Oliver Wyman AI 职业安全调查发现，印度员工愿以薪资换取保障

Oliver Wyman 的 AI 职业安全调查发现，79% 的在职印度受访者愿意以薪资换取免受 AI 替代的保障。

受访者表示，他们愿意放弃至少 10% 的薪资来换取这一保障。报告称，全球在职受访者中，只有 47% 表达了同样的意愿。

这一差距意味着，印度的调查结果不只是又一项衡量抽象 AI 焦虑的指标。员工一边在工作和个人生活中快速采用 AI，一边也在为就业安全赋予具体的经济价值。

核心冲突在于，雇主期待的生产力提升，与员工认为自己将承担的就业风险之间存在矛盾。Oliver Wyman 将 AI 描述为创造了更多产能，但员工预计企业会将其中一部分产能转化为更精简的团队。

这种预期尚不能衡量实际发生的岗位替代。它反映的是一种信任问题，而这种问题甚至会在裁员出现在官方数据之前，就影响 AI 的采用、员工留任、治理和人力规划。

Oliver Wyman AI 职业安全调查为恐惧标出了价格

印度受访者并非只是说 AI 令他们担忧；多数人愿意接受假设性的降薪，以换取免于被替代的保障。

这一结果来自 Oliver Wyman Forum Global Voices Survey 针对印度的分析。该机构于 2026 年 10 月 15 日发布了更广泛的 AI reality check。

这项研究涵盖了来自 15 个市场的逾 25,000 份反馈。两轮调查分别于 2026 年 4 月和 8 月进行。

Oliver Wyman 还采用了其 2026 CEO Agenda 研究中 415 位首席执行官的反馈。这些高管反馈为关于投资、组织变革和 AI 回报的更广泛分析提供了依据。

