替代之后（2026 复核版）· 事实核查 + 机制辨析 + 政策盘点

本文由 AI 生成　资料收集、数据分析、内容整理与结论形成均由 AI 完成，未经人工逐条核实；文中数据与来源已逐处标注，请读者自行核实后谨慎采用。本标识依据《人工智能生成合成内容标识办法》（2025 年 9 月 1 日施行）添加，请勿删除或隐匿。

本文导读

全文约 17,251 字，7 张图表，4 张数据表，共 9 个部分。

结构：前置说明 ／ 出处声明与引用边界 ／ 核心观点提炼 ／ 事实核查 ／ 机制辨析：为什么「可自动化」不等于「失业」 ／ 2026 年实证证据 ／ 应对路径与政策落地 ／ 反方观点与批评 ／ 结论。

赶时间的话：核查结论看「核心观点提炼」，最新数据直接跳「2026 年实证证据」，只想看怎么办就翻「应对路径与政策落地」。

前置说明

一、出处与获取情况

本报告核查的对象，是一份未标注原始出处的中文检索汇总材料（正文约 4,300 字），由用户于 2026 年 9 月 28 日提供。它由三段检索结论拼合而成，主题依次为「AI 取代人类工作的时点预测」「应对 AI 失业风险的策略」「AI 时代的新职业与未来岗位」。

三点版本局限：其一，本次核查所依据的文本是粘贴版本，不是机构发布的手稿，其内部标题层级与标点经过归并，可能与最初生成时的排版不一致；其二，该文本内部各条结论之间没有标注对应的参考链接，本次核查的归属关系由「被点名的主体 + 结论内容」反向匹配得出，因此存在极小概率的错配；其三，该文本如曾配有图表或互动区域，未随文本一并提供。

本次核查共回溯外部信源 34 项，其中 29 项取得原始页面，5 项仅有权威二手转述——后者已在文末信源表中标注等级，且不用于支撑任何结论。

二、三分法与中立性声明

本报告对原文中的每一处论断做三层切分，避免把不同性质的话混在一起评价：

• 事实陈述：可以对照可核验记录判定真伪，例如某个数字、某份报告的发布主体或时间。
• 规范性主张：表达「应当如何」，本身无真伪，只能评价其论据是否充分、内部是否自洽。
• 预测性推断：对未来的判断，不能判定为真或假，只能评价其方法论、置信区间与历史校准记录。

本报告不使用「AI 威胁论」或「AI 无害论」立场。核查的标准只有两条：该论断是否有可追溯的一手来源；该来源是否真的支持这个论断。凡结论与材料原意不一致的地方，本报告直接给出修正值并说明依据，不做含糊处理。

三、研究方法与信源分级

核查分四步：拆解原文抽出 15 条可独立验证的主张；按被引主体回溯一手来源；给出四档判定（准确／基本成立但需限定／表述失当／无法判定）；对需要修正的主张给出可核验的修正值。信源按可核验强度分四级——A 级为官方统计与政府公报，B 级为同行评审论文与本领域工作论文原文，C 级为机构新闻稿与权威媒体转述，D 级为无署名的聚合转载。本报告的结论只由 A、B 级信源支撑，C 级仅用于补充背景，D 级一律不作依据。

第一部分　出处声明与引用边界

本报告核查的对象，是一份未标注原始出处的第三方检索汇总材料（正文约 4,300 字），由用户于 2026 年 9 月 28 日提供。该材料本身是对若干机构报告、学术研究与公开报道的二次转述；其中可核验的部分，本报告已逐条回溯至一手来源，并在文末信源清单中列明。

引用体例：本版为对外发布版，不随附该材料的正文。文中凡涉及该材料的表述，一律采用节录式——单处不超过必要长度，并标明其在核查表中的条目；核查所需的比对依据以「要点 + 判定」的形式给出，不复现完整原句。这样做并不改变任何核查结论，只是把「复现」换成了「定位」。

为什么这样处理：被核查的汇总材料属于第三方文字作品。整篇复制不属于《著作权法》第二十四条所允许的「适当引用」，会构成对原作内容的实质替代。对外版本因此只保留必要的短引与出处定位。本报告另保留一份含完整录文与逐条比对记录的核对稿，需要逐字复核的读者可索取。

一处必须说明的限制：该材料未标注任何原始链接，其内部各条结论也未附对应出处。本报告中「材料称……」的归属关系，是由「被点名的主体 + 结论内容」反向匹配得出的，因此存在极小概率的错配。这是原件本身的信息缺失，不是核查可以补上的。

第二部分　核心观点提炼

把原文去掉叙事包装之后，它其实在讲三句话。

第一句是关于时间：AI 会在未来某个时点取代人类工作的绝大部分，不同派别给出的年份从 2030 年代初延伸到下个世纪初，跨度超过一百年。第二句是关于排序：替代会从重复性、标准化、规则清晰的工作开始，逐步向创造力与情感密集型工作推进。第三句是关于应对：个人转做人机协作并深耕人类独有能力，企业与政府提供再培训、社会保障与教育变革。

这三句话的宏观方向与主流研究并不冲突，问题集中在三处。

其一是把不同量级的东西并列。材料把「技术上有多少工作内容可以自动化」和「会有多少人失业」当成同一件事的不同版本。前者是任务级的技术评估，后者是宏观经济的统计结果，中间隔着企业是否真的替换、多久替换、新岗位创造多快这三道闸门。麦肯锡的 30%、高盛的 25% 到 50%、弗雷与奥斯本的 47%，全都是第一类；而 2026 年实际的美国失业率是 4.1%。这两个数字放在一起并不矛盾，把后者当前者使用才是错误。

