AI 会不会替代我?岗位还在,工作和机会可能已经变了

AI会不会替代我？岗位还在，工作和机会可能已经变了

AI 能写方案、回邮件、汇总资料，当然重要。对正在靠这些任务挣钱的人，更直接的问题是：如果它能把我一天里的几个小时压缩成几分钟，公司还会需要同样多的人吗？

这个问题值得正面回答：AI 会接手一部分工作任务，也可能让某些团队减少招聘、合并职责，甚至减少岗位。技术不会自动决定哪种结果发生，但把“岗位还在”当成安全信号，也会低估变化。

2025 年一项发表于《经济学季刊》的客服研究跟踪了 5,172 名员工。员工获得实时 AI 建议后，每小时解决的问题平均增加约 15%；经验较少、技能较弱的员工提升约 30%。这说明 AI 能放大个人产出，也可能帮助新人更快上手。《Generative AI at Work》[1]

但这项研究无法回答公司最终需要多少员工、工资会怎样变化、招聘结构是否改变。论文作者明确说明，研究数据没有观察整体劳动需求、工资和新招聘员工的技能构成。因此，它不能被用来证明“AI 没有造成裁员”，也不能单凭效率增长断言裁员必然发生。

对个人来说，AI 替代风险值得认真对待。更准确的判断要看四件事：你的工作由哪些任务组成，AI 能接手到什么程度，企业怎样使用节省的工时，以及你能不能进入新的任务。

一名知识工作者观察任务逐渐进入 AI 工作流的编辑插画

▲ AI 对工作的影响常从一项项具体任务开始。AI 生成的概念插画。

◆ 一、AI 先接手任务，岗位再被重组 ◆

一个岗位不是一整块不可分割的工作，而是资料收集、起草内容、复核结果、协调沟通、处理例外、承担责任等任务的组合。AI 接手其中几项，企业接下来才决定怎样重排岗位、工时和招聘。

任务研究把这种变化拆成两种方向：自动化让机器接走人原来做的任务；新任务则可能重新创造人的工作需求。两种力量谁更强，取决于技术、行业和企业如何组织生产。历史上出现新职业，并不保证被替代的人能及时转到新岗位。《Automation and New Tasks》[2]

国际劳工组织 2025 年的评估估计，全球约四分之一的劳动者所在职业存在某种程度的生成式 AI 暴露，处于最高暴露梯度的约占 3.3%。报告认为，多数职业仍包含需要人参与的任务，岗位转型比整份工作完全消失更可能发生；同时，一些数字化程度高的专业和技术任务，暴露程度也在上升。ILO 全球职业暴露指数[3]

“暴露”不是失业概率。四分之一劳动者所在职业有任务可能受到影响，不等于四分之一的人会失业；3.3% 也不代表只有这部分人有风险。它告诉我们的是，变化已经进入许多职业的任务层面。

◆ 二、效率提高以后，企业可能少要人时 ◆

假设 AI 把一项原本需要半小时的任务缩短到几分钟。若业务量同步增长，企业可能接更多订单、扩大服务；若需求基本不变，同样的工作量就可能由更少的人时完成。后一种情况下，岗位压力可能先表现为招聘放慢、空缺不补或职责合并。

这是一条可能的传导路径，不是每家企业都会照着发生。业务需求、错误成本、转岗安排和管理者的选择，都会改变结果。

AI接手任务后，效率提升可能流向扩张或减少用工

▲ 节省的工时可能被新增业务吸收，也可能转成更少的人时需求。图：本文绘制

另一项覆盖 66 家企业、7,137 名知识工作者的现场实验，提供了不同的结果：在为期六个月的实验后半段，使用工具的受试员工中，80% 每周处理邮件的时间少了约两小时，工作时间外处理工作的情况也有所下降；研究没有检测到任务数量或构成的明显变化。《Shifting Work Patterns with Generative AI》[4]

这说明节省的时间可以回到员工身上，但它不代表所有企业都会这样分配，也没有回答长期工资和岗位数量会怎样变化。生产率告诉我们同样时间做成多少事；它不会自动决定省下的时间归谁。