核心结果聚焦于印度的在职受访者。79% 的人愿意放弃至少 10% 的薪资，以换取 AI 永远不会取代他们的保障。

相应的全球比例为 47%。在所有市场中，68% 的人愿意放弃部分薪资，以加入承诺永不以 AI 替代员工的雇主。

这些问题描述的是假设性选择，而非经协商达成的雇佣合同。调查中并非每个人都实际获得过将较低薪资与可执行的工作保障相结合的工作邀约。

尽管如此，这一门槛让结果显得格外具体。接受 10% 薪资下降的受访者，描述的是一项可观的感知成本，而非仅仅对技术变革表达轻微担忧。

报告还询问员工：如果 AI 将其团队的产出翻倍，他们认为会发生什么。员工将更小的团队列为最不希望看到的结果，却将其列为最可能发生的结果。

这种反转揭示了更深层的问题。员工听到的是生产力语言，但许多人将其理解为一个警告：雇主最终会需要更少的人。

Oliver Wyman 用这样一句话概括了这一张力：员工不会拥抱一个他们认为没有自己位置的未来。调查显示，这种信念已在影响员工如何看待薪酬与安全感。

印度的数据必须置于背景中理解。公开报告列出了全球反馈总数和覆盖市场，但其公开摘要并未提供印度样本的确切规模。

报告也没有说明有多少雇主能够在法律或财务层面提供永久免受 AI 相关替代的保障。这项发现衡量的是假设性保障下的偏好，而非这种保障的可行性。

即使存在这些限制，这一比较仍然重要。印度受访者对就业保障的需求明显强于更广泛的国际样本。

这一反应同时出现在人们对 AI 在生活其他领域展现高度热情的背景下。因此，它不能被简单归结为对技术的普遍抵触。

印度对 AI 岗位替代的焦虑与快速采用并存

印度调查结果最引人注目的部分是：恐惧与 AI 采用同步上升，而非彼此替代。

同一项研究发现，59% 的印度受访者在寻找新产品或服务时会首先咨询 AI。全球对应比例为 33%。

当 AI 的建议与朋友、亲属、社交媒体或在线评价相冲突时，十分之六的印度受访者会选择遵循 AI 建议。全球比例为 32%。

另有 81% 的人表示，如果 AI agent 找到更合适的选择，他们会考虑更换品牌。全球表达这一意愿的比例为 60%。

72% 的印度受访者愿意让 AI agent 在不事先确认的情况下替他们花钱。相应的全球比例为 49%。

这些发现描绘出人们对 AI 作为消费者决策工具的异常高信任度，也让就业相关的结果更难被视为源于对技术的陌生。

人们可以信任 AI 系统来选择产品，同时不信任雇主如何使用同一项技术。消费者采用与职场信心是两种不同的判断。

购物者可以拒绝糟糕的推荐、更换服务，或放弃购买。员工通常对岗位重构、人员配置决策、绩效衡量或自动化目标的控制权较少。

调查还发现，印度 79% 的每日 AI 用户曾在工作中淡化自己的 AI 能力。全球比例为 62%。

这种行为乍看之下似乎矛盾。员工往往听说 AI 熟练度能改善职业发展，但一些人却避免宣传雇主所要求的技能。

一种可能的解释是防御性行为。员工可能担心，展示更快的 AI 辅助工作流程会带来更多工作、更高目标，或成为证明团队需要更少同事的证据。

Oliver Wyman 的全球发现支持了这一担忧，但并不能证明这是每位受访者的解释。只有 8% 的职场 AI 用户表示，公司已制定了分配 AI 节省时间的全公司标准。

另有 54% 的人表示，由个人决定如何使用这些时间，或根本不存在明确决定。生产力变得可见，但其回报与归属仍不清晰。

这种不确定性会促使员工将改进成果留给自己。一个节省数小时的人可能会悄悄利用这些时间，而非邀请管理层重新定义其工作。

这一动态也可能削弱衡量效果。高管或许知道员工在使用 AI，却仍无法将分散的时间节省与收入、服务质量或运营成本联系起来。

Oliver Wyman Forum 首席执行官 John Romeo 通过公司财务表现描述了这一问题。他认为，AI 创造了产能，但领导者必须决定如何使用这些产能。

