AI 在淘汰职业之前先改变工作与技能

尽管越来越多的证据表明，自动化已经在改变招聘、薪资和日常工作，Google News 却呈现了一种反对“AI 就业末日论”的新观点。Eurasia Review 的一篇评论文章认为，人工智能将改变工作，而非摧毁工作。这个区别听起来令人安心，但它并未解决最棘手的问题：一份被改变的工作，仍可能变得更难进入、更不稳定，或价值更低。

这一观点得到大量证据支持。研究人员越来越多地从任务层面研究 AI 暴露度，而非将每个职业视作不可分割的整体。律师需要研究、起草、谈判、提供建议，并承担专业责任。软件或许能自动完成其中一部分工作，但不会取代律师。

然而，任务自动化并不保证保护劳动者。当一名员工能够完成更多任务时，企业可以扩大产出、减少招聘，或同时采取这两种做法。结果取决于需求、管理层选择、劳工制度，以及谁能获得生产率提升带来的收益。

这才是标题背后的真正冲突。有意义的比较不是“有工作”与“没工作”，而是劳动者增强与劳动力替代——这两种结果都可能由同一种生产力工具带来。

Google News 标题说对了什么

最有力的证据支持工作转型，但转型并不等同于安全。

Google News 突出的这篇关于工作场所 AI 的观点文章挑战了一种常见预测。它否定了这样一种看法：能力强大的 AI 系统必然会突然终结人类就业。

这种否定与职业的实际运作方式一致。大多数工作都包含多项任务，其要求、风险和重复程度各不相同。生成式 AI 可以起草常规文本，而人类负责核查事实、处理例外情况，并对结果保持问责。

国际劳工组织在其 2025 年全球评估中得出了类似结论。其就业暴露指数评估的是职业内部的任务，而非将整个职业标记为可自动化。

国际劳工组织发现，全球每四份工作中就有一份在某种程度上暴露于生成式 AI 的影响之下。不过，该组织表示，由于许多受影响任务仍需要人类参与，工作转型比完全替代更有可能发生。

暴露度并不是失业预测。它衡量的是，在特定假设下，技术能否完成现有工作的一部分。实际部署还需要可靠的系统、重新设计的流程、适当的数据、员工培训，以及部署这些技术的经济理由。

这些条件减缓了从技术能力到组织变革的跃迁。一个模型或许能在几秒内生成可用摘要，但受监管企业无法立刻将该输出纳入每一项工作流程。它必须处理保密性、准确性、记录保存和错误责任问题。

同样的阻力也出现在监管较少的环境中。营销团队可以生成更多营销活动草稿，但仍需要有人选择受众、核实主张并评估表现。该技术压缩了制作时间，却没有消除判断力。

AI 还可以让原本不具经济可行性的工作变得负担得起。一家小企业可能会翻译原本从未计划翻译的产品文档。增加的产出可以吸收节省下来的劳动时间，而不是减少员工人数。

不过，企业也可能作出相反选择。如果需求保持不变，单个员工产出提高会减少所需劳动者数量。该工具仍然改变工作，但也会减少围绕这些工作的就业机会。

这就是为什么 Google News 的表述有用却不完整。它将注意力从戏剧性的职业消亡论断转向实际变化的基本单位。任务、工作流程和招聘阶梯正在整体职业消失之前发生变化。

重要事件不是某一次产品发布，而是基于任务的解释框架正在评论文章、研究和工作场所证据中不断巩固。随着采用范围超出实验阶段，这一框架如今面临更严峻的检验。

任务自动化令入门级工作承压

AI 可以保留一个职业，同时移除曾经培养其新晋从业者的任务。

入门级员工往往承担专业工作中最结构化的部分。初级分析师准备初稿，助理整理记录，新开发者处理定义明确的编码任务。这些工作让他们了解机构背景，也让资深员工获得更多支撑。