其二是替代顺序被讲反了。材料给出的顺序是低技能重复劳动先被取代、中等技能脑力其次、高阶知识工作者最后。到 2026 年为止的可观察证据方向接近相反：最先承压的是高暴露的白领入门岗位——初级程序员、客服、文书与行政支持类工作。美国劳工统计局 2025 至 2035 年的预测中，就业减少最多的类别正是办公与行政支持，而增长最多的恰恰是农场劳动者、送货司机与建筑工人这类体力岗位。这个反差是理解整件事的钥匙，也直接决定了应对策略该往哪边倾斜。

其三是主张强度与证据强度不匹配。原文把机构研究报告、企业的自述裁员理由、企业家个人表态、以及无法追溯来源的时间表混在一起陈述，读起来像是同一个证据等级的共识。实际上这四类东西的可信度差着数量级：有面板数据的实证研究，和一位企业家在某次访谈里的估计，不能并列使用。

后文据此展开：第三部分逐条核查 15 条主张；第四部分解释「可自动化」为什么不等于「失业」；第五部分给出 2026 年最新的实证证据；第六部分梳理已经落地的应对政策；第七部分呈现反方证据与批评；第八部分给出分层结论。

第三部分　事实核查

以下 15 条覆盖原文全部可独立验证的主张。判定用语为：准确、基本成立但需限定、表述失当、无法判定。

三·一　关于陈德里的三阶段预测

材料转述：深度求索资深研究员陈德里在 2025 年 11 月的世界互联网大会乌镇峰会上提出三阶段路径——先是「蜜月期」的人机协同，随后岗位替代加速、失业风险上升，最后社会面临秩序重构。

判定：基本成立但需限定。

时间框架本身与原始报道一致。发言场合是 2025 年 11 月 7 日的世界互联网大会乌镇峰会主论坛「六小龙乌镇对话」环节，出席者为包括深度求索在内的六家杭州企业的负责人，这是该公司近一年内的首次公开亮相。陈德里当时的表述是，AI 在 10 到 20 年间可能取代「余下的（人类）工作」，社会秩序将经历巨大挑战。

需要限定的有三处。第一，「全面取代」不是原话，原话用的是「绝大多数」与「余下的工作」这类程度表述，把它读成「全部」超出了原意。第二，原文漏掉了这条预测中最具操作性的部分：陈德里为科技公司设定了阶段性角色——在 5 至 10 年的中期，企业应扮演「吹哨人」，主动向社会提示失业风险；在 10 至 20 年的长期，企业应扮演「人类守护者」，参与社会秩序的重塑。第三，他同时给出了一个自我限定：对技术本身极其乐观，但对技术可能造成的社会影响持负面看法。这一区分在转述中容易丢失，而它恰恰是这条预测的性质所在——它是价值判断与社会影响判断，不是技术能力预测。

三·二　关于分行业渐进替代时间表

材料给出了一份分行业渐进替代的时间表：先是替代单一任务，其后体力与基础脑力岗位成批被替代，再往后渗入服务、教育、医疗，最后才接近全域替代普通劳动（未标注年份来源）。

判定：无法判定。

按「四阶段年份区间 + 分行业渗透」的组合检索，未找到对应的研究论文、官方报告或智库发布物。这一表述的形式特征——精确到五年、覆盖全部行业、无任何机构署名——与常见的网络流传时间表一致。原文也未标注出处。

处理建议：可以把它当作一种流行的想象保留，但不能作为论据使用。需要时间线时，应改用有署名的机构预测（见第五部分）。

三·三　关于麦肯锡的 30%

材料援引麦肯锡的一份报告，称到 2030 年当前工作的三成可实现自动化。

判定：基本成立但需限定。

麦肯锡研究部门在 2023 年的相关研究中给出的口径是：到 2030 年，在美国，当前工时中最多 30% 可以被自动化。两处限定不可省略：一是单位是工时而非岗位数；二是适用地区为美国。工时被自动化不等于岗位被裁撤——同一个岗位的 30% 工时被机器接走后，剩下的 70% 可能仍然需要人，甚至因为效率提升而扩大规模。

三·四　关于 2045 年取代五成岗位

材料另称，有研究认为到 2045 年 AI 将取代超过一半的岗位。

判定：无法判定。

未找到与该年份和比例同时对应的研究。值得注意的是，「2045 年」这个时点在 AI 研究圈内确有出处，但它来自专家调查中的另一个问题——高级机器智能有 50% 概率出现的时点（见本节第八条），与「取代五成岗位」不是同一个命题。两者的混淆可能正是这条说法的来源。

三·五　关于替代顺序

材料给出的替代顺序是：低技能重复性工作先行，中等技能脑力劳动其次，此后逐渐波及高阶知识工作者。

判定：表述失当。

这条与 2026 年可观察到的证据方向相反，是本报告中修正幅度最大的一条。

先说预测层面。美国劳工统计局 2025 年 8 月发布的 2025 至 2035 年就业预测（2026 年 8 月更新口径）显示：办公与行政支持类别预计减少 4.0%，约 75.21 万个岗位，而同期总就业预计增长 3.5%；该机构同期说明，生成式 AI「可能限制」艺术、设计、娱乐与媒体类岗位的需求。也就是说，官方预测中收缩的是文书与创作类白领工作，不是体力劳动。

再看增长端。世界经济论坛同一时期的净增长排名中，绝对数量增长最多的是农场劳动者、送货司机、软件开发人员、建筑劳动者与商店销售员。体力岗位在这份以雇主调查为基础的报告里位居增长榜首。

最后看实证层面。斯坦福大学数字经济实验室用薪资面板数据做的最新研究表明，22 至 25 岁劳动者在最受 AI 影响的职业中就业下降约 11%，而同一人群中受影响最小职业的就业上升约 10%（详见第五部分）。研究者进一步指出，AI 用途偏「替代型」的职业——例如会计与审计、前台与信息文员——入门岗位表现最差；用途偏「增强型」的职业——例如首席执行官、注册护士——就业持平或上升。

