作者：伍晖，騰訊研究院
2023年春天，一份來自OpenAI的研究論文讓「暴露度」這個詞進入公眾視野。論文用大型語言模型的能力去匹配美國勞工部近千個職業的任務描述，得出一份風險排序：數學家、報稅員、量化分析師、作家、網頁設計師排在前面，程式設計與寫作技能的暴露度接近100%。
此後三年，每隔幾個月就有新的報告、新的預警、新的案例出現。有人在社群媒體展示自己用AI三小時完成過去一週的工作，有人發現招募網站上自己十年前入行的職位已消失不見，也有人在全公司的各個角落裡聽說「明年我們要用AI做到同樣的事，但用更少的人」。
恐懼與興奮交替襲來。但三年過去，一個清晰的感受是：人們不再籠統地問「AI會取代我的工作嗎」，而是開始拆解自己的日常——其中哪些真的被替代了，哪些只是被「增強」了，哪些似乎碰都沒碰到。
這種從模糊焦慮到具體審視的轉變，是本文的起點。我們試圖回答三個問題：
第一，2023年6月到2026年6月這三年，AI到底對職場、就業和具體職業產生了什麼影響？不是預測，不是想像，是可追溯的數據和真實案例。
第二，有哪些產業規律、經濟規律和組織規律，能幫我們理解過去三年，並推演未來？不是憑感覺判斷趨勢，而是回到那些被反覆驗證過的理論框架。
第三，身處這場變革中的具體的人——寫程式的、做產品的、算帳的、做人資、做行銷、審合約、跑業務的——他們經歷了什麼？我們將在第三部分呈現他們的故事。
一、三年影響：數據、時間沿革與真實案例（2023.6-2026.6）
2023到2026這三年，關於AI與職業的認知經歷了一次明顯的校準。第一步是識別：哪些任務暴露於AI的能力範圍？第二步是觀察：哪些真正被替代了？協作模式如何演變？第三步是探因：為什麼理論暴露和實際替代之間存在時差？第四步是深挖：替代打擊誰、保護誰？資本流向何方？
以下七節，是對這四步的具體展開。
2023：理論預警與「暴露度」敘事
2023年3月，OpenAI發佈論文，將大型語言模型的能力與美國勞工部O*NET資料庫中1016個職業的19265項任務進行匹配。結論：約80%的美國勞動者至少10%的工作任務受到GPT影響；約19%的勞動者超過50%的任務暴露於AI。程式設計與寫作技能的暴露度接近100%，法律、會計等緊隨其後。
暴露度的定義是「任務可透過大型語言模型顯著減少完成時間」，不等於「崗位會被替代」。這是一張技術可行性的熱力圖，不是就業變化的時間表。
同月，高盛估算全球約3億個全職崗位可能暴露於自動化，法律行業44%的任務可自動化，行政支援領域為46%。6月，麥肯錫全球研究院認為生成式AI每年可為全球經濟增加2.6兆至4.4兆美元產值。銷售、行銷、軟體工程和客戶營運是價值增量最大的四個職能。
兩份報告代表了2023年輿論場的兩極：替代敘事和增量敘事。此後三年，我們反覆在這兩極之間擺動。
2024-2025：增強效應主導，實際落地加速
到2024年，GitHub公開調查顯示92%的美國開發者在工作中使用AI編碼工具。Stack Overflow 2024年開發者調查中，81%的受訪者認同AI工具提高了生產力，前端、全端、後端開發者使用率最高。使用率上升的同時，擔憂並未同步擴散——72%的專業開發者不認為AI是對他們工作的威脅。
2025年2月，Anthropic經濟指數報告顯示：軟體工程任務佔AI使用的37.2%，創意寫作與文案佔10.3%。在所有使用場景中，57%屬於增強，43%屬於直接自動化。
2023年9月，BCG與哈佛商學院的實驗揭示了「鋸齒狀技術前沿」：使用GPT-4的顧問完成任務數多12.2%、速度快25.1%，但在超出AI能力邊界的複雜任務中表現反而下降。人機協作的核心能力不是「會用AI」，而是「知道AI什麼時候會出錯」。
就業市場端，Freelancer.com季度報告顯示「AI內容編輯」、「提示工程」等新技能崗位需求猛增，傳統翻譯、基礎設計、數據標註訂單量顯著下降。Upwork 2024年報告指出40%的企業高層計劃因AI減少固定人力、增加自由工作者比例。
2026：現實校準，理論覆蓋度 vs 實際覆蓋度
2026年3月，Anthropic發佈《Labor market impacts of AI: A new measure and early evidence》，首次將「理論AI覆蓋度」與「實際AI覆蓋度」分離。雷達圖顯示：法律、藝術與媒體、教育等領域理論覆蓋度接近或超過80%，但實際應用高度集中在電腦與數學、商業與金融、管理、辦公與行政四個領域。從技術可行到組織部署之間的距離，是過去三年最被低估的變數。
受AI影響最深的10個職業中，程式設計師排第一。這個排序與2023年OpenAI理論暴露排序高度重合於一個特徵：高結構化、輸入輸出明確的任務，最先被穿透。不一致之處同樣重要：法律行業理論覆蓋度超80%，實際覆蓋度有限——原因在制度而非技術。教育領域也類似，AI主要停留在課件生成和輔助練習，核心教學互動未被替代。
來源：Anthropic 2026年3月報告。
智慧代理軍團：從副駕駛到代理人集群
