AI 时代的技能:真正稀缺的不是会不会用工具

OECD 报告可视化导读

当 AI 同时改变企业、任务和劳动市场，决定个人与社会能否受益的，不是一项孤立技术，而是一整套可持续更新、且能被公平获得的能力组合。

AI 时代真正需要重建的不是单一工具熟练度，而是基础技能、数字技能、互补技能与 AI 素养组成的能力系统。

2026 年 7 月，经济合作与发展组织（Organisation for Economic Co-operation and Development，OECD）发布《AI 时代的技能》（Skills in the AI age）。这份 36 页报告讨论的不是某个模型如何使用，也没有给出一张“最安全职业排行榜”。它试图回答一个更基础的问题：当人工智能（artificial intelligence，AI）扩散到企业、任务和公共生活中，哪些能力决定人们能否分享生产率红利，又有哪些制度能避免转型把原有差距继续放大。

报告的逻辑从企业采用开始。AI 可以自动化例行任务、改善资源配置、提高商品与服务质量，也可能减少危险和乏味的工作；但它同时可能替代部分任务、改变职业入口，并使缺乏数字基础的人更难向上流动。因此，“技术能做什么”只是第一层问题，“人是否具备配合技术改变任务的能力”才是劳动市场结果的中间变量。

本文把原报告重组为一条中文学习路径：先看 AI 如何扩散，再拆解就业影响的三条通道；随后分清 AI 暴露度与自动化风险，建立三层技能栈，最后讨论人才需求、技能鸿沟与政策组合。文中数字分别来自企业调查、劳动力调查、招聘信息和国家案例，年份与样本并不相同，不能拼接成同一条时间序列。

扩散很快，但不是所有企业同时到达

报告图 1 的总体趋势：在有可比数据的 OECD 国家，至少 10 名员工、非金融商业部门的企业 AI 使用率约从 2021 年的 7% 升至 2025 年的 20%；部分国家最新年份不同。

AI 已从试验性技术进入企业日常工具箱。报告汇总信息通信技术使用调查发现，在有数据的 OECD 成员中，符合统计口径的企业 AI 使用率大约从 2021 年的 7% 上升到 2025 年的 20%。2022 年以后，生成式人工智能（generative artificial intelligence，GenAI）工具广泛可得，很可能加快了这一扩散。预测性维护、自然语言处理、计算机视觉和资源优化等应用，则说明 AI 的企业价值并不只来自聊天界面。

采用率的平均上升容易掩盖分布差异。大型企业通常拥有更多资本、数据、基础设施和技术人才；年轻企业与创业公司更愿意围绕新技术重做流程。中小企业面对的障碍则更集中：成本、专业知识、基础设施、法律与知识产权风险、隐私，以及对误导内容的担忧。报告援引调查指出，技能短缺是金融和制造企业采用 AI 的第二大障碍，仅次于成本；在尚未使用生成式 AI 的中小企业中，约一半把技能不足列为障碍。

这意味着技能不是技术部署完成后的“软性补充”，而是决定扩散速度的生产要素。如果只有头部企业能够吸收新工具，AI 可能在提升总体生产率的同时扩大企业之间的生产率差距。员工是否理解数据、能否重新设计任务、管理者能否判断适用边界，也会反过来决定投资有没有回报。

读图时还要守住口径。报告图 1 统计至少 10 名员工的非金融商业部门，不代表所有企业；加拿大、日本、瑞士、韩国和巴西的比较年份也有所不同。约 7% 与约 20% 是报告对跨国数据的总体概括，不应被解释为每个国家都经历了同样幅度的增长。

AI 扩散会继承企业原有的资本、基础设施与技能差距；技术越普及，吸收能力越重要。

就业不是一道加减法，而是三股力量的合成

自动化、新任务创造和生产率效应可以同时发生；净就业结果取决于哪种力量占主导。

关于 AI 与就业，最常见的提问是“它会创造岗位还是摧毁岗位”。报告给出的框架更谨慎：AI 至少通过三条通道同时改变劳动需求。第一条是任务自动化，机器接手原先由人完成的部分工作，可能形成替代效应；第二条是创造新任务，包括开发、训练、维护 AI 的专业工作，也包括大量围绕 AI 应用重新组织出来的业务任务；第三条是生产率效应，自动化降低成本后扩大产量或带动其他环节需求。

任务自动化不必然等于劳动需求下降。如果企业用 AI 省下成本、降低价格并扩大市场，未被自动化的任务需求可能增加。报告举例说明，自动化带来的成本节约甚至可能增加包装、运输等互补岗位需求。相反，即便出现新职业，原来被替代的劳动者也未必能直接进入这些岗位：技能、地区、资历和招聘门槛会阻断这种转移。

