当AI深入能源一线，“劳动经验价值化”成为必然

来源：能源中国客户端 时间：2026-09-17 10:12

　　自2026年6月起，国务院印发《实施就业优先战略“十五五”规划》，人力资源和社会保障部、国家发展改革委等部门相继印发《关于加快推进“人工智能+人社”应用发展的实施意见》等政策文件，明确提出“完善人工智能应用就业风险预警处置体系”的发展要求，这体现出中央层面高度关注人工智能发展对劳动力就业市场的冲击。

　　当前，人工智能逐步承接大量原本由人类完成的生产任务，一个核心理论与实践问题亟待回应：劳动者经过多年生产实践积累形成、附着于劳动者个体的经验性知识，将以何种形态存续、又将发挥何种作用？能源电力行业作为人工智能替代人工实践的先行领域，既直面劳动经验存续挑战，也具备率先探索破解路径的基础条件。

　　“机器替代人工”的三重形态

　　人工智能发展引发的机器对人工的劳动替代并非单一同质化过程，而是呈现出三类特征差异显著的形态。

　　第一，劳动力直接替代。人工智能主要承接程式化生产任务，替代范围逐步从体力劳动向非体力劳动延伸，覆盖流水线作业、数据录入、标准化客服、通用文书草拟等可编码劳动领域。这是机器替代最直观的表现形式，也是引发公众就业焦虑的核心来源。根据国际机器人联合会（IFR）发布的统计数据，2024年中国工业机器人安装量达到29.5万台，占全球总安装量的54%，连续多年位居全球第一。合理调控自动化技术对就业岗位的替代比例，是当前亟待解决的核心问题。

　　第二，认知劳动结构升级。人工智能的应用推动劳动者从信息检索、初步分析等低认知负荷任务中释放，促使劳动者将工作重心转向创造性思维、战略研判、复杂情境决策等高阶认知活动。以电力调度场景为例，认知劳动升级体现为：在人工智能完成负荷预测与故障定位工作后，调度员的角色从传统的“信息处理者”转变为“决策验证者”，劳动者积累的经验价值并未被人工智能替代，反而实现了价值放大。

　　第三，劳动力供需结构变革。传统岗位加速淘汰的同时，AI训练师、人机协作管理者等新兴职业不断涌现。根据世界经济论坛（WEF）的预测，到2030年全球劳动力市场将净新增7800万个工作岗位。但岗位的净增长并不意味着劳动力市场能够自发实现平稳过渡，旧岗位积累的劳动技能无法直接迁移适配新岗位的需求，劳动者需要持续进行技能迭代才能适应人工智能时代的劳动力市场要求。

　　上述三类替代形态随着人工智能的深度应用同步推进，只有准确把握这一结构性特征，才能跳出“将机器替代等同于大规模失业”的单一叙事逻辑，避免过度的替代焦虑。

　　劳动经验流失成沉没的隐性成本

　　现有机器替代的研究多聚焦于“人工智能将替代多少就业岗位”这一问题，对应的解决方案也多停留在生产效率提升层面。与岗位消失相比，人工智能带来的更深层影响是劳动经验的不可逆流失，且这类流失无法通过技术重建弥补。

　　哲学家迈克尔·波兰尼（1891~1976）提出“人类所知远多于所能言传”的核心观点，指出默会知识在人类认知体系中的核心地位。劳动者依托一线生产实践形成的设备异常识别、系统故障预判等能力是劳动经验的核心构成，属于典型的默会知识——这类知识无法通过语言文字实现完整传递，却在实际生产运行过程中发挥着不可替代的作用。以能源电力行业为例，经验丰富的巡线员可通过运行声音判断变压器的工作状态、通过触感判断螺栓松紧程度，这类情境判断力是经过数十年一线实践沉淀形成的能力，既无法被标准化操作手册穷尽概括，也难以被人工智能模型的训练数据完整捕获。

　　但这类劳动经验与对应的劳动岗位高度绑定，岗位消失后，依附于岗位的劳动经验也随之流失。截至2024年，中国制造业工业机器人密度达到567台/万人，大幅超过全球177台/万人的平均水平，在机器替代进程持续加快的同时，劳动经验的流失速率也同步提升。

　　需要警惕的是，高技能劳动者积累的隐性劳动经验是行业发展进程中沉淀形成的宝贵认知资源，其价值不亚于行业拥有的设备资产与数据资产。但设备资产可通过折旧表核算，数据资产可依托存储库留存，唯有劳动经验缺乏系统化的留存机制：它客观存在，但不具备可显性化呈现的特征；它具备极高价值，但难以通过量化方式估值。当对应劳动岗位消失，这类认知资产便大概率永久灭失，无法实现重建。

　　能源企业积极推进人工经验价值转化

　　能源电力行业是人工智能应用最为密集的基础设施领域之一，也是中央企业开展机器替代实践的先行行业，目前已积累了丰富的实践样本。在调度领域，南方电网自主研发的“大瓦特·天衍”AI负荷预测模型单轨运行，全面替代人工预测，准确率达98.78%。巡检领域，国家电投在拉西瓦水电站部署的无人机智能巡检系统将单次全域巡检从人工的5~7天压缩至8小时以内，搭载AI识别算法实现设备缺陷与安全隐患的秒级告警。在能效领域，中国华电研发的全球首个径流预测大模型将水能利用提高率从过去10年的年均5.8%提升至10.8%。在带电作业领域，国家电网研制的高空带电作业智能机器人可在20分钟内完成传统需1小时以上的作业任务，效率提升超40%。

　　上述案例表明，能源行业通过人工智能应用提高了生产效率并改善了作业环境。但效率跃升的同时，新的问题被推到前台：随着机器替代的深入推进，体力生产任务逐步实现从“人”到“机”的功能转移，脑力领域劳动经验流失的风险正不断凸显。

　　劳动者积累的劳动经验不仅属于个人所有，更是全行业共有的宝贵资产。主动开展脑电量化等前沿技术的研发与应用，推动电力运维经验由不可见的隐性资产转化为可存储、可传递、可迭代更新的显性知识，促进被替代劳动力从物质生产岗位向非物质生产岗位转移，既回应了中央对“劳动者主体地位”的重要关切，也彰显了能源企业的社会责任与使命担当。

　　三大劳动维度的系统性重构

　　劳动经验的价值转化并非单一技术问题，而是涉及岗位设计、技能评价、技术研发三个维度的系统性重构。

　　第一，优化岗位流动通道。推动被替代劳动力从巡检、数据录入等传统岗位向机器人运维管理、模型算法设计、AI行为审计等新兴岗位转移，实现劳动者由知识“应用者”向“创造者”的身份转变。针对年龄偏高、技能转型难度较大的劳动者群体，应设置专门化的人机协同岗位，保障其劳动经验能够在协同生产场景中持续发挥作用。

　　第二，开展劳动经验价值化研究。劳动经验本质上属于“不可言传”的默会知识，传统访谈法与问卷法无法对其进行有效捕捉，需要依托认知状态的客观量化方法，实现经验由“隐性”向“显性”的转化。当前脑电监测技术发展迅速，依托该技术构建劳动经验价值化技术体系，针对不同业务场景开展人员认知状态的系统性研究，是破解劳动经验流失问题的创新性路径。

　　第三，探索构建脑力劳动评价体系。将认知状态量化指标纳入劳动者技能认证与岗位匹配机制，打通岗位技能量化评估的通路，推动“经验丰富”这一传统定性描述向可测量、可比较、可认证的量化指标转化，从根本上提升技能评价的公平性与精准度。

　　（作者单位：南方电网能源发展研究院）

责任编辑：高慧君