对员工而言，悬而未决的问题更为个人化：新的产能是为更好的工作腾出空间，还是成为减少岗位的理由？

愿意以薪资换取安全保障，代表了一种答案。许多受访者更重视明确的就业承诺，而非与 AI 驱动生产力相关、却充满不确定性的上行空间。

生产力承诺与精简团队预期发生碰撞

雇主将 AI 描述为增强工具，而许多员工预计其收益将用于减少人员编制。

增强，是指利用技术扩展个人能力，而不是取消岗位。替代，则是将任务、职责或整个职位从人类转移给自动化系统。

多数职场部署同时包含两者。AI 助手可以缩短起草时间，同时仍将判断、问责和客户关系留给员工。

当企业讨论生产力时，这种平衡就变得具有政治意味。生产力提升的百分比对投资者来说很有吸引力，但员工会立刻追问：谁将获得收益？

员工可能获得更短工时、更高报酬、更好的任务安排，或更多服务客户的时间。雇主则可能提高产出预期、放缓招聘，或取消岗位。

Oliver Wyman 发现，员工偏好的结果与他们预期的结果之间存在明显差异。员工在选择如何利用翻倍产出时，将缩减员工队伍排在最后。

但在预测雇主的反应时，他们将更小的团队排在第一位。这种理想结果与预期结果之间的差距，是本文的核心冲突。

这也让管理者承受压力。领导者不能一边要求员工开放地进行试验，一边又对就业后果刻意含糊其辞。

仅靠清晰沟通无法解决这一问题。员工会将企业表态与招聘决策、重组计划、工作量变化和晋升机会进行对照。

调查发现，只有 37% 的白领高管认为领导层已制定清晰的 AI 目标并沟通进展。仅有 11% 的非管理人员认同这一说法。

这种差异表明，员工与高层领导对同一计划的体验不同。高管看到的是项目组合、预算、试点和战略目标。

一线员工看到的是新工具进入具体工作流程。他们也会看到空缺职位未被填补、初级任务消失，或绩效预期发生变化。

中层管理者处于这两种视角之间的困难地带。他们必须实施新系统，同时回答高层计划可能未能解决的问题。

培训路径也正在改变。74% 的中层及以上白领受访者表示，AI 已能执行过去用于培训初级员工的任务。

在印度，45% 的白领管理者表示，AI 承担了初级员工过去从中学习的大量工作。全球对应比例为 25%。

这种转变造成了一种更隐蔽的替代。企业可能保留现有员工，却削弱了新员工积累经验的路径。

初级工作通常包括起草、研究、文档编制、分析和常规客户支持。这些任务可提供日后承担更依赖判断力职责所需的背景。

如果 AI 吸收了这些任务，企业就需要一种替代性培训模式。否则，它们可能保留了现有专业能力，却削弱了培养未来专家和管理者的人才管道。

更广泛的报告发现，80% 的每日 AI 用户表示，他们从 AI 中学到的东西至少与从经理那里学到的一样多。47% 的人表示，AI 教给他们的更多。

这一发现解释了为何员工尽管心存忧虑，仍持续采用该技术。AI 可以同时充当有用的导师和潜在的替代者。

因此，这种张力并非人与机器之间的对立，而是雇主关于增强的承诺与员工对人员缩减的预期之间的冲突。

AI 职场焦虑确实存在，但岗位替代证据仍然复杂

愿意牺牲薪资衡量的是感知风险，而非 AI 已经消除的岗位数量。

调查反馈可能早于劳动力市场结果发生变化。它们也可能反映新闻报道、雇主沟通、个人 AI 使用情况和更广泛的经济不确定性。

斯坦福研究人员近期发布的 job-loss research 提供了重要的平衡视角。该研究考察了美国工人的看法、AI 采用情况、招聘职位和裁员情况。

研究人员估计，截至 2026 年上半年，30% 至 40% 的美国劳动者使用过生成式 AI。普通劳动者认为自己在两年内因 AI 失业的概率平均为 20%。

然而，该研究发现，在 AI 暴露程度更高的职业中，招聘职位或裁员并未出现具有统计显著性的变化。在这些指标上，恐惧已先于可观察到的替代现象出现。

研究人员发现，担忧程度会随着使用强度提高而上升。对于将 AI 应用于核心职业职能的人群，这种担忧也更强烈，其中包括程序开发人员。

这一模式与印度研究中的矛盾相似。更深入的了解既可能让人看到技术的实用性，也会让其替代潜力更容易被想象出来。

