用AI裁员，可能是企业最贵的一次省钱

——诺奖经济学家阿西莫格鲁的四笔账，与HR能落地的四张图纸

2024年诺贝尔经济学奖得主达龙·阿西莫格鲁（Daron Acemoglu）在一场访谈里，被主持人追问了一个很现实的问题：如果一个小企业主唯一的指标就是利润，你怎么说服他不要用AI来裁人？

他的回答只有一句话打底——员工是企业最重要的资产，让他们变得更有生产力，对企业再好不过。然后他算了一笔账：假设你有100名员工，方案一是把其中5%的岗位自动化，并把这部分岗位的成本砍掉一半；方案二是让100名员工的生产力整体提升5%。他的判断是，后者带来的回报大得多。

这不是道德劝说，是一道算术题。今天很多企业的AI项目，实际上都在做方案一。

一、发现问题：三笔错位的账

第一笔：省下的成本有天花板，多出的能力没有

按最简线性计算，方案一相当于省下2.5人份的成本，方案二相当于多出5人份的产出能力——数字上已经是两倍之差。更关键的是两者的性质不同：省下的成本写在工资表里，上限清清楚楚；多出来的产出能力，能服务更多客户、能解决以前接不住的问题、能做过去做不出来的产品，它的上限由市场决定。

阿西莫格鲁随后问了主持人一个问题：你还记得过去哪些公司？福特汽车、通用电气、IBM、微软——它们的共同点是做了新的事，构想了新市场、新技术、新任务，而不只是削减成本。亨利·福特那句广为流传的话可以作注脚：如果我问消费者想要什么，他们会说要一匹跑得更快的马。

靠裁员可以改善一个季度的利润，但不可能靠裁员做成下一家伟大的公司。

第二笔：模型能力在狂奔，经济价值没跟上

第二个错位更宏观。过去几年模型能力几乎指数级增长，从写文章、画图，到编程推理，再到能连续完成任务的智能体。可真实经济里的生产率，并没有以同样速度抬头。

阿西莫格鲁在《The Simple Macroeconomics of AI》（NBER工作论文w32487，2024年；后发表于Economic Policy, 2025）里给出了自己的测算：按任务层面的成本节约推算，未来十年AI带来的全要素生产率提升不超过0.66%；如果考虑到早期证据大多来自"容易学的任务"，而未来的影响更多来自情境依赖、缺乏客观结果指标的"难学的任务"，这个数字还要降到不足0.53%。

对比一下同期其他机构的预测：高盛2023年预测AI将带来全球GDP约7%的增长，相当于7万亿美元；麦肯锡的估算更高， generative AI 可带来17.1万亿到25.6万亿美元的全球经济增量。同一件事，两种量级的预期。

阿西莫格鲁并不是说AI无用。他指出的是：模型会做一件事，和企业真正能用它把这件事做好，中间隔着流程重造、系统对接、意外处理，以及一个非常现实的问题——AI做错了，谁负责。

第三笔：演示成功一次，不等于每天成功一万次

2022年11月，加拿大乘客杰克·莫法特（Jake Moffatt）的祖母去世。他在加拿大航空官网询问如何购买丧亲优惠票，网站聊天机器人答复：可以先按原价订票，然后在90天内申请退款。他照做了，买了1630.36加元的往返票。事后申请退款时，加航告诉他：丧亲票价不适用于已完成行程。

加航在法庭上的辩解成了这起案子最著名的一句——它主张聊天机器人是"一个需要对自身行为负责的独立法律实体"。不列颠哥伦比亚省民事审裁处成员克里斯托弗·里弗斯（Christopher Rivers）的回应是：这是"一个惊人的主张"。2024年2月14日，审裁处裁定加航赔偿812.02加元（含损害赔偿650.88加元、利息与费用）。

里弗斯的判词值得每个正在部署AI的企业读一遍："加航没有采取合理注意，以确保其聊天机器人的准确性。"演示视频里AI只要成功一次就够让人兴奋，但企业需要的是每天几千次、几万次的稳定运行。做对一次是能力，做对一万次才是产品。

二、分析问题：四个错位的根源

1. 算账单位错了：把"岗位"当单位，而不是"任务"

