卢德分子砸的不是机器
现在65%的上班族怀念的，其实也是同一件事
开篇
订阅者朋友，今年5月亚利桑那大学的毕业典礼上出现了一个尴尬的场面。站在讲台上的是谷歌前CEO埃里克·施密特，主题是AI，但学生们对他发出了嘘声。不是一次，而是好几次。施密特最后说道：“我知道你们是什么心情，我都听到了。”
施密特有一个用了很久的比喻：如果有人邀请你上火箭，别问是哪个座位，先上去再说。这句话因2001年他给谢丽尔·桑德伯格的建议而出名，但在2026年的毕业典礼现场，它不管用了。
先说结论。1811年的织布工人也好，2026年的毕业生也好，都不是因为讨厌机器才这么做的。这两个群体问的是完全相同的问题：这台机器是谁引进的、为了谁、以什么条件引进的。 200年过去了，答案变了，但问题没变。
65%的人怀念的不是清闲
先用数字看看现在到底发生了什么。
咨询公司Adaptavist在2026年3月对英国、美国、加拿大、德国、西班牙的2,500名知识工作者进行了调查。65%的人表示自己经常怀念AI大规模普及之前的工作方式。
到这里为止还算意料之中。但看细分项目，情况就不一样了。
- 42%的人表示，用在核对AI产出物上的时间，比AI省下来的时间还多
- 52%的人经常在修改同事用AI生成的成果
- 31%的人认为AI会削弱人类的创造力，因此干脆不用更好
- 46%的人对“原本需要专业能力的工作，现在几乎人人都能做”感到沮丧
所以这种怀旧情绪，并不是“希望工作少一点”。而是对工作性质发生变化的不满。从创作的人变成了修改的人，从使用者变成了核查者。我认为把这称作验证税1是准确的。这是一种悄无声息、没有列入任何预算的税，正在被持续征收。
也有证据表明，这不只是个人的印象。《哈佛商业评论》2026年2月刊登的一项研究，对一家约200名员工规模的美国科技公司进行了为期8个月的实地观察：研究人员每周两次到现场，追踪内部即时通讯，并对约40人进行了深度访谈。结论标题已经说明了一切：AI并没有减少工作量，而是提高了工作密度。
具体观察到三点。第一，工作范围扩大了。产品经理写代码，研究员做工程工作，以前该外包的事现在自己做。第二，边界消失了。离开办公桌前“最后再输一个提示词”，让一天不再有停顿的逗号。第三，同时进行的任务数量增加了。
而这家公司的员工自我感觉更有生产力了。与此同时，他们也表示自己和以前一样忙、甚至更忙。这两者同时出现，正是问题的关键。
这里还有一个反转。在Adaptavist的调查中，表示更喜欢AI之前时代的比例，Z世代为42%，X世代为26%。数字原住民反而更加怀念。面对这个数字，“跟不上时代的老一辈在发牢骚”这种解释很难成立。
1811年，他们不是逢机器就砸
现在让我们回到200年前。
卢德分子2如今已成为技术厌恶者的代名词。报纸上说“卢德式思维”，意思是拒绝进步的落后思想。但真实的历史相当不同。
1811年在英格兰诺丁汉爆发的这场运动，主体并不是无知的暴民，而是当时最顶尖的熟练工人。他们经过长期学徒训练掌握了技艺，靠这门手艺养家糊口，并在当地社区中拥有一定地位。
他们砸的是编织机。 但这里有一点很关键：他们不是逢机器就砸。那些支付合理工资、生产合格产品的雇主的机器，他们原封不动地留了下来。他们瞄准的，是那些破坏既有工资协定、大量生产劣质产品、用未熟练的低薪劳动力取代熟练工人岗位的特定工厂主。
也就是说，他们反对的不是技术本身，而是引入技术的条件。Brian Merchant在《机器中的血》一书中总结的核心观点也是如此：卢德分子并不憎恨机器，他们问的是机器带来的利益究竟流进了谁的口袋。
而英国政府对这个问题给出的答案，说明了当时的一切。1812年，议会将破坏机器定为可判死刑的重罪。他们选择的是绞刑架，而不是谈判桌。诗人拜伦在上议院的首次演讲中就反对这项法案，主张应该把这些人看作被剥夺了生计的人，而不是罪犯。但这没有用。
我们所继承的“卢德分子=技术恐惧症”这一形象，其实是争论结束后，胜利一方整理出来的总结版本。
