AI 正在重塑招聘，早于其引发大规模裁员

Google News 揭示了纽约联储的一项发现，它让最喧嚣的 AI 就业叙事变得更复杂：在大规模裁员显现之前，招聘已经发生变化。

Liberty Street Economics 发布的研究发现，几乎没有证据表明，ChatGPT 问世后 AI 导致了广泛的招聘放缓。不过，同一研究项目也显示，部分雇主已因 AI 而减少招聘受过大学教育的劳动者。

这种张力比又一个“机器取代人类”的预测更值得关注。雇主可以通过不填补空缺岗位、调整职位要求和培训内部员工来重塑劳动力队伍。这些决定都不一定会立即造成裁员。

因此，核心冲突并非劳动者与机器的对立，而是员工再培训的承诺与更隐性的招聘收缩之间的矛盾，尤其是在职业生涯的第一阶梯附近。

Google News 让招聘问题重新回到证据层面

纽约联储最重要的发现并不是 AI 没有影响劳动者，而是总体数据仍无法识别出广泛的 AI 冲击。

Liberty Street Economics 分析了来自 Lightcast 的美国详细职位发布数据。该数据集汇总了企业招聘页面、求职网站及其他就业平台上的职位信息。

研究人员 Richard Audoly、Miles Guerin 和 Giorgio Topa 比较了 AI 暴露程度不同职业的职位发布趋势。AI 暴露程度衡量的是，某一职业的工作在技术和实际层面有多少可被当前系统触及。