新任务创造形成一种恢复效应：技术一方面拿走旧任务，另一方面创造过去不存在的工作。历史研究发现，新任务曾经抵消甚至超过部分岗位损失，但这种过程在地区间分布不均，也不保证受益者就是原来的失业者。于是，宏观就业总量稳定，并不能证明个体转型没有成本。

真正需要追踪的不是一个静态职业名称，而是职业内部的任务组合。哪些任务可预测、可标准化、可由数据表达？哪些任务依赖现场判断、责任承担、关系协调、创造力与社会互动？员工能否把节省下来的时间转向更高价值工作？这些问题比“AI 会不会取代我”更接近报告的分析单位。

AI 既可能替代任务，也可能创造任务并诱发新需求；净结果不是技术单独决定的。

最容易接触 AI 的职业，不一定最容易消失

报告图 2 与图 3 的核心对照：AI 暴露度衡量技术能否影响任务，自动化风险衡量整个任务组合被替代的可能性，两者不是同一指标。

AI 暴露度（AI exposure）衡量一种职业的能力要求与 AI 当前进步方向有多大重合。按报告援引的 2022 年跨国职业数据，信息技术专业人员、商业专业人员、管理者、首席执行官以及科学与工程专业人员属于暴露度最高的群体；清洁辅助、农业林业渔业、食品准备和其他体力岗位的暴露度较低。认知工作越多，并不意味着越安全地远离 AI，反而可能越早被 AI 改变。

自动化风险（automation risk）回答的却是另一个问题：一份工作的整个任务组合有多大可能被机器替代。综合 AI、机器人等自动化技术后，建筑与采掘、农业、生产、运输和物料搬运等例行或可预测任务较多的职业风险更高；社区与社会服务、管理、教育、法律和商业金融等职业相对较低。高技能白领虽然接触 AI 更深，却往往保留大量非例行认知、社会和创造性任务。

因此，高暴露更像“工作方式将被重写”，并不等于“岗位即将消失”。程序设计、翻译、研究和专业分析中的大量任务可能被明显加速，但最终职业是否被替代，还取决于责任、质量控制、上下文判断、人与人互动以及新任务能否形成。反过来，一些较少直接使用生成式 AI 的体力或例行岗位，可能受到机器人和其他自动化技术的更高影响。

报告估计，2022—2024 年 OECD 约四分之一劳动者已经暴露于生成式 AI。这里的定义是至少 20% 工作任务可由 AI 协助，并不是四分之一岗位面临消失。把“暴露”写成“替代”，会同时误判知识工作者的互补机会与例行岗位的真实风险。

暴露度描述任务会被怎样改变；自动化风险描述任务组合会不会被替代。两者不能互换。

不是人人学编程，而是人人需要一套技能组合

三层技能不是互相替代的阶梯。基础能力支撑数字学习，信息通信技术能力连接工具，互补技能决定人如何判断、协作与继续学习。

报告把 AI 时代所需能力分为三层。第一层是基础技能（foundational skills），包括阅读、数理和科学知识。它们看起来并不“前沿”，却决定一个人能否理解信息、判断数量关系、学习新工具。OECD 成人技能调查显示，读写与数理水平较高的人，通常也更能在数字环境中解决问题；基础数理不足尤其会妨碍人们使用数字工具管理信息。

第二层是信息通信技术（information and communication technologies，ICT）技能。基本层包括计算机操作、沟通、信息检索和生产力软件使用，帮助人们获得信息、参与公共生活并保持就业能力；高级层包括编程、数据处理、机器学习、深度学习、自然语言处理与计算机视觉等。这些高级能力对开发和深度使用 AI 至关重要，但不是每个劳动者都必须到达的同一终点。

第三层是互补技能（complementary skills）：团队合作、自主性、问题解决、创造性思考、沟通、协作和情绪智能。报告进一步把它们拆成元认知能力与社会情绪能力。前者包括批判思考、学习如何学习和自我调节，后者包括同理心、自我效能、责任感与协作。AI 越擅长生成内容，人就越需要判断目标、证据、风险和结果是否值得采用。

AI 素养（AI literacy）贯穿三层。它不是背诵模型术语，而是理解 AI 的基本能力与局限，能够批判性评价输出，与 AI 有效沟通和协作，并意识到伦理、偏见、隐私和潜在伤害。对大多数劳动者，AI 素养比训练模型的高级技术更普遍、更直接；它建立在读写数理和数字能力之上，又必须借助批判思考与责任判断才能成立。