2026年初，Anthropic和愛分析分別在報告中指出同一趨勢：AI正從「副駕駛」轉向「智慧代理軍團」。多個自主代理人可並行執行複雜任務，相互協調，人工只需設定目標和審查結果。科技商業公眾號「蝸牛成長季」在一篇分析中指出，當智慧代理成為軍團，技術骨幹需要從「親手構建」轉向「定義目標、設定約束、審查AI輸出」，管理者需要從「管理人」轉向「管理AI集群與異常處理」。
愛分析報告指出了滲透路徑：先吞噬企業IT中的開發、測試、運維等任務集群，再外溢至業務流程外包、客服等職能。2023-2024年的敘事是「人機協作、人在環內」，2026年的新敘事是「人在環外」。
學習曲線的斷裂：當AI堵死新人的練習場
哈佛商學院富勒等人在2025年的研究中，基於數百萬條美國線上招聘廣告數據，引入了一個核心變數：學習曲線。
在學習曲線陡峭的職業中——資深員工效率遠超初級員工，薪資曲線陡峭——初級技能比高級技能更容易被AI自動化。初級工作多由顯性、可程式化的任務構成，AI能直接替代這些入門級練習，截斷新人「邊做邊學」的成長路徑。在學習曲線平緩的職業中，經驗溢價較低，AI擅長賦能而非替代，讓新手借助工具快速產出接近熟手的成果，反而擴大就業准入。
簡言之，AI在陡峭曲線中替代入門任務、提高准入門檻，在平緩曲線中賦能新手、擴大就業准入。替代與賦能的分界線，不在於職業高低，而在於學習曲線的形狀。
這解釋了2024-2025年間一個矛盾觀感：大量資深程式設計師感到生產力倍增，而電腦科學專業應屆生發現找工作更難。AI在同一職業內部製造了代際不對稱。未來從業者結構可能不再是金字塔形，而是「葫蘆形」：資深者稀缺昂貴，新人難以入門，中間層空洞化。
錢的去向：當「養機器」比「養人」更划算
2026年6月，《晚點LatePost》分析了中美頭部科技公司的財務數據。
美國市場：自2022年底起，大型科技公司因宏觀因素開啟首輪裁員潮。過去半年，受AI編程能力成熟驅動，新一輪裁員潮影響超10萬人。中國市場：超過一半的科技公司從2021年就開始減員。截至2026年6月，員工人數仍多於2021年水準的僅有美團、京東、拼多多、騰訊，其中僅拼多多和騰訊實現了員工人數與人均利潤同步增長。年齡焦慮門檻從35歲提前至25歲。
一個關鍵指標：中美頭部軟體和互聯網公司的資本開支已大多超過研發費用。投入算力基建的錢，超過了養研發團隊的錢。市值排名更直觀——近五年，中美市值前20公司明顯向AI和晶片硬體廠商傾斜。
互聯網大廠內部出現剪刀差：人均產出上升，員工總數下降或停滯。以前業務增長靠擴招，現在靠加算力。Token消耗成為新的營運成本，這筆錢過去可能是付給做報表、寫文案的員工的工資，現在流向了晶片廠商和雲端廠商。
來源：《晚點LatePost》2026年6月報導。
微觀顯影：四個人的2025-2026
宏觀數據落到個體身上，是具體的生活選擇。《財新週刊》2026年6月的封面報導中，記錄了四個人的經歷。與第三部分我們將看到的「主動重塑者」不同，這四個故事都帶著某種被動承受的底色——部分原因在於，他們大多來自創意行業，而這個領域恰恰是AI擠壓最強烈的區域。
吳瓊在一家公司做AI數據分析師，工作是統計Token消耗、測算模型成本。公司項目不賺錢，老闆讓她搭建自動化系統，系統完成後，她的崗位被裁撤。她轉行進了傳統製造業，薪資降了約30%。身處AI行業內部，並沒有給她免疫力。
楊茹在一家音樂發行公司做宣傳。平台以「AI可以做」為由裁掉大量外包人員，但工作並未消失，轉嫁給了留下的正式員工。反饋週期從幾分鐘拉長到半天，客戶開始不滿。她夾在中間，很難解釋到底發生了什麼。
夏雪在一家真人短劇公司做營運。公司全面轉向AI短劇——沒有真人演員。北京營運團隊整體裁撤。不是她做得不好，是她所依附的業務前提被技術直接抹去了。
李夢做了近八年視覺設計師，哺乳期結束後被裁。重新找工作時發現，招聘要求變成了一個人同時掌握AI生圖、修圖、視覺設計、影片剪輯、社群媒體營運——過去一個團隊的活，現在要一個人全包。
這四個故事是「被替代者」的視角。在第三部分，我們將看到另外七個人——他們同樣身處被AI衝擊的崗位，但選擇了不同的應對路徑。這兩種樣本的差異，本身就是AI時代職業分化的註腳。
第一部分小結
到2026年，一個更精細的框架浮現：不是職業被替代，而是任務被重新分配；不是技術不行，是組織的消化速度和資本的投資偏好決定了落地的節奏；不是大家都危險，是從事結構化、可標準化任務的新手和初級員工承受了最大衝擊。
四組微觀故事表明，這些判斷落在個體身上，就是降薪轉行、再也打不開的招聘頁面、突然消失的崗位、一個人扛起一個團隊的日常。趨勢是理性的，代價是具體的。
這些事實基礎，將在第二部分被納入更長週期的理論框架中審視——技術革命總是消滅一些，創造更多。但創造的前提、條件和具體機制是什麼？
二、用規律預測未來：三個視角
為什麼需要理論
第一部分呈現了過去三年的數據、趨勢和個體經歷。資訊密集，但有一個風險：讀者容易被現象淹沒，把短期的波動當成長期的命運。
