺激、强化）。我们描述的机制不属于联结学习，没有 CS、没有 US、也没有强化程序，它是心理物理学意义上的参照点重校准，即 Helson 的适应水平理论、Parducci 的范围-频率理论、Levari 等人 2018 年的实验。保留「驯化 / conditioning」这个词，是因为它在日常语言里准确传达了「长期、缓慢、不知不觉」的意思；在学术语境中，请以这一段的机制描述为准，不要按联结学习去理解。

缩写严重撞车。CCAA 在别的领域至少还有二十几种含义，最主流的是加拿大《公司债权人安排法》（Companies' Creditors Arrangement Act）。这意味着 CCAA 作为检索词基本不可用，正式场合请写全称，或写成「CCAA（认知驯化）」。我们主张的只是这个定义，这几个英文单词不归任何人；如果此前已有人以相同或相近含义使用过这一表述，请把出处发给我们，我们会在文中补注来源并让出优先权，提供链接即可，无须说服我们。

附录二：编码手册

两根轴各拆成四个二元项，合起来 8 个，各计 0–4 分。二元项都写成能查证的事实判断，不写成程度判断，为的是三个人分头编码时能对得上。验收锚定度的四项：存在成文的、可由第三方强制执行的规格（法规、建筑规范、临床指南、量化 SLA）；存在第三方可在有限时间内观察到的通过／不通过事件（检验、化验、管子漏不漏）；失败会触发与满意度无关的责任（执照、医疗过失、刑责）；付款或续约取决于该测试，而不是取决于满意度评分。≥3 分为「锚定」，≤1 分为「弹性」，=2 分为「争议带」，公开报告为不稳定，不允许硬凑到某一边。

交付物可自动化度的四项：交付物可以比特形式传输，交付时无需对客户的身体或财产做物理操作；该职业 O*NET 任务时间中，≥70% 的项目在当前成本下可由模型完成；法律不要求人类签字或在场，且不存在以「人做的」为条件的可测量支付溢价；责任缺位，或在没有具名人类的情况下可被保险覆盖。≥3 为高，≤1 为低，=2 同样进争议带。肉身性只放进这根轴的第 1 项，且只放在那里；它构成交付物难以被自动化的理由，不构成标准难以漂移的理由。肉身性只允许算一次，两根轴才不会互相抄答案。来源溢价则单列为修饰符，衡量的是对「由人完成」这一属性本身是否存在可测量的支付意愿。虚拟主播事务所与明星建筑师的收入都依赖于此，而这个属性在两根轴上都没有位置，只能挂在轴外，单独编码、单独报告。它的取值很可能随时间变化，所以要和年份一起记。

编码规则有四条。先拆收入线再编码，若两条线在验收锚定或可自动化度上相差 ≥2，该职业画成线段而不是点，并按收入加权报告，医美、纹身、婚礼摄影都必须这么处理。验收锚定 = 2 时，问「失败由谁买单」，有独立于顾客情绪的既定罚则记锚定，顾客只会怪自己记弹性。可自动化度 = 2 时，问「先撞上的是能力还是许可」，如果是许可，编码为低并加标记「受管制」，这类格子翻转最快、方差最大，要单独标出来，别混进平均值。这张 2×2 每年重编一次，报的是变化量，水平值只是副产品；可自动化度不是常数，没有日期戳的矩阵会腐坏。

信度协议：3 名独立编码者按这 8 个二元项，各自对 40 个职业样本编一遍，目标 Krippendorff α ≥ 0.7，并公开分歧清单，不要只报一个总的 α 值。分歧出在哪几个职业、哪几项上，比一个总分有用得多。

