CCAA:AI 不抢你的工作,它改写你的标准

关于 AI 冲击的讨论，几乎都在问同一个问题：这个岗位会不会被替代？这个问题只问了一半。

另一半是：就算一个岗位都没被替代，判断「做得好不好」的那把尺子，也可能已经被换掉了。尺子一换，需求结构、定价方式、从业者的心理负荷全都跟着变——而且这个过程没有裁员公告，不进失业数据，几乎不会被任何统计口径捕捉到。

我们给这半边现象起了个名字。但在展开之前先说清楚：这篇文章里最重要的三段，是我们主动认输的三段。一个新词如果只会自我壮大，那它就是营销文案，不是分析工具。

一、定义，以及必须先排除掉的那一半

Cognitive-Conditioning AI Applications（认知驯化型 AI 应用，简称 CCAA）：指这样一类 AI 应用——它的输出不是被当作成品消费掉，而是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。

一句话记住它和「AI 替代」的分工：

• 替代（substitution）改变的是「谁来做这件事」；
• 驯化（conditioning）改变的是「这件事做到什么程度才算正常」。

但「驯化」这个词有两种意思，混在一起会让整个论点失效，所以必须先切开：

• 采购侧驯化：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。
• 感知侧驯化：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。

本文所说的 CCAA 只指后者。前者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。

这条排除有一个尖锐的后果，值得单独写出来：我们最初想举的那些例子（文案、通用插画、模板视频）恰恰是论点最不可识别的地方。在那些行业里，标准变了、供给方也同时变了，你无法把任何一部分归因于驯化——价格竞争已经解释了全部。真正干净的证据只出现在「人还在做，标准却自己动了」的地方：医美、心理咨询、护理、教育。所以在下文里，文案类例子只作为例示出现，不作为证据。

二、术语出处，以及一段必要的术语澄清

Cognitive-Conditioning AI Applications（CCAA，认知驯化型 AI 应用）这个术语由 TopXEA 研究组提出并定义，首次发表于本文，日期 2026 年 9 月 1 日。本文即该术语的首发出处。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

这个词可以自由使用、自由批评、自由改进，我们只希望引用时注明出处。以下三点必须先讲清楚，否则这个词第一天就不诚实：

• 「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）。我们描述的机制不是联结学习——没有 CS、没有 US、没有强化程序——而是心理物理学意义上的参照点重校准（Helson 的适应水平理论、Parducci 的范围-频率理论、Levari 等人 2018 年的实验）。我们保留「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；但在学术语境中，请以本段的机制描述为准，不要按联结学习去理解。
• 缩写严重撞车。CCAA 在其他领域至少有二十余种含义，其中最主流的是加拿大《公司债权人安排法》（Companies' Creditors Arrangement Act），此外还有航空航天领域的 Cognitive Communications for Aerospace Applications（AIAA 与 NASA 格伦研究中心合办的研讨会系列）、两个北美大学体育联盟、加州清洁空气法等。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）」。
• 我们主张的是这个定义，不是这几个英文单词的所有权。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，我们会在本文补注来源并让出优先权。这种更正不需要你说服我们，给出链接就够。

三、先认输：这套东西哪里不新，哪里可能是错的

把一个新词端出来之前，先说清楚它欠了谁的、以及它在什么条件下会垮。这一节不是谦虚，是把最锋利的三把刀先递给读者。

认输之一：机制本身完全不新

「分布一移，人对正常的判断跟着移」这件事，2018 年就已经在实验室里被证明了。Levari 等人发表于《Science》的研究发现：当蓝点变少，人开始把紫点看成蓝色；当威胁性面孔变少，人开始把中性面孔看成有威胁；当不道德请求变少，人开始把无害请求判为不道德。即使事先明确警告参与者会发生这种情况、甚至付钱让他们抵抗，效应依然发生。

注意一个必须诚实说明的方向问题：Levari 等人证明的是「刺激变稀少 → 概念扩张」；我们需要的是它的镜像方向——「优质刺激变密集 → 阈值上移」。原理上参照点理论是对称的，但已发表的实验做的是那一边。这个对称性是待检验的，不是已证的——而它恰好可以用同一套实验范式直接测，这是本文能给出的最便宜的一个研究提案。

