科技巨头的 AI 支出热潮并未带来永久性缩减的员工规模

Google News 揭示了美国最大科技公司的一项显著反转：三年的效率改革并未带来永久性缩减的员工规模。

Google、Amazon、Meta 和 Microsoft 在疫情期间大规模招聘后，合计裁减了约 10 万个岗位。然而，它们的总员工人数和劳动力相关成本，并未如最激进的 AI 预测所承诺的那样持续下降。

这场矛盾并不只是人与机器的对立。它反映的是管理层对精简、自动化企业的承诺，与构建、运营和销售 AI 产品所需高昂成本之间的现实冲突。

这些公司正创造更多收入，大举投资基础设施，并围绕人工智能重组团队。它们也发现，AI 系统仍需要工程师、销售人员、安全专家、产品经理和人工审核人员。

因此，这一反转的重要性超越了新一轮招聘或裁员。科技巨头并非沿着直线消除劳动力需求，而是在改变哪些员工获得投资、哪些岗位失去地位，以及员工必须承受多少不确定性。

科技巨头反转背后的图表

科技巨头在 2022 年后减少了员工人数，但随着 AI 投资加速，其员工规模并未持续缩减。

《华盛顿邮报》的一项员工人数分析审阅了 Amazon、Google、Meta 和 Microsoft 的就业与财务披露数据。其图表呈现出一种被单次裁员公告掩盖的模式。

这四家公司在疫情期间迅速扩张。数字服务成为必需品，在线广告激增，高管们为消费者行为的持久变化做准备。

这一预测后来被证明过于乐观。增长回归常态，借贷成本上升，投资者开始要求更高效率。

高管们以裁员、更扁平的管理结构和更严格的绩效标准作出回应。根据《华盛顿邮报》的分析，在新冠疫苗推出后，这四家公司合计削减了约 10 万个工作岗位。

人们预期的下一阶段看似很直接：生成式 AI 将自动化更多任务，生产率将提高，科技公司将以更少的员工实现更高产出。

这种清晰的演进从未出现。

Amazon、Google 和 Meta 目前合计雇佣的人数，大致与 2022 年招聘高峰期相当。随着各公司争夺稀缺的 AI 专业人才，用工成本也开始再度上升。

Microsoft 呈现出相关的模式。其员工规模在大规模裁员后有所下降，但公司仍在持续招聘云基础设施、网络安全、AI 研究和客户部署相关人才。

研发支出又增加了一层复杂性。根据同一项分析，Google、Meta 和 Amazon 的研发费用占收入的比例高于 2022 年。Microsoft 的模式略有不同，但其整体 AI 承诺依然极其庞大。

这些支出不只包括员工薪酬，也涵盖设备、设施、软件和外部服务。但它们仍对一种观点构成挑战：AI 会自动将技术运营转变为成本更低的业务。

这张图表并不能证明自动化已经失败。它表明，这一转型需要高成本的替代、试验和扩张。

公司可以撤销一个团队，同时组建另一个团队。它们可以自动化常规编码，同时招聘专家来评估模型、保护基础设施，并将工具整合进客户系统。

每当 Google News 充满又一则科技裁员报道时，这一区别都至关重要。裁员反映的是今天谁在离开，却无法揭示公司最终的规模或人员构成。

因此，这一反转是结构性的，而非感情用事。科技巨头并非只是后悔裁掉员工；其领导者发现，AI 会先改变劳动力需求，之后才可能可靠地降低这种需求。

Google News 的标题掩盖了规模更大的支出转移

裁员看似意味着紧缩，但资本支出显示，这些公司正将资源转向一项异常昂贵的计算基础设施建设。

根据《华盛顿邮报》5 月的分析，这四家科技巨头计划的年度资本支出合计超过 7000 亿美元。其中很大一部分投资将用于 AI 数据中心、网络设备、芯片、建筑物和电力基础设施。

