ARTICLE · 1095814
AI会让更多人失业吗?真正该担心的,是工作方式没变
FUTURE OF WORK
AI不会在同一天拿走所有人的工作，但它正在重新给每一项工作标价。
2025 年，Salesforce 首席执行官马克·贝尼奥夫在一档播客里说，公司客户支持团队从约 9000 人缩减到约 5000 人，AI 智能体已经能处理大约一半的客户对话。
4000 个岗位的差距。
这个数字很难让人轻松。
过去几年，我们听过太多关于 AI 提高效率的故事。写文案更快了，做表格更快了，写代码更快了，客服回复也更快了。可效率提高以后，公司还需不需要原来那么多人，这个问题终于从发布会上的想象，走进了真实的组织结构。
所以，AI 未来会让更多人失业吗？
我的判断是，会有一部分人失去原来的岗位，也会有更多人的工作内容被重新拆分。真正发生的变化，不是一种职业在某天突然消失，而是职业里那些标准化、可数字化、容易验收的任务，价格会越来越低。
这话听着有点刺耳，但比一句 AI 不会取代你，只会使用 AI 的人会取代你，更接近现实。
因为现实里，不是每个人都有同样的学习时间、工具权限和转岗机会。技术带来的收益与代价，也不会自动平均分配。
先看一组容易被误读的数据。
国际劳工组织与波兰国家研究所 2025 年发布的研究分析了近 3 万项职业任务，结论是全球约四分之一的就业处于某种程度的生成式 AI 暴露之下。在高收入国家，这一比例达到 34％。
但报告强调，最可能发生的是工作转型，而不是整个岗位被完全替代。
这里有一个很关键的区别。
AI 能写一封邮件，不等于它能独立承担销售岗位。它能生成一段代码，不等于它能为系统故障负责。它能总结病历，不等于它能完成诊断、沟通、伦理判断和责任承担。
一个岗位，是很多任务绑在一起形成的工作包。
AI 先拿走其中一些任务，然后企业重新决定，这个工作包还需要多少人，由谁负责，应该支付多少钱。
也正因为如此，宏观数据会同时出现两种方向。
世界经济论坛《2025 年未来就业报告》预计，到 2030 年，技术、人口、经济和绿色转型等多种趋势可能创造 1.7 亿个岗位，同时挤出 9200 万个岗位，净增加 7800 万个岗位。报告还预计，接近 40％的岗位技能会发生变化。
这不是说 AI 单独创造了 1.7 亿个岗位，也不是说 7800 万个净增长能自动安置失去旧岗位的人。
新岗位可能出现在另一个行业、另一座城市，需要另一套技能。对统计表来说，一边减少 100 个岗位、另一边增加 120 个岗位是净增长。对那 100 个具体的人来说，失业依然是真的。
宏观世界可以同时乐观，个人处境也可以同时艰难。
再看客服行业，会更清楚。
瑞典金融科技公司 Klarna 在 2024 年大规模使用 AI 客服，并表示系统承担了相当于约 700 名全职客服的工作量。到了 2025 年，公司又开始增加人工服务，让客户在需要时能够找到真人。
这不是简单的 AI 失败，也不是人类赢回了所有岗位。
Klarna 仍然继续使用 AI，只是把人工放回更复杂、更需要判断和信任的环节。重复查询、状态确认、标准答案可以交给系统，身份盗用、纠纷处理和高价值客户沟通仍需要人。
同一篇美联社对呼叫中心行业的报道里，还有另一个真实的人。
29 岁的客服人员 Armen Kirakosian 曾经需要一边应付情绪激动的客户，一边在菜单中查资料，再手工记录每通电话。引入 AI 后，客户资料和问题背景能提前呈现，记录工作也减少了，他可以把更多时间放在解决问题上。
同一个行业，两种结果。
有人被减少，有人被增强。
区别不只在于会不会操作某个软件，而在于岗位剩下的那部分价值是什么。
如果一个人的主要价值是复制信息、套用模板、整理格式、生成初稿，那么 Claude、ChatGPT、Gemini 和 Copilot 会越来越直接地进入这部分工作。它们不需要像人一样完整理解整个职业，只要把其中一批高频任务做得足够便宜，组织就有动力重新算账。
这就是第一层变化，任务被重新定价。
第二层变化更隐蔽，入门岗位的门槛可能上升。
普华永道 2026 年 AI 就业晴雨表分析了六大洲超过 10 亿条招聘广告。报告发现，最受 AI 影响的初级岗位，要求领导力等传统高级技能的可能性，是受影响较低岗位的 7 倍。AI 暴露程度较高的岗位，其技能要求变化速度也超过其他岗位的两倍。
以前，一个新人可以先做资料整理、基础文案、简单代码和会议纪要，在重复工作里慢慢理解业务。
现在，这些任务恰好最容易被 AI 接走。