这一指标综合了职业任务、观察到的 AI 使用情况，以及自动化与增强之间的平衡。自动化是指将工作交由 AI 完成，而增强则是指在人的判断参与下使用 AI。

研究人员检验了在 ChatGPT 于 2022 年末发布后，高暴露职业的职位空缺是否出现不成比例的下降。他们的职位发布分析没有发现明确的发布后断点。

在 ChatGPT 出现之前，暴露程度更高职业的职位空缺就已开始走弱。高暴露职业与低暴露职业之间的差异随后在 2023 年后趋于稳定。

这一时间线削弱了简单的因果叙事。在生成式 AI 公开突破之前就已开始的趋势，不能完全归因于这一突破。

该研究还比较了高暴露职业中的初级和高级职位空缺。这两类职位大体同步变化，而非在 2022 年后明显分化。

这一结果对“职位发布已显示 AI 导致初级岗位需求在全经济范围内显著崩塌”的说法提出了挑战。但它并不能证明初级劳动者没有面临与 AI 相关的压力。

可量化的暴露范围仍然有限。按该研究的暴露程度量表，得分至少为 0.4 的职业所涵盖的劳动者和职位空缺均不足 10%。

与此同时，40% 的劳动者从事的工作测得 AI 暴露程度为零。一项快速发展的技术可以主导企业战略，却仍以不均衡的方式分布在劳动力市场中。

Google News 的读者可能会在这一克制的发现旁看到引人注目的裁员公告。这些报道衡量的是不同事物，默认不应将它们视为相互矛盾。

一项已公布的裁员可以立刻被统计。一个从未发布的职位，则不会留下解雇通知、遣散费申报或可供采访的受影响员工。

企业也可以削减某一职能，同时招聘另一类人才。它可能减少常规内容岗位，却增加工程师、销售专家或能够整合 AI 系统的员工。

因此，纽约联储的结论比“高枕无忧”的信号更为有限。它表示，现有职位空缺模式并不支持将 AI 视为更广泛招聘放缓的主要原因。

这种区分构成了本文的核心张力。总体证据看似温和，但其下方的雇主决策已在朝相反方向发展。

AI 正在重塑招聘，早于其引发大规模裁员

招聘收缩是最清晰的早期压力点，因为它改变了机会，却不会制造引人注目的就业事件。

纽约联储的另一项调查询问了区域企业 AI 如何影响其劳动力决策。答案说明了为何裁员总数只能提供不完整的衡量。

服务业企业的 AI 使用率从 2024 年的 25% 上升至 2025 年的 40%。制造业的采用率则从 16% 增至 26%。

在信息、金融和专业服务行业，超过半数受访企业表示已在业务流程中使用 AI。若干实体产业和农业行业的采用率则仍明显较低。

在使用 AI 的服务业企业中，仅 1% 表示过去六个月曾因这项技术裁员。没有受访制造商报告与 AI 相关的裁员。

但有 12% 的 AI 服务业企业表示，它们因 AI 而减少招聘。近四分之一计划使用 AI 的服务业企业预计将在未来六个月减少招聘。

这项企业调查发现，招聘减少集中在需要大学学历的岗位上。这对寻求首个专业职位的毕业生构成了尤其大的压力。

这些发现揭示了一种裁员追踪器无法捕捉的机制。管理层可以通过允许自然流失并推迟补招，来获得预期的生产率提升。

一个失去两名分析师的团队，可能会借助 AI 工具将工作分配给留下的员工。公司在没有解雇任何人的情况下减少了劳动力需求。

招聘人员也可以提高空缺职位的经验门槛。如果 AI 能处理基础起草或数据准备工作，雇主可能更偏好能立即监督产出的候选人。

这种变化会使传统上通过较简单任务积累经验的求职者处于不利位置。初级岗位不仅是生产岗位，也是一种培训结构。

同一项调查也避免了过度悲观的解读。11% 的 AI 服务业企业和 7% 的制造商表示，它们因 AI 而增加招聘。

两类企业中均有 10% 至 15% 预计将增加与 AI 相关的招聘。一些减少某一类岗位的企业，同时在招聘具备不同能力的人才。

结果是职业结构的流动，而非单向崩塌。受过大学教育的劳动者同时出现在变化的两端，因为 AI 影响了许多信息密集型岗位。

这有助于解释为何个人体验可能比全经济统计数据更严峻。稳定的就业总量可能掩盖了被阻断的职业入口、变化的技能要求和职业间流动。

雇主还面临高利率、疫情后的人员配置调整、需求放缓及远程办公政策变化等环境。每一项因素都可能在与 AI 无关的情况下减少职位空缺。

