Rockefeller Foundation 的 1 亿美元 AI 就业押注让地方政府面临考验

Rockefeller Foundation 已承诺投入 1 亿美元，实施一项部分因应 AI 扰动影响的就业战略，但资金本身并不能决定其覆盖范围。google news 的标题指向了一个更棘手的问题：州和地方机构必须将零散的劳动力试验转化为雇主会采用、劳动者能够获得的项目。

这项为期三年的计划名为 Big Bet on Good Jobs for America，面向就业基础薄弱或高度暴露于技术变革风险的社区。该基金会希望，其工作能随着时间推移，在约 250 个地区支持新增约 160 万个就业岗位。它还预计，由此带来的地方经济改善将惠及 1,000 万至 2,000 万人。

这些目标使该计划与其试图改善的碎片化体系之间形成张力。地方劳动力委员会、社区学院、雇主、州级机构和服务提供方往往遵循不同规则。因此，该项目不只是对岗位流失的慈善回应，更是在检验：在 AI 再次改变劳动力市场之前，地方试验能否转化为持久的公共政策。

这项 1 亿美元就业战略究竟会改变什么

Rockefeller Foundation 正在资助一条路径，将地方劳动力试验转化为能够超越慈善支持而持续运作的政策。

该基金会于 2026 年 4 月 21 日宣布这一承诺。其初步重点包括医疗保健、照护经济、能源、食品系统和 AI 赋能产业。这些行业既有持续的劳动力需求，也面临显著的技术与人口结构变化影响。

这笔资金不会只是资助一套全国统一的培训课程。这项 就业战略 要求在个别社区测试项目、调整成功模式，并将其纳入公共政策。融资工具和雇主实践也是最后一步的一部分。

这一结构为州和地方机构提供了多种潜在角色。它们可以识别劳动力短缺、协调培训提供方、消除执照壁垒，并将居民与支持服务连接起来。它们还可以利用采购、补助和经济发展项目来鼓励雇主参与。

托育说明了为何更广泛的体系至关重要。劳动者即使完成培训课程，如果没有可靠的照护安排，仍可能无法接受工作。当一个项目获得的技能不符合雇主或发照机构的要求时，资格认证规则也会形成另一道障碍。

该战略将这些障碍视为劳动力政策的一部分，而非无关的社会问题。这一区别很重要，因为许多培训项目衡量的是报名人数或完成率。这两项指标都无法证明参与者获得了条件合理且稳定的工作。

该基金会计划与公共部门、私营部门和慈善合作伙伴共同开展工作。它希望这些伙伴投入额外资源，并最终在无需长期慈善支持的情况下延续成功做法。这使得制度性采纳成为衡量成功的核心标准。

该项目也不同于试图在各地直接创造科技岗位的做法。它涵盖 AI 赋能产业，但其更广泛的目标是在经济变迁中帮助人们获得优质工作。因此，即便一个医疗保健职业路径几乎不涉及 AI 工作，也可能符合条件。

根据 初步项目细节，该基金会预计将从大约 20 至 30 个社区起步。它不会预先选定全部 250 个目标地点。劳动力市场缺口和雇主需求将有助于决定早期工作在哪些地方展开。

这种分阶段方式带来了一种有益的约束。项目必须先产出证据，基金会才会将其推广至更多社区。但这也带来风险：成功的试点可能依赖于少数特殊的地方领导者或临时补贴。

州和地方机构正处于这种差异显现的关键位置。它们能够揭示某一模式是否契合既有预算、规则和行政能力。它们的参与也可能暴露短期试点未能捕捉到的成本。

因此，这一报道的意义不止于 google news 上有关大额承诺的一则新闻。真正重要的变化是其拟议的交付机制：地方测试旨在成为进入政策、融资和雇主行为体系的路径。

接下来的问题是，这一机制能否跟上 AI 相关劳动力扰动的速度及其不均衡的地域分布。

为什么 AI 压力在不同社区中呈现不均衡影响

AI 对不同劳动者和地方经济体的影响速度并不相同，因此全国平均数据并非干预措施的可靠指引。

Rockefeller Foundation 表示，其战略将优先考虑居民已经与就业市场脱节的地区。它也会考虑容易受到 AI 和其他结构性变化影响的社区。这些条件常常重叠，但并不完全相同。