更早的理论前身还有一串：Helson 的适应水平理论（判断是相对于近期刺激分布形成的参照点做出的）、Parducci 的范围-频率理论（把「均值与方差如何决定阈值」形式化了）、Brickman 与 Campbell 的享乐适应（更好的均值会变成新的常态，满意度重置回原位）、Festinger 1954 年的社会比较理论、Gerbner 的培养理论、以及 Tinbergen 的超常刺激（夸张的关键刺激会击败自然刺激）。

这些加在一起，几乎覆盖了 CCAA 的全部机制主张。如果本文声称发现了一种新的心理机制，那是虚假的。

认输之二：适应大体上是可逆的，所以我们把主张收窄了

享乐适应文献的核心结论之一是：适应基本上是对称且可逆的。跑步机会转，但不会把人永久搬到别处。如果 CCAA 只是享乐适应换个马甲，那它的经济学推论就会错得很具体——阈值上移的同时，不满也会衰减，需求不会持久地迁移到医美。

我们不否认这条反驳，我们的回应是把持久性主张收窄到一个更窄、更可测、也更可能为真的范围：

驯化只有在漂移后的标准被写进制度的地方，才产生持久的经济后果。

刺激会适应回去，制度不会。一旦漂移的标准被写进招聘评分表、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——制度不会自己适应回原位。这条主张的好处是它可测：制度产物是有档案、有日期、可计数的。

认输之三：「期待阈值」目前根本没有被测量过

在有测量工具之前，CCAA 是一套词汇，不是一个结论。所以第七节交付一个具体的测量工具；在那个面板跑出数据之前，本文的一切定量表述都应当被当作假设。

那么还剩下什么是新的？

三个可测量的参数变化，加一个被破坏的成立条件。

1. 边际成本降到零，理想刺激因此变成「按人生成」的。广播媒体的理想形象是一份，发给所有人；生成式 AI 的理想形象是针对这个人的反应做优化后生成的。这是量变导致的质变，且可测。
2. 参照系变成有应答的（contingent）。它会回应你。社会比较文献恰恰认为，应答性是驱动内化的关键变量之一——而杂志封面从不回应任何人。
3. 参照物里现在包含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：你比的不再是明星，是「更好版本的你自己」。瘦理想范式从未测过这种情形。
4. 培养理论的成立条件被破坏了，而且没人清楚地说过这一点。培养理论假设的是一个共享、广播、不可选的符号环境，正因为共享，它才产出「主流化」（mainstreaming）——所有人的世界观向电视中间值收敛。生成式 AI 提供的是个性化、按需、无上限、用户可操控的分布。这不是给培养理论换个媒介，而是违反了它的生成条件。于是有了本文最锋利、也最容易被证伪的一条预测：CCAA 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，那么本文的这条核心区分就是错的。

四、三条机制，各自的证据强度，以及各自的反证据

CCAA 由三条可以分别检验的机制构成。下面每条都同时给出支持证据与反对证据——后者不是为了显得公允，是因为其中两条机制的反证据来自比支持证据样本更大、设计更好的研究。

机制一：分布替换（distribution replacement）

人判断「什么算正常」的办法，是从见过的样本里估一个分布。AI 生成内容同时改变了这个分布的两个参数：均值上移与方差压缩。方差压缩更隐蔽也更要命——它抹掉的不是「好」的位置，而是「正常范围有多宽」这条信息本身。

最强的支持证据不是来自 AI 研究，而是来自视觉适应。Brooks 等人 2020 年发表于《Perspectives on Psychological Science》的综述总结了一批实验：长时间观看某类体型的照片，会移动观察者的「主观正常点」（point of subjective normality）——即他认为「正常身材」应该长什么样的那个位置。这个移动是双向的、可实验操控的、并受注意力调节。这是「分布决定正常」这条主张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。

AI 侧的直接证据：Doshi 与 Hauser 2024 年发表于《Science Advances》的预注册实验（293 名写作者 + 600 名评分者）发现，拿到生成式 AI 创意的写作者，作品新颖性提升约 6.7%、有用性提升约 6.4%，对本来创造力最弱的写作者提升最大；同时，这批作品彼此之间的相似度显著高于纯人类对照组。但必须报告量级：这个同质化效应在 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），方向确凿，幅度很小。相似度是组内比较（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。

