AI会取代假释官吗？风险算法已经来了——但这个职业在增长

38%。这是假释官面临的AI暴露评分——足够高，意味着工作方式将发生真正的变化，但足够低，说明监督假释人员的核心职能仍然是根本上的人类工作。

BLS预测缓刑官和矫正处遇专员（包括假释官的更广泛类别）的就业在2024年至2034年间增长+4.2%。适中的暴露评分与增长的就业需求以及许多州级系统中老龄化的劳动力相结合，表明这是一个需求真实的稳定职业。这项工作在十年后会有所不同，但它不会消失。

本文梳理了AI在假释工作中实际上在改变什么、局限在哪里，以及未来最重要的技能是什么。

AI已经在工作中的地方

风险评估工具已经是假释工作的一部分几十年了。LSI-R（服务水平调查-修订版）、COMPAS和STRONG-R等工具自1980年代和1990年代以来一直被用于指导监督强度、方案决策和假释委员会建议。这些不是现代意义上的AI——它们是基于经验证风险因素的统计评分系统。但它们是当前AI工具建立于其上的基础。

新一代工具使用在更大数据集上训练的机器学习。一些工具预测各种结果的概率——特定时间窗口内的再犯率、如果发生撤销可能的犯罪类型、对特定治疗项目的反应。这些工具在群体级预测方面的准确率略高于旧的统计工具，尽管它们在个体案例上的表现更具争议。

在日常假释工作中，这些工具主要出现在三个地方：

初始监督规划。 当假释人员被释放时，风险评估评分帮助确定报到频率、药物测试强度和特定条件。AI增强工具提供比旧工具更细化的建议，有时建议特定的处遇匹配或警告历史上先于撤销的模式。

具有预测功能的案例管理软件。 一些系统包含警报，标记出显示与风险升高相关模式的案例——错过约会加上药物检测阳性、就业损失加上社交网络变化等组合。目的是帮助官员优先分配注意力。

文件起草和报告。 像许多领域一样，假释工作涉及大量文书工作。帮助起草例行报告、总结案例历史和生成合规文件的AI工具可以释放官员时间，用于需要直接判断和个人接触的工作部分。

限制AI作用的严重问题

在刑事司法中使用算法工具引发了AI与公共政策空间中一些最活跃的讨论。这些顾虑并非理论上的，它们影响着这些工具的部署范围。

偏见和公平性。 多项研究表明，风险评估算法可能基于种族、地理和社会经济因素，对类似个体产生系统性不同的预测。2016年ProPublica对COMPAS的分析（尽管方法上有争议）开启了一场至今未结束的讨论。许多州级系统已经通过限制算法评分对特定决策的影响力、要求人工否决权力以及强制对其使用的工具进行偏见审计来作出回应。

透明度和正当程序。 被告和假释人员在法律上越来越有权质疑其监督决策的算法输入。几个州和联邦法院裁定，刑事司法背景下不透明的算法决策引发了正当程序问题。这推动系统转向决策逻辑可以被解释的工具——这限制了实践中可以使用哪类AI。

官员自由裁量权是功能而非漏洞。 假释工作的核心原则是有经验的官员对他们监督的人做出有根据的判断。用算法评分取代这种判断在假释官中是职业上不受欢迎的，而且被法官、假释委员会和许多学术研究人员持怀疑态度。这不会很快改变。

净效果是AI在假释工作中是一种工具，而非决策者。它帮助进行优先排序、起草和模式识别。它不会、而且在短期内不太可能取代官员在实际监督关系中的角色。

工作实际上是什么

假释官从事的工作根本上是关系性的。工作的核心是与假释人员建立足够的融洽关系，以了解他们生活中真正发生的事情；在问题变严重之前识别麻烦的迹象；将人们与治疗和就业资源联系起来；持守有关条件和后果的界限；以及对何时给予支持、何时警告、何时采取执法行动做出判断。

这项工作包括：

直接接触——办公室会面、家访、雇主接触、家庭会面。工作在很大程度上是对话性和观察性的，需要在场并能够读懂人心。

治疗协调——与药物滥用提供者、心理健康专业人员、就业计划、住房资源合作。这涉及了解当地服务、与提供者建立关系以及为个别假释人员倡导。

情境中的风险判断——辨别一个在挣扎但可能通过支持成功的假释人员与一个正在升级且走向严重犯罪的假释人员之间的差异。这种判断取决于了解个人、了解当地情况，以及整合许多微妙信号。

危机响应——处理假释人员处于直接危机（心理健康、药物滥用、家庭情况）或受害者或社区成员提出严重关切的情况。这些情况需要快速、情境化的决策。

法庭和假释委员会接口——撰写报告、在撤销听证会上作证、回应假释委员会询问。这是文书工作，随着AI辅助变得更容易，但仍然需要人类对建议什么的判断。

这些活动中没有任何一项能被当前AI处理，在任何对职业规划有意义的时间轴上，也不会有。

工作中将会改变的内容

尽管核心工作受到保护，假释官花费时间的方式将在未来十年发生变化。

文书工作减少。 这是已经发生的最明显变化。案例记录、法庭报告、合规文件和进展摘要越来越多地在AI辅助下起草，由官员编辑。对于承担繁重案件量的官员来说，这是受欢迎的——它释放出更多实际接触工作的时间。

更有针对性的接触。 更好的预测工具帮助将注意力集中在需要关注的案例上。承担80个案例的官员过去会给每个案例大致相等的关注，现在可以花更多时间在15个显示出令人担忧模式的案例上。

更高的文件期望。 随着工具使文件记录更容易，期望也在上升。案例记录和进度报告的预期标准在悄悄提高。

需求受政策驱动，而非技术

任何州需要的假释官数量更多由刑事司法政策而非技术驱动。扩大社区监督、减少监禁或推行监禁替代措施的州通常有增长的假释和缓刑官人数。朝相反方向发展的州需求持平或下降。

过去二十年美国刑事司法的总体趋势倾向于对非暴力犯罪采取社区监督而非监禁。这在许多州是两党共识的政策方向，推动了对假释和缓刑官的持续需求，尽管他们使用的算法工具变得更加精密。

结论

AI会取代假释官吗？不会，原因既是技术上的，也是政策驱动的。这项工作根本上是关于监督人类、在情境中行使判断以及在不确定性下管理关系。这些任务目前的AI无法胜任，可预见的未来也不行。刑事司法中算法决策的政策和法律限制增添了另一层保护。

38%的暴露评分是真实的，反映了假释工作中正在发生的真正变化。文件记录、风险评估、优先排序和模式识别都受益于AI工具。但核心监督关系仍然是人类的，而对假释官的需求在适度增长，而非萎缩。

在未来十年，你应该期待一份涉及更少文书工作、更有针对性的接触、更好的处遇匹配和风险评估工具，以及同样根本性工作——监督正在努力在获释后重建生活的人们的工作。工作在2035年将有所不同，但它仍将存在，而有意识地驾驭这一转变的官员将处于比那些不这样做的官员更强的位置。

---

方法说明：暴露评分遵循Eloundou等人（2023年）GPT影响框架，通过O\NET任务级分析应用于刑事司法职业。就业数据来自BLS 2024-2034年就业预测（缓刑官和矫正处遇专员，SOC 21-1092）。工资数据来自BLS职业就业与工资统计，2024年5月。风险评估工具文献评审包括2018-2024年LSI-R、COMPAS和STRONG-R的同行评审评估。[估计]标签表示综合数据；[事实]标签表示原始来源数据；[主张]标签表示未经独立核实的已发表主张。*