这一数字改变了人们解读裁员的方式。一家公司可以削减工资支出，同时提高整体成本基础。它也可以将裁员描述为自动化成果，而直接压力实际上来自基础设施支出。

AI 模型在训练和日常运行期间都需要极其庞大的算力。为数百万用户提供服务，同样需要数据中心、网络、冷却、电力以及专业技术团队。

这些费用在公司尚不清楚哪些服务能够带来持久回报之前就已产生。由此形成的压力，会促使公司削减成熟职能，同时保护带有投机性质的 AI 项目。

一些裁员无疑反映了自动化。编码助手可以处理样板代码，支持系统可以回答常规问题，广告平台可以生成基础的营销活动素材。

不过，高管往往会同时提出多种动因，包括重组、增长放缓、重复的管理层级、优先事项转移，以及 AI 带来的效率提升。

这种模糊性使得对自动化影响进行简单计数几乎不可能。在 AI 投资周期中被取消的岗位，并不必然意味着该岗位的工作由模型完成。

Meta 董事兼风险投资人 Marc Andreessen 曾表示，公司有时会将 AI 作为传统重组的便捷解释。OpenAI 首席执行官 Sam Altman 也曾提出类似批评，认为不应条件反射地把每一次裁员都归因于这项技术。

这一说法值得审视，因为这些公司有强烈动机强调效率。投资者通常会奖励那些能够证明高额 AI 支出将降低运营成本或加快收入增长的证据。

因此，将裁员称为“AI 驱动”可以传递两层信息：一方面向投资者表明管理层纪律严明，另一方面向留任员工传递自动化不可避免的信号。

财务记录则复杂得多。技术人才薪酬高昂，顶尖 AI 研究人员竞争激烈，新产品还需要销售和支持职能。

数据中心所需的人力也不止软件团队。公司还需要建筑工人、电气专家、网络工程师、安全人员、技术员和能源规划人员。

其中一些岗位并不直接隶属于科技公司本身。即使客户报告的员工人数趋于平稳，承包商和供应商仍可能扩张。

这种变化使企业员工人数成为不完整的衡量指标。它可能遗漏外包工作、临时劳动力、顾问以及基础设施合作伙伴雇佣的员工。

支出转移也解释了为何组织看似更精简，却并未变得更简单。更少的管理层级，可能意味着留任员工要负责更多系统、供应商和自动化流程。

员工于是成为机器的监督者，而不再只是直接生产者。他们必须检查输出、纠正错误、记录故障，并决定任务何时需要人类判断。

这些责任很少出现在 AI 演示中。只有当系统进入包含截止日期、监管要求、客户期望和安全要求的真实工作流程时，它们才会显现出来。

这就是为什么一家公司的资本预算往往比单条裁员新闻更能说明问题。资金流向揭示了管理层预期未来增长所在，即便它们尚无法描述最终的员工构成。

效率承诺正与劳动力现实发生碰撞

核心较量在于永久性劳动效率的承诺，与对专业人力工作持续存在的需求之间。

在第一波生成式 AI 热潮期间，高管们经常将模型描述为广泛适用的生产力层。员工将完成更多工作，团队将变得更小，组织将运行得更快。

这些说法将几种不同结果混为一谈。生产率可以提高，而无需减少就业。一家公司可能将节省下来的时间用于开发更多功能、服务更多客户或进入新市场。

科技企业有充分理由选择扩张。软件通常具有较低的分发成本，因此额外的工程产出可以支撑额外收入。

Evercore ISI 分析师 Mark Mahaney 对《华盛顿邮报》表示，他预计大型科技公司将继续增加员工人数。他的理由是，生产率更高的开发者能够推进更多创收项目。