生成式 AI 首先瞄准了其中许多任务。它可以总结一组文档、生成初步的电子表格公式、起草标准通信内容，或提出代码建议。随后，由经验更丰富的员工审查结果。

职业依然存在，但其招聘渠道可能收窄。雇主可能保留资深员工，却招聘更少的新人。这会带来滞后的劳动力问题，因为组织仍然需要未来的专家、管理者和审核者。

这种压力在文职工作中尤为明显。国际劳工组织发现，文职职业仍是暴露于生成式 AI 风险最高的类别。语音、图像和视频系统的改进，也提高了媒体和网页相关岗位的暴露度。

这并不意味着每一位行政人员都会失去职位。它意味着雇主可以围绕软件重组更大比例的任务。剩余岗位可能涉及更多例外处理、协调和质量控制。

这种重新设计提高了技能门槛。过去负责产出初稿的劳动者，如今可能需要监督多份机器生成的草稿。监督需要专业知识，因为看似合理的错误可能在快速审查中蒙混过关。

结果出现了一种令人不安的倒置。AI 可以帮助经验较少的人完成单项任务，但雇主整体上可能招聘更少的缺乏经验者。能力变得更容易获取，而职业入门却变得更难。

Kristalina Georgieva 在 2026 年 1 月发表于 Eurasia Review 的一篇评论文章中描述了类似的分化。她援引 IMF 分析写道，全球近 40% 的工作面临 AI 驱动的变化。

该分析还发现，专业、技术和管理岗位对新技能的需求更强。在美国和英国，要求具备新兴技能的招聘信息提供了工资溢价。

然而，这些收益并不均衡。Georgieva 表示，与其他新兴技能相关的就业增长，尚未在 AI 相关技能需求中出现。在五年后，对 AI 技能需求更强的地区，脆弱职业的就业表现更弱。

这一模式使简单的再技能培训论述变得复杂。培训固然重要，但劳动者无法仅凭个人努力解决入门机会不足的问题。当常规培训任务被自动化后，雇主也需要有意识地建立培养判断力的途径。

学徒制可以纳入 AI 审查、来源核验和例外处理。初级员工可以将生成内容与原始材料进行比对，并记录失败案例。这能让监督成为可学习的能力，而不是只留给成熟专家的专属职责。