一个地区的失业率可能很低，但特定劳动者仍面临严重压力。行政人员、客服人员、初级分析师及其他任务密集型职业，可能在裁员尚未反映在官方数据之前，就已面临不断变化的岗位预期。雇主可能先减少招聘、合并岗位，或不再填补空缺职位。

反过来也可能发生。一个处境困难的社区，当前或许很少有能被 AI 系统直接自动化的工作。其主要问题可能涉及交通、托育、医疗、教育或雇主需求有限。打着 AI 标签的培训项目无法解决这些限制。

超过 5,000 万美国人生活在 Economic Innovation Group 认定为困难社区的地区。其 社区研究 考察了就业、收入、贫困、住房空置和企业创立方面的差异。这类指标有助于解释，为何同样的技术变化会产生不同的地方结果。

该基金会还援引了劳动者信心下降的情况。根据该基金会对 职场调查结果 的总结，Gallup 的一项指标发现，2025 年末，只有 28% 的劳动者对通过努力工作获得晋升机会感到满意，低于一年前的 46%。

这些数字并不能证明 AI 导致了这种下降。住房成本、通胀、招聘环境和职场预期同样会影响信心。但它们表明，一项大型就业计划正进入这样一个环境：许多劳动者已经对传统的晋升路径产生怀疑。

AI 增加了压力，因为它改变工作任务的速度快于许多职业分类的更新速度。一份工作可以保留原有职位名称，而软件已承担研究、起草、排程或基础分析等任务。即使职业看起来仍然稳定，劳动者也需要不同的技能。

这为政府带来数据难题。失业救济申请通常在岗位流失之后才会出现。招聘职位信息能更早显示技能要求的变化，但职位发布并不总能对应实际招聘。雇主调查能够提供背景，但较小型组织可能难以覆盖。

地方机构可以将这些信号与全国数据集难以捕捉的本地认知结合起来。社区学院知道哪些项目正在流失学生。劳动力委员会了解雇主拒绝哪些资质。福利办公室能够发现寻求援助的居民群体发生了哪些变化。

只有当机构能够安全且一致地共享发现时，这种信息角色才有价值。碎片化体系往往对参与、完成、安置和留任采用不同定义。当每个项目以不同方式统计结果时，比较便会变得不可靠。

因此，该项目将需要一套通用的衡量框架。它应区分新创造的岗位与劳动者在现有岗位之间的流动。它还应区分临时安置与在初始补贴结束后仍能持续的就业。

工资增长很重要，但不能单独作为衡量标准。工时、福利、排班稳定性、晋升机会和劳动者自主权，都有助于判断一个职位是否称得上“好工作”。地方生活成本也会改变相同工资的实际意义。

该基金会的宏大目标带来了另一项挑战。支持新增 160 万个就业岗位，不能仅靠小型示范项目安置个人。成功做法必须影响更大的体系，包括公共资金分配公式、雇主要求和全州资格认证规则。

AI 可以协助这一体系的部分环节。该基金会美国项目与政策高级副总裁 Derek Kilmer 指出，AI 可加快可负担住房的许可审批。更快的审批能够支持建筑活动，但软件本身无法保证新增住房或稳定就业。

这个例子概括了该计划的核心张力。AI 既可能是劳动力扰动的来源，也可能是改善公共行政的工具。机构必须推进有用的应用，同时不能假定自动化必然带来共享的经济收益。

Google News 的关注遇上地方实施考验

该项目真正的对手不是另一家基金会或科技供应商，而是宏大的全国目标与地方交付能力之间的鸿沟。

google news 的叙事让这项资金承诺易于理解：一家全国性基金会正在 AI 驱动变革期间，对社区和劳动者进行大规模押注。但实施故事远没有这么整齐，因为责任横跨许多机构。

