AI救得了命,饭碗谁来救

这个月，“用 AI 救命”两次冲上微博热搜。10 月 19 日是“女子离婚 6 天用 AI 救了前夫一命”，10 月 24 日是“父亲突发脑梗儿子用 AI 抢出救命时间”。两次热搜之间，10 月 23 日，国务院办公厅公布了《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》（国办发〔2026〕29号），分 6 个方面、18 项任务，说的是 AI 替下一部分人的活以后怎么办。

总体要求里明说，要“有效减缓人工智能应用就业替代影响”。这类文件我习惯翻成工程语言再读一遍。翻过来看，第（七）（六）（十六）（十三）几项，可以分别借用评估、灰度、监测、审计的思路来理解，做 AI 落地的人手里都有现成的做法，这回是用到就业上。

第（七）项要求，对“市场准入领域可能造成较大就业冲击的人工智能应用场景项目，在评审时同步开展就业风险评估”。怎么评，文件没有展开。学界和业界眼下常用的办法是把岗位拆成任务，一条一条地看。

比较有代表性的是 OpenAI 与宾夕法尼亚大学的研究者 2023 年的论文《GPTs are GPTs》。他们用美国职业信息网络（O*NET）27.2 版的数据，1016 个职业，19265 条任务，人工标注和 GPT-4 两路打分，逐条给出暴露度（exposure）。一条任务算不算暴露，看单用大模型或结合配套软件，能否在同等质量下把完成时间缩短至少一半。所谓同等质量，是拿到结果的人看不出、也不在乎有没有用 AI。任务分数再加权汇总到职业，核心任务的权重是辅助任务的 2 倍。

算下来，约 80% 的美国劳动者至少有 10% 的任务受影响，约 19% 的人至少一半的任务受影响。作者也说明，这算的是技术上的可能，不预测何时落地。

暴露度高，岗位未必会被替掉。同一条任务，AI 可以帮人做得更快，也可以整件接过去，前一种叫增强（augmentation），后一种叫自动化（automation）。Anthropic 拿真实对话样本统计过两者的比例，2026 年 1 月的报告显示，2025 年 11 月 Claude.ai 上的对话，增强型占 52%，自动化型占 45%；企业通过 API 接进自家系统的调用，自动化型占到四分之三。样本只来自一家公司的模型，外推要谨慎。

从这组样本看，API 调用更偏向任务自动化。所以做就业风险评估，至少要弄清项目碰了哪些任务、占多少工时，以及 AI 在每条任务上是帮人还是替人。

第（六）项要求“稳慎把握人工智能在劳动密集型行业应用的范围、力度、节奏”。这三个词，软件工程里都有对应。

范围对应灰度发布，常见做法之一是金丝雀发布（canary release）。新版本先放给 1% 的流量，指标正常再放到 5%、20%，最后全量。AI 上线也可以先选一条产线、一个班组、一类工单。

力度看自动化等级。自动驾驶按 SAE J3016 分成 L0 到 L5，业务里的 AI 也可以分档，AI 只给建议，AI 起草、人审核，AI 处理、人抽检，全自动、人只管异常。每升一档，都要重新梳理留给人的任务，岗位编制也要结合业务量重算。

节奏靠分批上线和回滚条件来控制。每一批观察多久，看哪些指标，哪些指标触及什么阈值就退回上一档，上线计划里本该写明。

工业现场在全量之前，可以先走两步。先跑影子模式（shadow mode），AI 和人同时处理同一批工单，AI 的结果只记录、不执行，拿来和人的判断比对。比对稳定了，再进入人机并行，AI 先做，人逐单复核。第（六）项的最后一句提到了失业缓冲期。

失业缓冲期可以和人机并行期定在同一段时间。并行期间 AI 离不开人，经复核的人工判断可以作为检验模型的参照，核实后的错例可以用于后续优化。这段时间可以用来告知、培训、安排转岗，具体长短还得看转岗需要。告知放在影子模式开始时，转岗赶在全量切换之前，系统和人的时间表排在同一张图上。

图 1　把失业缓冲期和人机并行期排进同一张时间表

提前告知在劳动法里有先例。《劳动合同法》第四十一条规定，在符合法定经济性裁员情形下，需要裁减人员 20 人以上，或者不足 20 人但占职工总数 10% 以上的，要提前 30 日向工会或者全体职工说明情况，听取意见，并将裁员方案向劳动行政部门报告。这次文件则鼓励企业在推广 AI 的过程中提前告知受影响劳动者。

纽约州在这件事上动手早一些。2025 年 3 月起，州劳工部的裁员预告表加了一个勾选项，问裁员是否与“技术创新或自动化”有关，勾了还要写明是 AI、机器人还是别的技术。据律所 Hunton Andrews Kurth 统计，头一年有 160 多家企业提交预告，没有一家勾选 AI。

