新加坡“以劳动者为先”的 AI 承诺遭遇裁员现实考验

尽管一家全球性银行计划因自动化裁撤数千个岗位，新加坡仍承诺在 AI 转型期间保障每一位劳动者。这项承诺通过 Google News 的一则标题触达更广泛受众，但政策本身比这一概括所呈现的更为细致。

新加坡总理黄循财已明确表示，政府无法保障每一个岗位。相反，新加坡计划通过帮助劳动者适应变化、接受再培训并转入新职位来保护他们。这一区别正是事件的核心。

政府押注于，更快采用 AI 能创造足够的生产力、投资和新工作，以抵消其淘汰的岗位。渣打银行的重组提供了一项即时考验。该行计划在投资包括 AI 在内的技术之际，削减企业岗位。

因此，新加坡的立场并非反对自动化。它承诺在管理自动化的同时，不将“无就业增长的经济增长”视为不可避免的结果。

这一承诺之所以重要，是因为新加坡高度暴露于 AI 影响之下。金融、专业服务和信息行业在其经济中占据异常重要的位置。这些行业也包含大量生成式 AI 如今能够完成的认知型任务。

冲突十分明确。雇主有强烈动机实现工作自动化并降低成本。政府则希望同样的投资能够带来更好的工作、更高的工资，以及为受影响员工提供可信的转岗路径。

新加坡实际上对 AI 与就业作出了什么承诺

新加坡承诺保护劳动者，而不是永久保留每一个现有岗位。

黄循财在 2026 年 4 月 30 日的劳动节致辞中阐述了这项政策。他承认，一些岗位将变得过时，转型过程也将十分艰难。

他的承诺比关于就业的笼统保证更具体。在官方劳动节致辞中，黄循财表示，新加坡将通过支持适应、技能再培训和转入新机会来保护每一位劳动者。

这番表述很重要。保护一个岗位，意味着保留其现有职责和组织位置。保护一名劳动者，则意味着接受原有工作可能消失，前提是此人能获得有实质意义的帮助，以寻找条件相当的工作。

国会于 5 月 6 日进一步强化了这一做法。议员一致支持一项动议，呼吁实现没有“无就业增长”的 AI 转型。该动议强调公平、韧性、机会，以及政府、雇主和工会之间的共同责任。

此次表决形成了广泛的政治承诺，但并未禁止与 AI 相关的裁员。它也未保证每一位受影响员工都能获得薪酬、地位或稳定性相当的岗位。

相反，新加坡正运用其三方劳资模式。政府机构、雇主和工会协调培训、岗位再设计和转型支持。该模式依赖企业在岗位被淘汰变得不可逆之前识别受影响职位。

政府还在 4 月成立了三方就业理事会。其职责包括广泛培训、行业专项计划、岗位再设计，以及支持被认为易受技术变革影响的职业。

新加坡的 National AI Impact Programme 又增加了一层支持。该计划旨在帮助企业采用 AI，同时建设劳动力能力。该政策将技术部署与培训相衔接，而非将两者视作独立预算。

部分 SkillsFuture AI 课程还将在 2026 年下半年提供六个月的高级 AI 工具使用权限。其理念是提供实际接触，而不仅仅是课堂教学。

劳动者需要理解正进入其工作场所的系统。他们也需要有机会在雇主决定谁能够胜任重新设计后的岗位之前使用这些系统。

然而，获得工具使用权并不等于获得岗位机会。短期课程无法保证雇主会设立合适职位，或认可由此获得的技能。

Google News 的表述捕捉到了政治承诺，却压缩了这一核心限定。新加坡并非承诺冻结其劳动力市场。它押注于，各类制度能让劳动者在变化中的岗位之间流动得比自动化淘汰当前任务更快。

这是一个要求很高的标准。成功取决于培训质量、雇主参与程度、预警系统，以及真正更优质岗位的创造数量。

Google News 将这一承诺置于银行业警讯之旁

当渣打银行展示企业 AI 战略如何迅速转变为缩减人头时，“以劳动者为先”的承诺变得紧迫起来。

副总理颜金勇于 5 月 20 日在 DBS Leaders Dialogue 上谈及这一问题。他敦促银行和金融机构不要仅将 AI 用于削减运营成本。

颜金勇认为，放慢 AI 采用步伐将削弱新加坡的竞争力，并最终损害劳动者利益。与此同时，他要求企业思考可以创造哪些新岗位，以及如何培训现有员工胜任这些岗位。

他的发言是在渣打银行宣布计划到 2030 年削减约 15% 企业岗位之后作出的。估计受影响总人数约为 7,000 至 8,000 个职位。

首席执行官 Bill Winters 起初将此次重组描述为以金融和投资资本替代部分“低价值人力资本”。这一说法招致批评，因为它将员工视为可互换的资产负债表投入项。