州劳工部门可以资助培训，却无法强迫雇主认可这些培训。社区学院可以设立一项证书，却无法为每名学生提供交通支持。地方政府可以协调服务，但可能无权决定执照要求。

雇主同样有一些并不总与公共项目一致的激励因素。它们可能希望劳动者为眼前的岗位空缺接受培训，同时避免作出长期承诺。它们也可能在一个培训班毕业之前改变招聘标准或技术计划。

有效的地方伙伴关系必须明确雇主应作出的贡献。这种贡献可能包括面试机会、带薪岗位、课程意见、可预期的排班，或留用表现优异劳动者的承诺。如果没有明确义务，公共资源可能会补贴针对从未出现岗位的培训。

医疗保健提供了一个具体的测试案例。许多社区需要更多劳动者，但入行路径可能涉及学费、临床要求、执照和无薪培训时间。承担前期成本可以有所帮助，但参与者在培训期间可能仍需要托育、交通和收入支持。

州级机构可以同时解决其中若干障碍。它们可以协调福利、教育资金和资格认证的相互衔接。它们还可以修改相关规则，避免劳动者在不同机构或司法辖区之间流动时重复接受等效培训。

地方政府能够更近距离地了解服务缺口。县级政府经常负责管理卫生、住房和劳动力项目。城市会影响交通、许可审批和经济发展。部落政府和属地拥有独特的法律与地理条件，国家层面的模板可能忽视这些差异。

然而，地方参与并不天然意味着公平。拥有经验丰富的拨款申请撰写人员和成熟非营利组织网络的社区，通常更能有效竞争试点资金。行政能力最薄弱的地区，反而可能难以进入那些原本为困难地区设计的项目。

洛克菲勒基金会需要决定，是奖励准备就绪的社区，还是帮助社区做好准备。只选择已具备条件的社区，或许能更快取得早期成果。但这也可能产生一些无法在人员更少、数据系统更弱、雇主网络更小的地区复制的模式。

一项相关的公共部门工作显示了能力建设的重要性。AI Readiness Project 一直致力于将政府技术领导者聚集起来，开展共同学习和试点。其既定目标包括覆盖各州、属地和部落国家，并支持至少 10 个州级示范项目。

Government Technology 对这项准备度倡议的报道强调了协作、教育和低风险测试环境。这些基础至关重要，因为政府机构若缺乏采购专业能力、数据治理和评估标准，就无法负责任地部署 AI。

这项就业倡议在更广泛的经济层面运作，但面临类似要求。政府机构需要能够解读劳动力数据、管理供应商、保护个人信息并评估干预措施是否有效的人员。试点项目无法取代这种机构能力。

采购同样可能拖慢采用进程。公共机构必须记录需求、评估风险并确保公平竞争。这些保障措施十分重要，尤其是在系统处理就业或福利数据时。但它们仍可能带来与为期三年的慈善项目相冲突的时间安排。

数据共享带来了另一项障碍。培训机构、雇主和政府机构可能分别掌握参与者记录的不同部分。整合这些记录能够改善成果衡量，但也会引发关于同意、安全和访问权限的问题。

任何自动化匹配的使用都需要格外谨慎。为劳动者推荐岗位的系统可能复制历史招聘数据中的模式。政府机构在将推荐结果视为就业决策之前，需要进行测试、提供申诉渠道并实施人工审查。