正确的表述应当是：截至 2026 年，承压最明显的是任务可被编码、流程标准化的白领入门岗位；而需要现场操作、物理适应与异常处理的工作，无论技能高低，都还没有出现系统性的替代证据。 这与材料给出的顺序方向相反。

三·六　关于马斯克的时间点

材料称马斯克本人多次预警，2030 年前后将出现大规模失业。

判定：无法判定（属个人表态，非研究结论）。

马斯克确实多次公开表达过类似判断，但那是企业家在访谈与社交媒体上的个人估计，没有公开的方法论、没有数据模型、也没有置信区间。把它与麦肯锡的报告、牛津学者的调查并列陈述，会造成证据等级上的错觉。本报告的建议是把这类内容单独归入「行业领袖观点」，不与实证研究同栏比较。

三·七　关于 2036 年淘汰所有人类工人

材料称某位斯坦福研究者推断，机器人与 AI 将在 2036 年淘汰全部人类工人。

判定：表述失当。

两个问题。第一，这是沃尔瓦在 2010 年代中期的公开表述，被反复转引至今，属于旧预测而非新材料；把它当作对当前状况的判断会误导读者对时效的认知。第二，「淘汰所有人类工人」是一个全称量词命题，即便原话成立，其可证伪性也极低——任何一类未被淘汰的工作都会使其为假。本报告的处理方式是：保留其作为「激进派代表观点」的样本价值，但不作为论据。

三·八　关于「352 位研究者」的那份调查

材料称一项由牛津与耶鲁研究者合作的调查访问了 352 位 AI 研究者，给出的远期预测跨越两个世纪——本世纪六十年代前后可覆盖人类全部任务，下个世纪三十年代前后取代所有人类职位。

判定：基本成立但需限定。

先说对的部分。352 这份样本量，以及 2061 与 2136 这两个年份，确实出自同一项研究——2016 年发表的专家调查，调查对象是 2015 年神经信息处理系统大会与国际机器学习大会的论文作者，其中位估计为高级机器智能在 45 年后出现，以及在 120 年后 AI 能在所有工作上超越人类。以调查年份为起点换算，恰好落在 2061 与 2136 附近。研究由牛津大学未来人类研究所与耶鲁大学的研究者合作完成，这一点也与原文相符。

需要修正的有三处。第一，两项数字来自两个不同的提问：一个是「高级机器智能」何时出现，定义是能完成大多数人类职业任务且表现不劣于普通人；另一个是「AI 在所有工作上超越人类」。原文把两者串成了一条因果链，读起来像是「先能完成所有任务，再过 75 年取代所有职位」，这不是问卷的设计。第二，「完成所有人类任务」比问卷定义更强，原始定义用的是「大多数职业任务」。第三，同一主题下另有一项更常被引用的调查，回复量为 170 份，给出的中位估计是高级机器智能有 50% 概率在 2040 至 2050 年间出现、90% 概率在 2075 年前出现，此后 30 年内进入超级智能。这份调查经常被与 352 份那份混为一谈，引用时需区分。

三·九　关于李开复的时间口径

材料称李开复依据其「五秒钟准则」预测，十年之内翻译、客服、会计、司机、家政等一批职业约九成会被全部或部分替代，另有约一半工作会受影响。

判定：表述失当。

「五秒钟准则」与职业清单出自其 2018 年出版的著作《AI·未来》。该书给出的时间口径是未来 15 年，判断为约 40% 的岗位被取代、另外约 50% 的工作会受影响。原文把「15 年」写成「10 年」，并省略了「40% 被取代」这一核心数字，只保留了「50% 受影响」，容易让读者高估冲击强度。按该书的原始表述，这是关于「多快」与「多少」的一组双数字判断，缺一不可。

三·十　关于弗雷与奥斯本的 47%

材料称牛津学者弗雷与奥斯本在 2013 年发表的经典研究中给出判断：美国约 47% 的岗位处在高自动化风险区间。

判定：基本成立但需限定。

研究确实于 2013 年发布，结论是美国约 47% 的就业处于「高自动化风险」区间。限定在于：这是对任务可自动化程度的评估，作者用机器学习方法给 702 种职业打分，判定标准是「在未来十年或二十年内，该职业的任务是否可能被计算机化」。它回答的是「技术上能不能」，不是「实际上会不会失业」。同一批作者也强调，高风险不等于实际消失，组织约束、监管、成本与消费者偏好都会延缓替代。把这 47% 读成「美国将失去近半数岗位」是对该研究的常见误读。

三·十一　关于高盛的职业风险清单

材料把两份职业清单都记在高盛名下：一份是风险最高的一批白领岗位（程序员、会计审计、法律行政助理等），另一份是被认为最不易被替代的几类（空中交通管制、企业高管、放射科医师、药剂师）。

判定：表述失当（归因错误）。

高盛 2023 年 3 月发布的那份研究，给出的是行业级暴露度，不是职业级排名。其核心数据为：全球约 3 亿个全职岗位的工作流程可能被自动化波及；美国和欧洲约三分之二的职业存在某种程度的暴露；在这些被暴露的职业中，约四分之一到一半的工作量可被替代；按就业加权，全球约 18% 的工作可被自动化；同时该研究估计生成式 AI 可能给全球 GDP 带来约 7% 的增量。行业层面暴露度最高的前几位依次是办公与行政支持、法律、建筑与工程、生命物理与社会科学、商业与金融业务；最低的是建筑与地面清洁维护、安装维护修理、建筑与采掘。

原文列出的那份职业名单——电话推销员、信贷分析师、法律秘书等——实际来自 2023 年一项基于 GPT 暴露度的方法论研究，由普林斯顿大学的研究者完成，与高盛无关。

至于「最不易被替代」的名单，高盛原报告中未见对应表述。此处另需提示：把放射科医生列为最安全职业与既有证据相冲突——医学影像判读恰恰是 AI 应用最成熟的领域之一，这一条至少应标注为存疑。

