AI提效之后,企业如何重算用工这笔账?

在过去两年的生成式人工智能浪潮中，很多职场人和企业管理者都经历了一种奇特的“体感落差”：

在个人微观层面，AI 工具确实让人感觉效率倍增——几秒钟生成一段函数、几分钟归纳一份长研报。直觉推导之下，不少人自然会产生一种担忧：如果每个员工的产出效率提升了30%乃至50%，企业是不是很快就会同比例缩减30%的用工岗位？

然而，现实中宏观和企业侧的反馈却复杂得多。既没有出现整齐划一的“普遍大裁员”，也没有迎来皆大欢喜的“无边界大扩张”。

企业在引入 AI 提效之后，究竟是如何重算用工这笔账的？当单点技术效率提升之后，企业组织内部的真实成本结构发生了怎样的流转？

要看清企业的真实动作，必须回到真实的样本数据。

摩根士丹利研究部（Morgan Stanley Research）联合 AlphaWise 对全球主要经济体的企业高管开展了跨国调研。在2026年9月发布的最新跨国企业调研（覆盖截至2026年4月的过去12个月）中，涵盖了银行、软件、技术硬件、半导体和专业服务等高技术密集型行业。调研呈现出的第一个核心事实是：全样本平均岗位净缩减为 5%，但分化极其剧烈，不存在全球统一的简单结论。

图1：各主要国家与行业跨国企业 AI 岗位净变动率（来源：摩根士丹利 AlphaWise 2026年9月调研）

从国别维度来看（图1-A）：

• 德国成为唯一样本净增国家：受访的德国跨国企业在过去12个月因 AI 带来的岗位净变动率为 +1%（岗位淘汰与未回补占比 21%，而新招聘占比 22%）。报告同时显示，德国企业淘汰岗位占比（9%）为各国最低，转岗培训占比（27%）为各国最高。

• 美、英、澳、日呈现不同程度净缩减：澳大利亚受访企业净缩减为 -4%，美国为 -5%，英国为 -6%，而日本受访企业净缩减幅度最高，达到 -10%（淘汰与未回补占比 30%，新招聘仅 20%）。国别差异背后的原因，报告并未给出定论。

从行业维度来看（图1-B），分化同样明显：

• 半导体行业净缩减最为显著，达 -8%（淘汰与未回补 29%，新招聘 21%）；

• 软件与IT服务紧随其后，净缩减达 -7%；技术硬件与设备净缩减 -5%；

• 相比之下，专业服务咨询（净减 -4%）与银行业金融机构（净减 -3%）的净缩减幅度相对缓和，银行业有 26% 的岗位获得了定向技能再培训。

还有一个值得深思的组织规模维度：企业规模的大小，直接决定了用工调整的动力机制。

• 在 50人以下的微型企业 中，岗位呈现 +4% 的净增（毛削减 17% 对比新增招聘 22%）；小微企业往往处于业务拓展期，技术提效后更倾向于多接项目、扩大业务版图。

• 在 501至1,000人的中型企业 中，新招聘意向最为积极，新增招聘占比高达 24%，整体用工净变动仅小幅收缩 -1%。

• 而在 1,001至10,000人的大型企业 中，岗位净缩减最为明显，达 -9%（淘汰与未回补达 30%，新招 21%）。

这些数据提醒我们：脱离行业竞争格局、企业规模和业务生命周期谈论“AI 消灭岗位”，往往会遮蔽最关键的商业现实。

为什么个人编码或写材料快了，企业并没有直接按比例削减员工？

国际劳工组织（ILO）在关于生成式 AI 对全球就业影响的研究中，提出过一个核心概念：“潜在暴露度（Exposure）不等于实际替代率”。研究测算显示，全球约有 24% 的文职任务具备高度被 AI 辅助或自动化的潜力，但绝大多数职业是复合任务的结合体。