来自 Boston Fed 的研究同样区分了个人担忧与对行业颠覆的预期。

其劳动者调查发现，截至 2025 年底，略高于 10% 的受访者担心 AI 会取代自己的工作。这一比例较一年前的 5% 几乎翻倍。

但有 60% 的受访者预计，AI 将在其所在行业引发裁员或就业人数减少。劳动者往往认为颠覆很可能发生，却觉得自己的岗位相对安全。

同一研究发现，AI 可以替代个别任务，而无需消除整个职业。员工可能因技术接管部分工作内容而变得更高效。

这种任务层面的视角有助于解释，为何当前就业数据与劳动者焦虑可能出现背离。某个职业可以保持完整，但其人员需求、职业晋升路径和日常职责会发生变化。

Oliver Wyman 的发现还建立在一项措辞异常强硬的假设性保障之上。永久免于被替代的保护消除了任何常规雇佣安排都无法消除的不确定性。

因此，受访者可能是在更广泛地为可预测性赋值。他们的回答可能包含了对裁员、技能贬值、晋升停滞、更高绩效目标或不受欢迎的岗位变化的担忧。

具体措辞仍然重要，因为该提议要求至少牺牲 10% 的薪资。结果表明，对许多印度受访者而言，不确定性具有很高的感知成本。

这并不意味着 79% 的人预计会立即失业。也不意味着他们在审阅实际合同条款后会接受该合同。

跨国比较同样需要保持谨慎。不同市场之间的薪资、劳动保障、家庭储蓄、非正规就业和职业流动性差异很大。

10% 的降薪在各地造成的家庭影响并不相同。在不同法律体系下，对工作保障的承诺也并非具有同等可信度。

公开材料也未提供印度特定比例的误差范围。读者应将这一数字视为强烈的情绪信号，而非精确预测。

尽管如此，独立研究支持了这种担忧的方向。多个市场的劳动者日益预计，AI 将减少就业，或改变所在行业的结构。

尚未解决的问题在于速度。现有证据显示，任务采用迅速、恐惧不断增长、工作流程正在变化，但对于立即出现全经济范围就业消除的证据仍较少。

治理问题让采用 AI 变成一场信任考验

该调查将工作不安全感与第二个问题联系起来：员工采用 AI 的速度快于组织对其进行治理的速度。

73% 的印度职场 AI 用户表示，他们曾将敏感公司信息输入 AI 工具。全球对比比例为 50%。

敏感信息可能包括内部文件、客户详情、战略材料或专有数据。公开摘要并未说明每位受访者具体提交了哪些信息。

另有 62% 的印度受访者表示，不准确的 AI 生成信息在过去一年中造成了实际问题。全球范围内，46% 的人报告过类似经历。

这些数据表明，员工并非只是远距离观察 AI。尽管规则尚不明确、可靠性问题已为人所知，许多人仍在关键工作流程中使用它。

该综合报告发现，当获批的 AI 易于使用、治理规则明确，并融入日常软件时，员工报告的生产率更高。在这些条件下，88% 的用户表示生产率有所提升。

而在这些条件大多缺失的地方，报告生产率提升的比例为 52%。治理似乎是在支持采用，而不只是施加约束。

但规则仍可能产生反效果。认为组织政策过于严格的员工中，63% 使用了未经批准的 AI 工具。

当员工认为组织的做法恰当时，这一比例为 38%。过度限制可能会将活动推向获批系统之外，却不会减少需求。

这带来了艰难的管理问题。组织需要保障措施，但这些措施必须容纳劳动者最初使用 AI 的原因。

工作不安全感使合规更加复杂。如果员工认为透明化会威胁其岗位或增加其工作量，他们可能会避免披露有效的工作流程。

于是，公司可能同时失去对生产率收益和数据风险的可见性。其官方 AI 项目讲述的是一个故事，而非正式使用则构成另一个故事。

因此，信任成为运营基础设施。劳动者需要就节省的时间、绩效衡量、数据处理以及自身岗位的未来获得可信答案。

一句笼统的“AI 将协助员工”并不足够。团队需要明确规则，说明哪些任务可以自动化，以及哪些决策仍由人类掌控。

他们还需要针对不准确输出的升级处理路径。当错误影响客户、受监管决策或专有信息时，人工审核必须保持实质意义。

公司应界定如何共享生产率收益。可选方案包括改善服务、减少积压、开发新产品、提供培训时间，以及让工作负荷更易于管理。