三·十二　关于世界经济论坛的三个数字

材料援引世界经济论坛的雇主调查，给出三个数字：新增约 1.7 亿个岗位、消失约 9200 万个、净增约7800 万个，口径区间为五年。

判定：基本成立但需限定。

三个数字本身准确。该报告于 2025 年 1 月发布，样本为全球 1000 余家最大雇主，覆盖 22 个产业集群、1400 余万名劳动者。准确表述是：到 2030 年将新增约 1.7 亿个岗位，相当于现有岗位的 14%；同期约 9200 万个岗位消失；净增约 7800 万个；合计约 22% 的岗位将发生扰动。

需要修正的是因果归属。报告把这 1.7 亿归因于四股宏观趋势的合力——技术发展、绿色转型、经济压力与人口结构变化。生成式 AI 是其中一股，但不是唯一驱动力。以「AI 及相关技术将创造 1.7 亿个岗位」来概括，会把绿色转型与人口老龄化带来的岗位一并算进 AI 的账上。报告同时指出，约 39% 的现有技能到 2030 年将发生变化，39% 到 59% 的劳动者需要再培训或技能提升，其中约 11% 可能得不到培训机会，对应超过 1.2 亿劳动者处于中期冗余风险中。

三·十三　关于 86% 与增速榜首

材料列出了增长最快的几个方向（数据、金融科技、AI 与机器学习、软件开发等），并称 AI 与机器学习专家岗位将增长 86%，安全管理专家也进入前五。

判定：表述失当。

前五名的名单与排序完全正确，这一点原文没有出错。出错的是百分比与榜首表述。按该报告图表的官方口径，2025 至 2030 年净增长率依次为：大数据专家 110%，金融科技工程师 95%，AI 与机器学习专家 85%，软件与应用程序开发人员 60%，安全管理专家 55%。不同转载版本的数值在 82% 至 86% 之间浮动，但官方口径为 85%。

更关键的是：增速榜首是大数据专家，不是 AI 与机器学习专家。原句用「其中」二字把榜首位置暗示给了 AI 与机器学习专家，属于位置误置。

另需区分两个排名。按百分比增速，榜首是大数据专家；按绝对数量增长，榜首是农场劳动者，其后是送货司机与软件开发人员。这两个榜单经常被互换使用，解读时必须说明口径。

三·十四　关于原文未加标记的政策表述

材料在社会保障一节提出，有建议探索「机器人税」或 AI 税，用以把技术带来的社会成本内部化、为社保筹资；另一处则称各国正在推进相关制度。

判定：基本成立但需限定。

「有建议探索」这一定语是准确的，但这句话极易被读成「已有国家立法开征」。截至 2026 年 9 月，全球范围内与 AI 就业结果直接挂钩的征收机制仍处于提案阶段。最接近落地的是韩国：2026 年 8 月 13 日，两名国会议员联署提交三件法案，核心是对因部署 AI 或自动化而裁员超过一定门槛的企业征收「AI 转型应对分担金」，收入进入新设的基本社会支援基金；维持或扩大用工的企业可获减免。这是目前唯一把征收锚定在就业结果而非 AI 基础设施、模型收入或推理调用量上的设计，也因此绕开了此前多国提案卡住的「税基怎么定义」问题。但三件法案尚待审议，未成法律。

同期的反例更具提示性：韩国 2026 年 8 月 3 日公布的税制改革方案，对半导体、太阳能、风电、二次电池、核心材料与 AI 机器人六大领域的国内生产给予为期十年（2027 至 2036 年）的税额抵免，非首都圈生产最高可适用 1.5 倍系数。这是补贴方向，不是征税方向。同一国家在同一个月里同时推出「对裁员的征收提案」与「对生产的税收抵免」，说明政策工具的实际取向比「机器人税」这个标签复杂得多。原文若不加限定地使用这个标签，会误导读者对政策现状的判断。

三·十五　无法核实项清单

以下条目无法取得可核验来源，本报告不予采信，仅作留档。

表 1　无法取得可核验来源的条目

第四部分　机制辨析：为什么「可自动化」不等于「失业」

第三节的核查结果指向一个共同的技术错误：把任务级的自动化可能性，当作岗位级或宏观级的就业结果。这一节把这个错误拆开。

四·一　三个口径，三种结论

劳动力市场研究里至少存在三个不同层次的测量，原文把三者混为一谈。

第一层，任务口径。 问的是「这个职业包含的工作任务中，有多大比例在技术上可以由现有 AI 完成」。麦肯锡的 30% 工时、高盛的 25% 至 50% 工作量、弗雷与奥斯本的 47% 岗位风险，都属于这一层。它衡量的是可能性。

第二层，岗位口径。 问的是「由于技术变化，这个职业的岗位总数是增加还是减少」。美国劳工统计局 831 个职业的 AI 暴露分类属于这一层，且该机构明确声明其不是就业预测。世界经济论坛按百分比与绝对量给出的两张增长榜单，也属于这一层。

第三层，宏观口径。 问的是「整个经济体的失业率有没有上升」。美国 2026 年 7 月的 4.1%、欧元区 2026 年 6 月的 6.3%，属于这一层。它衡量的是结果。

从第一层到第三层，需要穿过三道闸门：企业是否真的部署（美国普查局估计仅约五分之一的美国企业在生产中实际使用 AI）、部署后是否真的减员（多数职业只是部分暴露，更可能是被增强而非被替代）、减员后新岗位创造多快（技术相关的就业增长历史上主要来自新职业的诞生）。任何一道闸门没打开，第一层的数字就不会传导到第三层。