基础技能让人能学习，数字技能让人能使用，互补技能让人知道何时相信、如何协作、为何负责。

AI 专才很少，但高暴露岗位并不少

四个数字来自不同统计口径：AI 专门人才约占劳动力 1%；10 国招聘样本约三分之一职位属于高暴露职业，其中 72% 要求管理技能、67% 要求业务流程技能。

具备开发或高级使用 AI 能力的劳动者约占总体劳动力 1%。这个群体在不到十年间的占比接近增长到原来的三倍，但绝对规模仍小，各国也在竞争这批人才。报告基于 OECD AI 政策观察站的数据指出，卢森堡、瑞士、爱尔兰和德国在 2024 年吸引的 AI 人才多于流出；以色列、印度和匈牙利则出现净流出。不过印度本身的 AI 人才增长速度很快，说明“人才存量增长”和“跨境净流量”也不能混为一个指标。

专业人才稀缺，不等于只有 1% 的工作会被 AI 影响。对 10 个 OECD 国家 2021—2022 年招聘信息的研究发现，平均约三分之一职位来自高 AI 暴露职业；英国接近 45%，其余样本多数在约 30% 上下。高暴露意味着职位中的很多任务可能被 AI 加速或重组，而不是职位必须由 AI 工程师完成。

最值得注意的是职位描述真正要求什么。在这些高暴露职业中，72% 的招聘职位要求至少一种管理技能，67% 要求至少一种业务流程技能；超过一半还要求社会情绪和数字技能。项目管理、预算与会计、行政、客户支持、沟通协作和数据解释，与模型知识共同构成实际工作。算法管理工具的普及也提高了管理与分析能力的重要性。

由此可以看见两条并行的人才路线：少数人负责开发、训练和维护 AI 系统，多数人负责在业务环境中理解、监督、组合和使用这些系统。教育如果只扩大高级算法课程，却没有普及 AI 素养、数据判断和业务协作，仍会留下最广泛的能力缺口。

AI 时代的人才问题不是只有专业人才太少，也是大量岗位缺少把 AI 变成真实业务结果的能力组合。

技能鸿沟会变成企业、职业与地区鸿沟

技能差距不是个人履历问题。它会传导为技术采用、生产率、职业流动和收入分配差距。

AI 自动化例行活动，同时放大对分析、技术和认知能力的需求。教育程度较低、数字能力有限的人因此更容易面临岗位位移或职业停滞；制造、零售和行政支持等部门中，很多工作既含有大量例行任务，也缺少持续培训机会。劳动力市场可能出现“中间空洞化”：高技能高薪岗位扩张，低薪服务工作仍然存在，中低技能人群向上流动的中间通道却变窄。

技能鸿沟还会与性别和地区差距叠加。报告称女性约占 AI 研究人员的 25%，在独立署名 AI 论文作者中约占 11%；AI 研发和采用又往往集中于城市与技术中心，那里拥有更好的基础设施、投资和人才网络。农村地区、历史上处于不利地位的群体和缺乏正式学历的人，即使面对同一种技术，也可能拥有完全不同的进入条件。

终身学习（lifelong learning）经常被写成个人态度，但参与机会高度受制度影响。老年劳动者、移民和低学历者参加成人培训的概率更低，原因包括费用、时间、可及性、对收益缺乏信心，以及过去不愉快的教育经历。若培训体系流程复杂、时间僵硬或过度依赖雇主，即使提供补贴，也可能只惠及原本最容易参加的人。

因此，公平不是在技术部署以后给少数人补一门课，而是重新设计学习路径：让课程可以模块化、线上或兼职完成，让非正式学习能够被认证，让低收入者承担得起时间和机会成本，并让培训内容与真实岗位需求相连。否则，学习机会不均会先形成技能组合分化，再形成企业采用与生产率差距，最后表现为职业流动和收入两极化。

当学习机会不均时，AI 不只是放大生产率，也可能放大原有的不平等。

政策不是办一门课，而是建立一套转型基础设施

六类工具必须协同：教育建立基础，专业教育补充人才，企业连接真实任务，AI 素养扩大覆盖，转岗支持承担风险，公平设计保证可及。

报告提出六类互相配合的政策工具。第一，提高教育与培训的质量、公平性和劳动市场相关性，把 AI 素养、批判思考、数据分析和问题解决融入课程，并用实时招聘数据和技能预测更新供给。第二，通过大学学位、职业教育与培训（vocational education and training，VET）、短期训练营和模块化课程培养信息通信技术专业人才。第三，支持企业主导培训，因为企业最了解任务变化，却可能因员工流动和回报不确定而投入不足。

第四，把 AI 素养扩展到专业人员之外。21 个 OECD 成员的调查中，14 个投资了 AI 专项公共培训，其中 9 个聚焦 AI 专业人员，7 个聚焦公众 AI 素养；两类项目可能交叠。第五，为受到位移影响的人提供技能重塑（reskilling）、再就业服务与收入保障，让短期生活稳定和长期工作转换相互衔接。第六，确保老年人、移民、低学历者、非标准就业者、女性和农村地区能够获得合适的技能组合，而不是被统一课程再次排除。