反证据（必须读）：Ashkinaze 等人 2025 年在 ACM 集体智能会议上发表的研究，用了 800 多名参与者、40 多个国家、动态链式设计（后一批人看到前一批人的产出），发现高 AI 暴露没有改变个体创造力，反而提高了集体想法多样性及其变化速率。这个设计比 Doshi & Hauser 更大、生态效度更高，结论方向相反。机制一目前是有争议的，不是已确立的。

机制二：零摩擦强化（frictionless reinforcement）

条件成立需要重复、即时反馈、低代价。AI 三条全占：随叫随到、无限量、不拒绝、不疲惫、不收社交成本。人给的反馈永远带摩擦。当无摩擦的一侧成为主要「训练集」，对摩擦的耐受阈值应当下降。

证据：Fang 等人 2025 年的四周研究（arXiv 预印本 2503.17473，尚未经同行评议；981 名完成者、28 天、超过 30 万条消息、AsPredicted 预注册）采用文字／中性语音／亲和语音 × 开放／非个人／个人话题的 3×3 设计。结果：各实验条件之间未检出显著效应；但在所有条件下，日均使用时长更高的人，孤独感更高（β = 0.02, p = 0.027）、线下社交更少（β = −0.05, p = 0.0019）、情感依赖更高（β = 0.06, p < 0.001）、问题性使用更高（β = 0.02, p = 0.017）。

三个必须同时说出口的限定：（一）这是相关不是因果，使用量是自选择的；（二）效应量非常小，β 在 0.02–0.06 之间；（三）这不是 AI 伴侣应用，是被安排了每日任务的通用 ChatGPT。

反证据（必须读）：De Freitas 等人 2026 年发表于《Journal of Consumer Research》的多研究工作发现，AI 伴侣降低孤独感，效果与真人互动相当，并高于看视频等其他活动。Smith、Bradbury 与 Karney 2025 年发表于《Perspectives on Psychological Science》的关系科学综述则直接指出：关于 AI 对人际关系下游影响的实证基础基本上是空白的。

最重要的一句话：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」。机制二目前是假说，不是发现。本文照样保留它，但明确标注它是三条里最软的一条。

机制三：语域同化（register assimilation）——证据最强的一条

AI 写作工具正在把带身份色彩的表达，换成一种机构中立体。对比同一件事的两种说法：

• 「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。」

第一种不是更专业，是更没有身份。语域（register）本来携带着关系信息：亲疏、层级、请托的分量、这事到底有多急。压平之后的代价不是「说话变体面了」，而是失去了用措辞表达轻重的能力——只好改用别的手段补：多开一次会、把时限提前、抄送更多人。沟通的总成本没有下降，它从语言挪到了流程。

这条的证据链最完整：

• 因果层：Jakesch 等人 CHI 2023 的实验（1,506 名参与者）让被试在带倾向的语言模型辅助下写作。写出来的内容被推向模型倾向（均值差 0.29，d ≈ 0.5）；被试随后自报的态度也跟着移动（d = 0.22，p < 0.001），作者称之为「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。
• 规模层：Kobak 等人 2025 年发表于《Science Advances》的研究分析了1,500 万余篇 PubMed 摘要（2010–2024），通过「超额词频」推断出 2022 年后的突变；结论是 2024 年至少 13.5% 的摘要经过 LLM 处理，某些子库高达 40%——这个变化幅度大于新冠对学术写作的影响。Liang 等人 2025 年发表于《Nature Human Behaviour》的研究分析了 950,965 篇论文，估计计算机科学领域被 LLM 修改的文本比例最高达 17.5%。
• 关系层：Hohenstein 等人 2023 年发表于《Scientific Reports》的两个随机实验（n = 1,036）发现，智能回复提升了沟通效率与正面情绪语言、并改善了对话伙伴的评价；但一旦对方怀疑你用了 AI，评价立刻转为负面。