Winters 后来为这番措辞道歉。但这场争议仍暴露了新加坡计划背后的张力。雇主可以承诺再培训，同时将投资围绕更少的员工进行布局。

渣打银行表示，将为希望再培训或转入其他职位的员工提供机会。然而，有机会申请未来岗位，与承诺留用某个人并不相同。

该行的变动还涉及多个市场。其企业运营在印度、马来西亚、波兰和其他地区设有大型办公室。新加坡无法直接决定一家跨国机构内部的每一种就业结果。

但它仍可影响在其经济体系内运营的企业所面临的激励。公共补助、培训支持、采购、监管预期和劳动规则，都可以塑造企业引入 AI 的方式。

颜金勇的介入实际上为 AI 采用的社会正当性设定了一项条件。银行不应仅以降低人员成本来衡量成功，还应展示更好的服务、更高价值的岗位和更强的员工能力。

最初的银行业报道将此解读为呼吁重新思考 AI 部署方式。这一解读是准确的，但它留下了一个棘手的衡量问题。

一家公司可以重新设计十个岗位，淘汰八个，并将剩余两个描述为更高价值。生产力提高了，留下的员工承担了更广泛的职责。但整体劳动力规模仍在缩小。

另一家公司则可以将重复性任务自动化、扩大服务范围，并因每位员工能够服务更多客户而招聘更多人。同样的技术会产生不同的就业结果。

新加坡的政策必须区分这些情况。仅凭 AI 采用本身，几乎无法说明劳动者是否分享了由此产生的收益。

该国还需要区分真正由自动化造成的裁员，与企业在其他经营问题之后归因于 AI 的人员缩减。企业可能将技术变革作为整合、外包或需求疲弱的便利解释。

这正是渣打银行案例的重要性超出单一银行的原因。它将一项抽象承诺转化为可检验的问题：公共政策能否改变企业分配自动化收益的方式，还是仅仅帮助劳动者承受已经作出的决定？

Google News 可以在全球传播这一标题，但无法回答这个问题。答案将出现在招聘数据、工资增长、裁员结果，以及劳动者实际转入新岗位的情况中。

新加坡早期 AI 数据同时支持双方观点

当前劳动力数据支持谨慎乐观，但采用程度仍过于浅显，尚不足以验证政府的长期承诺。

新加坡人力部发现，28.5% 的企业已开始采用 AI。这一比例包含处于截然不同阶段的公司，从规划和试点到有实质意义的运营整合。

仅有 3.8% 的企业将 AI 整合进核心流程。另有 7.4% 仍处于规划阶段，6% 正在试点该技术。

这些区别至关重要。一名测试写作助手的员工，所面临的劳动力市场影响不同于一家银行在数千个职位中自动化核心运营流程。

人力部的AI 采用调查结果表明，AI 更常是在补充劳动力，而非取代劳动力。岗位再设计的出现频率似乎高于直接淘汰岗位。

在受访企业中，18.9% 表示重新设计了岗位职能。数据还发现，在积极实施或试点 AI 的企业中，裁减员工人数的比例较低。

早期模式更倾向于增强，也就是技术改变或扩展劳动者的任务，而非淘汰整个岗位。这支持了新加坡所选择的政策方向。

然而，这一数据集反映的是采用的早期阶段。多数企业尚未深度整合 AI，许多部署仍局限于有限试验。最具颠覆性的影响往往会在企业将 AI 接入生产系统，并围绕它重组工作流程之后出现。