企业面临短期激励问题。培养新人需要时间，而 AI 承诺即时效率。专注于季度成本的公司，可能会对未来所需的人才管道投入不足。

因此，知识工作者应关注招聘结构，而不只是员工总数。稳定的就业规模可能掩盖了更少的初级岗位、更高的经验要求和更慢的晋升速度。这些信号比大规模裁员更早揭示转型。

同一问题也影响个人工作习惯。将每一次初步工作都外包出去，可能会失去积累背景知识的机会。当个人知识系统能够为之后的审查保留来源、决策和背景信息时，它会变得更有用。

目标不是避免 AI 辅助，而是保留围绕这种辅助的学习循环。劳动者需要理解一个答案为何有效、它来自哪里，以及何时应当予以拒绝。

增强与替代共享同一机制

同样的生产率提升今天可以支持一名劳动者，明天也可能减少对类似劳动者的需求。

增强是指技术帮助人完成工作，而人仍处于流程的核心。替代则是指技术减少实现既定产出所需的人类劳动量。在实践中，同一系统可以同时做到这两点。

以使用 AI 助手的客户支持专员为例。该系统检索账户信息、总结先前消息并起草回复。专员处理情绪问题、核对政策，并批准最终答复。

劳动者变得更高效，服务质量也可能提高。如果客户需求增长，公司可以在不耗尽员工精力的情况下处理更多案件。这是乐观的增强路径。

如果案件量保持稳定，管理层可以利用同样的生产率提升来安排更少的专员。工作流程中仍有人参与，但组织需要的劳动工时更少。这就是部分替代。

OECD 在 2025 年审查了有关这一机制的实验性证据。其生产率研究发现，在目标明确、边界清晰的任务中，生成式 AI 带来了显著收益。

该审查还发现，经验较少或技能较低的参与者往往能在这些任务中获得更大收益。AI 让他们能够更快获得经验丰富的劳动者经年累月掌握的模式、示例和初步答案。

然而，OECD 警告不要将任务层面的结果过度外推。真实工作包含相互重叠的职责、模糊目标、组织约束，以及受控实验很少能复现的后果。

在起草任务中取得高分，并不能证明一个系统可以管理客户关系。编码基准测试也不能证明它能在需求变化和意外故障中维护生产服务。

信任构成另一项约束。劳动者必须知道何时可以信任 AI 输出，何时需要进行更深入的检查。过度不信任会浪费工具，而过度信任则会让细微错误蒙混过关。

这使专业能力成为自动化的互补条件。经验丰富的劳动者能够识别缺失的背景信息和不太可能出现的结果。然而，如果企业削弱培养资深劳动者的路径，这种优势就很难维持。

这一机制也改变了工作边界。产品经理无需等待分析师，就能生成基础数据查询。销售人员无需请营销文案撰写者协助，就能起草定制化跟进内容。

这些劳动者跨入了相邻任务，但并不会因此自动掌握相邻职业。更快的获取能力改变了协调成本。它可以减少内部交接，同时增加对标准和审查的需求。

这种跨边界的变化是汇总就业人数可能产生误导的原因之一。一家公司可能维持相同的员工总数，同时将工作重新分配到不同岗位。专业人员收到的常规请求可能减少，但更棘手的例外情况会增多。

这种变化对一些员工而言可能是积极的，对另一些人而言却令人疲惫。减少繁琐工作为判断留出了空间，但也可能让一天完全被复杂案例填满。工具减少常规工作量后，生产率目标往往会上升。

这一影响之所以重要，是因为工作质量不止于是否就业。工作强度、自主权、监控、排班、薪酬和学习机会，都会决定这种转型是否让劳动者受益。

OECD此前的劳动者调查发现，许多AI用户报告称工作表现有所改善，工作满意度也更高。培训和征询劳动者意见与更好的结果相关。

这些发现支持有条件的乐观态度。当员工能够影响实施过程并获得相关培训时，AI的采用效果更好。只安装一个聊天机器人而不重新设计责任分配，并不是劳动力战略。

因此，转型论取决于治理。技术决定哪些任务具备自动化的可行性；组织决定节省下来的时间会转化为更高产出、更短工时、更广泛的服务，还是更少的工作岗位。

就业预测并不保证什么

积极的全经济范围预测，无法保证某一位劳动者、某一种职业或某一个地区最终会受益。

世界经济论坛的就业预测预计，到2030年劳动力市场将经历大规模变动。该报告估计，结构性变化将创造1.7亿个岗位，并取代9200万个岗位。

这意味着预计净增加7800万个工作岗位。这一标题数字支持了这样一种观点：技术不会消除作为社会制度的工作。但它并不保证消失岗位与新兴岗位之间能够平稳过渡。

一名被取代的薪资文员无法立即成为AI专家。新工作可能要求不同的教育背景，位于另一座城市，或提供更低的保障。时间点同样重要，因为岗位流失可能早于机会成熟而到来。

WEF的数字涵盖技术、人口变化、经济不确定性和绿色转型等多种因素。它们不应被解读为仅针对生成式AI的受控估算。

雇主预期同样塑造了这项预测。它们揭示的是组织计划如何应对，而不是它们必然会怎么做。投资周期、监管、客户阻力和技术限制都可能改变这些计划。

即使净岗位增加，也可能伴随严重扰动。一个不断增长的经济体可以在整体上创造更多岗位，同时掏空特定的职业发展阶梯。总体收益不会自动补偿受影响的劳动者。

因此，“AI不会摧毁工作”这句话在一个层面上可能成立，但在另一个层面上却具有误导性。人类仍会继续工作，但一些人会失去工作，另一些人则会面临更弱的议价能力。

工资提供了一个重要检验。劳动者持续稀缺，或通过制度拥有共享的议价能力时，生产率提升可以提高报酬；当劳动力更容易被替代时，雇主则可能保留这些收益。

近期分析已开始寻找这种效应。2026年7月，Axios的一篇报道介绍了一项研究，该研究比较了AI暴露程度不同职业的工资增长。报道所述的关系表明，2023年之后，高暴露工作中的实际工资增长较弱。