纽约联储的职位发布研究考虑了广泛的经济变化，但没有任何观察性设计能完美映射每一家公司的决策。管理者自身也可能将预算驱动的招聘冻结错误归因于 AI。

不过，这项调查捕捉到了总体职位发布数据无法反映的明确决策。当雇主明确表示因 AI 而减少招聘时，即使其当前影响范围仍有限，这一信号也值得关注。

对求职者而言，其实际含义已经很明确。等到大规模失业数据出现，可能意味着错过认识职业阶梯变化的时机。

再培训正在占上风，但获得机会仍不均等

对在职劳动者而言，主导性的调整仍是再培训，但获得这种保护的机会分布并不均衡。

在该区域调查中，略超过三分之一的 AI 服务业企业表示正在培训员工。14% 的制造商表示也在这样做。

两类企业中均有近半数预计将在未来六个月培训员工。这些意向远超已报告的裁员。

这支持了一条增强路径：劳动者学习使用 AI，同时保留对结果的责任。它也能让企业避免丢弃宝贵的组织知识。

一名经验丰富的员工了解公司的客户、例外情况、审批流程和内部风险。模型可以加快任务完成速度，却不会自动获得这些背景。

再培训使雇主能够将技术辅助与积累的判断力结合起来。替换员工则可能失去未出现在正式文档中的知识。

然而，劳动者层面的研究揭示了严重的获取差距。一项具有代表性的 2025 年 11 月调查发现，39% 的在职受访者在过去一年中曾在工作中使用 AI。

不同教育程度的使用率差异显著。大学毕业生的使用率为 58.7%，而没有大学学历的劳动者仅为 22.9%。

收入差异更大。年收入低于 50,000 美元的劳动者中，使用率为 15.9%；年收入高于 200,000 美元的人群中，使用率则达到 66.3%。

约 38% 的在职受访者认为 AI 培训很重要。只有 15.9% 表示其雇主提供了任何培训。

因此，纽约联储的劳动者培训数据挑战了对再培训的一种令人安心的解读。这一策略确实存在，但许多劳动者无法获得。

在曾于工作中使用 AI 的人群中，66% 表示个人生产率有所提高。40% 表示完成任务更快，22% 表示完成的任务更多。

另有 19% 表示任务耗时更长，因为他们仍在学习。生产率提升并非自动发生，尤其是在劳动者获得工具却没有接受指导或工作流程没有重新设计的情况下。

37% 的在职受访者表示，其工作场所不提供 AI 工具。另有 11% 表示雇主禁止使用这些工具。

这种分化造就了两个劳动力市场。一组人在积累 AI 辅助工作流程的经验，另一组则几乎没有机会建立可比的能力证明。

劳动者一旦获得这种机会，就会认识到其价值。接受过雇主培训的受访者表示，若要接受一份其他条件相同但不提供培训的工作，平均需要加薪 24.2%。

所需加薪的中位数为 15%。相比之下，缺乏培训的劳动者平均愿意牺牲 11.4% 的薪资来获得培训机会。

这种差异部分反映了损失厌恶和劳动者自我选择。但它仍表明，培训可以成为一项有意义的就业福利，而不只是次要的软件教程。

风险在于，雇主将当前熟练程度理解为个人天赋，而它往往反映了工作场所提供的机会。来自拥有明确政策和培训体系企业的候选人，相较于能力同样出色的外部求职者会获得优势。

知识工作者可以通过记录项目、决策、提示词、失败案例和经验证的输出，来缩小这一差距。一个可检索的个人知识系统可以保留判断力如何提升 AI 辅助工作的证据。

此类证明并不能保证就业。它能让员工更有力地展示成果，而不只是声称自己熟悉某个热门模型。

雇主同样需要比完成课程更可靠的标准。有效培训应将 AI 使用与领域准确性、审核流程、数据处理和升级处置机制联系起来。

再培训对劳动力市场的承诺取决于这些实质内容。仅向员工发放访问凭证，而不提供时间、指导或评估，并不能形成持久能力。

初级岗位的证据指向相反方向

最强烈的分歧集中在年轻员工身上，因为薪资记录和职位空缺数据衡量的是就业的不同阶段。

纽约联储发现，在 AI 高暴露职业中，ChatGPT 发布后初级与高级职位发布量之间并未出现明确分化。斯坦福研究人员使用薪资记录得出了更令人担忧的结果。

斯坦福数字经济实验室的一篇工作论文分析了美国一家大型薪资服务提供商的高频行政数据，重点考察不同职业和经验层级的就业变化。

研究人员发现，在 AI 暴露程度最高的职业中，22 至 25 岁员工的就业人数相对下降了 16%。该估计控制了公司层面的冲击。