这正是自动化中的经典反弹问题。当一种资源的生产率提高时，公司并不总会减少对它的使用。有时，它们会因为新活动变得具有经济吸引力而增加使用。

AI 编程工具很好地说明了这一机制。助手可以起草测试、总结陌生代码，或提出实现方案。这能够缩短开发流程的部分环节。

然而，更快地生成代码也可能带来更多需要审查的代码。它还可能增加原型、集成和维护义务的数量。

开发者仍必须评估架构、安全性、性能，以及生成内容中嵌入的假设。当生产系统会影响客户或敏感信息时，这项工作变得更加重要。

同样的模式也出现在客户服务中。自动化代理可以对请求进行分类，并回答可预测的问题。复杂的账单争议、安全问题和异常账户状况，仍需要人工升级处理。

销售团队也会遇到另一项限制。AI 可以起草外联内容和汇总客户信息，但企业采购依赖信任、谈判、合规审查和组织政治。

这并不意味着每一个被替代的岗位都会回来。公司可以永久取消狭窄任务、减少初级岗位机会，或将工作转移给成本更低的承包商。

但这意味着，“AI 取代了这项工作”往往是一种不完整的说法。这项工作可能已经转移、碎片化，或以不同的职业类别重新出现。

Google 是一个有用的例子，因为它同时处于这一转型的两端。它开发模型和基础设施，同时将 AI 融入搜索、广告、生产力软件和云服务。

这些产品为 Google 内部团队创造自动化机会，也带来对工程师、研究人员、销售专家、安全评估人员和客户支持人员的需求。

Meta 面临着类似矛盾。其高管强调更精简的运营，同时大力投入模型、推荐系统、广告自动化和计算基础设施。

Amazon 可以自动化仓储、零售和企业流程。与此同时，其云业务部门必须建设容量，并帮助客户部署复杂的 AI 系统。

Microsoft 通过 Copilot 销售工作场所自动化，并通过 Azure 销售模型服务。它仍需要人员来保护部署安全、支持企业客户并管理全球基础设施。

这些公司并非共同朝着某一种理想组织形态发展。它们都在不同业务部门中开展多项劳动力试验。

这就是为什么，最有力的解读并非人类战胜了 AI。证据反而支持这样一种转变：就业从广泛增长转向选择性、持续重新评估的招聘。

受益者很可能包括能够定义问题、验证自动化工作成果，并将模型连接到真实商业系统的人。集中于标准化生产任务的劳动者则面临更大压力。

对于知识工作者而言，保留上下文尤为重要。诸如个人知识库之类的工具，可以保存通用模型所缺乏的决策、来源和项目历史。

这些上下文并不能保证工作安全。但当组织以产出而非可见投入来衡量表现时，它能让人类判断力更容易得到证明。

逆转并不意味着裁员周期已经结束

稳定的总体员工人数可以与严重失业、议价能力减弱，以及个人劳动者面临更严酷的市场并存。

企业总人数将每位员工视为可互换的个体。但劳动者所经历的裁员，会因岗位、地点、经验水平、移民身份和薪酬而有所不同。

一家公司可以裁掉数千个通用软件岗位，同时招聘数量更少的模型研究人员。即便最终员工总数看起来稳定，机会结构也可能已经发生剧烈变化。

对初级员工而言，冲击尤其明显。入门级岗位传统上让员工通过文档编写、测试、常规编码、研究和运营支持来学习。

而这些也正是生成式系统能够部分完成的任务。管理者可能会先取消初级职位空缺，再去思考未来的高级员工将如何积累经验。

数年后可能会出现滞后影响。停止培养职场早期员工的公司，最终可能面临能够审查复杂系统的人才短缺。

劳动力市场已经变得不那么宽容。《华盛顿邮报》另行报道了经验丰富的硅谷员工普遍存在的工作不安全感。

该报道援引 Layoffs.fyi 的追踪数据称，自 2022 年以来，已宣布的科技行业裁员超过 80 万人。该统计涵盖不同公司、国家和经营状况下的裁员。

已宣布的裁员并不能为 AI 导致的岗位替代提供受控测量。但它们表明，科技从业者面临组织重组的频率有多高。

更广泛的美国市场提供了必要的平衡视角。2026 年 6 月的就业报告显示，就业人数为 1.623 亿，失业率为 4.2%。

在 6 月前的数份近期报告中，信息行业就业人数变化不大，随后在 6 月减少了 9,000 个岗位。当月，专业和商业服务行业增加了 36,000 个岗位。

这些类别覆盖范围很广。信息行业包括媒体和电信，而专业服务涵盖许多大型科技平台之外的工作。

因此，全国性数据既无法证实，也无法否定 AI 对特定职业的影响。它们说明，不能将大型科技公司的裁员直接视为整个经济的替代指标。

另一项不确定性涉及产出。Burning Glass Institute 首席经济学家 Gad Levanon 告诉《华盛顿邮报》，信息行业的工时在 2022 年后下降，而产出每年增长约 8%。