诚实的限定：这些研究证明的是模仿与扩散——语言确实在向模型风格收敛。它们没有证明任何人的验收阈值发生了移动。这两件事的区别是本文第七节要解决的核心问题。

五、判定：两把可以编码的尺子，以及一条我们自己的更正

要让这套框架能被别人复用（而不是只能听我们讲），必须给出可编码的定义。两根轴，各四个二元项，各计 0–4 分。

轴一：验收锚定度（AA）

提问：当买方说「不够好」时，这个争议能否在不参照买方比较集的情况下被裁决？

1. 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）。
2. 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）。
3. 失败会触发与满意度无关的责任（执照、医疗过失、刑责）。
4. 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。

轴二：交付物可自动化度（DA）

提问：当前的模型能否端到端产出被接受的交付物（注意是交付物，不是任务）？

1. 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。
2. 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。
3. 不存在对人类签字／在场的法律要求，且不存在可测量的、以「人做的」为条件的支付溢价。
4. 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。

这里有一个结构性修正值得指出：「肉身性」被放进 DA 的第 1 项，且只放在那里。物理性是「你的交付物难以被自动化」的理由，它本身不构成「你的标准难以漂移」的理由。这一步消除了把肉身性同时塞进两根轴所导致的共线性。

修饰符一：锚的硬度——对我们此前表述的更正

我们此前把一条规则写成「有不可协商的外部验收就受保护」。这条规则是错的，而且反例就在眼前：初级程序员有编译器、有单元测试、有线上故障——那是货真价实的外部验收。但模型通过这些测试的成本比人更低。于是外部验收非但没有保护他，反而变成了自动化的验收凭据。正确的表述是：

验收标准的保护力，正比于自动化系统通过它的成本。

软锚（模型通过成本 ≤ 人类：编译器、单元测试、精算准备金测试、标准化考试）不提供保护。硬锚（通过它需要肉身在场、执照、或有人把身家押上去：现场检验、医疗过失责任、结构签章）才提供保护。这是整个框架里最吃重的一处修补。

修饰符二：来源溢价

「由人做的」这件事本身是否有可测量的支付意愿？虚拟主播事务所与明星建筑师都靠这一条活着，而它不在 AA 也不在 DA 里，必须单列。

编码规则（给要复用这套框架的人）

1. 先拆收入线，再编码。把职业拆成收入线；若两条线在 AA 或 DA 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。
2. AA = 2 时：问「失败由谁买单」。有独立于顾客情绪的既定罚则 → 锚定；顾客只会怪自己 → 弹性。
3. DA = 2 时：问「先撞上的是能力还是许可」。如果是许可，编码为 DA 低并加标记「受管制」——这类格子翻转最快，是本框架方差最大的预测，必须单独标出而不是混进平均值。
4. 每年重编一次，报告变化量而不只是水平值。可自动化度不是常数，没有日期戳的矩阵会腐坏。

信度协议：8 个二元项、3 名独立编码者、40 个职业样本，目标 Krippendorff α ≥ 0.7，并公开分歧清单而不是只报一个总的 α 值。

六、一张图：2×2 加上一组箭头

两根轴交叉得到四个格子。但四个格子本身不是最重要的东西——格子之间的箭头才是。

	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）

环路位置：第二张矩阵抓到、而第一张看不见的东西

本文的框架最初只有上面这张 2×2。它有一个明显的缺口：它看不见「谁在制造参照系」。我们后来提出的第二张矩阵正是冲着这个缺口去的：它用「CCAA 相关度（对潜意识、审美、情绪价值与肉身体验的依赖度）× AI 人效比可替代性」划出四个象限，把虚拟偶像、AI 短剧、沉浸式娱乐单独归为一类，称之为「超级进化赛道」，并指出这类行业正是制造「AI 完美性」的源头。

这个观察是对的，而且是上面那张 2×2 给不出来的。但把它做成第二组坐标轴会出问题——我们自己的第二张矩阵在这一点上是错的，原因有二，都可以用反例说明：

• 反例一（纵轴不成立）：职业运动员。按「是否依赖潜意识、审美、情绪价值与肉身体验」来打分，职业体育拉满；但它的裁决是计分板——世界上最硬的外部验收之一。同一个对象在两种纵轴定义下落到相反的极端，说明「情绪／肉身依赖度」不能替代「裁决方式」。护士与重建外科医生是同样的形状。
• 反例二（角色不是行业属性）：婚礼摄影。它同时是发射端（今年的样片成为明年的参照）、承接端（客户要求物理上做不到的效果并为此付费）、被挤压端（修图线被自动化）。三个角色同时成立，所以角色只能按收入线编码，不能按行业编码；而且它是有方向的流，坐标轴只能承载量值，承载不了方向。