尾注

1. Hui、Reshef 与 Zhou 2024 年《Organization Science》35(6):1977–1989：自由职业平台上高暴露职业的工作量下降约 2%、月收入下降约 5.2%，没有证据表明过往高绩效能提供保护。Demirci、Hannane 与 Zhu 2025 年《Management Science》：八个月内易自动化的写作／编程类岗位发布量下降约 21%，图像生成 AI 出现后图像类下降约 17%，留下来的岗位更复杂、报酬更高。
2. Brynjolfsson、Chandar 与 Chen 的「煤矿里的金丝雀」2026 年 8 月修订版，用 ADP 行政薪资数据，22–25 岁劳动者在高暴露职业中的相对就业缺口约 19%。Brynjolfsson、Li 与 Raymond 2025 年《Quarterly Journal of Economics》140(2):889–942：5,179 名客服坐席，每小时解决问题数平均提升 14%（注意不是常被引用的 15%），新手 34%，资深高绩效者几乎没有提升。Noy 与 Zhang 2023 年《Science》381(6654):187–192 的预注册随机试验：453 名受过大学教育的专业人士，写作任务耗时下降 40%，质量提升 18%。
3. Eloundou 等人 2024 年《Science》384(6702):1306–1308。顺带纠正一个本领域最常见的引用错误：广为流传的「80% 的劳动者有至少 10% 的任务受影响、19% 的劳动者有至少一半任务受影响」出自其 2023 年的 arXiv 预印本，不是《Science》那篇，两者不可混引。Felten、Raj 与 Seamans 2021 年《Strategic Management Journal》的 AIOE 能力关联指标。Webb 2019 年的工作论文至今未正式发表。
4. Acemoglu 2025 年《Economic Policy》40(121)；Autor 2024 年 NBER 工作论文 32140。
5. Levari 等人 2018 年《Science》360(6396):1465–1467。理论祖谱的出处：Helson 1964 年《Adaptation-Level Theory》；Parducci 1965 年《Psychological Review》72(6):407–418；Festinger 1954 年《Human Relations》7(2):117–140；Gerbner 与 Gross 1976 年《Journal of Communication》26(2):172–199。
6. Jakesch 等人 CHI 2023：1,506 名参与者；写作内容的均值差 0.29，d ≈ 0.5；态度偏移 d = 0.22，p < 0.001（doi:10.1145/3544548.3581196）。
7. Kobak 等人 2025 年《Science Advances》11(27) eadt3813：1,500 万余篇 PubMed 摘要，覆盖 2010 至 2024 年，用超额词频法推断。Liang 等人 2025 年《Nature Human Behaviour》9:2599–2609：950,965 篇论文。
8. Hohenstein 等人 2023 年《Scientific Reports》13:5487，两个随机实验，n = 1,036。
9. Brooks 等人 2020 年《Perspectives on Psychological Science》15(1):133–149。
10. Doshi 与 Hauser 2024 年《Science Advances》10(28) eadn5290：293 名写作者、600 名评分者；同质化效应在 0–100 的余弦相似度尺上只有 b = 0.871（单条 AI 创意）与 b = 0.718（五条）；相似度是组内比较，即每篇与同条件下其他作品的中心比，不是跨条件比较；研究本身也不主张任何群体层面或纵向的多样性坍塌。
11. Ashkinaze 等人 2025 年 Proc. ACM Collective Intelligence Conference 198–213。
12. Fang 等人 2025，arXiv:2503.17473：981 名完成者、28 天、超过 30 万条消息，AsPredicted 预注册；文字／中性语音／亲和语音 × 开放／非个人／个人话题的 3×3 设计。孤独感 β = 0.02，p = 0.027；线下社交 β = −0.05，p = 0.0019；情感依赖 β = 0.06，p < 0.001；问题性使用 β = 0.02，p = 0.017。
13. De Freitas 等人 2026 年《Journal of Consumer Research》52(6):1126–1148；Smith、Bradbury 与 Karney 2025 年《Perspectives on Psychological Science》20(6):1081–1099。
14. 2026 年《Mass Communication and Society》的三层元分析：纳入 24 篇研究、96 个效应量、总样本 10,445 人；r = 0.21，95% 置信区间 [0.13, 0.26]。
15. 国际美容整形外科学会（ISAPS）2024 年全球调查：3,790 万例，其中手术类 1,740 万、非手术类 2,050 万。
16. Ramphul 与 Mejias 2018 年 3 月《Cureus》10(3):e2263 社论（doi:10.7759/cureus.2263）。Rajanala、Maymone 与 Vashi 那篇发表于《JAMA Facial Plastic Surgery》20(6):443–444（doi:10.1001/jamafacial.2018.0486）。
17. 定刺激漂移面板的统计口径：主结局为同一批不变文本上「要求返工」概率的年份固定效应，评分者盲态，每年全新一批。识别策略用「可得性」而不是「使用量」，即监管强制下架、应用商店政策变更这类外生冲击加双重差分；也可以做鼓励设计的随机试验，以鼓励作为工具变量。所有自报量表都要做锚定小品文调整，否则参照群体效应会把整个文献污染掉。