阿西莫格鲁与雷斯特雷波（Pascual Restrepo）在《Automation and New Tasks》（《经济展望杂志》，2019年）里提出的任务框架，是理解这一切的底座：技术替代的不是"人"，而是"任务"。自动化会产生三种效应——替代效应（机器接管人做的任务，减少就业）、生产率效应（成本下降、产出扩大，带动其他岗位扩张）、复原效应（新任务被创造出来，重新吸纳劳动力）。

企业如果以"岗位"为单位算账，只能看到替代效应；以"任务"为单位，才能看到另外两种效应落在哪里。这就是为什么同一个AI工具，在不同企业手里会变成完全不同的东西。

2. 收益类型错了：so-so 自动化只省成本，不创价值

阿西莫格鲁把一类技术称为"so-so technologies"（勉强凑合的技术）：它们能替代人，但带来的生产率提升微乎其微。他在《权力与进步》（与西蒙·约翰逊合著，2023年）里举的例子是超市自助结账机——它把结账的活转嫁给了顾客，把省下的钱转给了股东，却没有让整个经济更有效率。

这不是理论推演。他与雷斯特雷波在《Robots and Jobs》（《政治经济学杂志》，2020年，128卷6期）里用美国通勤区数据做过实证：每千名工人多一台机器人，就业人口比下降0.2个百分点，工资下降0.42%。"勉强凑合"的自动化大规模扩散，最终呈现出来的就是这样的数字。

对照之下，让护士获得更好的信息支持与质量控制工具、让经验不足的电工在陌生设备前能查到资料并分析故障——这类"支持劳动者的AI"，商业价值来自工作本身被改善，而不是人头减少。

3. 资产位置错了：最值钱的资产，可能在正准备裁掉的人脑子里

访谈里最反常识的一句在这里：企业最大的AI资产，可能是那些还没有被数字化的员工经验。

做了十年的销售，客户刚说完几句话就能判断对方是真要买还是只问价；经验丰富的工厂技师听设备运转的声音就知道哪里要出问题；资深客服知道什么时候必须严格执行流程、什么时候该换一种处理方式。这些能力背后是成千上万次真实工作积累的经验，但它们大概率不在数据库里，没写进标准操作手册，有些判断连当事人自己都解释不清。

于是出现了一个讽刺的局面：一些企业正在研究如何用AI替代最有经验的员工，却没有意识到，这些员工脑子里的东西，正是构建高价值AI系统最缺的原料。模型可以买到，经验需要积累；工具可以复制，真实的业务反馈无法凭空制造。

4. 反馈机制缺位：结果可验证性，决定AI能跑多快

为什么AI已经能参与编写复杂软件，却可能连一个普通客户的投诉都处理不好？阿西莫格鲁给的解释是：编程的结果相对容易验证——程序能不能运行、测试能不能通过、代码有没有明显错误，反馈明确，模型可以持续试错进步。客服不一样：客户说同一句话，背后可能是想退款、想要解释，或者只是希望被认真对待；很多问题没有唯一的标准答案，你按流程处理正确，客户依然可能不满意。

这个判断有实证支撑。Cui等人在微软、埃森哲和一家《财富》100强企业做的三项随机对照试验（合共4,867名开发者，发表于Management Science）显示，使用AI编程助手的开发者周完成任务数提升26.08%，且经验较浅者获益更大。Brynjolfsson、Li与Raymond对5,172名客服的研究（《经济学季刊》，2025年，140卷2期）则显示，AI对话助手使每小时解决量平均提升15%，其中经验不足、技能较弱的员工提升约30%，资深员工几乎不受影响；更值得注意的是，新人用上AI两个月后的表现，相当于没有AI时干满六个月的水平的相当部分。

两项研究合起来指向同一条规律：AI进步的速度不只取决于任务有多难，还取决于结果有多容易被验证。而那个"新人两个月顶半年"的机制，正是资深员工的最佳实践被模型学走、再分发给了新人——隐性知识第一次可以被规模化复制。

三、解决问题：HR能落地的四张图纸

1.图纸一：先拆任务，再谈岗位

别再问"这个岗位能不能被AI替代"，改问三件事：这个岗位包含哪些任务？哪些任务的结果是明确可验证的？哪些任务的判断至今只存在于少数人脑子里？

建议把任务分成三堆：可自动化的（结果标准明确、有历史数据、错了能被立即发现）、需人机协作的（AI出初稿、人定终稿，交接点要写清楚）、只能由人承担的（冲突调解、关键人才挽留、责任归属判断）。只做第一堆，就是阿西莫格鲁说的"只用AI做自动化"。