劳动者也应知道 AI 何时会影响他们参与项目的路径。透明度应涵盖筛选、匹配、评估和支持建议。任何人都不应因为不透明模型解读了不完整数据而失去获得服务的机会。

这些限制并不意味着地方政府不适合作为合作伙伴。恰恰相反，它们说明了地方政府角色为何不可或缺。公共机构能够提供临时拨款本身无法创造的问责、规模和持续性。

因此，最强的试点将是能够在普通政府运作条件下存续的试点。它必须适应真实的人员配置水平、法律要求和预算周期。它还必须产出可供其他辖区在复制模式前审查的证据。

对于管理跨政府机构和服务提供方证据的团队而言，一个可搜索的知识库可帮助整理政策、会议记录和评估材料。这类工具有助于协调，但治理规则仍决定哪些信息可以共享。

全国性的承诺吸引了关注。地方行政设计决定这种关注能否转化为持久的就业基础设施。

这些数字尚不足以证明该模式

基金会已宣布宏大的成果目标，但公开证据尚未显示哪些干预措施能够实现这些目标。

1 亿美元的承诺、三年期限，以及涉及就业、社区和受益人的长期目标均已得到确认。这些数字描述的是雄心与范围，而不是已完成的岗位安置或经独立验证的经济影响。

这一区别很重要，因为“推动创造”涵盖多种可能的关系。一笔拨款可能直接支持劳动者培训。一项政策变化可能帮助雇主填补职位。一个融资工具可能与其他多个项目共同发挥作用。

随着倡议扩大规模，归因会变得更加困难。如果一个地方项目启动后就业上升，评估者必须考虑经济增长、雇主扩张、人口迁移以及其他公共投资。将所有新增岗位都计入该项目，会夸大项目的作用。

基金会已为其美国就业倡议寻求衡量、评估和学习合作伙伴。其公开征集文件描述了量化影响建模、劳动力市场分析和数据基础设施支持。这项工作应有助于明确项目如何区分直接成果与更广泛的影响。

即使是强有力的评估，也无法消除所有不确定性。各社区在产业结构、人口特征、服务能力和受经济冲击的程度上都会有所不同。一项在某个医疗保健市场有效的政策，未经重大调整，未必能转移到另一个市场。

项目规模带来了基本的算术压力。若将承诺资金分配给 250 个地区，即使不考虑中央评估和项目成本，每个地点可获得的直接资金也会有限。这一简单计算并非实际的资金分配方案，但它说明了项目对杠杆作用的依赖。

基金会明确打算吸引额外的公共、私营和慈善资本。它还希望经过验证的模式能够被纳入政策和雇主实践。如果该倡议要接近其全国性目标，这些机制必须提供最终规模中的大部分。

杠杆作用可以成为有意义的成果。一笔规模不大的拨款，可以支持改变更大规模公共预算或雇主流程的证据。但在资金实际承诺并使用之前，已宣布或已对齐的资金不应被计为影响。

基金会援引了此前帮助在超过 45 个州释放联邦清洁能源资金的工作。这段历史支持其理论，即慈善机构能够召集合作伙伴并影响更大规模的资本流动。但就业项目仍需要自身的证据。

AI 替代估计同样需要谨慎对待。与 MIT Iceberg Index 相关的一项研究估计，当前 AI 能力与代表美国劳动力市场工资价值 11.7% 的任务存在重叠。这项劳动力模拟建模的是暴露程度，而不是预测同等比例的劳动者将失去工作。