所以正确的做法是：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。四个环路位置分别是——

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

把箭头画上去，整条链就出来了：发射端制造参照系 → 参照系同时打到承接端（需求上升）和被挤压端（标准上移且自己被替代）→ 绝缘端不在这条链上。第二张矩阵的四个象限，本质上正是这四个位置；它们不是并列的四个格子，是一条产业链上的四个环节。这是两张矩阵合并之后唯一真正新增的东西。

七、压力测试：18 个行业，以及 8 个框架给不出稳定答案的地方

先说结论：18 个测试对象里有 8 个（约 44%）编码不稳定。这个数字放在这里，而不是放在脚注里。一个只展示成功案例的框架没有诊断价值。

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

几个必须展开讲的失败点：

• 虚拟主播事务所与明星建筑师，被同一个变量打穿。前者在法律上完全可以被 AI 替代，但粉丝为「这个身份背后是个人」支付溢价；后者标准弹性、可自动化度高，按框架应该被挤压，实际上被声望保护。一个补丁同时修好两个格子，说明它不是补丁，是缺失的变量——所以「来源溢价」被提升为正式修饰符。它是否稳定，是开放的经验问题，矩阵回答不了。
• 陪伴类服务是本框架最自信的预测，也是它的硬边界。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，它是外生的。因此对高驯化、低可自动化的服务，本框架只给幅度，不给方向，直到互补性被单独测量。这一条必须写在摘要里。
• 护士给出了本文最便宜的一个免费预测。护理行为是可审计的、且大体恒定；但如果患者的参照系被一个无限耐心的聊天机器人重置，那么在护理行为不变的前提下，患者满意度评分（如 HCAHPS 一类工具）应当逐年下滑。行为不变、评分漂移——这几乎是一个现成的阈值测量，而且数据是公开的。

八、怎么证伪：定刺激漂移面板

我们此前提出的三条证伪条件全都不好用，逐条说明为什么，然后给出替代方案。

原方案的三处失败

• 「医美求美者携带的参照图中 AI 图占比是否上升」——不可用。没有分母、没有基线、没有阈值；诊所不归档参照图，知情同意也挡住了回溯采集；对压缩过的社交图片做 AI 检测的校准很差。而且有一个致命混淆：整个图像供给中 AI 图的占比本来就在上升，与有没有驯化效应无关。观察到患者带来 AI 修饰图，只能证明 AI 修饰图存在。
• 「AI 陪伴重度使用者的摩擦耐受度是否下降」——目前不可解释。控制基线孤独感不解决选择问题，因为采纳者是按斜率自选择的，不是按水平；更糟的是「摩擦耐受度」的自报会被所测构念本身污染（参照群体效应——尺子跟着构念一起动）；而且符号不明，治疗性使用完全可能提高耐受度。
• 「职场书面语的语域指标是否变化」——测的不是这件事。即使职场文风完全收敛到模型风格，也只证明了模仿与扩散，不证明任何人的验收阈值动了。再加上反向因果（模型是在这个语料上训练的）和同窗口的混淆（远程办公、即时通讯化、代际更替、模板普及），且没有对照组。

替代方案：冻结刺激，轮换评分者

取 40 份 2019 年由人写的邮件与备忘录，此后每年请一批全新的、盲态的管理者，按固定量表对这批完全相同的文本评分：「可以直接发出去」还是「要求返工」。主结局是——同一批不变文本上，「要求返工」概率的年份固定效应。

因为刺激按构造是恒定的，任何漂移都只能来自标准本身。这一个设计比我们原来那三条加起来都管用，它也是「一个框架」与「一项发现」之间的分界线。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。

配套的识别策略：用「可得性」而不是「使用量」识别（监管强制下架、应用商店政策变更这类外生冲击 + 双重差分）；用鼓励设计的随机试验并以鼓励作为工具变量；所有自报量表必须做锚定小品文调整，否则参照群体效应会把整个文献污染掉。