四·二　传导机制是「不招」而不是「裁」

2026 年最被低估的一个发现，是关于机制的。

斯坦福大学数字经济实验室基于薪资面板数据的研究显示，22 至 25 岁劳动者在高暴露职业中的相对就业缺口，主要通过招聘减少实现，而不是通过解雇增加。研究者发现，已经在企业内部的在职者，保住工作的概率与以往基本相同；压力集中释放在新员工的入口处——企业不再补招初级岗位。

这个区别在政策含义上完全不同。「裁员」会触发失业保险、会产生可统计的失业登记、会进入新闻。「不招」不会。它表现为某个岗位的招聘启事消失、实习转为不转正、应届名额缩减，全部发生在统计口径的边缘。这也是为什么宏观失业率仍然平稳，而年轻劳动者的体感却显著恶化的原因。

四·三　决定生死的是用法，不是能力

同一项研究给出了另一个关键区分：AI 在不同职业中的使用方式分成两类。

替代型使用，指 AI 直接接手原本由人完成的完整任务。增强型使用，指 AI 帮助人把任务做得更好，人仍然在流程里。研究者的发现很明确：AI 用途偏替代型的职业，入门岗位就业结果最差；用途偏增强型的职业，就业持平甚至上升。

按这一框架，会计与审计、前台与信息文员属于前一类；首席执行官与注册护士属于后一类。这个区分的操作价值在于，它把「我的工作会不会被取代」这个问题，换成了「我的工作里有多少任务是以替代方式被使用的」。后者是可以观察、可以调整的。

四·四　可编码知识与隐性知识

同一研究还按知识类型拆了一层。职业所依赖的知识分两种：可编码知识，指能写进教材、流程手册、考试考纲的部分；隐性知识，指通过经手真实案例、师带徒、反复处理异常情况积累起来的部分。

结论是：更依赖可编码知识的职业，入门岗位的就业增长更慢；更依赖隐性知识的职业，中高级岗位的就业增长更强。这个结果解释了一个看似矛盾的现象——为什么刚毕业的年轻人比资深从业者受冲击更大。年轻人进入一个职业时，掌握的主要是学校里学的可编码知识；而这部分恰恰是 AI 最擅长的。资深从业者的价值则集中在隐性知识部分，那需要通过年限和案例积累。

四·五　被忽略的长期风险：人才管道断裂

企业层面存在一个当期理性与长期理性相冲突的选择。生成式 AI 压低了初级岗位所在任务环节的成本，雇主于是形成一种成本结构：保留少量资深员工并配以 AI 工具，产出可能不低于过去的一整组初级加资深团队。2026 年 7 月，一家国际咨询机构把这种取向概括为「雇资深、自动化初级」。

当期看，这是成本优化。长期看，它抽掉了资深员工的培养来源。今天的初级岗位就是五年后高级岗位的供给管道。如果连续数年不招初级，中长期会出现两类后果：一是特定专业领域出现经验断层，因为隐性知识无法通过阅读文档获得；二是高级人才的市场价格上升，反而推高企业成本。已有咨询研究发现，2026 年初高级 AI 相关岗位的招聘量同比上升约一倍，而初级开发与测试岗位的招聘量收缩，二者的背离正是管道两侧同时变化的写照。

四·六　口径的四个陷阱

在阅读本领域任何数据时，以下四个陷阱值得单独记住。

陷阱一，把雇主自述当因果识别。 美国一家职业咨询机构统计，2026 年前七个月美国雇主在裁员公告中援引 AI 的岗位数为 112,713 个，约占同期全部公告裁员的 24%。这个数字常被引用为「AI 已经造成 11 万人失业」。但它是雇主给出的理由，不是独立识别出的因果估计。企业在公告中把常规重组、疫情期超额招聘的回吐、利率环境下的成本压缩包装成「拥抱 AI」，在动机上是完全合理的。同一份统计还显示，当年 7 月的公告裁员总量为两年最低，招聘计划反而上升。

陷阱二，把相对缺口当绝对降幅。 斯坦福研究中的 19% 是相对缺口——即高暴露组的就业水平相对于「假如它保持低暴露组增速」这一反事实基准低 19%，不是高暴露组就业下降了 19%，更不是 19% 的失业率。

陷阱三，忽略面板样本的代表性。 上述基于薪资面板的研究每月覆盖约 350 万至 500 万名美国雇员，样本在制造业、批发业、大型企业以及 AI 暴露度较高的职业上存在过度代表。它不是人口普查。研究者在三个版本的更新中都把结论描述为「描述性」而非「因果性」。

陷阱四，把使用强度当替代程度。 一项对约 20 万次 AI 助手对话的分析显示，AI 适用度最高的职业是口笔译员，随后是历史学家、作家与服务类销售代表。但适用度高不代表失业高——恰恰相反，这些职业中相当一部分的就业并未出现上述入门岗位那样的收缩。使用强度衡量的是「AI 能帮上多少忙」，不是「AI 会不会端走饭碗」。

第五部分　2026 年实证证据

五·一　宏观层面：没有失业潮

美国劳工统计局数据显示，2026 年 7 月美国失业率为 4.1%，失业人口约 690 万，非农就业当月变动为负 2.3 万，劳动参与率 61.4%。这是一组关于「偏软但未崩塌」的劳动力市场描述，其中并未隔离出 AI 这一单一原因。

欧洲情况类似。欧盟统计局数据显示，2026 年 6 月欧盟失业率为 6.0%，与 2026 年 5 月及 2025 年 6 月持平；欧元区为 6.3%，同比亦持平。

耶鲁大学预算实验室在 2026 年 9 月 15 日更新其追踪指标后给出的结论是：其分析「未提供与 AI 相关的劳动力市场扰动的明确证据」——职业结构的变动方式与 AI 暴露度不吻合，AI 使用度指标与就业或失业变动之间也看不到关联。