預測未來不是猜謎，是假設條件下的推演。以下三個理論視角——任務模型、技能偏向性技術變革、創造性破壞與補償機制——從微觀到宏觀，構成一個遞進的分析框架：先拆解AI到底替代了什麼，再解釋為什麼同一職業內部有人更安全、有人更危險，最後推演新崗位從哪裡來、經濟增量在哪兒。
三個視角的共同價值在於：幫你從「這週又有什麼新消息」的焦慮中抽身，看到更長的週期和更底層的規律。
任務模型：從「崗位會不會消失」到「哪個任務先被替代」
核心問題：預測AI對某個職業的影響，為什麼不能看職業名稱，而必須拆成任務？
理論來源與內容：任務模型源自勞動經濟學中Autor、Levy和Murnane在2003年提出的經典框架，後由Acemoglu和Restrepo等人持續擴展。其核心主張是：技術不是替代職業，而是替代任務。一個職業由若干任務組成，有些任務可被自動化，有些不能。勞動者在不同任務之間重新分配時間，而非整個職業被抹去。
Autor等人將任務分為五類：常規認知任務（如記帳、數據錄入）、常規體力任務（如流水線操作）、非常規分析任務（如程式設計、設計）、非常規互動任務（如談判、管理）和非常規體力任務（如護理、維修）。AI和此前的自動化技術主要衝擊前兩類。
Acemoglu和Restrepo進一步提出了「任務內容變化」的動態視角：技術不斷改變一個職業內部的任務組合。當某些任務被自動化後，剩餘任務的重要性上升，同時可能出現全新任務。
應用與預測：用任務模型評估財務分析崗時，不問「財務分析師會不會消失」，而看具體任務的自動化前景：憑證生成、對帳、標準報告生成等常規認知任務高度可自動化；異常交易調查、業務決策支持、稅務籌劃中的判斷任務保留在人類一側。
對研發崗同樣適用：生成樣板程式碼、寫單元測試等任務AI已覆蓋；系統架構設計、技術選型中的trade-off判斷、生產環境故障排查仍需人類。
用這一模型預測未來三年，可靠性較高。因為AI對常規認知任務的覆蓋已明確——寫程式碼、草擬合約、生成報表、篩選履歷——這些任務不是「將來可能被替代」，而是「已經在被替代的路上」。剩餘不可替代的，是高觸及度、非結構化、需跨域判斷的任務。
第一部分的數據在此獲得了理論解釋。Anthropic 2026年報告顯示的「理論覆蓋度與實際覆蓋度的差距」，本質上是任務層面的差距：不是整個法律職業被覆蓋80%，而是其中合約審查、法規檢索等具體任務被覆蓋。職業標籤是粗糙的，任務才是分析的正確粒度。
在後續的職業族群觀察中，我們會看到有研發從業者花了三個月把自己的工作拆解成若干Skill，逐一判斷哪些交給AI、哪些自己來——這正是任務模型從理論落到日常的縮影。
假設與邊界：理論假設技術能力可通過任務描述進行匹配，且勞動者可以重新組合不同職業中的任務。其邊界在於：不涵蓋因制度、工會、法規阻擋而延緩的替代；不包含尚未被創造的新任務；也沒有充分考慮同一任務在不同組織語境中的差異化執行方式。
技能偏向性技術變革：為什麼資深者更安全
核心問題：AI到底是縮小還是拉大了職場中的能力差距？為什麼1.5節中看到新人更難入門、資深者反而溢價更高？
理論來源與內容：技能偏向性技術變革理論由Acemoglu和Autor等人系統闡述。其核心洞察：新技術通常不是中性的，它會偏向某一類勞動者——通常是高技能勞動者——從而提高他們的生產力和工資，同時壓低低技能勞動者的需求和工資。這就是過去幾十年美國製造業「中間層空洞化」的底層機制。
但AI的特殊性在於：它可能同時衝擊部分高認知任務，形成「任務偏向性」而非純粹的技能偏向性。初級的程式設計、法律、設計任務雖然是高技能工作，但因為結構化和標準化程度高，反而比水管工或護工這類高觸及度的中等技能工作更容易被AI覆蓋。
應用與預測：這個理論的預測價值在於：未來的職業安全，不取決於你站在技能階梯的哪一級，而取決於你的任務組合中有多少「不可預測性」和「人際帶寬」的成分。一個經驗豐富的後端架構師，其價值不在於寫程式碼更快，而在於做出正確的技術取捨判斷、在處理線上故障時保持冷靜、在跨團隊協作中化解衝突——這些任務AI覆蓋不了。同樣，一個資深的HRBP，其價值不在於篩履歷和排面試，而在於處理複雜的員工關係、進行組織診斷、在灰色地帶做出判斷。
1.5節中富勒等人的研究——學習曲線陡峭職業中初級任務更易被自動化——正是技能偏向性技術變革在AI時代的具體表現。AI拉大了同一職業內部的代際差距：資深者的「判斷溢價」上升，新人的「執行價值」下降。未來三年，同一崗位名稱下，會用AI與不會用AI、能與Agent集群協作與不能的從業者之間，生產力差距將持續拉大。「超級明星效應」增強——最優秀的5%可能拿走不成比例的回報。
這個理論也解釋了組織層面的資源配置邏輯。企業理性地把更多算力資源投向高產出節點——2.4節中騰訊Token額度分配的差異，正是SBTC在組織內部的精確顯影。交易成本理論的核心洞察——企業邊界在收縮、Token本質是認知任務外包的費用——也在此找到位置：當外部協作成本低於內部協調成本，組織更傾向用靈活用工替代全職崗位。1.7節中李夢觀察到的「組織像搭樂高」，正是這種變化的個體感知。
