先从三个不同的问题说起
当三种不同的衡量标准被当作可以互换使用时,关于 AI 与就业的讨论便会陷入混乱。暴露度问的是:一项技术能否完成某个职业中的部分任务。已观察到的效应问的是:就业、工时、工资、招聘或工作质量是否已经真正发生了变化。预测估计的是:在关于能力、采用率、需求、监管与整体经济走势的一系列假设之下,可能会发生什么。一份工作完全可以在暴露度很高的同时并不消失:比如电子表格改变了会计行业,却同时提高了对某些会计工作的需求。
2025 年可获得的、最有力的全球暴露度估算,来自国际劳工组织与波兰的 NASK 研究机构。他们基于任务层面构建的指数将全球约 25% 的就业岗位归类为存在某种程度的生成式 AI 暴露,而处于最高暴露类别中的仅占 3.3%。作者们得出的结论是,转型比彻底替代的可能性更高,因为大多数职业本身就是可自动化任务与不可自动化任务的组合体。高收入经济体与女性群体的暴露程度更高,这在很大程度上是因为文书类就业本身分布不均。这些都是建模估算,而不是对已经失去的工作岗位的实际统计(ILO–NASK,2025 年 5 月)。
目前真正观察到了什么
截至 2026 年 9 月,尚无证据能够证明,生成式 AI 已经造成了席卷整个经济体的大规模失业。采用程度虽然可观,但并不均衡,而官方就业统计数据本身,也无法清晰地划分出一个「由 AI 导致」的类别。企业完全可能一边援引 AI 作为理由,一边又因为利率、此前的过度招聘、外包,或普通的业务重组而裁员。因此,已宣布的裁员事件,作为因果证据,要弱于一项比较条件相近、但 AI 暴露程度不同的劳动者或企业的研究。
更可信的近期模式,是工作岗位内部与招聘管道内部的重新分配。实地实验发现,在客户支持与写作等边界明确的任务中存在生产力提升,且往往是经验较少的劳动者获益更大。这并不意味着同样的效应会在整个职业范围内出现:更快的产出速度,既可能减少用人数量,也可能增加需求、提升质量,或者干脆增加工作总量。斯坦福大学 2026 年《AI 指数报告》指出,劳动力市场层面的效应并不均衡,而是集中在部分暴露程度较高的职业与年轻劳动者的招聘管道之中,但这方面的证据仍在积累之中,并不足以证明整整一代人已经被替代(斯坦福 HAI,2026 年)。
文书类任务依然是暴露程度最高的类别之一,而暴露范围也已扩展到编程、分析与金融等已实现数字化的专业工作领域。实体在场本身,并不能让一份工作永久安全;它只是限制了当今这些基于文本与屏幕交互的系统,在缺乏机器人技术支持的情况下所能做到的事情——本手册的人形机器人的现状一文,直接考察了这一差距。持牌资质所要求的判断力与人际信任,同样能够延缓替代进程,尽管各机构仍可能围绕这些岗位,将准备工作、分诊、文书记录与监测等环节自动化。
修正头条式的预测
世界经济论坛《2025 年就业前景报告》估计,到 2030 年将新增 1.7 亿个工作岗位,同时替代 9200 万个,净增长为 7800 万个。这些数字所涵盖的,是五大宏观趋势的综合效应:技术变革、地缘经济碎片化、绿色转型、人口结构变化,以及经济不确定性。它们并不是仅由 AI 单独创造或摧毁的工作岗位的估算。在该报告所调查的雇主预期中,AI 与信息处理技术,被认为与 1100 万个新增岗位及 900 万个被替代岗位相关联。其研究方法,是将一项针对逾 1000 家大型雇主的调查,与国际劳工组织的就业数据相结合,因此它所代表的是被投射到全球范围的雇主预期,而不是一项已经实测的结果(WEF,2025 年 1 月)。世界经济论坛是一个由雇主主导的组织,读者在解读其调查结果时,应当把这一立场纳入考量。