图 1　2026 年主要劳动力市场指标

图 2　技术可自动化比例 vs 实际失业率：口径的量级差距

五·二　结构层面：信号很强，且集中在入口处

宏观平稳之下，有一个持续扩大的结构性缺口。

斯坦福大学数字经济实验室的研究自 2025 年起连续更新，其核心指标是 22 至 25 岁劳动者在高暴露职业与低暴露职业之间的相对就业差距。这个差距的演变是：

• 数据截至 2025 年 7 月：13%
• 数据截至 2025 年 9 月：15% 至 16%
• 数据截至 2026 年 6 月（2026 年 8 月更新）：19%

同一份数据给出的分组细节：自 2022 年 11 月起，在高暴露的前 40% 职业中，22 至 25 岁劳动者就业下降约 11%；在低暴露的后 60% 职业中，同一人群就业上升约 10%。研究者同时指出，全经济范围内高暴露与低暴露职业的总体就业差异很小——缺口几乎全部由年龄维度制造出来。软件领域最典型：22 至 25 岁软件开发者的就业水平，到 2025 年 9 月已比 2022 年末的高点低近 20%。

图 3　斯坦福「金丝雀」指标：22 至 25 岁劳动者的相对就业差距

图 4　2022 年 11 月以来 22 至 25 岁劳动者就业变化

围绕入门岗位，还有一组彼此独立、方向一致的数据。

表 2　入门岗位压力的八组独立证据

高盛研究部门 2026 年的估计提供了一个宏观侧写：AI 替代可能使美国 payroll 就业增长在过去一年中每月减少约 1.6 万个岗位，拖累集中在年轻与经验较少的劳动者身上。

国际数据同向。韩国央行的分析显示，15 至 29 岁劳动者流失的近 29.5 万个岗位中，约 94% 位于 AI 密集型行业；同期 50 至 59 岁在这些行业的就业显著增加。德国 Ifo 研究所 2026 年 6 月的调查显示，约半数企业预期无学位初级员工的起薪因 AI 而下降。国际劳工组织的数据显示，2025 年全球青年失业率升至 12.4%。

五·三　职业结构层面：官方预测与增长榜单

美国劳工统计局 2025 至 2035 年预测的要点已在第三节说明：办公与行政支持预计减少 4.0%（约 75.21 万个岗位），而总就业增长 3.5%；同时首次发布 831 个职业的 AI 暴露类别，并声明其不构成就业预测。

图 5　美国劳工统计局 2025 至 2035 年就业预测

世界经济论坛给出的两张榜单需要分开读。按百分比净增长，前五位为：大数据专家 110%，金融科技工程师 95%，AI 与机器学习专家 85%，软件与应用程序开发人员 60%，安全管理专家 55%。按绝对数量净增长，前五位为：农场劳动者、送货司机、软件开发人员、建筑劳动者、商店销售员。按数量减少，前五位为：邮政服务文书、银行柜员、数据录入员、收银与售票员、行政助理与执行秘书。

图 6　2025 至 2030 年净增长率最快的十类职业

图 7　职业 AI 适用度得分：最高五类与最低五类

关于图 7 的读法需要强调：该图数据来自一项对约 20 万次 AI 助手对话的分析，衡量的是「这个职业的任务有多少被用于 AI 交互、且 AI 完成度如何」。得分最高的是口笔译员 0.49，其后依次为历史学家 0.46、作家与作者 0.45、服务类销售代表 0.45、客服代表 0.41。得分最低的一组是屋顶工 0.01，以及挖泥船操作员、打桩机操作员、桥梁与船闸管理员、护理员，四者的得分均为 0.00。

这个分布需要两层解读。第一层：得分高意味着任务与 AI 能力重合度高，不意味着该职业就业前景差——口笔译员得分最高，但这一职业的就业收缩远未达到上述入门岗位的程度。第二层：得分最低的一组几乎全为现场物理作业岗位，它们的 0.00 反映的是 AI 目前接触不到这些场景，而不是这些岗位更「高级」。这两个方向都不宜做简单推论。

五·四　企业与社会层面

美国普查局的估计显示，只有约五分之一的企业在生产中实际使用 AI；即便在报告较高采用率的调查中，多数企业仍停留在试点阶段而非深度嵌入核心流程。

在职培训端存在一组张力数据：世界经济论坛报告显示 77% 的雇主计划对员工进行技能提升，但同期 41% 的雇主计划因 AI 自动化而缩减用工规模。这说明「再培训」与「减员」在不少企业里是并行推进的两件事，而不是替代关系。

社会脆弱性方面，布鲁金斯学会的测算显示，美国约有 3710 万劳动者处在高暴露职业中；用储蓄、年龄、技能与本地就业市场四个维度评估适应能力，其中约 2650 万人具备较好的缓冲条件，约 610 万人不具备，而这 610 万人高度集中在文书类工作，其中 86% 为女性。这组数字说明，AI 冲击的社会分布不是均匀的，它沿既有的性别与职业结构叠加。

在国际比较层面，国际货币基金组织 2024 年的估计仍是常用基准：全球约 40% 的就业暴露于 AI，发达经济体约为 60%，其中约一半可能因 AI 受益而非受损。

第六部分　应对路径与政策落地

六·一　个人层面：三件可验证的事

把第五部分的机制结论翻译成个人动作，有三条比其他建议更具体。

第一，把「AI 用得多」换成「AI 用得互补」。 第四节的替代型与增强型区分是可操作的。判断标准很简单：如果 AI 完成的任务此前占了你工作时间的很大比重，且完成质量与你不相上下，那你处在替代型使用区间；如果你的工作里存在大量需要判断、沟通、例外处理、跨系统协调的环节，而 AI 是帮你把这些环节做得更快，那你处在增强型区间。前者需要主动迁移，后者需要主动加深。