假設與邊界：上述推論依賴一個重要前提：市場價格能有效反映技能的真實生產力。但現實中，SBTC理論預測的「超級明星效應」會受到組織內部薪酬頻寬、晉升節奏和績效評估週期的人為壓制。這導致兩種錯配——某些新出現的高價值技能（如智慧體編排、AI輸出驗證）尚未被薪酬體系正式定價，掌握這些技能的人可能被低估；某些即將被自動化但仍在習慣中保留的傳統技能（如純手動編碼速度、格式排版熟練度），可能因為慣性被高估一段時間。未來三年，個人收入與真實生產力之間的匹配度可能出現短暫紊亂。敏銳的組織會更早調整定價體系，遲鈍的組織會流失被低估的人才。
部分HR從業者已在實踐中觀察到，組織形態的調整速度遠落後於個體提效的速度——火花亂冒，但燒不成一片。這也印證了SBTC的邊界：個體層面的分化已經發生，但組織的薪酬和晉升制度還沒有追上。
創造性破壞與補償機制：新崗位從哪裡來
核心問題：如果AI消滅了大量任務，新任務從哪裡來？歷史上的技術革命是怎麼實現「消滅一批、創造更多」的？AI實現淨經濟增長需要什麼條件？
理論來源與內容：約瑟夫·熊彼特在1942年提出「創造性破壞」：資本主義的本質是不斷從內部革新經濟結構，新技術不斷摧毀舊產業，同時創造新產業。崗位不是靜態存量，而是技術結構的函數。馬車被汽車替代時，馬車夫的崗位消失了，但汽車司機、加油站工人、4S店技師等新崗位大量湧現——總數遠超消失的崗位，只是當事人很難在轉型當下看到全景。
Acemoglu和Restrepo的就業補償框架將這一直覺系統化。技術對就業產生兩種效應：替代效應直接減少某些勞動任務的需求；補償效應通過多條路徑反向創造新需求：
- 生產力效應：效率提升降低產品價格，擴大市場需求，增加總產出和勞動需求。紡織機械使布匹價格暴跌，反而創造了更多紡織工人崗位。
- 新任務創造：新技術創造新的高複雜度任務，例如AI時代產生的提示工程、模型精調、AI安全紅隊、智慧體編排等。
- 資本累積：技術帶來的利潤再投資，在產業鏈上下游產生新崗位。
- 深化間接效應：技術進步衍生新的互補行業。互聯網的底層是TCP/IP協議，但衍生了電商、線上廣告、雲端服務、內容平台等巨型產業。AI的底層是大模型和算力，Token管理和AI審計可能成為類似的衍生行業。
這個框架的關鍵邊界是：補償效應不是自動發生的。它取決於市場結構調整速度、勞動者技能轉化速度和制度（教育、社保、勞動力市場政策）的適配能力。如果替代快於補償，短期內出現技術性失業和結構性錯配。這正是2023-2026年我們看到的情況：大量新崗位仍在早期形成階段，需求規模尚無法抵消被替代的崗位。
歷史鏡鑑：理解AI對就業的影響，最好的參照系不是上一年的數據，而是此前技術革命的經驗。
兩次轉型的共同規律：消滅效應先顯性，創造效應後顯性。消滅發生在明確的已有任務上，容易被看見和報導。創造的新崗位在初期邊界模糊，未形成正式職業名稱，容易被忽視。「網站開發工程師」在1995年沒人聽說過，到2005年已成為龐大職業群體。「提示工程師」在2022年不存在，現在已是增長最快的自由職業類別之一。
S曲線的核心洞察——技術滲透有自己的節奏，理論暴露與實際替代之間的距離不是意外——也在此找到位置。當前AI正處於從「早期採用者」跨入「早期大眾」的階段，這意味著滲透速度將加快，但組織制度和個體技能的調整速度未必能同步跟上。
Token即「新電力」
1.6節展示了當前階段資本從人力向算力流動的證據。但長期來看，僅靠削減成本的自動化無法帶來宏觀經濟淨增長——歷史上每一次技術革命最終創造增量，都是因為催生了新的消費需求和新產業，而非僅僅「省錢」。
Token消耗的持續性正在創造「運轉崗位」。傳統軟體一次性交付，成本主要在研發。AI應用持續消耗推理算力，模型託管、推理服務、監控、成本最佳化等成為持續付費的營運環節。這種持續性消耗需要人力去管理、最佳化、審計，從而創造新的營運技術崗位——AI維運工程師、MLOps工程師、AI FinOps分析師。
這些崗位在2023年幾乎不存在，到2026年已成為技術招聘市場增長最快的類別之一。正如電力計量成為工業經濟的血液，Token正在成為認知經濟的計量單位。過去由人腦「免費」執行的認知工作，被顯性化為可計費、可最佳化的資源消耗。
AI實現淨經濟增長的三個條件
回顧工業革命和網路革命的歷史，AI要帶來淨經濟增長而非僅僅替代存量勞動，需要三個條件：
第一，Token成本持續下降到低於等效人類時間成本。當AI完成某項任務的Token費用低於雇人的等效時薪時，替代會發生；但只有當成本足夠低時，才會催生以前不存在的新服務。如同手機流量資費下降到一定程度，才出現了短視頻直播的全民消費。
第二，AI能力嵌入全新服務，創造增量需求。網路的成功不在於「更便宜地打廣告」，而在於創造了「搜尋」這種以前不可能存在的日常消費行為。AI需要做到類似的事：將專家級服務規模化，創造以前不存在的大眾消費。潛在領域包括——個性化教育輔導、實時多語言全球協作、自動化科學研究。
第三，社會制度和培訓體系幫助勞動者轉向「AI互補」領域。這是歷史經驗中最容易被忽視但最關鍵的一條。工業革命時期的英國經歷了近兩代人的劇烈陣痛，因為社會制度遠遠滯後於技術變革。網路革命時制度調整更快，但依然出現了「數位落差」和中年白領的結構性失業。AI革命面臨同樣的挑戰——1.7節中吳瓊降薪30%轉行、李夢一人扛起一個團隊，都是轉型陣痛的個體顯影。