咨询公司的估算,往往衡量的是「技术上可自动化的工时」。这类数字对情景规划或许有用,但并不是失业预测。实际部署与否,取决于可靠性、工作流程的重新设计、法律责任归属、整合成本、劳资谈判、客户偏好,以及自动化是否能让某项服务变得足够便宜、从而扩大需求。一个能在演示中完成 60% 列出任务的模型,并不必然意味着它已经将某位劳动者有偿工作角色中的 60% 实现了自动化。
AGI 转型可能带来哪些改变
以上所有内容,针对的都是当前的生成式 AI。AGI 对劳动力的影响,目前仍是预测,因为尚无任何一致公认的测试能够确证 AGI 已经出现。一个能够可靠地学习新领域、进行长期规划、操作各类工具,并不断改进工作流程的系统,可能会让远比现在广泛得多的认知劳动暴露于风险之下。如果机器人技术也变得廉价可靠,体力劳动可能会随之步其后尘。反过来,监管、所有权结构、人类的偏好,以及互补性需求,即便面对能力强得多的系统,也依然可能保留甚至创造出新的工作机会。
真正关键的不确定性,不仅在于能力本身,更在于收益的分配方式。如果资本所有者攫取了大部分回报,那么快速的生产力增长,完全可能与劳动收入的下降同时并存。而如果各项制度能够合理分配收益,同样的生产力增长,也可以用来资助更高的工资、更短的工作周、公共服务,或社会分红。因此,「还会不会有工作岗位」这个问题,远不如去追问「究竟谁拥有这些系统、谁具备议价能力、谁承担转型成本,以及各个家庭能否保住收入与自主权」来得完整。
不均衡的暴露度与次生效应
转型过程很少是均匀发生的。行政管理中心可能会先于以建筑业或照护工作为主的地区受到冲击。即便资深岗位得以延续,入门级任务也可能萎缩,从而削弱新手成长为专家的这条路径。残障劳动者可能获得有价值的辅助,但同时也可能遭遇自动化筛选与监控。低收入国家可能获得接触专业知识的机会,却也可能失去本地经济所依赖的外包服务工作。
统计数字同样会遗漏工作质量这一维度。AI 可以消除枯燥乏味的劳动,但也可能通过监控、算法化的绩效目标,以及对持续产出的期待,加剧工作强度。一个稳定的就业总量数字,可能掩盖了工资压缩、工时减少、自主性下降,或从正式雇佣转向不稳定合同用工的现实。反过来,它也可能掩盖了新出现的无障碍收益与创业机会。一份负责任的监测仪表盘,理应追踪招聘、工资、工时、职位空缺、任务内容、劳动者的掌控程度与分配情况——而不仅仅是裁员人数。
一份务实的家庭层面解读
不要仅凭单一一份预测,就做出不可逆的职业决定。应当把暴露度当作开展尽职调查的一个提示信号:
- 列出你实际获得报酬的各项任务,包括那些职位名称往往忽略的、涉及人际关系、责任担当与实体环境的工作内容。
- 用真实任务测试当前的各类工具,并记录它们的可靠性、所需的监督成本,以及出错的代价。
- 关注你所在雇主在招聘、采购与工作流程上的实际变化——而不仅仅是高管的公开表态。
- 积累可携带的判断力、领域知识、客户信任,以及借助 AI 提升生产力的实际证据。
- 在条件允许的情况下,减少家庭收入对单一雇主或单一狭窄任务组合的依赖程度。
截至 2026 年 9 月,诚实的结论既不是「什么都没有发生」,也不是「大多数工作岗位即将消失」。目前的证据显示:任务层面存在相当程度的暴露,采用情况并不均衡,在边界明确的场景中确实存在生产力提升,而部分招聘渠道也已出现早期的扰动迹象。那些关于就业净增长的宏大论断,依然只是预测。AGI 规模级别的替代,是一个可信的情景设想,而其最终规模,既取决于模型能力本身,也同样取决于部署方式与政治经济格局。