这一发现并不能确定因果关系。职业群体在许多方面存在差异，而暴露度衡量也取决于对任务的假设。不过，工资可以揭示就业总量所忽视的压力。

工时是另一个衡量指标。一家企业可能在宣布裁员之前，就减少合同工、加班或岗位空缺。现有员工可能保留头衔，却通过AI支持的流程承担了更大的工作量。

小企业提供了一个有益的对照。OECD对七个国家开展的一项调查发现，在参与调查的中小企业中，生成式AI对整体人员需求的报告影响很小。

这项小企业调查结果还显示，一些企业使用生成式AI来应对技能短缺并减轻工作负担。另一些企业则减少了对外部合同工的依赖。

这正是具体形式的转型。内部就业可以保持稳定，而工作却从自由职业者或外部专家手中转移出去。仅限于工资单的调查将会遗漏这种重新分配。

证据仍处于早期阶段。生成式AI的采用迅速扩散，但组织需要时间重新设计流程。短期稳定无法证明长期就业影响。

许多当前系统仍会出现事实、逻辑和语境错误。人工审查限制了它们能够替代的劳动量。可靠性的提升可能改变这种平衡，而新的监管则可能放缓这一进程。

需求也可能扩大。更便宜的软件开发可能鼓励更多公司购买定制应用；更便宜的翻译可能让多语种出版在较小型组织中变得普遍。

经济学家将此称为规模效应。较低的生产成本可能使需求增长到足以维持或扩大就业。结果因市场而异，因为并非每项服务的需求都会同等扩张。

没有任何单一预测能够捕捉这些相互竞争的渠道。负责任的结论比令人安心的标题更为克制。当前证据更支持不均衡的任务转型，而非立即、全经济范围的岗位毁灭。

这一结论仍允许出现严重损失。它也仍未排除未来系统会自动化更大、更相互关联的工作部分。谨慎的分析必须同时把握这两点。

AI带来的工作变化取决于谁控制工作流程

当AI消除阻力却不削弱劳动者的权威、发展机会或对所产生收益的主张时，劳动者最能从中受益。

工作流程是为产出某一结果而采用的一系列任务、决策和审批。AI通过这些流程改变工作，而不是通过孤立的聊天会话。

一名员工可能私下使用模型总结会议纪要。这节省了个人时间，却不会改变组织。更大的转变始于公司将AI连接到共享记录、客户系统和正式审批流程。

整合让收益能够被重复获得。它也让管理层更清楚地看到产出、响应时间和员工行为。如果不设定边界，生产率软件可能成为监控基础设施。

对数据的控制同样重要。劳动者需要知道系统可以访问哪些材料、输出如何存储，以及他们的活动是否会用于训练未来的模型。机密工作无法安全地进入每一种公共工具。

核验必须保持可见。当生成的材料直接进入业务流程时，审核者需要能够访问原始来源和决策历史。否则，速度将以问责为代价。

这对知识工作尤其重要。一份措辞精致的回答可能掩盖薄弱的证据链。员工必须保留足以让他人复现、质疑或纠正结果的语境。

当团队保留本地文档及其来源关系时，一个可搜索的技术知识库可以支持这一过程。此时，人类的贡献包括选择证据和解决冲突。

征询劳动者意见能够改善实施，因为员工了解例外情况会在哪里出现。他们知道哪些看似常规的任务暗藏风险，也知道哪些重复步骤确实在浪费时间。

培训应聚焦于这些现实。通用的提示词课程无法让护士、律师、会计师或工程师为评估特定领域的失效做好准备。每个岗位都需要与其后果相对应的标准。

公司还需要决定谁仍然承担责任。当组织强制使用某个系统并设定激进的吞吐量目标时，责怪员工接受了有缺陷的输出是不公平的。

反过来，将AI称为单纯的助手，也无法免除管理层的责任。如果该工具改变了绩效预期或人员配置，它就已经成为职场政策的一部分。

当劳动者保有裁量权时，增强论最具说服力。他们可以拒绝输出、上报不确定性，并将节省下来的时间投入更高价值的活动。他们也会获得与扩展后职责相匹配的培训。