这些选择并不能保证就业。但它们能让员工判断，AI 项目是否具有成本削减之外的目的。

劳动者也保有一定自主权。建立一个个人知识系统，可以在工具和角色变化时保存背景信息、决策记录与专业知识。

这种做法不应将责任从雇主身上转移。组织控制部署、绩效体系、人员配置以及对职场数据的访问。

印度的调查结果显示，当采用速度超过这些制度性选择时会发生什么。员工广泛使用 AI，同时为其后果中的保障定价。

雇主和劳动者接下来应关注什么

下一阶段的评判将取决于人员配置决策、职业发展和可执行的劳动力承诺，而不只是采用统计数据。

第一个信号是，大型雇主是否发布关于 AI 创造产能的明确政策。这些政策应说明，当团队用更少工时完成同样工作时会发生什么。

若政策将节省的资源用于增长、服务质量或降低工作负荷，将削弱自动减少劳动力的预期。沉默则会强化这种预期。

第二个信号是初级岗位招聘和培训。Oliver Wyman 的结果表明，AI 已经能够完成传统上用于培养初级员工的任务。

雇主应披露学徒制、评审、监督性工作和晋升路径将如何变化。不断缩小的培训管道会让被替代的担忧更加具体。

经过重新设计的培养管道，则可能指向增强而非替代。初级员工或许会监督 AI 输出、更早与客户协作，并在高度依赖判断的任务中接受结构化练习。

第三个信号是已宣布裁员与可测量劳动力市场变化之间的差异。公司声明通常会列举重组的多种原因，使 AI 的贡献难以单独识别。

研究人员需要职业层面的招聘、职位空缺、工资和离职数据。任务暴露程度很重要，因为职位名称可以保持稳定，而工作内容会发生改变。

Stanford 的发现目前削弱了美国出现广泛即时替代的说法。未来若有证据显示，高暴露职业的需求下降，将强化印度劳动者所表达的担忧。

相反，若招聘保持稳定但任务构成发生变化，则将支持“重组”这一解释。AI 会显著改变工作，却不会以预期规模消除就业。

劳动者也应关注公司如何奖励 AI 能力。如果更高的技能只带来更高目标，而没有更好的薪酬或晋升，员工仍会继续隐藏有用的实践。

如果 AI 能力带来更强的流动性和更好的工作分配，公开采用就会更具理性。激励设计将决定采用是保持非正式状态，还是成为组织知识。

安全承诺同样值得审视。永不以 AI 替代人的广泛承诺听起来令人安心，但可能掩盖多个尚未解决的问题。

该承诺是否涵盖承包商、职位空缺和外包岗位？它是否阻止裁员，还是仅禁止将 AI 列为裁员原因？

它保护的是某一具体岗位、公司内部的任意就业机会，还是仅提供一段再培训期？这些细节决定劳动者是否能获得真正保护。

政府和劳动组织也可能加入讨论。它们可以要求协商、透明度、培训或影响评估，而无需试图冻结每一项职位描述。

此类干预也面临自身权衡。过于僵化的规则可能减缓有益采用，而过于宽松的规则则会让员工承担并非由他们造成的不确定性。

印度扮演着尤其重要的角色，因为其服务经济中包含大量依托技术、面向全球交付的工作。这些岗位可以从 AI 中受益，同时也面临任务层面的自动化。

Oliver Wyman 关于 AI 工作保障的结果捕捉到了这种双重暴露。受访者似乎愿意广泛使用 AI，但许多人希望得到保证：采用 AI 不会让自己变得可有可无。

雇主现在需要将生产率主张转化为可信的劳动力计划。这意味着公布节省时间的去向、保护培训路径，并衡量人员数量之外的结果。

劳动者也应提出同样具体的问题：哪些任务正在变化，谁审核自动化输出，绩效目标将如何调整，以及岗位缩减后员工会怎样？

79% 这一数字不应被解读为预测五分之四的印度劳动者会失业。它应被视为对感知议价能力的警示。

员工相信，工作保障的价值已高到值得用收入中有意义的一部分来购买。这种信念甚至会在任何替代现象出现之前影响留任和职场行为。

决定性检验不会是另一项调查是否得出更高比例，而是雇主是否让 AI 创造的产能惠及并对创造它的人可见。

如果人员配置减少而产出上升，调查背后的恐惧将显得颇有先见之明。如果公司保留职业路径并重建培训体系，以薪换保障的意愿可能会减退。

目前，每一项职场 AI 提案都应回答一个实际问题：当技术让团队更高效时，员工能得到什么？