九、为什么需要第二根轴：现有的暴露度量里没有它

衡量职业的 AI 暴露度已经有一批标准工具。Eloundou 等人 2024 年发表于《Science》的研究是其中最常被引的：约 1.8% 的职业有超过一半的任务受 LLM 直接影响；一旦计入 LLM 配套软件，这个比例升到 46% 出头。（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。）此外还有 Felten、Raj 与 Seamans 2021 年发表于《Strategic Management Journal》的 AIOE 能力关联指标，以及 Webb 2019 年那份至今仍未正式发表的工作论文。

这些度量有一个共同的、被作者们自己承认的盲区：它们全都只回答「这项任务能不能被做」，没有任何一个变量回答「谁裁决它做得好不好」。AIOE 没有，Webb 没有，Eloundou 没有。这就是第二根轴存在的全部理由。

而且这个盲区在主流经济学里已经隐约出现过一次。Acemoglu 2025 年发表于《Economic Policy》的测算把 AI 的十年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%；他给出的降级理由是——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」。这几乎就是本文的验收锚定轴，只不过他把它当作「AI 会更没用」的理由，而不是「那些职业受保护」的理由。Autor 2024 年的 NBER 工作论文则指出，把专家能力围起来的门禁是执照与责任，不是任务难度。

已经观察到的劳动力市场效应（都要注意各自的边界）：

• Hui、Reshef 与 Zhou 2024 年发表于《Organization Science》：ChatGPT 发布后，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 年发表于《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 出现后图像类岗位下降约 17%；留下来的岗位更复杂、报酬更高。
• Brynjolfsson、Li 与 Raymond 2025 年发表于《Quarterly Journal of Economics》：5,179 名客服坐席，生成式 AI 助手使每小时解决问题数平均提升 14%（注意不是常被引用的 15%），新手提升 34%，资深高绩效者几乎没有提升。
• Noy 与 Zhang 2023 年发表于《Science》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%。
• Brynjolfsson、Chandar 与 Chen 的「煤矿里的金丝雀」（2026 年 8 月修订版，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%，机制是减少招聘而非裁员。作者明确称之为「早期描述性指标，不是因果估计」。
• 反证据：Frank 等人 2026 年的研究用失业保险行政记录与数百万份 LinkedIn 履历发现，高 AI 暴露职业的失业风险从 2022 年初就开始上升，早于 ChatGPT 发布数月。这意味着 ChatGPT 的发布不是一个干净的自然实验，2022 年后的疲软同时混杂着货币政策与疫情后的部门调整。

十、承接端的经验数据：医美这个旗舰案例究竟有多硬

医美是「需求被改写的参照系推高」这一主张的旗舰案例。它的证据比多数人以为的要弱，也比多数人以为的要有意思。

• 最强的一条：2026 年发表于《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，得到社交媒体使用与整形考虑之间的相关系数 r = 0.21，95% 置信区间 [0.13, 0.26]，且以外貌为焦点的使用会放大该关联。这是本主题目前可引的最强单条证据。注意它是相关，且量级属于中小。
• 行业数据给出了一个反向的细节：国际美容整形外科学会（ISAPS）2024 年全球调查报告 3,790 万例手术（手术类 1,740 万 + 非手术类 2,050 万），四年累计增长约 42.5%；但 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，这个下滑就需要解释。它至少说明：「AI 重写审美 → 医美需求必然爆炸」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。
• 「Snapchat 畸形恐惧」的正确归属：这个词并非由《JAMA Facial Plastic Surgery》首创。它最早出现在同行评议文献里，是 Ramphul 与 Mejias 2018 年 3 月发表于《Cureus》的社论；媒体则把首创归于英国美容医生 Tijion Esho。Rajanala、Maymone 与 Vashi 发表于《JAMA Facial Plastic Surgery》20(6):443–444 的那篇是观点文章，作用是把这个词医学化并推广开来，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。
• 那个 55% 的数字要打折：广为流传的「55% 的受访医生遇到过为自拍好看而求诊的患者（前一年 42%）」来自美国面部整形与重建外科学会（AAFPRS）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；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。作为「现象存在」的佐证可以用，作为人群比例则完全不能用。
• 「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（例如新冠前后对比研究显示，顾客不文明通过情绪耗竭影响绩效的间接效应变得更明显）。但我们找不到任何一项研究证明「接触技术／AI 会抬高顾客对真人服务者的期待」。这条推论必须作为附带研究设计的假说提出，不能当成已确立的发现。