任务暴露可能导致多种结果。雇主可能减少人员编制、提高产出、重新设计岗位，或创造新服务。劳动者也可能将 AI 作为助手使用，而非面临完全替代。

因此，围绕单一替代预测构建的项目会很脆弱。地方规划者需要能够适应多种采用模式的情景化策略。他们应为任务变化以及直接失业做好准备。

政治持续性带来了另一项不确定性。州政府会更迭，地方预算会收紧，机构领导者也会变动。一个成功的试点可能在资金来源结束或支持它的领导者离任后消失。

将项目纳入法律或经常性预算可以改善连续性。但这也可能在证据尚未成熟之前锁定某种做法。该倡议必须在快速采用与保留修订空间之间取得平衡。

劳动者声音是另一个缺失变量。雇主和政府机构可能围绕填补职位空缺或降低成本来定义成功。参与者可能更看重排班、安全、福利、通勤时间或晋升机会。

项目应在设计期间和安置后收集劳动者反馈。它们还应报告离开的人群，而不只报告完成培训的人群。流失情况能够揭示被总体安置数字掩盖的障碍。

在合法且适当的情况下，独立评估应审查不同种族、性别、年龄、残障状况和地理区域之间的差异。平均收益可能掩盖获得较差安置或经历更高退出率的群体。

怀疑论并不是认为该倡议没有价值，而是认为全国性目标可能跑在地方试点所产出证据的前面。清晰定义、可比较的数据和公开报告，将决定扩张反映的是成果还是热情。

每当这一故事通过 google news 或其他发现渠道再次出现时，这种风险都应保持可见。资金公告是即时的，可靠的就业成果则需要更长时间才能衡量。

公共机构必须在采用 AI 与保护劳动者之间取得平衡

州和地方政府不能只将 AI 视为就业威胁，也不能只将其视为提高效率的工具。它们必须同时管理这两种角色。

基金会将 AI 赋能产业列为优先领域之一。这一选择为新职业创造了机会，也让现有劳动者能够获得有用技能。但随着产品变化，它也引发了哪类培训仍具价值的问题。

教授某一种软件界面可以快速带来完成培训的人数。可一旦供应商更改功能，或雇主采用另一平台，这类培训就可能过时。持久的项目应强调判断力、领域知识、数据素养和负责任地使用工具。

例如，医疗保健工作者可以利用 AI 总结文档或协调排班。但他们仍需要临床知识、沟通技能以及对隐私要求的了解。培训应说明自动化输出何时需要核验。

公共雇员面临类似要求。政府机构可能使用生成式 AI，即根据提示创建文本或其他内容的软件，来起草常规材料。工作人员仍有责任核查事实、保护数据并遵守档案法律。

AI 还可以减少劳动力项目中的行政摩擦。它可以总结个案记录、识别缺失文件，或帮助居民理解复杂要求。每一种使用方式都需要针对该机构实际服务的人群进行测试。

当系统影响获得福利或就业的机会时，效率主张值得审视。更快的决定并不自动意味着更好的决定。政府机构应在处理时间之外，同时衡量错误率、申诉、可及性和差异化结果。

人工审查必须具有实质意义。若工作人员没有足够时间或信息，只是批准自动化建议，几乎无法提供保护。审查者需要有权改变决定，并记录原因。

供应商合同应支持这种监督。政府机构需要获得绩效信息、变更通知、安全条款和处理故障的程序。它们应避免签署妨碍对重大影响系统进行独立测试的协议。

采购团队还可以要求提供关于训练数据、模型局限性和分包商的明确说明。商业系统未必能够提供每一项细节，但政府机构仍需要足够的信息来评估风险。

劳动力倡议可以通过将资金与透明度和评估挂钩，示范更好的采购实践。使用 AI 的试点应披露其目的、受影响用户和成功衡量标准。它还应明确哪些条件会触发暂停。

地方机构应区分用于协助的工具和用于作出决定的工具。起草培训提醒与对申请人进行排序面临的风险不同。对每一种用途采用同一审批流程，可能浪费资源，同时遗漏风险最高的情形。

劳动组织和一线员工应尽早参与设计讨论。员工往往最清楚哪些任务会造成延误，以及哪些错误会损害居民利益。他们的参与可以揭示拟议工具是否真正解决实际问题。

这种参与也能降低这样一种风险：劳动力发展沦为接受低质量工作的委婉说法。培训应当改善劳动者的选择，而不只是让人们为更多监控或不稳定的排班做准备。

获得公共支持的雇主应说明 AI 如何改变其提供的岗位。他们应明确哪些任务会消失、哪些技能将更具价值，以及生产率提升会如何影响劳动者。否则，培训机构只能基于不完整的信息进行规划。

