Stanford 用 1500 个工人和 844 个任务告诉 YC：你们 41% 的钱投错了方向

Stanford 用 1500 个工人和 844 个任务告诉 YC：你们 41% 的钱投错了方向 —— 你们投的都是"人们不想要"或"不需要"的东西，而那些"想要但没什么人做"的事正在等待 founders。论文中工人最想自动化的前 10 个职业 Claude 的使用量只有 1.26%，现有 AI 使用反映的是早期采用者偏好，不是真实工作场所需求！

WORKBank 把工作任务划分成了四个象限，高渴望和高能力分别表示对 AI 高需求和 AI 目前的能力：

Green Light（高渴望 + 高能力）

这一象限聚集的工作类型：数据录入 / 文件整理 / 日程安排 / 例行报告生成 / 标准化客服流程 / 重复性信息检索整合（QA、合规类）

R&D Opportunity（高渴望 + 低能力）

这一象限聚集的工作类型：跨系统协调（涉及多个工具/部门但仍结构化）/ 长上下文研究 + 综合分析 / 项目计划和资源分配 / 中等复杂度的创意设计

这正是创业公司应该看的方向——工人想要 AI 帮忙，但当前 AI 能力还没到位。

Red Light（低渴望 + 高能力）

这一象限聚集的工作类型：内容创作的最终呈现（艺术/设计/媒体红灯比例 47.6% 全行业最高）/ 客户面对面的关系类（销售/法律咨询/客户管理）/ 决策的"署名"环节（草稿可以 AI 写但谁署名 = 谁负责）/ 创意的灵感判断（"这个 ok / 不 ok"的最终拍板）

特征：技术上 AI 能做，但做的人在乎自己的 ownership / 创造性 / 客户关系——这是最容易引发劳动法纠纷和文化抵制的区域。中国法院的两个判例（Zhou 在 QA / Liu 做地图录入）就涉及这一区。

⚪ Low Priority（低渴望 + 低能力）

这一象限聚集的工作类型：高度物理 / 跨系统手动追踪（电话、纸质文件、人工对接）/ 高度地方化、低标准化（每个城市/机场/银行流程都不同）/ 长尾的客户异常处理 / 受监管约束极强的小批量任务

特征：双低 = 不必做。论文也指出，这些任务人类做得也不开心（已经被流程化得很惨），只是 AI 现阶段也帮不上忙。

最被忽视的发现：同一职业内的不同任务往往横跨多个象限。最典型的例子 - 程序员：

- "重构同一模式代码" →

- "理解模糊的用户需求" →

- "在客户面前展示 demo 并应对质询" →

- "在老旧 COBOL 代码里追一个偶发 bug" → ⚪

这意味着"程序员被 AI 替代"可能是一个伪命题。程序员的某些任务在绿灯区（已被 Claude Code 大量自动化），某些在红灯区（客户沟通、责任归属），某些在 R&D 区（AI 还做不到的复杂理解）。

这也是 Diana / Cat Wu 描述的"PM 与工程师角色融合"在数据上的解释——工作不是被替代，是被重新切分到四个象限里