当管理层标准化输出并集中决策时，替代论会变得更强。劳动者变成了一个自己无法实质改变的流程的监控者。他们的持续存在可能掩盖了自主权的削弱。

这两条路径都不会由模型能力自动决定。合同条款、职业规则、劳动法、公司治理和产品设计都会影响结果。

因此，公共政策的作用不应仅限于为再培训提供资金。政府可以支持可迁移培训、劳动力市场转型、透明度和协商；也可以监测生产率收益是否集中于狭窄群体。

教育系统面临相关挑战。学生需要获得使用AI的经验，但也需要在没有AI的情况下练习。独立工作能够培养日后审查生成结果所需的判断力。

雇主不应将批判性思维视为一种抽象特质。它通过反复接触证据、错误、反馈和责任而形成。将每一项初级任务都自动化，可能削弱这种发展。

核心问题并不是人类是否仍以某种形式处于流程之中。当一名劳动者监督着不合理数量的自动化输出时，一个象征性的审批步骤几乎无法提供保护。

更好的问题是，人类是否保留了有意义的能动性。他们能否理解系统、质疑系统、改进流程，并分享它创造的价值？

这一标准将真正的增强与表面化的监督区分开来。它也让劳动者和雇主能在汇总统计数据到来之前，更清楚地评估AI带来的工作变化。

三个信号将检验Google News的乐观态度

招聘阶梯、工资分布和真实的工作流程重构，将显示AI是否在不掏空工作的情况下改变工作。

第一个信号是高暴露职业中的初级招聘。就业总量数据变化缓慢，可能掩盖招聘方面的变化。新的职位空缺能揭示公司是否仍在投资培养初学者。

关注职位招聘中要求的经验。要求数年经验的岗位占比若上升，将削弱乐观论据，尤其是在初级任务日益自动化的情况下。

还应关注新岗位的内容。聚焦于AI审查、核验、客户判断或工作流程设计的职位，将支持转型论。它们会显示围绕人工监督形成的新任务组合。

第二个信号是生产率收益的分配。每位员工的产出可以上升，而工资保持不变、工作负荷却不断加重。这种结果代表雇主成功实现自动化，但对劳动者而言是较弱的结果。

实际工资、工时、合同工使用情况和晋升率应纳入同一评估。仅关注裁员，会忽视通过自然流失、减少自由职业支出或放缓招聘实现的替代。

如果工资和员工自主权随着生产率一同上升，增强论就会更有力。如果产出攀升而报酬和流动性减弱，转型将更像是渐进式的劳动力替代。

第三个信号在于企业如何重新设计生产工作流程。孤立地使用聊天机器人，对长期就业的说明意义不大。将数据、决策与审批连接起来的集成系统，会带来更深层的组织影响。

可靠的多步骤自动化会强化“替代”这一论点，因为软件能够处理流程中更大部分的工作。持续出现的错误、合规障碍以及高昂的审核成本，则会维持对人类专业能力的需求。

员工参与同样重要。能够征询员工意见并明确责任归属的组织，可以将节省下来的时间转化为更优质的服务或更可持续的工作负荷。自上而下的部署往往会把效率转化为更紧的绩效目标。

Google News 放大了对最戏剧化 AI 叙事的一项及时修正。工作并不是一个会被技术保留或摧毁的单一对象，而是由任务、关系、权利与机会构成、不断变化的集合。

这种修正不应变成新的口号。“工作岗位将发生变化”既可能意味着更好的工作、更少的职位、更低的薪酬，也可能三者同时发生。读者应关注节省下来的时间由谁获得，以及转型成本由谁承担。

未来几个月，在接受有关创造就业的说法之前，应先审视招聘数据。将生产率公告与工资和工作负荷的证据进行比较。追问当工作流程发生变化时，真实员工是否获得了更多自主权。

这种方法将抽象的未来工作争论转化为可观察的检验。关注 Google News 标题背后的证据，然后根据 AI 所留下工作的质量来评判它。