韩国的“人工智能与数字 30+”（Artificial Intelligence & Digital 30+）展示了学习路径设计：面向 30 岁以上成年人，每年最高 35 万韩元的职业跃升券覆盖约 1 万人；100 所主导大学提供模块化、混合式课程，课程还能接入学分银行；密集营、专科学院和统一在线平台把短训、学历与地方学习中心连接起来。它解决的不只是学费，而是成年人如何把零散学习积累成正式资格。

德国的继续职业教育培训（continuing vocational education and training，CVET）强调成本共担。小企业一般可获得全部培训费和 75% 工资成本补贴，符合条件的低技能劳动者最高可获得全部培训费与 100% 工资成本支持；课程须经认证且至少 120 小时。技能发展津贴在企业结构转型期间可替代 60%—67% 净工资，使员工有机会留在原企业完成针对性提升。这种设计把培训时间的工资损失也视为政策成本。

爱沙尼亚的“AI 跃进”（AI Leap）把普及与公平放在同一个项目中。首期面向超过 2 万名高中生和 3000 名教师，第二阶段扩展到 3.8 万名职教学生与 2000 名职教教师；课程同时强调工具使用、伦理、批判思考和跨学科应用，并为低收入家庭学生提供电脑、为农村地区保障资源。初始投入 320 万欧元，第二年增至 600 万欧元。

加拿大“AI 向善实验室”（AI4Good Lab）则以包容性人才通道回应代表性缺口。12 周课程把机器学习实践、伦理与政策研讨、团队项目和导师支持结合起来，重点服务女性与弱势群体，已在蒙特利尔、多伦多、埃德蒙顿和温哥华培养超过 500 名校友。四个案例的共同点不是都使用补贴，而是把资金、课程、认证、雇主、导师与可及性组成一条可完成的路径。

报告还点出多个补充机制：英国数据与 AI 技能训练营最长 16 周、免费并提供面试机会；新加坡以个人培训额度支持持续学习；法国个人学习账户允许非标准和低收入就业者积累培训额度；比利时和芬兰把再培训与再就业、创业网络连接；意大利成人教育中心承认既有能力，减少重复学习时间。政策组合的评价标准不应只是报名人数，而应继续追踪完成率、技能获得、岗位转换、收入稳定和弱势群体参与。

真正有效的技能政策，不是提供一门课，而是让人付得起、学得完、被承认，并能进入下一份工作。

尾声

思维营养：读后追问

这份报告最重要的提醒，也许不是某个比例，而是把技术问题重新放回社会系统。AI 的能力进步可以很快，教育、企业流程、资格认证、就业服务和劳动者信心却不会自动同步。技术扩散与制度适应之间的速度差，决定生产率红利是被广泛分享，还是集中在已经拥有资本、人才和学习机会的组织与人群中。

第一个问题留给个人：如果暴露度不等于自动化风险，那么你真正需要盘点的不是职业名称，而是每天的任务。哪些工作只是搬运、归纳与套用规则，哪些工作要求定义问题、核验证据、协调他人、承担后果？当 AI 节省时间后，你是否拥有能接住更高价值任务的基础与互补技能？

第二个问题留给企业：购买模型或软件很容易，重做流程、培训员工和建立责任边界却更难。如果管理者只计算许可证成本，没有为验证、协作和技能提升留出时间，所谓 AI 投资会不会只是把不成熟流程自动化得更快？中小企业应独自承担这种学习成本，还是应通过行业、学校和公共政策共享？

第三个问题留给教育与政策：课程供给增加，并不等于真正可及。谁有时间参加，谁能承担停工收入，谁能获得设备与导师，谁的既有经验能够被承认？如果最需要转型的人最难进入培训，补贴越多是否反而可能扩大技能差距？

最后是一个更长远的问题：当 AI 继续提高生产率，我们究竟希望它优化怎样的社会？报告把技能发展与社会参与、公民能力、互信和韧性联系起来。技能不仅决定一个人能否保住工作，也决定他能否理解技术、质疑系统、参与公共讨论，并在不确定时代继续行动。

许可与改编说明：本文根据 OECD 2026 年报告《Skills in the AI age》进行中文重组、翻译和视觉改编，并非 OECD 官方译本。This is an adaptation of an original work by the OECD. The opinions expressed and arguments employed in this adaptation should not be reported as representing the official views of the OECD or of its Member countries. In the event of any discrepancy between the original work and the translation, only the text of the original work should be considered valid.