主要参考文献

1. Levari, D. E., Gilbert, D. T., Wilson, T. D., Sievers, B., Amodio, D. M., & Wheatley, T. (2018). Prevalence-induced concept change in human judgment. Science, 360(6396), 1465–1467. doi:10.1126/science.aap8731
2. Helson, H. (1964). Adaptation-Level Theory. Harper & Row. ／ Parducci, A. (1965). Category judgment: A range-frequency model. Psychological Review, 72(6), 407–418.
3. Brooks, K. R., Mond, J., Mitchison, D., Stevenson, R. J., Challinor, K. L., & Stephen, I. D. (2020). Looking at the Figures: Visual Adaptation as a Mechanism for Body-Size and -Shape Misperception. Perspectives on Psychological Science, 15(1), 133–149. doi:10.1177/1745691619869331
4. Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. doi:10.1126/sciadv.adn5290
5. Ashkinaze, J., Mendelsohn, J., Qiwei, L., Budak, C., & Gilbert, E. (2025). How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas. Proc. ACM Collective Intelligence Conference, 198–213. doi:10.1145/3715928.3737481
6. Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L., & Naaman, M. (2023). Co-Writing with Opinionated Language Models Affects Users' Views. CHI '23, Article 111. doi:10.1145/3544548.3581196
7. Kobak, D., González-Márquez, R., Horvát, E.-Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27), eadt3813. doi:10.1126/sciadv.adt3813
8. Liang, W., et al. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9, 2599–2609. doi:10.1038/s41562-025-02273-8
9. Hohenstein, J., et al. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. doi:10.1038/s41598-023-30938-9
10. Fang, C. M., et al. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use: A Longitudinal Randomized Controlled Study. arXiv:2503.17473（预印本）
11. De Freitas, J., Oğuz-Uğuralp, Z., Uğuralp, A. K., & Puntoni, S. (2026). AI Companions Reduce Loneliness. Journal of Consumer Research, 52(6), 1126–1148. doi:10.1093/jcr/ucaf040
12. Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). Can Generative AI Chatbots Emulate Human Connection? Perspectives on Psychological Science, 20(6), 1081–1099. doi:10.1177/17456916251351306
13. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. doi:10.1126/science.adj0998
14. Hui, X., Reshef, O., & Zhou, L. (2024). The Short-Term Effects of Generative AI on Employment. Organization Science, 35(6), 1977–1989. doi:10.1287/orsc.2023.18441
15. Demirci, O., Hannane, J., & Zhu, X. (2025). Who Is AI Replacing? Management Science. doi:10.1287/mnsc.2024.05420
16. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942.
17. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. doi:10.1126/science.adh2586
18. Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121). ／ Autor, D. H. (2024). Applying AI to Rebuild Middle Class Jobs. NBER WP 32140.
19. Gerbner, G., & Gross, L. (1976). Living with Television: The Violence Profile. Journal of Communication, 26(2), 172–199. ／ Festinger, L. (1954). A theory of social comparison processes. Human Relations, 7(2), 117–140.
20. Ramphul, K., & Mejias, S. G. (2018). Is "Snapchat Dysmorphia" a Real Issue? Cureus, 10(3), e2263. doi:10.7759/cureus.2263 ／ Rajanala, S., Maymone, M. B. C., & Vashi, N. A. (2018). Selfies—Living in the Era of Filtered Photographs. JAMA Facial Plastic Surgery, 20(6), 443–444. doi:10.1001/jamafacial.2018.0486
21. Hochschild, A. R. (1983). The Managed Heart: Commercialization of Human Feeling. University of California Press.

Term provenance: the term Cognitive-Conditioning AI Applications (CCAA) was coined and defined by TopXEA Research, first published in this article on 1 September 2026. In this paper "conditioning" is used in its everyday sense of habituation and baseline recalibration, not in the technical sense of associative or covert conditioning.

风险与免责声明：本文是概念与方法讨论，不构成投资建议、职业规划建议或医疗建议，也不针对任何具体机构或个人。文中所引外部研究均标注了来源与证据等级，标注为「推断」「假说」的部分是我们的判断，尚未经过验证。交易有风险，所有 EA 与量化策略都可能亏损，外汇与贵金属交易属高风险活动，请只用亏得起的钱。