裁员潮、人才战与空雨衣 | AI引力场

韩  践

中欧国际工商学院管理学教授

中欧组织成长与人才发展研究中心主任

越盈利，越裁员

2026年以来，以Meta、Oracle为代表的美国高科技公司相继启动新一轮裁员。一季度，科技行业裁员已超过5万人，同比增长约40%，包括Amazon、Dell在内的多家企业均采取了类似策略，呈现出明显的行业共振。

更值得关注的是，这一轮裁员普遍发生在企业业绩依然强劲的阶段。Meta实现营收与现金流双位数增长，但仍宣布裁员约1.6万人，同时将资本开支大规模转向AI基础设施。类似逻辑同样出现在其他企业：Block在收入增长的情况下裁撤约40%员工，裁员后股价显著上涨；Morgan Stanley在利润创纪录的年份同步推进裁员计划。资本市场对这些举措的反应往往是正向的，裁员被解读为“效率提升”与“资源优化”的信号。Oracle的案例更具冲击力。一方面，公司AI相关业务高速增长，2026财年云业务收入同比增长约44%，整体营收保持两位数增长；另一方面，公司却启动了近年来最大规模裁员，市场估计裁员规模在2万至3万人之间，约占其全球员工的15%–18%。

这一“高增长+大裁员”的组合，预示着企业用人逻辑与劳动力市场结构正在发生重塑。表面看，企业通过压缩人力成本，释放现金流，将资源从中后台岗位和非核心业务中抽离，转向AI算力、云基础设施和高端技术能力。从更深层看，这一轮裁员反映的是生产函数与组织形态的系统性重构。

在数字化与AI驱动的增长逻辑中，边际产出对人力的依赖显著下降，企业可以用更少的人完成更多业务。其次，AI的发展提高了效率预期，使得资本市场对“效率提升”的反应比对“规模扩张”更为敏感。再次，在技术跃迁期，企业的战略调整引发资源重置，公司开始系统性地剥离低效业务与非核心板块，将资源集中于更具长期潜力的领域。而这一过程往往伴随组织瘦身与结构调整：不在公司未来发展主航道上的业务被砍掉、成熟业务必须降本，即“毛巾拧水”。

更深入的分析表明，这一轮裁员是多种力量叠加后的结构性结果。首先，宏观经济环境的变化构成底层约束。利率上行、需求波动与增长放缓，使企业盈利承压，从而推动成本收缩与人员调整。其次，大型企业在经济上行阶段通常存在“过度招聘”，当增长模式从“抢规模”转向“提效率”时，人员回调成为必然选择。

人工智能在这一过程中扮演着重要但非主导的角色。AI既是效率提升的工具，也是大企业面向公众解释裁员的叙事方法。更重要的是，AI的发展正在深刻改变企业的决策逻辑与节奏。AI提高了股东和高管们对于“提效”的预期，使企业更有动力压缩人力成本，同时也为资源重置提供了明确方向。随着技术逐步嵌入业务流程，AI影响将从“边际优化”逐步转向“结构性替代”，当然，这一过程会分阶段完成，不会一蹴而就。

新一轮的AI人才争夺战

与裁员潮同步发生的，是另一场高端人才争夺战：对高技能人才，特别是AI相关人才的需求持续上升，而入门级与通用型岗位收缩；AI工具提效则进一步减少了对初级程序员、分析师及支持类岗位的需求。基层员工进入企业的门槛提高，同时晋升路径变窄。

多项报告显示，AI人才市场的供需缺口正在持续扩大。全球范围内，大约存在130万个AI相关岗位空缺，而具备相应能力的人才仅约65万人，供需比超过2:1。同时，要求具备AI技能的岗位需求同比增长约70%，表明AI能力正在从核心技术岗位向商业、金融和运营等领域快速扩散。与此同时，真正能够构建、部署并将AI嵌入实际业务系统的人数量仍然有限。因此，劳动力市场呈现出一种结构性稀缺：一般性岗位供给充足，但AI相关的高价值岗位严重短缺。

这一人才竞争最直观的表现，是薪酬水平的快速上升。AI工程师的平均薪资已超过20万美元，并持续增长。在部分初创公司中，叠加股权激励与奖金，总收入进一步放大。即便是相对资浅的AI工程师，基础薪资也可达到20万至30万美元以上，极端情况下甚至接近40万美元。

此外，薪酬并非均衡增长，而是呈现明显的分化，前5%–10%的顶尖人才获得绝大部分回报。中等水平与通用型岗位则面临增长停滞甚至被替代。

这一现象类似于金融行业或职业体育中的“明星劳动力市场”特征，即能力的边际差异会被放大为巨大的经济差距。企业竞逐的，是少数能够显著提升模型性能、系统架构或产品价值的关键人才。在AI人才市场中，极少数处于技术前沿的顶尖研究者与工程师，由于其能力在规模化技术体系中的“非线性放大效应”，能够创造远高于平均水平的边际价值。这种价值放大，使得企业愿意支付远超传统薪酬体系的价格来争夺这些人才，从而导致收入分布的极端不均与人才价格的持续攀升。更重要的是，这类市场并不能通过“供给增加”来自动缓解稀缺性，因为顶尖AI人才具有强路径依赖和长期培养周期，此类供给在短期内难以扩展。