相隔200年的两场抵抗重叠之处
现在把这两幅图叠在一起看。我认为有三处完全重合。
第一，抵抗的主体不是非熟练者，而是熟练者。 1811年的织布工人是那个时代的专业人士。2026年对AI引入感到最不适的群体也是如此。在Adaptavist的调查中，表示正在考虑转行的比例，普通知识工作者为33%，而C级高管高达46%。这不是从底层向上蔓延的焦虑，反而是在上层表现得更浓烈的焦虑。
第二，技术不是在减少劳动，而是在重新分配劳动。 编织机没有消灭劳动。它把熟练劳动变成了非熟练劳动，并把这中间的差价转移给了工厂主。如今的AI也没有消灭工作，它把创作性劳动变成了核查性劳动。问题在于，这种核查劳动不会体现在任何人的绩效指标里，只能由个人悄悄承受。
第三，反弹会在控制权从个人转移到组织的那一瞬间爆发。 这一点如今尤其耐人寻味。就在不久前，企业们还在鼓励员工尽情试用AI。可是当AI公司转向基于代币的计费方式3、成本开始变得可见之后，企业现在又转而收紧使用。对员工来说，等于在半年之间收到了完全相反的指令：从“凭你自己的判断放手去用”变成了“不要用”。
技术没有变。变的是谁握有决定权。 卢德分子当年愤怒的地方，正好也在这里。
这里还要补充一点：创造力问题。这不是感性的说法，而是被测量过的结果。
科学期刊《Science Advances》2024年刊登的一项研究中，研究者向300名作家提供AI创意，并由600名评审员对成果打分。使用AI最多的一组，其作品新颖性高出8.1%，实用性高出9%。原本创造力较弱的作家，新颖性甚至提升了10.7%，实用性提升了11.5%。对个人而言，这显然是获益。
但同一份数据显示，作家之间的相似度上升了10.7%。 个人变好了，群体却趋同了。
沃顿商学院研究团队2025年发表在《Nature Human Behaviour》上的头脑风暴实验则更为戏剧化。在45组统计比较中，有37组显示使用AI的小组在创意多样性上出现了显著下降。在“用砖块和电风扇制作玩具”的任务中，94%的ChatGPT用户提出了重叠的概念，其中九个人各自独立地为自己的玩具起了同一个名字：“Build-a-Breeze Castle”。 而在只有人类参与的小组中，没有出现这种重复。
所以，“AI会损害创造力”这种直觉性的抱怨，至少在群体层面，是有依据的。
但怀旧本身有个陷阱
如果就此打住，这篇文章就只讲了一半。怀旧这种情绪，本身就习惯于把过去美化。
AI出现之前的内容产业真的那么多元吗？大型制片厂和出版社早在AI出现之前，就在不断重复被验证过的套路——续集的续集，翻拍的翻拍。从来就不存在“所有创作都是实验性杰作”的时代。
年轻一代的学习问题也是同理。担心“如果AI把基础工作都做完了，新人还能学到什么”是合理的忧虑。但作为对照被设想的那个过去——律师事务所和银行让新人把同样的简单工作重复上千遍的学徒模式——真的是最好的学习方法吗？它之所以延续下来，是因为它是唯一被验证有效的方法，还是因为它便宜、又是惯例？
如果不诚实地回答这个问题，我们找回来的就不是失去的东西，而只是熟悉的东西。这两者是不一样的。
卢德分子自己也没能摆脱这个问题。他们想要守护的学徒体系，同样存在准入门槛高、封闭排外的问题。历史站在他们那一边，不是因为那套体系完美无缺，而是因为把变革的代价只算在他们头上的方式本身就是不公平的。
Oswarld视角
我认为这个问题不是引入失败，而是设计上的遗漏。
在制定GTM战略的过程中，我反复看到一种场景：引入新工具时，组织总是会算两笔账——省了多少钱，快了多少。但很少有地方会问第三个问题：这个工具制造出来的新劳动，由谁来承担？
在AI引入计划书里，我几乎从未见过“验证”这个词旁边写着负责人的名字。被节省下来的时间被写进了公司的幻灯片，而新产生的核查劳动，则被吸收进了个人的晚间时光。42%的人说“核查所花的时间比省下来的时间还多”，不是因为工具不好，而是因为这份劳动没有主人。