當前階段判斷
截至2026年，第一個條件（Token成本下降）正在快速發生，模型推理成本在過去18個月下降了一個數量級以上。第二個條件（新服務創造增量需求）處於早期萌芽階段——程式碼生成、AI搜尋、AI短劇、AI教育等方向出現，但尚未形成足夠大的經濟增量來對沖替代效應。第三個條件（制度和培訓）整體滯後，教育體系仍以舊職業結構為藍本培養人才，社會保障制度仍以「穩定全職僱傭」為默認前提。
未來三年的核心變數是第二個條件——是否有足夠多的新服務和新需求被創造出來。如果創造加速超過替代速度，將重演網路轉型的淨增崗位效應；如果替代持續快於創造，結構性失業壓力將繼續上升。市場上已出現從AI搜尋入口切入的創業嘗試——不是做更便宜的投放工具，而是在一個全新的入口上搭建增長基礎設施。這正是「創造增量」的微小註腳。
理論與現實交匯：從「隨便用」到「省著用」
2026年中，全球科技巨頭不約而同調整了內部AI使用政策：從鼓勵多用、不限額度，轉向差異化分配、核算ROI。Meta向核心員工發出Token配額限制備忘錄，微軟停止部分員工的第三方AI工具授權，騰訊將全員統一額度改為按任務動態調配。調整背後是同一個現實：大量Token消耗屬於無效消耗，AI支出對利潤的貢獻遠低於預期。麥肯錫《2025年AI現狀》顯示，全球近2000家企業中僅39%表示AI對息稅前利潤有明確貢獻。
這一轉變對技術採納節奏的影響是雙重的。短期來看，預算約束會抑制部分「為用而用」的消耗，讓採納速度從狂熱回歸理性。但中長期來看，區分有效與無效消耗、按任務定價、資源向高產出傾斜，正是S曲線跨越鴻溝進入主流部署的必要條件——電力革命和網路革命都經歷過從「公共品」到「計量付費」的類似轉折。
對創造性破壞理論的預測而言，關鍵變數不是Token總量，而是有效Token的增速。如果成本約束倒逼出更高比例的「有效消耗」——即AI被嵌入全新服務、創造增量需求，而非僅替代存量勞動——那麼補償效應的節奏不會因預算收緊而放緩，反而可能因為資源聚焦而加速。反之，如果預算削減主要落在創新試錯上，組織退回「省錢替代」的舒適區，新任務的創造將滯後於舊任務的消滅，結構性失業壓力會持續上升。
未來三年的核心觀察點是：組織是否在削減無效消耗的同時，保留甚至增加了對「增量型AI應用」的投入。這是判斷AI經濟淨增長是否成立的前置指標。
AI正從「技術導入期」進入「制度消化期」。技術導入期（2023-2025）的特徵是：無限供給幻覺、全員試用、資源不核算。制度消化期（2026年起）的特徵是：預算約束回歸、按任務計價、區分有效與無效消耗、資源向高產出節點傾斜。
這不是開倒車。電力革命早期，工廠自建發電站、電力隨便用；後來電網形成、電價機制建立，工廠開始計算哪條產線值得配電機。互聯網早期，帶寬是公共品；後來流量費用核算到業務線。Token經濟的免費午餐結束，是AI成為真正基礎設施的必經儀式。
第二部分小結
三個理論視角從不同層次回應了同一個問題：如何理解這場變革的規律，而不被現象和情緒帶跑。
任務模型提供分析的粒度——從職業標籤下沉到具體任務，這是所有後續判斷的基礎。技能偏向性技術變革解釋職業內部的分化——資深者的判斷溢價上升，新人的執行價值下降，這不公平，但符合技術變革的歷史模式。創造性破壞與補償機制提供最長周期的框架——消滅與創造是同一過程的兩個側面，淨結果取決於創造速度和制度適配的節奏。
2.4節的行業案例分析，將三個理論放在2026年中全球科技巨頭同步調整這一真實事件上集中檢驗。它表明：AI的職業影響不是單向的技術決定論，而是技術能力、組織制度、成本結構和個體選擇共同作用的結果。AI正從「技術導入期」進入「制度消化期」——預算約束回歸、按任務計價、資源向高產出節點傾斜，這是AI成為真正基礎設施的必經階段。
在第三部分，這些理論將落到具體職業族群的實地觀察中。研發、產品、財務、HR、營銷、法務、銷售——每一族群的從業者正在經歷什麼？他們的故事如何印證或修正這些理論框架？
三、職業族群：過往3年的塑造
第二部分梳理了五個理論框架。框架提供座標系，但決定職業命運的，是每天醒來、打開工具、決定今天該做什麼的具體的人。
以下七組故事來自2026年3月至6月的訪談。受訪者分佈在研發、產品、財務、HR、營銷、法務和銷售領域，工齡三到十五年不等。與第一部分「被替代者」的視角不同，他們大多仍堅守在原領域。共同的問題是：當AI吞噬了越來越多基礎任務，一個從業者該把自己重新定位為什麼？
第一個故事，從受衝擊最深的研發崗開始。
研發：林舟，把自己當成Agent的人
林舟是2022年畢業的，學計算機，方向前端。那年前端還是互聯網的好崗位，她進了大廠。
2024年底，她感到了一次質變。
「Claude Opus 4.5版本之後，AI比實習生強了。」
她改變了自己的工作習慣。以往是自己寫程式碼，上線。現在是把自己當成Agent，前期花了三個月做了一件事——她自己管那叫「前期投入行為研究」。就是記錄自己的工作習慣，確定大模型能幹什麼、不能幹什麼，然後把每個能力寫成一個Skill。