该倡议对优质工作的强调，为设立此类条件创造了空间。公共和慈善资金可以要求雇主就工资、留任、晋升和排班作出承诺。具体标准需反映当地劳动力市场和职业的实际情况。

州政府可以应对更广泛的政策障碍。它们可以推进职业许可制度现代化，支持可携带的资质认证，并将教育数据与就业结果对齐。它们还可以资助帮助参与者坚持完成培训的服务。

地方机构可以在特定劳动力市场测试这些方法。它们的经验能够显示哪些障碍最关键，以及哪些干预措施会产生意料之外的影响。随后，基金会可以将可信的经验推广至不同辖区。

AI 不应主导每一项地方就业战略。在技术培训变得有用之前，许多社区仍需在交通、宽带、住房或照护服务方面进行基础投资。该项目的设计应允许这些需求塑造应对方案。

如果与严格评估相结合，这种灵活性是一项优势；但如果每项地方活动都能在缺乏共同变革理论的情况下获得资格，它就会成为弱点。统一的结果定义必须与地方适应性并存。

因此，核心权衡并非就业与技术之间的取舍，而是快速试验与建设问责制机构之间的平衡。该倡议只有同时做到两者，才能成功。

Google News 读者接下来应关注什么

下一阶段应通过社区遴选、可衡量的就业结果，以及成功试点进入常态化体系的证据来评判。

第一个信号是首批社区的遴选。据报道，基金会预计将先从约 20 至 30 个地区启动，然后再扩大规模。这些选择将揭示其如何平衡迫切需求、雇主需求、地域多样性和行政准备程度。

可信的首批名单不应只包括那些已善于争取全国性拨款的社区。它应在不同劳动力市场和政府能力条件下检验这一模式。遴选标准应足够公开，使未入选地区能够理解这一决定。

读者还应关注哪些组织在地方层面发挥领导作用。仅由外部顾问主导的合作关系，可能在资金结束后难以维持。更强的结构将包括职责明确的机构、雇主、教育者、劳动者代表和服务提供方。

第二个信号是衡量框架。该项目需要对报名、完成、就业安置、留任和工作质量采用一致的定义。它还需要一种站得住脚的方法，用于估算通过政策或融资间接影响的就业岗位。

早期报告应将直接参与者结果与模型化的全国性影响区分开来。报告应显示有多少人进入项目、获得工作并持续就业。工资、工时、福利和晋升数据将提供更完整的图景。

结果还应包括失败案例和调整过程。如果一个试点发现某条培训路径无效，只要这一教训能够避免更大范围的支出，它仍然可以创造价值。隐瞒负面结果将削弱该项目的规模化战略。

评估过程还应区分 AI 暴露程度与实际岗位替代。社区可以跟踪雇主采用情况、任务变化、招聘模式和裁员情况。没有任何单一指标能够完整捕捉这一转变。

第三个信号是制度性采纳。当一个州改变政策、一个机构设立经常性资金，或雇主采用经过验证的路径时，一个有前景的试点才会在规模上变得有意义。仅依靠另一笔短期拨款进行扩张，所提供的证据会更弱。

应关注资质认证规则、托育支持、培训融资和雇主协议的变化。这些行政细节比又一则参与情况公告更能说明项目的持久性。

州预算文件可以揭示政府是否正在承担持续成本。立法能够显示一项政策能否超越单届政府而延续。集体谈判协议和雇主合同则可以表明劳动者是否能分享生产率提升带来的收益。

该项目还应报告其撬动了多少额外资本。相较于笼统宣称资源已协调一致，与具体干预措施挂钩的、有记录可查的承诺更有意义。公共资金应与私人及慈善捐助分别列明。

更强的结果将结合可信的就业安置、政策采纳和透明成本。更弱的结果则会强调受益者总数，却不解释他们与受资助活动之间的关联。

对于从 google news 前来的读者而言，标题中的数字只是起点。更持久的故事在于：地方机构能否在脆弱劳动者承担技术变革成本之前，对这种变革作出回应。

开发者和 AI 供应商也应关注，因为公共项目可以塑造采购和评估预期。企业采购方也应关注，因为地方合作关系可以暴露真实的劳动力需求。劳动者则应关注，因为工作质量标准将决定适应过程带来的是机会，还是仅仅又一张证书。

州和地方领导者无需预测 AI 对每一种职业的确切影响。他们需要的是能够发现变化、测试应对措施并保持问责的体系。Rockefeller Foundation 正押注于慈善事业能够帮助建立这些体系。

如今决定性的问题很实际：首批社区能否发布足够有力的证据，让政府和雇主承诺投入自己的资源？答案，而非公告的规模，将决定这一倡议是否会成为持久的劳动力基础设施。