◆ 三、岗位还在，工作机会也可能先收缩 ◆

失去工作的风险不总是从一封裁员通知开始。它也可能先表现为团队少招新人、离职后不补人、同一岗位承担更多任务，或者原来用来训练新人的基础工作被自动化。

客服研究发现，AI 可以帮助新人更快达到熟练员工的表现。这是增强的一面。但如果企业同时削减入门岗位，把基础任务都交给系统，新人要靠什么练习判断、逐步进入复杂工作？这不是该研究已经证明的后果，而是企业设计岗位时必须回答的问题。

对资深员工也一样：经验可以通过 AI 分享给团队，组织对少数人的依赖可能下降；但处理边界情况、修正规则、辅导新人等新职责，是否获得时间、地位和报酬，仍取决于组织安排。经验被复制得更广，不会自动带来更好的议价能力。

所以，“我的职业会不会消失”不是唯一值得问的问题。招聘有没有变少，岗位职责有没有变窄，绩效目标有没有提高，培训和晋升有没有减少，这些变化往往更早影响个人。

◆ 四、用四个信号看自己的岗位风险 ◆

判断风险时，先拆任务，不要只看职业名称。下面四个信号越常见，AI 接手工作任务的技术条件越成熟；它们不能直接算出某个人被裁的概率。

判断AI任务自动化条件的四个信号

▲ 前三项反映任务是否容易自动化，最后还要看企业怎样使用节省的工时。图：本文绘制

输入是否数字化。 资料、文字、表格都能进入系统，AI 才能稳定处理。若关键上下文留在现场经验、人际关系或分散系统里，接入和核验成本就会增加。

结果是否标准。 同类请求越多、规则越固定，自动化越容易扩展。例外多、判断标准常变，人的经验就更重要，但这不等于绝对安全。

结果是否容易检查。 AI 输出能在交付前快速发现错误，企业更敢扩大使用。如果错误代价很高，组织需要更多复核和责任安排。

流程是否接得上。 AI 若只能生成建议，影响可能停留在辅助；若能读取业务上下文、调用工具并写回系统，影响会从“帮你做”走向“流程里少一道人工步骤”。

还要看最后一个变量：公司把节省的工时用于扩产，还是减少人时？同样的技术条件，可能带来不同的招聘和岗位结果。

◆ 五、现在能做什么：看清任务，争取进入新环节 ◆

先记录一周。 把自己的工作按时间拆成重复执行、信息整理、判断决策、沟通协调和结果负责，标出哪些任务已经能由 AI 完成、哪些只能辅助、哪些必须由人判断。岗位名称看不出风险，时间花在哪里更能看清变化。

试一个具体任务。 在符合公司数据和工具规范的前提下，挑一项低风险、重复性高的任务做小范围对比，记录耗时、错误、返工和需要人工复核的地方。目标不是“学会所有 AI”，而是掌握问题定义、业务上下文、结果核验和例外处理。

把变化变成可谈的结果。 如果 AI 让流程更快，和团队讨论省下的工时会去哪：减少加班、提升服务、安排培训、扩大业务，还是降低招聘需求？也问清楚自己能否进入新职责，需要什么训练，谁来承担最终责任。

用选择权、能力成长、收益和责任检验AI是否增强了人

▲ 效率是否变成人的增强，要看选择权、能力成长、收益和责任能否对应。图：本文绘制

个人学习能提高转岗机会，但不能单独决定岗位数量、薪酬议价和转型成本。企业试点 AI 时，也应该同时看工作时长、招聘变化、错误返工、培训机会和收益分配；只测产量，很容易把人的处境漏掉。

◆ 结语 ◆

AI 会接手一部分任务，也可能让一部分岗位和机会变少。把这层风险说清楚，胜过用“技术总会创造新工作”安慰每个具体的人。

“AI 能做我的一项任务”到“我会失业”之间，还隔着业务需求、企业决策和转岗安排。但这不代表可以等到裁员通知才开始判断。先看工作里哪些任务正在变少，再看自己能否进入新的任务，也要问清效率收益最后流向谁。

岗位名称还在，不等于你的工作和机会没有变化。

参考资料

[1] 《Generative AI at Work》：https://doi.org/10.1093/qje/qjae044

[2] 《Automation and New Tasks》：https://doi.org/10.1257/jep.33.2.3

[3] ILO 全球职业暴露指数：https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

[4] 《Shifting Work Patterns with Generative AI》：https://benny.aeaweb.org/articles?id=10.1257/aeri.20250275