「一開始就是做提示詞庫。每個Skill背後是你的判斷——這個任務要做到什麼程度算完成，邊界在哪裡，什麼時候該停。」
三個月後，Skill跑順了。原本一天的工作，兩小時做完。她就有了大把時間，可以研究別的崗位。說這句話的時候，她語氣很平常。
她還說，現在做工具，都是做給Agent的，不是做給人用的。
省出來的時間，她沒閒著。業餘運營一個博客，信息美學方向。她把自己寫文章的流程也拆了，提煉出12個Skill，每次生成文章就調用這12個Skill。
「主業和博主用的其實是同一套底層能力——審美、結構化、對工具的敏感度。」
提到網上經常說的「前端已死」，她說：「初中級不需要了。目前是Agent工程師，更關注工程能力。未來2-3年，Skill的harness達到一定程度，就會有指數增長，變成Loop工程。」
訪談最後，她認可：「項目管理能力是工程師最稀缺的能力，也最難被AI化。因為要協調不同利益、不同能力的人。」
上週她參加一個職業輔導活動，從上海飛過來，三小時，遇上大雨，晚了一小時。主理人問她為什麼這麼執著。她說：「我感覺這個活動能讓我清晰下一步要幹什麼，所以我要完成這個旅程。」
一句話總結
2022屆前端，四年間從「寫程式碼的人」變成「調度AI的人」——原本一天的工作兩小時做完，省下的時間用來學習全棧、做博主、觀察行業。她沒有被「前端已死」的敘事打倒，而是把自己活成了一個「AI時代的職場樣本」：用AI提效，用人設增值，用調度能力準備未來。
產品：周錚，從「幫公司投廣告」到「幫品牌被AI看見」
這位PM在互聯網大廠從事商業廣告工作三年，身處數字營銷的最前線。這段經歷讓他深度參與了企業「花錢買流量」的核心決策環節，積累了三個關鍵認知。
第一，平台規則在變。用戶的注意力正在從傳統搜索引擎向AI搜索入口遷移。Google AI Overviews月活超20億——「用戶開始習慣讓AI直接給答案，而不是自己點鏈接。以前那套SEO、SEM的打法，地基在鬆動。」
第二，客戶的焦慮在變。品牌方問他：AI搜索時代，我們怎麼被推薦？怎麼被提及？有沒有新的規則？傳統的增長路徑正在失效，新路徑還沒成型。
第三，供給側的空白。市場上大多數AI營銷工具停留在「幫寫內容」或「單點投放」，缺少從「AI平台如何推薦」出發的全局方案。
他選擇在工作第三年這個節點創業。邏輯不是「做膩了」，而是幾個很具體的判斷。
賽道窗口期明確。Gartner預測2026年全球AI支出達2.52萬億美元，增幅44%；麥肯錫數據顯示88%企業已常態化使用AI，23%已規模化部署AI Agent——「這不是未來趨勢，是正在進行的基礎設施重構。」
切入點足夠靠前。他不是做AI寫作工具或投放助手，而是從AI搜索入口切入：先幫企業理解AI平台如何推薦品牌，再決定策略、內容、投放和轉化。這一定位天然有從單點工具走向平台型產品的空間。
團隊互補。核心成員來自頭部互聯網與AI商業化一線，覆蓋產品、搜索、技術、商業化、運營增長和企業服務。創業不是一個人的衝動，是一群人識別到了同一個機會。
他做的是一套面向企業AI時代的Agent營銷產品矩陣。起點是AI搜索增長——幫品牌在AI搜索結果中被推薦、被提及。從那裡延展到策略生成、內容與信源分發、效果洞察、全域投放和轉化。本質上是從AI搜索入口出發，逐步覆蓋企業增長的完整鏈路。
他的商業化廣告背景，在AI創業中反而成了核心優勢。「離錢近、離客戶近」，知道企業真實的付費邏輯和流量痛點。這種視角在AI落地階段，比純技術視角更有競爭力。
「三年不是太短，是剛好。既有足夠的行業手感，又沒有被大廠的慣性固化。」
創業公司的形態本身也在被AI重塑。他們的目標不是成為營銷服務商，而是企業級增長基礎設施。更扁平、更少層級、更高密度協作——一個人在高速成長期可以承擔更大職責。
一句話總結
三年商業廣告PM，看到AI搜索重寫商業入口的機會，選擇用Agent營銷產品矩陣而非單點工具來押注——這不是逃離大廠，是識別到結構性變化後的主動選擇。
營銷與BD：陳念，站在「AI能寫文案、但搞不定客戶」的分水嶺上
陳念在一家多元業務公司待了四年，先做互聯網行業營銷，後轉去做晶片BD。眼下，她又要轉崗了。
她看到的第一個變化，是傳統營銷崗位正在被快速擠壓。品牌部的文案、營銷創意、規劃等工作，已大規模被AI接管。她舉了一組身邊的數字：某咖啡品牌部運營團隊從9人減至2人；新媒體運營等垂類崗位普遍縮編；傳統4A廣告公司的創意崗位需求銳減。營銷創意，這個曾經被認為需要人類靈感的領域，正在被AI瓦解。
但她同時清楚地看到了AI做不到什麼。客戶提案、下單、關係維護——這些需要面對面溝通、建立信任的工作，AI難以替代。B端複雜銷售，比如雲銷售，決策鏈條長、涉及多方利益博弈、需要深度理解客戶業務，AI很難真正介入。她舉了一個例子：某手機廠商母親節文案事件中，AI可以寫出情感充沛的文案，但無法主動識別輿論風險和社會情緒。「價值觀判斷和危機感知，目前仍是AI的盲區。」這意味著：即便文案由AI生成，最終簽發人仍然必須是人類，而且這個角色的價值反而上升了。