同一职业中，有经验员工的就业情况更为稳定。在 AI 暴露程度较低领域工作的员工，情况也相对更好。

这项早期职业研究发现，下降主要集中在 AI 使用更偏向自动化的领域。以增强人为主的使用方式变化则较为温和。

这些证据与 AI 削弱初级就业的判断相符，但并不等同于证明 AI 导致了全部下降。

薪资数据观察的是受覆盖企业中仍在职的人员。职位发布数据观察的是公开招聘需求，其中包括可能永远不会被填补的岗位。

初级职位空缺类别也可能包含经验要求差异很大的工作。雇主可能保留原有标签，却要求申请者具备更强的即时生产力。

反过来，薪资变化也可能反映留任率下降、组织重组或行业特定条件。暴露度指标还取决于某一家服务提供商观察到的使用模式。

Anthropic 自身的劳动力市场研究没有发现 AI 高暴露职业的失业率系统性上升。不过，它发现了一些暗示性证据：22 至 25 岁员工的招聘可能有所放缓。

因此，这些研究并不能简单划分为乐观派和悲观派。它们一致认为，广泛失业尚未显现出大规模 AI 冲击。

它们也都将年轻员工视为可能最早承受压力的群体。分歧在于信号有多强，以及哪种衡量方式最能捕捉这种影响。

工作与任务之间的区别，有助于协调这些证据。即使 AI 能覆盖许多常见任务，它也很少能承担某一职业中的全部职责。

初级员工往往负责调研、初稿撰写、常规分析、排期或基础代码修改。这些恰恰是当前工具能够加速完成的任务。

高级员工则贡献更多异常情况处理、利益相关方信任、系统知识和问责能力。这些职责更难被纳入任务暴露度评分。

因此，雇主可能保留这一职业，却缩减其较低层级所需的人数。职位名称依然存在，但其内部人员结构金字塔发生了变化。

这正是 Google News 标题背后的招聘悖论。一个广泛职业可能没有出现决定性的崩塌，但其传统的入门路径却正在变窄。

长期问题不止影响最先受冲击的一代人。组织依赖初级岗位来培养未来的管理者、技术负责人和领域专家。

如果公司将学徒式任务自动化，却没有替代其学习功能，就会形成继任缺口。这个缺口会一直隐藏，直到有经验员工离职，或需求超出内部能力。

恰当的应对方式，不是仅为培训而保留低效工作。雇主需要重新设计学徒培养机制，让职业早期员工在监督下承担 AI 辅助产出的责任。

初级分析师可以验证模型生成的研究内容、追溯来源、识别缺失背景，并解释不确定性。这些活动既能培养判断力，也能保留生产率收益。

初级工程师可以审查生成的测试、调查故障，并记录架构决策。工作将从手工产出每一项成果，转向理解其为何值得信赖。

这种方式支持增强而非纯粹替代。它也让企业能够以可衡量的方式培养人才，而不是假装旧工作流程将保持不变。

这些数字仍无法证明什么

现有证据可以识别压力点，但无法清晰地区分 AI 与其他削弱白领招聘的力量。

纽约联储的职位空缺分析采用事件研究法，即比较不同暴露程度群体在某一确定事件前后的变化。这一设计依赖可信的事件前趋势。

在 ChatGPT 发布之前，高暴露和低暴露职业已经出现分化。这一模式使研究人员无法将之后的差距视为纯粹的 AI 效应。

AI 暴露度也是一个不断变化的衡量指标。研究人员根据任务描述、模型能力、实际使用情况，以及这些使用是自动化还是辅助性工作来估计它。

每个组成部分都可能迅速变化。去年还需要大量人工审核的任务，现在可能需要得更少；而另一些任务仍受监管或物理环境限制。

来自某家模型提供商的观察到的使用情况，无法代表整个经济。一个 AI 平台的客户不同于使用竞争系统或完全不使用系统的员工。

职位发布也存在局限。雇主可能重复发布职位、试探性刊登岗位，或通过内部调动和私人关系网络填补职位。

职位发布衡量的是声明的需求，而不是最终完成的招聘。薪资数据能提供更有力的就业证据，但通常只覆盖部分员工和企业。

雇主调查引入了另一层不确定性。高管可能会将裁员描述为由 AI 驱动，因为这种解释听起来更具战略性。

同一决定也可能反映销售疲软、融资昂贵、此前过度招聘，或改善利润率的压力。多种原因可能同时发挥作用。

对预期尤其需要谨慎。2024 年，预计 AI 将导致裁员的受访服务业企业比例，与 2025 年预计如此的 13% 大致相同。

在被衡量的 2025 年期间，之后仅有 1% 的企业报告实际裁员。管理者的计划可能高估实施程度，尤其是在技术采用尚未稳定时。