所以我认为，现在真正需要的不是AI培训，而是AI工作的重新设计。教人怎么写好提示词很容易，也很显眼。但把“这个团队里，谁是AI产出物的最终责任人，为核查工作分配了每周多少小时”写进文件里，却很难，也不显眼。难的那一部分，才是真正的工作。
如果这个判断是对的，那么发出嘘声的那些毕业生，就不是反技术主义者。他们只是在登上火箭之前，先问了一句：座位上有没有安全带。 我认为这是一个非常合理的问题。
结语
总结一下。那65%怀念AI之前时代的人，怀念的不是清闲的日子，而是在“创作变成了核查，却没有人承认这个变化”的处境下做出的反应。这与卢德分子当年抵抗的，不是机器本身，而是机器引入的条件，是同一种结构。所以现在该问的问题，不是“该不该用AI”，而是：“AI新创造出来的劳动，该算在谁的账上？”
这周我建议大家只做一件事：数一数自己实际花了多少分钟去核查AI生成的内容。如果这个数字比你自以为省下来的时间还多，那就不是工具的问题，而是设计的问题。
最近在使用AI的过程中，有没有过“这本来不该是我的工作”这样的瞬间？欢迎在评论区告诉我们，这条界限是在哪项工作上悄悄被越过的。我们会收集读者的案例，看看核查劳动实际上最常出现在哪些地方，在下一期做一份地图。
💬 请在评论区分享让你觉得“这本来不该是我的工作”的瞬间，我们会在下一期反映出来。 📨 如果身边有同事正被AI产出物的善后工作搞得筋疲力尽，请把这篇文章转给他们。
参考资料与延伸阅读
核心来源
- The Adaptavist Group, Understanding the Human Cost of AI Transformation, 2026年3月。 链接 ··· 是今天这篇文章的骨架来源。调查对象为英国、美国、加拿大、德国、西班牙的2,500名知识工作者，其中按世代划分的交叉表尤其值得一看。
- Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work, It Intensifies It”, Harvard Business Review, 2026年2月。 链接 ··· 优势在于这不是问卷调查，而是8个月的实地观察。不过样本只有一家公司，推广时需谨慎。
- Anil R. Doshi & Oliver P. Hauser, “Generative AI enhances individual creativity but reduces the collective diversity of novel content”, Science Advances, 2024。 链接 ··· 用数据展示了个人创造力与群体多样性朝相反方向变化。建议从第3章的相似度分析开始读起。
- Lennart Meincke, Gideon Nave & Christian Terwiesch, Nature Human Behaviour, 2025。 链接 ··· 就是那个九个人给自己的玩具起了同一个名字的实验。通过45组比较验证了多样性的下降。
- “Former Google CEO Eric Schmidt booed during graduation speech about AI”, NBC News, 2026年5月。 链接 ··· 开篇场景的出处，附有现场发言全文整理。
背景知识
- Brian Merchant, Blood in the Machine: The Origins of the Rebellion Against Big Tech, Little Brown, 2023。 链接 ··· 这本书把卢德运动从技术恐惧症还原为一场劳工运动。今天这篇文章的历史部分正是依据于此。
- 安光涉，《把思考交出去的人们：无脑智人》，J-Pub，2025。 链接 ··· 对核查劳动与判断权转移的问题做了更详尽的论述。
推荐延伸阅读上期内容
- OZ Talking，“关掉20瓦大脑的人们”
📝 术语说明