在她眼中，AI時代正在重新定義營銷和BD的價值分層。
執行層——文案產出、素材生成、基礎創意——在快速被AI接管。判斷層——風險把控、價值觀審核、策略取捨——正在升值，需要更高的行業理解力和風險意識。信任層——BD的核心競爭力從來不是「寫得好」，而是「聊得來、信得過」。AI越強大，人與人之間的信任反而越稀缺。
招聘端也在印證這個趨勢。從「招創意人」轉向「招會用AI的操盤手」。傳統行銷崗位縮編，但能用AI完成從策略到落地全鏈路的複合型人才需求上升。AI提效後，人的產出要求反而更高了——留下來的不是更會寫文案的人，而是更懂業務、更會判斷風險、更能搞定客戶的人。
四年裡，她經歷了營銷和BD兩種角色，在一家公司內完成了兩次轉身。業餘時間在讀MBA雙學位。「感覺越是這個時代，越需要一些能作為憑證的依傍。」
一句話總結
四年同一家公司，從營銷到BD，親歷傳統營銷崗被AI擠壓，也看清了AI的盲區——執行層在貶值，判斷層和信任層在升值。兩次轉崗，都在往AI做不到的那一側挪。
HRBP：何漫，在人心與利益之間走鋼絲
何漫做HRBP兩年多，入行時正趕上人員優化。
她經歷過太多裁員溝通。從最初的抗拒，到後來學會溫柔而堅定地幫員工接受現實。慢慢地，她意識到一個有些諷刺的事實：她在幫別人面對職業的終點，而自己所在的崗位，也正處於被AI重新定義的起點。
HRBP的工作正在被AI拆成兩半。
一半是可以交給機器的。計算年假、評獎評優、人力預算中繁瑣的LC釋放計算——把公式固化成Skill後，Agent幾分鐘就能給出結果，省下一兩個小時的手工勞動。員工績效申訴溝通後，她用智能會議紀要生成重點和爭議點，供後續參考。
另一半是機器碰不了的。員工衝突管理、優化溝通、管理者賦能——這些需要面對面交鋒、需要拿捏分寸、需要判斷什麼時候該硬什麼時候該軟的活，AI暫時替代不了，還得她親自上。
但她清楚，這種安全未必持久。公司內部的獎項開始出現「野生PM」「野生RD」之類的名目，鼓勵員工跨界工作。有的團隊連QA都不需要了，一個人用AI完成全流程，效果反而更好。這讓她產生一種複雜的感受：當組織開始主動模糊崗位邊界，你的不可替代在哪個環節還能站得住腳？
她還沒找到完整答案，但她看到了更宏觀的圖景。即便每個員工都在用AI提效，企業的整體效率和營收卻沒有顯著提升。原因在於，組織形態沒有跟上。單點爆發無法形成合力，重複工作依然多，熵增還在繼續。知識型工作的產出已經過剩——編碼、設計、文案，市場根本接不住這麼大的量，但量變還沒帶來質變。現在的狀態，她形容為「火花亂冒，但燒不成一片」。
這種觀察讓她重新定位了HRBP當下可以做什麼。推動管理者從「員工AI化」步入「組織AI化」，是她的新命題。不是讓每個人多用AI，而是讓整個工作流對AI友好、對Agent友好，讓工具真正嵌入流程而非漂浮在表面。
一句話總結
兩年多HRBP，見過裁員，也見過組織在AI面前的笨拙轉身。她慢慢體會到：AI能替代一切可標準化的事務，但替代不了在人心與利益之間走鋼絲的判斷力——只是，當組織本身仍在劇烈搖晃時，這根鋼絲正在變得越來越細。
銷售：老周，穩定系統裡的人，看著新世界的列車
老周今年三十八歲。從互聯網出來創過業，三年前加入現在這家公司，做政企銷售。
銷售方式和他二十年前入行時差別不大：靠一個個客戶去磕。公司連統一的客戶管理系統都沒有，填表用飛書、企業微信、騰訊文檔、金山文檔、OA加密表混著來。總部推過AI應用平台，響應的人寥寥無幾。
但有意思的是，他這兩年的業務卻和AI直接相關。前兩年賣的是部署大模型用的服務器和一體機，幫客戶把模型跑起來。今年轉型賣Token。客戶會來問、會探索，但真正落地的少。安全級別高的企業選擇私有化部署，數據不對外。剩下的客戶，買Token更像是「先佔個位置」，用起來的並不多。
國內Token銷售，同質化嚴重，主要拼價格。但他所在的公司因為內部利潤要求，折扣拼不過互聯網雲廠商。這事兒能否持續，還是一個問號。
AI改變了他的產品，卻沒怎麼改變他的工作方式。團隊沒有用AI做客戶開發，沒有用AI輔助銷售。主要是維護客戶為主，沒有什麼拓新，AI這種新的方式很難介入。公司和外界的落差巨大——外面AI一天一個樣，他所在的組織幾乎感受不到變化。
更直接的衝擊來自工資。公司沒有裁員，選擇了降薪。過去三年，收入像下了幾級台階。降薪帶來的不是精幹高效，而是普遍的倦怠——員工動力不足，公司改革更加遲緩。
即便如此，他還是自己主動去參加AI創新實驗工坊，因為工作接觸的內容與外界差異太大了。他想學習，想改變，萬一變化明天就真的來了呢。
一句話總結
三十八歲，賣過服務器也賣過Token。AI重塑了他的產品貨架，卻繞過了他的工作方式。降薪讓組織更加倦怠，而他在等待一個可能不會如期而至的轉機——舊系統的齒輪卡住了，新世界的列車正在加速離開。
財務：宋遙，不在數字裡，在業務前
宋遙是一家合資硬件企業的CFO。在這個位置上看AI，視角和一線員工完全不同——她看到的不是某個崗位被替代，而是整個財務職能的底層邏輯正在被重寫。