这种模式与生产率提高相一致，但并不能单独确定原因。行业构成、定价、资本投资、外包和需求都可能影响每小时产出。

AI 的采用也并不均衡。一个模型可能为某位开发者节省时间，却可能因代码库、任务复杂度和审查标准不同，给另一位开发者带来返工。

前 Meta 员工 Anneke Buffone 描述称，尽管管理者施压要求继续使用系统，她仍不得不重做充满错误的 AI 工作。她的经历说明了采用指标所掩盖的风险。

仪表盘可以显示员工是否打开了 AI 助手，或生成了多少建议。但它无法证明最终工作是否变得更准确或更有价值。

随着雇主将 AI 使用情况纳入绩效评估，这一区别尤为重要。衡量工具活动可能奖励可见的使用行为，而非可靠的判断力。

因此，怀疑论观点并非认为 AI 不会带来生产率提升，而是认为企业缺乏一套一致的方法，来区分有用的自动化与被转移的验证工作。

头条统计也可能造成同样的扭曲。Google News 中一连串有关裁员的报道，可能让人以为替代正在迅速发生；而总体员工人数则显示收缩幅度可能仅属温和。

反向扭曲同样可能出现。一则招聘公告即使听起来令人安心，也可能意味着公司只在招聘一小部分高度专业化职位。

劳动者应将这两类公告都视为资源配置的信号。它们揭示的是管理层当前看重什么，而非对长期人力需求的定论。

AI 改变的更多是岗位结构，而非岗位数量

最清晰的近期影响是职业重新分配，资源正流向基础设施、部署、安全和 AI 周边岗位。

高管往往将自动化讨论得仿佛公司只有一个统一的劳动力池。实际上，大型组织包含数千条工作流程，分别受到不同技术、法律和商业约束。

有些工作流程高度结构化。它们拥有明确输入、可预测输出，以及足够多的案例来评估表现。

这些流程是具有吸引力的自动化目标。文档分类、基础代码翻译、标准客户回复和重复性分析都符合这一模式。

另一些工作流程依赖不完整的信息。它们需要谈判、问责、实体访问、机构记忆，或对异常后果的理解。

AI 可以协助这些任务，但不能真正接管它们。人类仍需负责判断输出是否适合具体情境。

这带来了对集成工作的需求。公司需要能够围绕模型重新设计流程、建立检查点，并界定自动化何时必须停止的员工。

它们也需要评估能力。模型评估是指在现实条件下，系统性测试系统的准确性、安全性和行为。

出色的基准测试成绩并不能保证模型在公司的私有数据环境中表现可靠。内部术语、访问控制和过时文档都可能改变结果。

出于同样原因，安全需求也在增长。AI 系统可能暴露机密信息、接受恶意指令，或通过权限过高的工具采取行动。

法律和合规团队必须确定模型如何与隐私规则、知识产权、劳动法和行业特定要求相互作用。

云服务提供商也会因这种复杂性获得更多工作。客户需要计算能力，但也需要架构指导、迁移支持、监控和成本控制。

基础设施本身还带来另一条就业链。数据中心需要建设、发电、维护、网络和实体安全保障。

这些岗位并不能替代每一位被取代的设计师、招聘人员或程序员。地域、资质和工作条件可能阻碍顺利转型。

这种错配有助于解释，为何企业增长可以与个人困境并存。新岗位可能出现在不同地点，并要求不同经验。

在软件团队内部，预期也在变化。雇主越来越希望工程师能够监督生成的代码，并理解更广泛的系统。

这种组合更有利于经验丰富的人。高级员工往往拥有识别看似合理却危险的输出所需的上下文。

但经验丰富的员工也不会自动受到保护。高薪可能使他们成为削减成本时的目标，尤其是在高管相信更小的团队可以借助 AI 工作时。

知识工作者可以通过记录重要工作背后的推理过程来应对。可搜索的第二大脑可以帮助跨项目连接决策、证据和结果。

目标不是生成更多文字，而是保留让人能够发现自动化系统自信犯错的上下文。

公司还必须解决一个相关的管理问题。如果它们移除了过多的机构知识，新的 AI 系统可能会从不完整的内部记录中训练或检索。

自动化随后会放大组织性遗忘。团队能够更快产出答案，却不知道早先的决策为何作出。

这使知识管理成为一项运营职能，而非个人偏好。能够重建决策链的员工，可能避免代价高昂的重复工作。