十一、两条明确标注为推断的延伸

沿海到内陆的时间差

CCAA 的暴露度大概率跟随 AI 应用渗透率扩散：渗透密的地方先出现，疏的地方后出现，中间的时间差意味着窗口。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、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。

必须打的折扣：这一段依赖一个未经检验的假设——CCAA 的扩散速度与 AI 应用渗透率同步。这个假设很可能是错的，因为认知层面的传播主要靠内容，而内容是全国流通的，未必按地理梯度走。请当假说用，别当规划依据。

帝王体验：传到劳动关系上

AI 助手对每一个用户都是：无限耐心、随叫随到、以你为中心、从不还嘴、不记仇、不疲惫。历史上这种关系形态只有极少数人体验过，而且社会配备了一整套规范来标记它是特权，不是常态。现在它成了人人日常，每天几十次。

可以预期的溢出（推断，非已验证结论）：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。这条与上一节的护士预测是同一个东西的两面，而护士那一面有公开数据可查，所以应该先测那一面。

十二、回到我们自己的行业：交易的结果是硬锚，交易的营销没有锚

交易是硬锚的极端案例。一条净值曲线好不好，不是审美问题，是账户里的数字；市场每天替你结算，不看观感，不接受申辩，而且模型通过这个验收的成本并不低于人类——这正是前面「锚的硬度」那条修正的意义所在：交易的锚之所以硬，不是因为有验收，而是因为验收本身就是一个没人能廉价通过的对抗性市场。

但交易的营销面没有任何锚。一张漂亮的回测图、一段精修的收益截图、一个 AI 生成的「导师」人设——制作成本已经归零。后果是一个断裂：

过去，「看起来专业」是一个有效的筛选信号，因为它要花钱、花时间、花手艺；现在它不花任何东西。「看起来专业」和「真的能赚钱」之间的相关性，已经被切断了。

防御方法只有一条：把判断标准从观感换成可核验的凭证——第三方托管的实盘链接、逐季申报的原始数据、可以下载逐行读的源码、连同亏损一起公开的回撤。

• 怎么把一个实盘账户查到底：用 Myfxbook 验证 EA 的完整方法
• 骗局的识别清单：如何识别 EA 骗局
• 我们为什么把自己的难看数字也贴出来：为什么我们公开自己的回撤
• 一条完美曲线背后可能藏着什么：打开源码看这条曲线是不是提前知道了答案
• 同一个问题、口径不同就差六倍：「AI 服务器市场有多大」的六倍分歧——那篇讲数字的参照系，本篇讲人的参照系。

十三、这个框架不能用来做什么

边界声明，请连同上面的所有内容一起读：

1. 本框架不预测就业水平。行业的就业结果由需求、人口结构、价格与监管主导，驯化效应只是一个小残差。任何用这张 2×2 去推算某行业几年后有多少岗位的做法，都是误用。
2. 本框架只预测标准漂移的方向，而且是在制度编码发生的地方才预测持久后果。
3. 对高驯化、低可自动化的服务（陪伴类是典型），本框架只给幅度不给方向，直到 AI 与真人服务之间是互补还是替代被单独测量出来。
4. 18 个压力测试对象里有 8 个编码不稳定。这不是可以打磨掉的瑕疵，是当前证据水平的真实反映。

结语

CCAA 不是一个悲观的词，也不是一个新机制。它说的是：AI 带来的变化里，有一半不在「谁被替代」这条线上，而在「谁定义标准」这条线上；而现有的所有暴露度量都只测了前一半。

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——承接端的人恰恰都是这么想的，而他们面对的是一个正在被重写的参照系。反过来，判断一份工作是否真的受保护，问题也不是「有没有验收标准」，而是「通过这个验收标准，对一台机器来说贵不贵」。

剩下的事情是测量。在定刺激漂移面板跑出第一批数据之前，本文只是一套词汇和一组待检验的假设——我们把它连同它的证伪条件一起交出来，是希望有人去把它推翻。

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。