2.图纸二：把立项书里的"省多少人"改成"多做什么"

这一条最容易被忽略，也最有效。AI项目的立项书里，把预算收益栏从"减少N个编制"改成三类增值指标：能力增量（以前做不了、现在能做的交付物是什么）、覆盖增量（同样的人手能多服务多少客户、多处理多少场景）、质量增量（差错率、响应时间、客户情绪指标的变化）。

同一个修Bug的智能体，如果目标是少配两名工程师，团队会盯着关了多少工单；如果目标是让现有工程师处理以前排不进去的问题，指标会变成平均恢复时间、回归率、人工复核时长。目标变了，做出来的产品就完全不同。

3.图纸三：把一线经验变成一套可验证的反馈系统

阿西莫格鲁给创业者的建议很具体：不能坐在办公室里面对一个强大的模型凭空设计行业应用，必须进入真实工作现场，和一线员工交流，理解他们怎么判断、怎么决策、怎么处理标准流程之外的问题。

落到组织内部，是四步闭环：进现场（跟资深员工一起干活，记录他们在哪些时刻做出了与流程不同的判断）→提经验（把判断依据转成可执行规则，说不清的部分标记为"待验证假设"）→嵌流程（用AI把规则接进业务系统，而不是做成一个独立的聊天框）→跑反馈（验证结果、修正系统、把新的例外再喂回去）。

其中"可验证性改造"是成败关键：为每一条被提取的经验，定义清楚什么叫"做对了"、由谁来判定、判定的证据留存在哪里。能演示只是起点，能验证才能优化，能持续交付结果才谈得上商业价值。

4.图纸四：先写清"AI错了谁负责"

加拿大航空那812加元，买的其实是所有企业都该提前拿到的一课。建议任何面向客户或员工的AI应用上线前，写清四件事：责任主体（AI的输出由哪个真实岗位背书，不是"系统"）→纠错通道（用户发现错了，多久能找到人）→证据留存（AI说了什么、依据什么说的，是否可追溯）→复核规则（高风险场景是否必须人工复核，阈值是多少）。

这四条写不出来的AI项目，就还不该上线。

5.附带一条：答案越来越便宜，判断越来越贵

阿西莫格鲁不鼓励学生把写作完全交给AI，自己做数学推导时仍坚持纸笔一步步算——因为亲自推导、发现错误、重新理解问题的过程，得到的不仅是一个答案，还有对问题本身更深的理解。他被问到这与计算器出现有何不同时说：计算器只接管了思考过程中很小一部分，生成式AI已经可以参与完整的分析、写作甚至推理过程，边界难画。

对HR的含义很直接：新人培养不能跳过"亲自做一遍"的阶段，否则他们连AI做得对不对都判断不了。先有能力，才有判断力。

四、结语：AI不是只有一条路

访谈的最后，阿西莫格鲁质疑了两种乐观判断之间的内在矛盾：如果超级智能意味着机器比人类更好地完成几乎所有工作，那"未来人类仍拥有大量有意义的工作"这个判断，就需要被解释。

但他真正担心的不是机器觉醒，而是人类逐渐失去主动权：学生习惯让AI替自己思考，员工越来越难决定自己的工作方式，企业越来越依赖少数科技公司提供的智能系统，社会默认某条技术路线就是唯一正确的未来。他明确反对这种技术必然论——历史上每一种通用技术都存在不同的发展道路，电力如此，计算机如此，AI也是如此。

因此，未来最有竞争力的企业，未必是裁员最多的企业；未来最有价值的AI公司，未必是拥有最强模型的公司。真正的机会属于那些能把强大的AI变成真实价值系统的人——而这套系统的第一份原料，就装在你正准备优化掉的那些人脑子里。

自检五问（给HR与业务负责人）

1）我们今年上线的AI项目里，有几个的立项书写的是"多做什么"，有几个写的是"省多少人"？

2）每个AI应用，"做对了"由谁判定、判定的证据留存在哪里？

3）我们最资深的十名员工，他们的判断依据有没有被记录过一次？

4）如果AI对客户说错一句话，谁在几小时内能接住？责任岗位写在哪份文件里？

5）我们有没有一个岗位，因为AI而新增了任务，而不是减少了人手？

配图与资料来源说明（本文所有数据均来自公开渠道，可自行查证）

1）阿西莫格鲁访谈：Silicon Valley Girl 播客（主持人 Marina Mogilko）对达龙·阿西莫格鲁的专访《Nobel Economist: How to Stay Valuable as AI Changes Work》。文中"员工是企业最重要的资产""100名员工两种方案""福特汽车、通用电气、IBM、微软的共同点是构想了新市场、新技术、新任务""护士、教师、电工""结果可验证性决定AI进步速度""不鼓励学生把写作完全交给AI""计算器只接管思考的一小部分""反对技术必然论"等，均出自该期访谈记录（marinamogilko.co 提供逐字稿）；中文转述可参考书享界、今日头条等平台的编译版本。