其次，AI人才市场还呈现出显著的“精英集中与网络封闭”特征。顶尖大学、研究机构与科技公司之间形成了高度重叠的合作与流动网络，因此AI知识生产与人才培养高度集中，获取人才的机会与资源也在少数节点之间不断再分配，顶级研究人员在有限的机构之间频繁流动，成为被竞争的核心资源。而这些机构之间的合作网络进一步强化了这一集中趋势。

风险投资与产业资本并未削弱这种集中结构，反而通过“人才—资本共振”（talent-capital coupling）机制加以放大。在AI领域，资本配置越来越以“明星”为核心。以顶尖人才为中心，正形成一个不断自我强化的正反馈循环：人才吸引资本，资本放大平台能力，平台再吸引更高质量的人才。这一机制使得AI创新生态逐步演化为围绕少数“人才—资本复合体”的高度集中结构，而非分散的创新网络。换句话说，普通企业和员工想进入这个“人才-资本共振”的网络，门槛是非常高的。

因此，此轮AI人才争夺战与上一轮互联网时代的人才争夺战有本质不同。在互联网时代，企业争夺的主要是可以规模化供给的软件工程能力，人才供给具有一定弹性，团队规模与产出之间大致呈线性关系，有竞争力的公司往往强调稳定且高质量的人才和梯队。而进入AI时代，稀缺资源转向少数具备模型理解、系统能力与业务转化能力的复合型人才，这类能力难以通过短期培养复制，供给有限，需要高价获取。

与此同时，AI改变了生产方式。少数顶尖人才借助AI工具，可以完成过去需要大规模团队才能完成的工作。例如，一个过去需要几十名工程师协作的项目，如今可能只需几位核心人才配合AI即可实现，甚至效率更高。这直接带来两个变化：企业更加依赖“关键少数”；同时，这些顶尖人才的产出被显著放大，其价值远超普通员工。

在这样的背景下，企业之间的人才竞争逻辑也发生转变，不再主要依赖人力规模扩张，而是强调算力、数据与关键人才的整合能力。因此，这一轮人才争夺，本质上是围绕极少数关键能力展开的、高投入的集中竞争。

组织转型与“空雨衣”

“极化”将是未来劳动力市场的一个关键词，而我们正在亲历这个分化过程。一方面，高端岗位需求持续上升，顶尖人才的薪酬和议价能力不断被抬高；另一方面，中层与基层岗位则面临压缩与重组，部分工作被自动化替代，部分岗位被“去中间化”，原本稳定的职业路径开始变得不确定。在这一过程中，普通人的“失业”并不总是像高科技公司裁员潮那样大规模爆发，而是以更隐蔽的方式出现：岗位减少、晋升通道收窄、薪酬增长停滞，甚至出现“在岗但边缘化”的状态。与此同时，劳动力市场的收入分布逐渐拉开，少数顶尖人才获得远超平均水平的回报，而大多数员工的收入增长则趋于平缓甚至下降，形成明显的两极分化。

对于中层管理者而言，其信息整合与协调功能正在被算法削弱，中层管理者的角色会导向带新人、绩效辅导、调配AI与人的协同等；对于基层员工而言，依赖经验积累和流程熟练度建立的竞争优势，正在被技术快速侵蚀。在一个“超级明星结构”逐渐成形的劳动力市场中，大多数人面临的挑战，是如何在一个价值分配更加不均、回报更加集中于少数人的体系中找到自身的位置。这种变化不仅是经济问题，也在逐步演变为组织问题与社会问题：当工作不再提供稳定的回报与清晰的上升路径，个体如何理解自己的价值？组织又该如何重新定义工作的意义与人的位置？这一系列问题，正在将讨论从劳动力市场本身，引向对组织、工作和社会发展的更深层思考。

如果将视角从个体转向组织，可以看到，AI带来的更深层变化并不首先发生在人的主观感受层面，而是发生在工作的组织方式层面。AI最先渗透的，是那些可量化、可标准化、可流程化的工具性环节。随着算法系统进入流程管理、数据分析和日常运营，大量工作不再以“岗位”为基本单位，而被重新拆解为一组可识别、可调用、可执行的任务模块。Agent与Skill（模块）的兴起，正体现了这种从岗位中心转向任务中心的变化。相应地，组织判断“哪些工作应由人完成、哪些工作可交由机器处理”的标准也在变化：关键不再是岗位名称，而是任务本身是否可明确编码、是否依赖历史数据训练、以及是否需要复杂的情境理解与人际协调。由此可见，AI并未中断现代组织长期形成的效率主义传统，相反，它是在新的技术条件下，进一步强化了这种以任务分解、过程控制与绩效优化为核心的管理逻辑。