采用情况在不同行业之间也存在显著差异。信息通信企业报告的采用率为 74.1%。专业服务业达到 57.5%，金融和保险服务业则为 56.4%。

这些行业包含大量起草文件、分析信息、处理交易、编写软件或回应客户的员工。生成式 AI 日益能够处理每项活动中的部分工作。

因此，全国平均数掩盖了集中的风险暴露。高度数字化金融职能中的劳动者，面临的转型与从事实体贸易或照护岗位的人不同。

新加坡第一季度整体劳动力市场仍然健康。就业总人数增加，延续了长期扩张态势。这为政府在人员流失变得普遍之前建立转型体系提供了时间。

但总就业数据可能掩盖痛苦的变化。一个经济体可以增加岗位，同时让经验丰富的员工失去专业职位，并以较低薪资重新就业。它也可能创造需要不同资历或保障较弱的职位空缺。

因此，“以劳动者为先”的标准必须衡量工作质量，而不仅是岗位数量。相关指标包括薪酬保留情况、失业时长、合同稳定性、职业发展，以及再培训是否带来就业。

如果劳动者完成课程后却无法进入这些项目所宣传的职业，政府的承诺就会减弱。培训参与是投入，成功安置才是结果。

新加坡官员自己也承认存在不确定性。国务部长刘嘉敏在国会发言时表示，成功并非理所当然。她指出，这需要持续投入、艰难取舍、不断适应，以及面对不确定的外部环境。

这种谨慎是恰当的。早期证据或许表明，大规模岗位替代尚未发生，但无法证明未来的部署仍将主要起到互补作用。

AI 能力的变化速度也快于传统办公技术。如今协助员工的试点项目，可能会在模型准确率提升或企业重组流程后，演变为自动化系统。

企业起初可能保留员工来监督输出、纠正错误并传承机构知识。一旦新工作流程稳定下来，管理层就可能重新评估人员规模。

这种滞后使政策制定更加复杂。如果裁员数据在部署数月后才出现，当局作出回应时，受影响员工可能已经失去了议价能力。

这份劳动力市场报告提供了可信的基准。新加坡现在需要持续重复的衡量方式，长期追踪相同的行业、职业和劳动者群体。

如果缺乏这种连续性，政府可能在庆祝采用率的同时，忽视工作质量的逐步恶化。

真正的冲突是雇主激励与劳动者结果之间的矛盾

新加坡的战略只有在雇主从重新设计工作中获得的收益大于单纯裁减员工时，才能成功。

企业采用 AI 通常是为了提高生产率、减少错误、加快服务或降低成本。这些目标没有一个会自动创造新的岗位。

企业在提高生产率后可以扩大规模，也可以在产出不变的情况下减少员工。管理战略、市场需求和竞争压力决定了它会走哪一条路。

新加坡希望企业选择扩张路径。它期待更低的运营成本能支持新产品、新客户群体和更高价值的就业岗位。

该国有理由保持这种信心。它拥有协调有力的政府、健全的培训体系、重要的金融机构，以及通过三方合作应对经济结构调整的历史经验。

其国土面积较小也能缩短反馈周期。政府机构可以比大型司法管辖区更快地识别行业问题、咨询主要雇主，并调整培训项目。

DBS 首席执行官陈淑珊将 AI 形容为新加坡有限劳动力的倍增器。这一逻辑适用于一个面临人口结构限制、并为争夺高技能人才而激烈竞争的国家。

当劳动力稀缺时，自动化可以缓解产能限制。一名合规分析师可能审查更多案例，而一名客户经理则可借助自动化研究和文档处理服务更多客户。

这种情景既能保住劳动者岗位，也能提高他们的产出。如果员工能够获得部分新增价值，还可支持工资增长。

相反的情景同样合理。银行可以自动化文档审查、客户支持、软件测试和行政处理，然后将剩余工作集中到规模更小的团队中。

留下的员工会变得更高效，离开的员工则承担调整成本。

技术采用补贴可能会无意中强化第二种情景。公共资金降低了自动化成本，但除非支持措施包含可执行的劳动力条件，节省下来的成本主要归雇主所有。

新加坡已表示，获得援助的企业应公平对待员工。不过，官员们总体上仍倾向于采取支持性做法，而非严格限制。

今年 5 月，人力部表示，在决定是否需要更强保障措施之前，正在研究与就业相关的 AI。现有义务包括公平雇佣指导原则和《职场公平法案》。

一些司法管辖区要求在 AI 影响就业决策时进行风险评估、人工监督或信息披露。新加坡尚未采用同样具有约束力、专门针对 AI 的制度。

这一选择保留了灵活性，但也在很大程度上依赖雇主、工会和自愿协调。