在企业经营的微观模型中，总用工需求取决于一个经典算式：

AI 工具直接提升的是分母（人均单位产出）。但分子（业务交付总量）并不是静止不变的常数。

当人均单位产出提升 30% 时，企业用工走向取决于三种不同的商业情境：

情境 A（需求弹性高、处于业务扩张期）：如果企业所处市场的需求空间巨大，由于单件生产成本下降、报价降低或交付周期缩短，企业接到的订单总量激增了 60%。此时分子扩张速度超过了分母增长速度，企业不仅不会裁员，反而需要扩招人员来承接业务规模爆发。

情境 B（需求饱和、存量博弈期）：如果企业处于行业天花板，无论成本降多低，市场总需求只能维持恒定（分子不变）。此时人均产出提高 30%，企业在逻辑上确实只需要原先约 77% 的人力，从而产生用工收缩压力。

情境 C（伴生新工作与审查协同成本）：AI 提效往往伴随着半成品数量的激增，但这些内容需要大量的人工校验、质量把关与系统集成，抵消了原本节省的部分工时。

因此，单点效率的提升能否转化为岗位缩减，核心约束是企业外部的市场总需求弹性，以及内部的新增协同与审查摩擦。

软件研发是 AI 工具渗透最早、最深的领域。观察代码生产的全链路，能最直观地看懂技术交付的“瓶颈转移”机制。

很多团队发现，初级工程师借助 AI 可以一天写出成百上千行代码，但项目的整体上线发布时间却没有明显缩短。这是为什么？

图2：软件工程交付全流程机制推演（定性模型 · 标注实证边界）

经典的计算科学规律阿姆达尔定律（Amdahl's Law）告诉我们：一个系统的整体加速比，受限于那些无法被加速的串行部件。

在端到端的工程交付流程中（图2）：

1. 需求定界与系统架构（前端）：业务方到底想要什么？系统边界在哪里？这高度依赖资深架构师的领域经验与人际对齐，这些决策更依赖人的判断（本文推断）。

2. 模块编码（中间段）：AI 介入最深的环节，写函数、补全样板代码的速度确实成倍提升，边际编写成本大幅降低。

3. 审查、调试与缺陷排查（后半段）：AI 生成代码往往隐藏着细微逻辑漏洞、幻觉依赖或边界异常。阅读并理解非本人编写的大量代码，其认知负荷远高于自己手写。

4. 集成与生产运维（终局）：多系统联调、高并发稳定性与长周期事故兜底，组织对生产故障零容忍，架构师的兜底责任完全不可转嫁。

Becker 等人（2025）在关于早期 AI 工具对软件开发影响的实证研究中，对 16 名专业资深开发者在熟悉代码库中完成的 246 项真实任务进行了对照实验。

实证回归结果令人深思：在控制任务复杂度与上下文后，使用 AI 工具完成端到端任务的估计耗时反而增加了约 19%。论文把原因主要归于调试与理解 AI 生成代码的额外开销；该结果限于熟悉代码库中的早期 AI 工具，不能直接外推到全部团队。

单点工具提速了“打字”，却把整个交付链条的拥堵点推向了后端的“质检与系统运维”。

综合投行宏观调研与工程微观交付规律，我们可以提炼出三条清晰的商业认知：

1. 岗位冲击呈现行业与规模分化，不可一刀切。不同国家政策弹性、不同行业商业生命周期，决定了 AI 带来的究竟是业务扩张还是人员优化。小微企业凭借灵活性更容易实现业务规模扩张，而1,001–10,000人的大型企业样本净缩减更明显；原因本文不作断言。

2. 交付瓶颈由“生产”转移到“定界与把关”。当“制造内容/编写代码”变得极其廉价时，“判断什么是正确的需求”和“确保交付结果不捅娄子”就变得极其昂贵。

3. 对个人的启示：从“工具熟练工”走向“架构与兜底责任人”。在任何行业，单纯以“提示词写得溜”或“生成速度快”为核心竞争力的岗位，其议价溢价都会迅速收窄；而具备全局业务理解、跨环节架构把控能力，以及能够为最终结果负起真实法律与商业责任的专业人才，其核心壁垒反而在技术浪潮中被进一步加固。