新的岗位结构仍将包含岗位替代。常规内容生产、基础分析和标准化支持将持续面临压力。

不过，新兴组织并非没有员工。它更像是商品化生产与高问责判断之间的两极分化。

这一结果可能会让 AI 辩论中的两个极端都感到失望。这项技术既不会保留每一个岗位，也不会消除对复杂人类组织的需求。

Google News 读者接下来应关注什么

三项具体信号将显示，大型科技公司的逆转会变成持续招聘、又一次暂时停顿，还是更深层的就业收缩。

第一个信号是这些公司下一次发布的财务披露。员工人数、研发支出和资本支出应结合起来评估。

就业人数增长并伴随 AI 收入上升，将支持“增强”论点。这表明模型在提高员工生产率的同时，也创造了足够需求来证明新增招聘的合理性。

员工人数下降而产出稳定，则会强化“自动化”论点。这将表明企业正在学习以更少员工运营 AI 服务。

在不同业务部门之间，最可能出现的仍是混合结果。云服务和基础设施团队可以在扩张的同时，招聘、支持或消费产品团队则可能收缩。

第二个信号是职位空缺的构成。职位总数不如附带的岗位类型、经验水平和地点重要。

如果入门级工程、产品、销售和运营职位广泛回归，将表明企业相信人力能力仍能支撑增长。

如果招聘集中在顶尖研究人员和数据中心专家身上，则会传递不同的信息。这将表明投资仍然狭窄，而更广泛的白领市场仍受限制。

读者还应关注公司是否会补回近期重组中取消的岗位。回填这些岗位将削弱“这些裁员反映永久自动化”的说法。

第三个信号是已部署系统带来的可衡量生产率。企业需要证据证明 AI 改善了已完成的工作，而不只是工具使用或生成的输出。

有用的指标包括更短的产品周期、更低的支持问题解决时间、更低的错误率、更高的云服务利润率，以及可衡量的客户采用情况。

证据必须考虑审查劳动。一套能快速起草工作、却需要大量修正的系统，只是转移了工作量，而非消除了它。

定于本文发布日期之后发布的 7 月劳动力数据，将提供更广泛的背景。没有任何一份单月报告能够解决 AI 就业争论。

读者应比较数月的数据，并区分信息行业、专业服务行业和整体经济。修订数据同样重要，因为早期的就业人数估计经常发生变化。

更大的教训已经显现：裁员、招聘、投资和自动化，正在同一批公司里同时发生。

Google、Meta、Amazon 和 Microsoft 并没有沿着缩减组织规模的直线路径前进。它们正在测试：不断扩大的 AI 业务究竟需要多少人类判断。

这种测试为员工带来了令人不安的环境。一个岗位今天可能很有价值，明天部分被自动化，而在一次部署失败后又被重新设计。

它也为更好的衡量方式创造了机会。高管应披露，哪些生产率提升来自自动化、组织重组、外包或需求变化。

缺少这些细节，每一项劳动力决策都会成为相互竞争的叙事空间。乐观者称之为效率，批评者称之为紧缩，而员工几乎得不到明确说明。

Google News 标题背后的图表澄清了部分困惑。大型科技公司曾承诺，精简运营和 AI 会让就业人数持续下降。

到目前为止，这些公司大幅裁员，也以更激进的力度增加支出，最终又回到了大致熟悉的员工规模区间。它们的劳动力结构变化速度快于整体劳动力需求的变化。

下一个问题并不是 AI 能否完成有用的工作。显然可以。问题在于，当公司将由此带来的生产率重新投入后，这些能力是否会减少总体劳动力需求。

关注未来一个季度的监管文件、实际岗位构成和可衡量的结果。这些信号比又一次关于自动化未来的自信预测更能说明问题。

对员工而言，眼下的行动同样具体：追踪雇主自动化了哪些任务，记录人工审核在哪些地方改变了结果，并保留决策背后的背景信息。对企业采购方而言，应要求提供涵盖准确性、监督机制和总运营成本的证据。下一次 Google News 标题宣布又一次招聘逆转或裁员潮时，在接受其解释之前，先将其与这三个信号进行对照。大型科技公司自己的数据如今表明，AI 的采用并不是一条通向更少员工的单向道路，而是一场持续重新协商：公司需要哪些人、判断力价值几何，以及当技术未达预期时由谁承担风险。