2）Acemoglu, D.（2024）《The Simple Macroeconomics of AI》，NBER工作论文 w32487；正式发表于 Economic Policy, 2025, 40(121), 13-58。十年全要素生产率提升不超过0.66%、计入难学任务后不足0.53%，均出自该文摘要。对照预测：Goldman Sachs（2023）全球GDP约+7%（约7万亿美元）；McKinsey Global Institute（2023）17.1万亿—25.6万亿美元。

3）Acemoglu, D. & Restrepo, P.（2020）《Robots and Jobs: Evidence from US Labor Markets》，Journal of Political Economy, 128(6), 2188-2244（每千名工人多一台机器人，就业人口比-0.2个百分点、工资-0.42%）；（2019）《Automation and New Tasks: How Technology Displaces and Reinstates Labor》，Journal of Economic Perspectives, 33(2), 3-30（替代效应/生产率效应/复原效应）。

4）"so-so technologies"（勉强凑合的技术）：Acemoglu（2021）《Harms of AI》，Cambridge Journal of Economics；及 Acemoglu & Johnson《Power and Progress》（2023），MIT News 2023-05-17 报道中有自助结账机的说明性举例。

5）加拿大航空聊天机器人案：不列颠哥伦比亚省民事审裁处 2024-02-14 裁决（Moffatt v. Air Canada），赔偿 812.02 加元（损害赔偿 650.88 加元 + 利息 36.14 加元 + 费用 125 加元）；"a separate legal entity that is responsible for its own actions""remarkable submission""did not take reasonable care"等表述见裁决书原文，CBC News（2024-02-15）、BBC Travel（2024-02-22）、National Post 均有报道。

6）Cui, Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T.《The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers》，Management Science（DOI: 10.1287/mnsc.2025.00535）：微软、埃森哲与一家《财富》100强企业，4,867名开发者，周完成任务数+26.08%（SE 10.3%），提交次数+13.55%，编译次数+38.38%，经验较浅者获益更大。

7）Brynjolfsson, E., Li, D., & Raymond, L. R.（2025）《Generative AI at Work》，Quarterly Journal of Economics, 140(2), 889-942（NBER工作论文 w31161，2023）：5,172名客服，每小时解决量+15%，经验不足与技能较弱者约+30%，资深员工影响甚微；两个月使用AI的表现接近无AI时六个月的水平；并发现AI模型传播了高绩效员工的做法。

8）Moderna 与 OpenAI：2023年基于OpenAI API 建立内部助手 mChat（员工采用率超80%）；2024年4月宣布合作，两个月内员工自建约750个GPTs、40%周活跃用户自建工具、人均每周约120次对话，法务团队采用率100%；至2025年已部署超3,000个GPTs；公司合并人力资源与数字技术部门，由首席人才与数字技术官 Tracey Franklin 统一负责（OpenAI 官方案例、WSJ、Inc.、PYMNTS 报道）。文中如实标注：2025年2月该公司数字技术部门曾有约50人、10%规模的裁减。

9）阿西莫格鲁获2024年诺贝尔经济学奖（与 Simon Johnson、James A. Robinson 共同获奖，表彰其对制度如何形成并影响繁荣的研究）。

实景照片公开获取渠道：YouTube Silicon Valley Girl 频道（访谈视频截帧）；MIT 经济系官网 economics.mit.edu（阿西莫格鲁官方照片与论文 PDF 首页）；诺奖官网 nobelprize.org（获奖者官方肖像）；NBER、JPE、QJE、Management Science 期刊页（论文首页与图表）；加拿大民事审裁处官网与 CBC、BBC 报道页面（裁决文书与截图）；OpenAI 官网案例页与 moderna.com（Moderna 相关资料）。本文图1—图4为作者依据上述公开数据自绘示意图，无版权风险。