公司可能仍然需要新人，却希望新人一进来就能判断问题、调用工具、检查结果、协调资源。那条从简单任务走向复杂任务的梯子，正在少掉最下面几级。
不是哥们，新人还没升级，练级区先没了。
这可能是未来几年最需要重视的问题。
那么个人应该怎么办？
我不想给出一个听起来很燃、做起来没用的答案。普通人没有必要立刻辞职学算法，也不需要每天追着新模型跑。真正有用的改变，可以从重新审视自己的工作开始。
01
别再只看职业名称，要拆开每天的任务
同样叫会计，有人主要录入和核对，有人负责解释经营异常、设计内控并与业务部门沟通。同样叫程序员，有人按需求写重复接口，有人能把模糊需求变成可靠系统。同样叫运营，有人只生成推文，有人知道用户为什么流失、产品应该改哪里。
你可以把最近两周做过的事情全部写下来，再问三个问题。
这项任务有没有固定输入和固定输出？结果能不能被快速验收？出错以后需不需要有人承担现实责任？
固定程度越高、越容易验收、责任越容易转移给流程，它越可能率先被自动化。
别等岗位名称消失，先看自己的任务组合有没有变薄。
02
从交付答案，走向定义问题
AI 最擅长的是接收清楚的问题，然后快速生成候选答案。人更应该往上游移动，弄清真正要解决的是什么，约束条件有哪些，谁会受到影响，什么结果才算成功。
一个只接需求写稿的人，会直接和生成模型比较速度。一个能判断读者是谁、事实是否可靠、观点是否站得住、发布后如何复盘的人，负责的是完整结果。
一个只按图做表的人，很容易被自动化。一个能发现指标定义错了、样本有偏差、老板问的其实不是这个问题的人，价值反而会上升。
以后最重要的能力，不只是给出答案，而是避免团队高效地做错事。
03
把 AI 变成工作流程，不要只学几个提示词
会在 ChatGPT 里问一句话，只能算开始。
真正能拉开差距的，是把一项工作拆成资料收集、事实核验、初稿生成、人工判断、交付和复盘，再决定 Claude、ChatGPT、Gemini、Copilot 或行业系统分别放在哪一步。
关键节点必须保留人工检查。
涉及数字，要回到原始数据。涉及法律、医疗、财务和安全，要核对权威来源。涉及客户承诺，要有人承担责任。涉及创意，要判断它是否真的服务于目标，而不是仅仅像一份完成得很快的作业。
AI 的产出速度越快，验证能力越值钱。
04
积累一种离开公司仍然属于你的能力
工具会更新，公司的流程也会改。真正能跟着个人走的，是领域知识、客户理解、判断标准、可信关系和处理复杂情况的经验。
你可以用 AI 写得更快，但要持续读行业材料、接触真实客户、理解业务是怎么赚钱的，也要知道一次错误会造成什么后果。
这些东西不太容易在三天速成课里获得。
它们需要一次次面对真实反馈。
这也解释了为什么 Klarna 重新强调真人服务。复杂纠纷里，客户要的不只是正确句子，还要有人理解语境、拥有权限，并对解决结果负责。
05
给自己做一个可验证的转型项目
别把学习 AI 变成收藏教程。
选一项你每周都会重复的工作，用四周时间重做一遍流程。记录原来花多少时间，哪些步骤可以交给 AI，错误集中在哪里，最后节省了多少时间，质量有没有变化。
如果你做销售，可以让 AI 帮你整理客户信息和生成跟进草稿，但自己负责判断优先级与谈判策略。如果你做行政，可以自动整理会议材料，但把精力转向跨部门协调和风险跟踪。如果你写代码，可以让 Copilot 或 Claude Code生成测试和初稿，但自己负责架构、边界条件和上线责任。
最后把过程整理成一份案例。
它比一句熟练使用 AI 更有说服力，因为它证明你知道怎样让技术产生结果，也知道什么时候不能信它。
当然，个人努力不是全部答案。
企业不能一边从 AI 获得生产率，一边把培训成本和失业风险全部推给员工。学校也需要重建新人学习复杂工作的路径。政府、企业和劳动者还要讨论数据使用、算法管理、转岗支持与收益分配。
国际劳工组织反复强调，技术转型的结果取决于我们怎样管理它。
这一点很重要。
失业不是一个人没有学会某个工具就应得的惩罚，转型也不该成为弱者独自完成的考试。
但回到个人能控制的部分，我们确实不能继续用旧方法工作，然后期待岗位价值保持不变。
AI 会拿走一批任务，会压低一批技能的价格，也会创造新的工作组合。没有人能准确说出五年后每个职业还剩多少岗位，可方向已经很清楚。
重复执行会越来越便宜。
定义问题、验证结果、理解人、承担责任，会越来越贵。
所以，别只问 AI 会不会取代我。
打开自己的工作清单，找到那些最容易被自动化的部分，然后把节省下来的时间，用来建立更难被复制的能力。
未来真正有安全感的人，未必是什么都会做的人。
而是知道哪些事应该交给 AI，哪些判断必须留在自己手里的人！