核心政策机制是岗位再设计。企业不是在员工被解雇后把他们培训到无关职业，而是将现有岗位拆分为不同任务，并在人与机器之间重新分配。

例如，一名运营员工可能不再进行重复检查，而是开始处理例外情况、调查异常，或改进自动化工作流程。岗位会在消失之前发生改变。

这种做法在雇主及早行动时效果最佳。员工需要时间学习、练习并证明能力，同时他们仍能使用内部系统，并向有经验的同事学习。

如果培训在裁员公告后才开始，效果就会很差。届时管理层已经确定未来组织架构，受影响员工只能竞争更少的岗位。

重新设计后岗位的质量同样重要。在不提高薪酬或不提供可管理预期的情况下，为某个岗位增加多项职责，是工作强度加剧，而不是保护劳动者。

员工监控带来了另一项风险。AI 可以评估生产率、为求职者评分、预测离职，或建议人员配置措施。即使这些系统并不直接自动化工作任务，它们也会影响职业发展。

新加坡政府表示，雇主在部署此类工具时必须遵循公平和择优原则。然而，劳动者可能不知道算法何时影响了招聘、晋升或解雇决定。

如果管理者例行接受自动化建议，人工监督就可能流于形式。有效监督需要权限、时间、文档记录，以及让员工能够质疑错误的途径。

因此，政府“保护每一位劳动者”的理念不止于培训。它还要求关注决策系统、议价能力、工资结果，以及生产率收益的分配。

知识型员工也需要自己的证据。保存项目决策、记录个人贡献，并追踪不断变化的职责，有助于在内部岗位讨论中说明情况。可搜索的AI 知识库能够在不同工具和团队之间保留这些背景信息。

个人准备无法取代劳工政策，但仍可帮助员工说明自己掌握的知识、工作如何改变，以及能够如何在重新设计后的组织中发挥作用。

培训有帮助，但无法独自承载全部承诺

再培训是必要的，但新加坡不应将完成课程视为劳动者成功渡过 AI 转型的证明。

培训项目通常衡量报名人数、出勤情况、认证和满意度。这些指标易于收集，却无法揭示参与者是否获得了可持续的就业。

更有力的衡量指标会在之后出现。参与者是否找到工作？新岗位是否运用了所学技能？薪酬是否恢复？一年后该职位是否仍然存在？

这些问题对于职业中期劳动者尤其重要。他们可能背负财务责任、拥有专业经验，并对薪资抱有预期，使得转向入门级岗位并不现实。

一名被裁撤的银行员工不一定能直接转入 AI 工程领域。更实际的路径可能是进入相邻岗位，将现有领域专长与新的技术能力结合起来。

合规、风险管理、客户运营和欺诈调查都是例子。劳动者本已了解法规、机构流程和客户行为。AI 技能可以扩展这些知识，而非将其抛弃。

这正是雇主主导培训相较于通用课程的优势所在。企业知道哪些工作流程将发生变化，也知道未来岗位需要哪些能力。

然而，雇主主导的项目也会产生利益冲突。决定取消哪些岗位的同一家公司，也决定谁能接受培训，以及谁有资格进入重新设计后的岗位。

透明的选拔标准至关重要。劳动者应当知道需要哪些技能、将如何被评估，以及培训是否真正提供通往岗位的路径。

工会可以帮助协商这些条款，并识别那些自动化主要被用作削减人头理由的情况。新加坡的三方结构赋予有组织劳工正式角色，尽管劳动者体验仍可能因公司和职业而异。

中小企业带来了另一项挑战。它们可能缺乏专门的培训团队、详细的人力规划，或足够多可供内部调动的替代岗位。

大型银行可以在不同部门之间调动员工。小型企业可能取消一个行政岗位，却没有其他部门可供安置。

政府项目可以在雇主之间整合培训和岗位匹配。以行业为基础的职业路径也可以帮助劳动者进入相邻企业，而不必从头开始。

即便如此，时机仍然困难。AI 工具和商业实践的变化速度可能快于正式课程。围绕某一种产品或界面设计的课程，可能在参与者完成前就已经过时。

因此，培训应聚焦于可迁移的能力。这些能力包括评估 AI 输出、保护敏感数据、设计工作流程、记录决策，以及识别何时需要人工判断。

劳动者还需要反复练习。六个月的高级工具访问权限可能有所帮助，但前提是课程能将这种访问权限与真实工作联系起来。

一名金融从业者可以使用 AI 比较政策文件、起草风险摘要，并根据获批准的来源核查结果。一名客服员工可以分析反复出现的问题，同时学习何时应由自动化系统升级处理个案。