第二，把重心放在隐性知识上。 研究显示，依赖经验积累的职业在中高级岗位上就业增长更强。可操作的做法是主动争取需要经手真实案例、处理异常情况、面对真实客户的工作，即使这类工作的短期效率看起来不如用 AI 处理文档。这一点对刚入职者尤其重要，因为它同时也是抵抗「入口关闭」的办法。

第三，不要把提示词能力当护城河。 一项对大量 AI 对话的分析显示，翻译、历史研究、写作、服务销售、客服这几类工作的任务与 AI 能力重合度最高。同期不少职业分析把提示词工程列为新兴岗位，但这类技能的标准化程度高、学习曲线短，恰恰符合「可编码知识」的特征，长期难以构成壁垒。真正稀缺的是领域判断力与把 AI 输出转化为可交付成果的能力。

六·二　企业层面：当期的成本优化与长期的管道维护

「雇资深、自动化初级」在单个季度的损益表上是成立的，但它隐含一个前提——资深员工的存量可以长期维持。这个前提在五年尺度上不成立。

可操作的替代方案有三条。其一，把初级岗位的任务结构改掉，而不是取消初级岗位本身：把可编码的文书与初稿工作交给 AI，把需要判断与沟通的环节交给初级员工，并配上资深复核；这样岗位保留、成本仍降。其二，把培养责任显性化，为带教设置考核与时间预算，否则「AI 提效」会自然地挤掉带教时间。其三，在招聘需求里区分「任务已被 AI 覆盖」与「任务仍需人」的部分，后者在薪资与稳定性上给予体现，避免把两类岗位用同一个价格带招人。

六·三　政府层面：已落地的政策与尚在提案的政策

下面按「已生效／已发布／尚在提案」三类，把 2026 年能看到落点的工具整理成一张表。同一行里的状态栏是关键：提案与立法是两回事。

表 3　2026 年各国 AI 就业政策落地状态

值得单独看一眼的是韩国在同一个八月里的两个相反动作。8 月 13 日，两名国会议员联署提交三件法案，核心是对因 AI 自动化裁员超过门槛的企业征收「转型分担金」；而 8 月 3 日公布的税制改革方案，方向恰恰相反——对半导体、二次电池、AI 机器人等六大领域的国内生产给予为期十年（2027 至 2036 年）的税额抵免。同一国家、同一个月、一个要收、一个在补。

这一组对照的价值在于，它证明「机器人税」并不是一个可以直接贴到国家标签上的概念。此前多国提案都卡在同一处——税基怎么定义：按算力、按模型收入，还是按推理调用量？韩国的设计绕开了这个问题，因为它锚定的不是技术本身，而是一个劳动记录上已有的事实：裁员。但截至 2026 年 9 月，它仍只是提案。

基本收入方面有一条值得记录的更新。2026 年多组试点数据开始削弱「无条件发钱会让人退出劳动力市场」这一长期反对理由：已披露结果显示劳动参与率平均仅下降 1 至 2 个百分点，减少工时的人群中照护者、学生与创业者明显偏多。争议焦点已从「是否扭曲劳动供给」转向「财政成本怎么承担」——现有试点规模相对于全国性方案仍然很小。

六·四　一个反直觉的结论

把第五、六两部分放在一起看，会发现一个与直觉相反的结论：目前已知的应对手段里，效率最高的可能不是补贴或培训，而是保住入职通道。

原因在于第四部分揭示的机制。冲击的主要形态是招聘收缩而非裁员，那么针对「已被裁者」的失业保险与再培训，恰好作用在受影响最小的人群上（在职者保留概率不变，被裁的主要是存量而非新人）；而真正受损的应届与新入职者，需要的不是失业救济，而是第一个入口。中国的政策文件中「国有企业校招比例继续提高 5 个百分点以上」这一条，从机制角度看，比多数培训补贴更直接命中问题。同理，企业端保留初级培养通道的做法，长期收益也高于同额度的成本削减。

第七部分　反方观点与批评

任何一份关于 AI 就业影响的报告，如果只呈现支持自身结论的证据，就不合格。这一节列出与前述结论相冲突的重要证据。

七·一　最直接的反证：应届毕业生没有出现就业崩塌

2026 年 9 月 25 日公开的一项工作论文（慕尼黑 CESifo 研究网络，作者为加州大学的研究者）用美国人口普查局的当期人口调查微观数据，直接检验了「AI 是否已经在挤压应届毕业生」。样本为 22 至 25 岁、已获学士学位且未继续升学的劳动者，时间序列回溯至 2022 年。

结论是：2026 年夏季该群体的失业率为 7.3%，落在前四年 6.3% 至 7.8% 的区间之内；换算成更宽的「想工作但未主动求职」口径后结果同样平淡；与非同龄非本科人群、与 30 至 49 岁本科人群、以及按 AI 暴露度分组的比较，趋势差异在绝大多数情形下不具备统计显著性。作者的表述是「没有证据显示应届大学毕业生遭遇了显著的、普遍的替代或招聘缩减」。

这与斯坦福的结论形成直接张力。有分析指出两者差异可能来自数据源：斯坦福使用薪资面板（ADP），样本在制造业、批发业与大企业上过度代表；CESifo 使用人口调查（CPS），覆盖面更广但样本量在年轻群体上较小。且两者的测量对象不同——斯坦福测的是一个职业领域的岗位存量变化，而失业率同时反映有多少人在竞争这些岗位，需求变化与岗位存量收缩可以不同步。作者也明确警告，如果工作场所的 AI 使用强度继续上升，2027 届及以后的毕业生可能比 2026 届受到更大影响，需要更多年份的数据才能判断。

七·二　时点预测的历史校准性与「重构论」的反驳

过去半个世纪里，关于「技术将在何时终结大部分工作」的预测几乎全部被证伪，失败方式高度一致：时间点被一再推迟。可观察的规律是，专家在预测「技术何时达到某项能力」上表现尚可，在预测「这项能力何时转化为就业后果」上表现很差——因为后者取决于部署速度、组织摩擦、监管与成本，都是社会变量而非技术变量。对读者的实际建议：任何给出单一年份的「全面替代」预测，都应默认打一个很大的折扣。