斯坦福数字经济实验室的一篇论文或许能解释这件事。论文题为《煤矿里的金丝雀？》（Canaries in the Coal Mine?），数据来自美国最大的薪资服务商 ADP，是数百万劳动者的发薪记录，2026 年 8 月的修订版更新到了 2026 年 6 月。在 AI 暴露度高的职业里，22 到 25 岁年轻人的就业人数比按低暴露度同龄人就业走势构造的反事实（counterfactual）基准低 19%，较年长的员工没有类似缺口。缺口主要来自少招年轻人，离职并没有明显增加，下降也集中在 AI 主要用来替代人的职业。控制教育程度后，差距会缩小；部分分化早于生成式 AI 普及，ADP 样本的差距也比全国调查更大。作者注明，这是早期的描述性信号，还不能当因果结论用，整体经济里也看不到大面积的岗位替代。

如果替代主要表现为少招人，岗位根本没开出来，裁员预告表自然测不到。第（十六）项提出共建“就业数据智能监测分析模型”，要“提升就业风险监测预警灵敏度”。从建模的角度看，灵敏度首先取决于特征选得对不对。只喂失业登记和裁员申报，模型对这种变化反应迟钝，得把招聘需求、新增参保、分年龄段的在岗人数也放进来。比较时也可以学斯坦福那篇，先控制住企业层面的冲击，再看不同年龄、不同暴露度的人群怎么分化。这些数据要跨部门共享，脱敏和最小必要的规矩得先立住。

同一份文件，一边鼓励“求职招聘大模型、智能面试”这类新产品，一边在第（十三）项要求依法治理“因滥用算法等造成的就业歧视”。落到工程上，招聘模型上线前要做偏差测试。

在比较入选率时，常用的指标叫影响比（impact ratio），算法是某一群体的入选率除以入选率最高那个群体的入选率。美国 1978 年的《雇员甄选程序统一指南》给过一条经验线，低于 0.8 通常被视为存在不利影响的迹象，俗称五分之四规则，但它不等于违法认定，也不是高于 0.8 就一定没有歧视。纽约市第 144 号地方法 2023 年 7 月 5 日起执行，要求在纽约市使用符合该法定义的自动化工具辅助招聘、晋升决策的雇主和职业介绍机构，每年请独立审计方做偏差审计，按性别、种族／族裔及其交叉组算出影响比并公开摘要。

执行效果并不理想。纽约州审计长办公室 2025 年 12 月的审计报告显示，2023 年 7 月到 2025 年 6 月，纽约市消费者与劳动者保护局只收到 2 起相关投诉；它检查了 32 家公司，只发现 1 处不合规，审计人员复查同一批公司，找出至少 17 处可能的不合规。这和那张没人勾 AI 的预告表是一个道理，靠企业自报和员工投诉，问题很难浮上来，需要有人主动去查。

金丝雀对一氧化碳比人敏感，早年英国矿工带它下井，当报警器用。软件里的金丝雀发布和斯坦福那篇论文，名字都取自这个典故。煤矿自己用机器换人，也已经有好些年了，行业里有句话，“少人则安，无人则安”。

2019 年，国家煤矿安全监察局发布《煤矿机器人重点研发目录》，列了 5 大类、38 种机器人。国家能源局的《智能化示范煤矿验收管理办法（试行）》把验收分成初级、中级、高级三档，必备指标未达要求不得通过验收。2024 年 4 月，国家矿山安全监察局等七部门的指导意见给 2026 年定了目标，全国煤矿智能化产能占比不低于 60%，智能化工作面常态化运行率不低于 80%，煤矿危险繁重岗位作业的智能装备或机器人替代率不低于 30%，全国矿山井下人员减少 10% 以上，还要打造一批单班作业人员不超过 50 人的智能化矿山。替代率、运行率、单班人数都能在验收时量出来。

中国煤炭工业协会的年度报告显示，截至 2025 年底，全国已建成智能化煤矿 1066 处，智能化产能占比超过 65%，已经越过 2026 年 60% 的目标。据《中国能源报》报道，陕西曹家滩煤矿一条万米皮带，过去要二三十人沿线巡视检修，现在 3 到 5 个人坐在地面，通过摄像头和机器人就能掌握全线。

换下来的人怎么安置，煤炭行业 2016 年经历过一回。那年钢铁、煤炭去产能，人社部初步预计两个行业约 180 万职工需要分流安置，其中煤炭约 130 万，中央财政设立 1000 亿元专项奖补资金。

煤矿换人有目录、分级和指标，去产能安置也有过专项资金支持，受影响职工可以逐一登记。别的行业里，AI 换人散在千千万万家企业，今天是一个客服组，明天是一条质检线，尚缺普遍适用的就业影响分级标准，也缺少统一的统计口径。第（十七）项要求开展专项调查，跟踪“人工智能应用渗透、岗位创造替代、技能需求变化”，可以补上这个口径。在那之前，企业可以先把自己项目的那一页写清楚。

图 2　AI 项目就业影响评估的一页纸（示意）

博士的小判断

这份文件眼下多是鼓励和引导，细则出来才见分量。对做 AI 的人，我的建议是把就业影响当成一项非功能需求，和安全、隐私一起进评审，照图 2 写一页纸。最省事的做法是把人机并行期和缓冲期排在一起，系统验证和人员转岗共用这段时间。

你们上线 AI 的时候，跑过影子模式或人机并行吗？并行了多久？欢迎在留言区聊聊。