员工的担忧也可能先于可观察到的结果。62% 的受访者预计 AI 会在未来十二个月推高失业率。

只有 11.6% 预计 AI 会降低失业率。这些预期揭示的是焦虑，而非得到后续数据验证的预测。

美联储理事 Michael Barr 通过从渐进调整到严重替代的一系列情景来阐释这种不确定性。他的劳动力市场讲话也考虑了 AI 进展停滞的可能。

第三种情景之所以重要，是因为劳动力预测往往假设技术会持续进步且部署成本经济可行。电力、融资、数据限制或集成失败都可能放缓采用。

即使系统能力很强，仍需要组织变革。公司必须重新设计流程、明确问责、连接数据、管理安全，并确定何时仍需人工审核。

这些互补性投入在模型能力与可衡量的劳动力影响之间形成延迟，也使使用相似工具的企业结果存在巨大差异。

证据确实支持若干有限结论：AI 采用正在上升，一些雇主报告减少招聘，而再培训目前超过了已报告的替代规模。

在部分数据集中，暴露职业中的年轻员工呈现令人担忧的结果。然而，广泛的职位空缺模式并未表明 AI 是招聘放缓的主要原因。

Google News 可以将这些发现压缩成彼此竞争的标题。读者应避免将任何一种说法转化为普遍适用的答案。

负责任的解读应当是有条件的。AI 的影响取决于职业、员工经验、实施方式，以及企业是自动化任务还是扩大产出。

这一结论不具备大规模替代预测那样的确定性，但它更符合企业和员工正在应对的、并不均衡的劳动力市场。

接下来三个信号将检验再培训叙事

下一阶段将取决于初级就业、雇主实际行动，以及获得有意义培训的机会。

第一个信号是职业早期就业与 AI 使用之间的关系。研究人员需要跨服务提供商、行业和商业周期的重复薪资数据证据。

若自动化密集型职业中的年轻员工持续减少，将强化替代论点。若随着更广泛招聘而改善，则会削弱存在独特 AI 效应的主张。

自动化与增强之间的区分将尤为重要。仅看 AI 使用总量，无法揭示工具是在扩大员工产出，还是在消除劳动力需求。

研究人员还应考察职业流动性。被替代的初级文案撰写者转为营销分析师，与长期失业是截然不同的结果。

第二个信号是雇主是否执行其声明的劳动力计划。调查中的预期应与之后的裁员、招聘缩减、新招聘和再培训进行比较。

如果预计的服务业裁员再次未能实现，预期仍将是一个较弱的领先指标。持续的招聘克制仍会证实一种更安静的调整渠道。

制造业提供了有用的对照。受访雇主报告没有 AI 相关裁员，但其中一些预计未来会减少招聘。

实体任务、设备要求和生产限制，使其难以与办公室工作直接比较。它们也揭示了模型能力难以轻易转化为岗位替代的领域。

第三个信号是雇主培训是否弥合了获取机会的差距。当前的培训供给比例仍远低于认为培训有价值的员工比例。

培训率上升将支持纽约联储的增强叙事。若培训继续集中于高薪和受过大学教育的员工，则将指向更广泛的不平等。

质量与可获得性同样重要。培训应培养在验证、工作流设计、隐私和负责任决策方面可证明的能力。

雇主应追踪受训团队是否交付了更好的工作，而不只是更快完成初稿。他们还应衡量纠错情况、客户结果和员工流动性。

员工可以在自己的组织内部关注这些信号。留意哪些职位空缺消失、哪些岗位提高了经验要求，以及哪些团队获得培训预算。

关注 AI 节省的时间是转化为新增产出，还是仅仅支持减少人员编制。这一运营选择将模型使用与劳动力需求联系起来。

对知识工作者而言，留存决策与成果的证据正变得愈发重要。一套结构化的 AI 工作流 可以将零散活动转化为一份可追责的工作记录。

目标并非在纯粹的产出速度上与模型竞争，而是证明：人的情境理解、核查与判断，能够让辅助生成的内容真正发挥价值。

对雇主而言，保留人才梯队需要经过审慎设计。若取消常规工作，却未能替代其所承载的学习价值，将削弱未来的领导力与技术深度。

对政策制定者而言，整体失业率的反应过慢、范围也过于宽泛，无法作为唯一预警系统。初级岗位招聘、培训机会与职业转换值得持续监测。

随着裁员、调查和研究陆续出现，Google News 的叙事框架还会不断变化。更关键的问题在于，来自不同指标的证据是否正在趋于一致。

未来几个月，应将已披露的计划与实际招聘情况进行比较，关注职业生涯早期的薪资趋势，并追问谁能够获得真正有分量的培训。这些信号将揭示，再培训是否仍是主要结果，还是会成为通往更广泛替代的一座临时桥梁。