在工具层之外，AI也正在重塑组织的运行机制。最先变化的是决策方式。随着信息获取成本下降，数据不再只停留在管理层，而可以直接触达业务一线；在规则清晰、流程标准化的“程序型决策”场景中，算法系统甚至可以直接完成部分决策，人类则更多转向规则设定、边界控制和处理“非程序性”决策。这也意味着组织中的决策权会在人与系统之间重新分配：从“一个人对应一个岗位”转向“围绕任务调用不同能力模块”。这提高了组织的灵活性和响应速度，但也使责任边界变得更加模糊：当工作是由人、系统与多个能力模块共同完成时，谁来负责判断，谁来承担后果，都会变得更复杂。

在此基础上，组织结构也开始调整。由于信息下沉、决策前移以及部分协调与监控职能被系统吸收，层级被压缩，组织趋于扁平，运行也越来越依赖平台化和网络化的协同机制。然而，中层管理并不只是信息传递和流程协调的节点，它同时还是经验沉淀、人才培养和组织整合的重要载体。一旦这部分职能被过快削弱，组织虽然可能在短期内获得效率提升，却也可能在长期面临人才梯队断裂、管理经验流失和组织整合能力下降的问题。正因如此，AI时代组织真正要面对的，不只是“如何提效”，而是如何在短期效率与长期能力建设之间取得平衡。

更深层的问题，涉及人类组织究竟为何需要管理。管理并不只是对信息的收集、处理和分发，也不只是基于数据做出最优决策。它更重要的功能，在于让一群人能够在不确定、含混甚至彼此分歧的情境中形成对现实的共同理解，并据此展开协作。正如Karl Weick所指出的，组织并不是在一个意义已经确定的世界中运转，而是在持续的互动过程中不断解释环境、定义情境，并通过这种意义建构来协调行动。AI可以显著提升信息获取、数据分析和模式识别的能力，但它并不能替代“解释”本身，因为解释不仅是对事实的处理，更涉及人们对情境的界定、对价值的判断以及对行动方向的赋义。战略意义、组织叙事和价值共识必须由人来生成和维系。

这一转变也揭示出数智化转型中的一个关键鸿沟：多数企业已经意识到AI的重要性，并计划持续加大投入，但真正具备成熟应用能力的组织仍然是少数。问题往往不在技术本身，而在组织是否具备吸收、整合并持续运用技术的能力。数据文化、信任文化与学习文化，正是支撑AI真正落地的基础条件。对于单个组织而言，自己和自己比，引入AI通常会看到局部效率提升；但从组织之间的比较来看，AI并不会自动缩小企业之间的差距，反而更可能放大既有的组织能力差异。那些本就高效、协同顺畅、学习能力强的组织，往往能够更快将技术转化为实际价值；而基础薄弱、流程僵化、缺乏信任与学习机制的组织，即便拥有相似的技术工具，也可能面临更多掣肘，甚至在转型中进一步暴露自身问题。

随着效率不断提升，一个更根本的问题开始浮现：效率是否应当成为组织运行的核心价值标准。效率强调速度、成本与可控性，但人类组织之所以能够长期运转，还依赖学习、信任、创新与安全等更难量化、但是影响更深远的要素。问题在于，这些要素往往需要时间、冗余与试错空间，而这与效率逻辑之间存在天然张力。当我们在AI的推动下过度强调短期效率，组织确实可能获得短期收益，却也必然压缩那些支撑人类长期发展的关键变量。

在这一意义上，Charles Handy所说的“空雨衣”隐喻显得尤为贴切：组织的外在结构、流程与制度依然存在，甚至运转得更高效、更精密，但其中原本支撑协作的认同、信任与意义却可能逐渐流失。于是，组织看上去仍然完整，内部却在悄悄空心化。当越来越多的事务被纳入量化、优化与控制的框架，那些真正值得守护、却难以量化的价值，反而更容易被边缘化。

因此，AI带来的挑战并不只是岗位替代、技能重组或组织边界变化，更在于它迫使我们重新思考工作的价值、组织的目的以及管理的边界。个体需要适应新的工作逻辑，组织需要重建转型中的能力基础，而社会则需要在效率与价值之间重新寻找平衡。这将是未来很长一段时间内，组织与社会必须共同回应的大课题。█

图片来源 | 视觉中国、ChatGPT

编辑 | 韩雪松

技术越强，人越不能失去彼此 | 韩践教授毕业致辞

效率、裁员与管理升级：AI的双刃剑时代

点击卡片，关注中欧EMBA