这些情景培养的是判断力，而不仅仅是提示词技巧。判断力更难被自动化，因为它结合了背景、责任和后果。

不过，政策制定者应避免承诺每位劳动者都能仅凭努力成为 AI 的互补者。一些岗位将会收缩，一些人会面临健康或照护限制，一些雇主也不会创造足够的替代机会。

当培训未能带来即时就业时，收入支持和安置协助仍然必不可少。劳动者保护必须包括转型所需时间可能长于预期这一可能性。

政策还需要对薪酬较低的替代性工作作出明确回应。让某人迅速进入任何可获得的工作，或许能改善总体就业数据，却会削弱其长期保障。

新加坡的承诺应根据可比的就业来评估，而非不惜任何代价的就业。否则，无就业增长将变成统计数据更好看的就业不足。

国会中的批评者呼吁更有力地衡量 AI 收益及其分配。这一建议反映出合理的担忧。生产率改善应当与人员规模、工资和培训结果一同公开呈现。

政府无需阻止自动化，也能要求提供更好的证据。它可以要求获得支持的企业报告发生了哪些变化、哪些劳动者完成调动，以及新岗位是否持续存在。

隐私保护将是必要的，尤其对于小型团队。汇总报告仍可揭示公共项目是否真正产生以劳动者为中心的结果。

新加坡已经建立了大部分制度机制。更困难的任务是将政治承诺转化为可衡量的雇主行为。

三个信号将表明这一承诺是否奏效

下一项考验不是又一次演讲，而是新加坡能否将 AI 采用与可比岗位、可执行的保障措施和透明结果联系起来。

第一个信号是下一轮劳动力市场数据。政府官员应按行业跟踪员工人数缩减、招聘放缓、岗位重塑、工资以及员工流动情况。

金融服务业尤其值得关注，因为该行业的 AI 采用率已很高，而 Standard Chartered 也已明确表明其方向。专业服务业和信息产业应紧随其后。

如果 AI 深度整合不断提升，同时就业和工资增长依然健康，新加坡“增强人类能力”的论点就会更有说服力。如果采用率上升却伴随招聘走弱和质量更低的替代性工作，这一承诺就会被削弱。

数据应区分规划与实际部署。除非决策者知道系统只是处于试验阶段，还是已嵌入核心流程，否则全国采用率对他们意义有限。

数据也应区分不同职业。医疗保健或建筑业的就业增长，无法在不引发艰难职业转换的情况下，完全抵消资深金融和技术从业者处境的恶化。

第二个信号是新加坡如何处理获得公共支持的企业。补助金应同时鼓励 AI 采用和劳动力转型。

当局需要证据证明，参与企业提供了可信的培训、对重塑岗位进行了公平选拔，并在岗位面临取消时及时通知员工。支持措施不应沦为将裁员包装成现代化升级的补贴。

政府的jobs council可以协调雇主与工会之间的这些预期。其成效将取决于公开的结果，而非举行会议或推出项目的数量。

如果获得补助的企业能够持续留用或重新安置受影响员工，“员工优先”模式就会获得更多可信度。如果企业获得支持后又裁减类似岗位，却没有明确问责机制，批评者就有充分理由要求更严格的条件。

第三个信号是新加坡是否会加强与就业相关的 AI 规则。现有的公平就业义务提供了基础，但自动化系统带来了新的透明度和申诉问题。

当 AI 对招聘、晋升、绩效评估或解雇产生实质影响时，员工应当知情。当自动化建议出现错误时，他们也需要有意义的人工复核程序。

新加坡表示，在选择自身框架之前，正持续关注国际做法。这种谨慎可以避免设计不良的监管，但无限期研究将留下不断扩大的空白。

一套务实的制度可以先聚焦高影响力决策，而不是覆盖每一种工作场所工具。它可以要求提供文档、进行测试、明确人工责任，并建立易于使用的申诉程序。

这些措施无法保证就业，但能降低不透明系统悄然决定谁获得 AI 采用红利、谁承担其成本的风险。

更广泛的教训并不局限于新加坡。各国政府越来越多地将 AI 描述为经济上的必要条件，同时也是可控的劳动力转型。这些说法只有在制度能够影响企业如何部署技术时才彼此兼容。

新加坡拥有多项优势，包括协调一致的政府机构、成熟的培训项目、活跃的工会，以及与大型雇主的紧密关系。它同样面临巨大压力，需要继续保持对区域企业有吸引力的商业中心地位。

这种压力可能强化员工优先战略，因为该国需要高技能人才。但如果官员担心严格条件会将投资推向其他地区，它也可能削弱执法力度。

这项政策的可信度将取决于能否公开应对这一冲突。新加坡应报告哪些工作岗位消失了、哪些岗位重塑取得成功，以及哪些培训未能奏效。

通过 Google News 看到这则报道的读者应记住一个关键区别：新加坡并未承诺 AI 会保留每一份工作。它承诺的是，经济战略不会抛弃那些工作发生变化或消失的人。

这一承诺很有意义，但不会自行落实。雇主仍控制着大多数部署决策，而 AI 的采用仍处于相对早期阶段，最艰难的影响可能尚未到来。

对员工和企业领导者而言，现在有一个具体而有用的问题：每一项 AI 投资能否明确指出被移除的任务、创造的岗位，以及受影响员工可获得的转型路径？

跟踪这些答案，保留工作场所决策背后的证据，并将未来的 Google News 标题与就业结果进行比较。人们将根据员工最终的去向，而不是机构如何自信地描述这段历程，来评价新加坡的这场实验。