另一条重要的反方逻辑来自就业经济学的传统：长期就业增长的主要来源一直是新职业的创造，而非既有职业的维持。有研究测算，美国今日约六成劳动者从事 1940 年尚不存在的职业。在这条逻辑下，AI 造成的不是总量减少，而是结构迁移——用工需求从被自动化的任务环节，转移到设计、治理、验证与集成 AI 工作流的环节。这条逻辑有解释力，但边界在于：结构迁移在总量上成立，不等于在个体上平滑，而摩擦恰恰集中在没有可迁移领域资本的入门者身上。

第八部分　结论

八·一　事实层

截至 2026 年 9 月，没有任何官方数据支持「AI 已经造成大规模失业」的判断。美国失业率 4.1%，欧元区 6.3%，与上年同期基本持平；耶鲁大学预算实验室的追踪结论是未发现 AI 相关的劳动力市场扰动证据。

但在结构层面，存在一个方向明确、逐年扩大的信号：22 至 25 岁劳动者在高 AI 暴露职业中的相对就业水平，比低暴露职业低 19%（2025 年 7 月为 13%，2025 年 9 月为 15% 至 16%）。这个缺口主要通过招聘减少而非解雇实现。

八·二　逻辑层

原文最根本的方法论问题，是把任务级的技术可自动化比例当作宏观失业预测使用。麦肯锡的 30% 工时、高盛的 25% 至 50% 工作量、弗雷与奥斯本的 47% 岗位风险，回答的都是「技术上能不能」，而不是「实际上会不会」。

从技术可能性到失业率，需要穿过三道闸门：企业是否真的部署（美国约五分之一企业实际使用 AI）、是否真的减员（多数职业仅部分暴露，更可能被增强）、新岗位创造多快。任何一道未打开，前面的数字就不会传导到结果端。

八·三　证据层

主张的可信度取决于数据源等级，本报告建议按以下顺序采信：官方统计与政府公报，优于同行评审的工作论文；工作论文优于机构新闻稿；机构新闻稿优于雇主自述的裁员理由；雇主自述优于企业家个人表态。

原文把四个等级的内容混在一起陈述，是它最主要的缺陷。按此标准，原文中可信度最高的是陈德里的框架（有一手报道与场合记录）、世界经济论坛的数字（有报告原文）；最低的是分行业年份时间表、2045 年取代五成岗位、以及各种「最易被替代职业」清单（无出处或归因错误）。

八·四　价值层

如果只能从这份材料里保留一句话，本报告建议把问题从「哪一天被取代」，换成三个可以今天就观察的指标：你所在的职业，AI 是被用来替代任务还是增强任务；你的价值里，可编码知识占几成、隐性知识占几成；你所处的行业，初级岗位的入口是开着、缩着还是已经关上。

第一个指标决定方向，第二个指标决定个人护城河，第三个指标决定下一代人还有没有进入这个行业的机会。第三个指标在当下的政策与舆论里被严重低估——多数应对方案仍在补偿存量受损者，而真正承压的是新增入口。

八·五　本报告的局限

五点。其一，中国部分的实证密度低于美欧，只有政策文本与宏观数据，缺少分年龄与分职业的就业序列。其二，核心量化结论依赖薪资面板数据，原作者将其定性为描述性证据。其三，应届毕业生就业与入门岗位收缩之间存在未解决的证据冲突，本报告未做裁决，仅并列呈现。其四，政策落地状态的时效性很强，尤其韩国三件法案与欧盟规则延期，均可能在本报告发布后发生变化。其五，本报告未涉及中国以外发展中国家的可比数据，而 AI 冲击在不同发展阶段经济体中的形态可能显著不同。

信源清单（共 35 项）

下表按可核验强度排列，A 级为官方统计与政府公报，B 级为同行评审论文与工作论文原文，C 级为机构新闻稿与权威媒体转述。D 级仅用于识别待核查主张，不作依据，故不列入。

表 4　信源清单（34 项）

三句话结论

• 截至 2026 年 9 月，没有任何官方数据支持「AI 已经造成大规模失业」——美国失业率 4.1%、欧元区 6.3%，与上年基本持平。
• 但结构信号明确且逐年扩大：22 至 25 岁劳动者在高 AI 暴露职业中的相对就业水平低 19%（2025 年 7 月为 13%），且主要来自招聘收缩而非裁员。
• 可操作的问题不是「哪一天被取代」，而是三个今天就能观察的指标：AI 在你的职业里是替代还是增强、你的价值里可编码知识占几成、你所在行业的初级岗位入口是开着还是已经关上。

内容生成声明：本文资料的收集、分析、整理以及结论的确立，完全由 AI 自主生成，不代表作者本人立场。相关信息的准确性与完整性仅供参考，请读者自行核实并谨慎判断。

引用与免责声明

引用与来源说明：本文为独立的事实核查与机制分析，非原文转载，不随附被核查材料的正文。文中对被核查材料的引用一律为节录式，单处不超过必要长度；对第三方研究结论的引用均标注发布主体与时间。

免责声明：本文所引数据与结论均来自公开可查的一手来源或已发表研究，但不保证其绝对准确与完整。文中涉及的机构、企业与人名，均出现在其公开发布物或公开报道的语境中，不含任何未公开的个人事项。本文不构成对任何机构、企业或个人的评价性结论，也不构成投资、就业或法律建议。

本文对照使用的一手来源包括：中华人民共和国国务院公报（https://www.gov.cn/zhengce/zhengceku/202606/content_7072482.htm）与世界经济论坛《2025 年未来就业报告》（https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/）。全部 34 项信源（含链接与等级）见上一节信源表。