公司有兩套AI節奏，她夾在中間，成了最直接的觀察者。
外資方五六年前就開始做財務數據流整合。把非本土必需的財務數據處理、分析等工作上收，按地區集中，每個國家只保留最核心的CFO等崗位。大約兩年前，這些集中化的數據分析工作已經用AI替代了——報表、分析報告、預測全部自動化，人員大幅精簡。而且要求各部門CEO和業務負責人自己具備用AI獲取一線財務數據的能力。這套邏輯是：財務數據不應該被財務部門壟斷，讓每個業務負責人直接觸達。
中方這邊則是另一套節奏。公司也在用AI——處理減資這類複雜流程時，用大模型獲得行業最佳實踐方案，節省了成本和時間。CEO有技術信仰，鼓勵員工用大模型獲取行業示範，還搭建了Agent用於對比報價。但由於信息安全問題，在數據分析等核心環節對AI的應用非常謹慎，遠沒有達到外資方那種替代式的推進。員工主要把AI用在項目流程諮詢、稅務條款查詢等輔助層面——有用，但離「重構」還很遠。
AI對財務職業的衝擊，在她眼中分層清晰。初級的數據分析、數據處理崗位，未來大概率會被AI取代。法務、IT的初級崗也一樣——前端工程師如果不能成為全棧，就面臨轉型。但深層專業領域仍然需要人：稅務籌劃、業財結合、資金架構配置——這些需要專業判斷和信任的工作，AI替代不了。
她由此得出一個判斷：AI正在把財務人員往業務前端推。不能再只對著數字做賬，必須了解市場、理解業務、參與決策。
財務人正在變成兩種人：一種是標準化事務的執行者，正在被AI替換；另一種是能駕馭AI、理解業務、做出判斷的專業人士——後者才值得留下。
一句話總結
CFO視角，在中外兩套AI節奏之間看財務職能被重寫。初級崗正在被替代，但深層專業反而更值錢——AI生成的東西越多，能判斷對錯的人就越稀缺。財務人的未來，不在數字裡，在業務前。
法務：沈默，Token賬單與模糊思路
沈默在一家頭部茶飲品牌做法務。從2026年開始，AI進入她的日常工作，主要兩個場景：搜索案例和法條、審批合同。公司為總監級引進了付費AI工具，但實際用下來，問題不少。
免費模型的專業度不夠。國內幾款主流免費工具，在法律場景下AI幻覺明顯，常常給出錯誤答案，還會和用戶爭論一番才承認自己錯了。付費模型有所改善，但Token消耗不合理。她舉了個例子：詢問法律和稅務交叉的問題，背景和輸出文件的數據量都不大，七八輪問答下來消耗了1700個Credit，折算下來至少10美元。簡單任務一樣燒錢，計費邏輯不透明，讓她很難向團隊推廣。
但AI確實有用。框架合同擬定、日常合同審核、活動審核、案例評估、文書起草——這些標準化模塊，AI正在逐漸接手，而且可能比人工更細、更快、更準。案例搜索尤其好用，以前人工翻案例可能要半天，現在AI能快速找到近三年特定類型的判例。
對她個人而言，一個能用上AI的case可以節省50%的時間；從日常工作整體來看，能節省20%到30%。但對於團隊裡專門撰寫文書的夥伴，替代性更強——前提是這些人會用AI。而她發現很多同事不擅長使用AI，容易被誤導。她的建議是：應該先自己思考摸索，再借助AI，而不是直接把問題扔給機器。
AI也在重新劃分法務工作的邊界。糾紛解決、談判、矛盾管理——這些需要更多業務背景和談判技巧的工作，AI很難替代。而框架合同擬定、日常審核這類標準化事務，AI正一步步接手。她所在的公司法務團隊本來就不大，合同審核量也不大，目前受到影響較小。但她也觀察到，對於合同審核量大的公司，引入AI後精簡人員幾乎是必然的。
她所在的行業整體AI應用還不算多，本質上是服務業，產品研發、廣告設計等方面仍較多依賴人工。供應鏈方面的AI技術應用也不深入，主要還是依靠原有的數字化程序和電子提醒。
她有一個觀察：AI能替代專員或主管級別書寫文書的工作，但前提是必須明確思路。如果思路模糊，AI只會寫出一篇通稿，根本滿足不了業務需求。
一句話總結
法務，在付費模型的Token帳單和免費模型的幻覺之間反覆測試AI的邊界。標準化合約審核正在被替代，糾紛與談判仍需人的判斷——而AI能寫文書的前提是，你自己先想清楚。
回到引言提出的三個問題：這三年AI對職場產生了什麼影響？有哪些規律可以幫助我們理解未來？身處其中的人正在經歷什麼？
第一部分的回答是：影響真實存在，但粒度在任務而非崗位。程式編寫、寫作、法律文書、資料分析率先被穿透，實際落地集中於電腦、金融、管理和行政領域。理論覆蓋度與實際覆蓋度之間的鴻溝，提醒我們技術可行不等於組織可行。
第二部分的回答是：規律反覆應驗。技術滲透遵循S曲線，交易成本下降改變組織邊界，技能偏向性技術變革拉大內部差距，創造性破壞總是消滅一批、創造更多。當前正從技術導入期進入制度消化期——預算約束回歸、資源按任務計價、無效消耗被識別和剔除，這是技術成為基礎設施的必經階段。
第三部分的回答是：個體的應對方式正在分化。有人把自己當成Agent重新組裝能力，有人在舊系統裡等待轉機，有人往AI做不到的那一側挪移，有人在鋼絲上練習平衡。他們未必有共同答案，但有共同特徵：在困惑中持續行動，在被塑造的過程中試圖理解自己正在被塑造成什麼。
至此，一個基本判斷浮現：AI對職業的衝擊，不會有一個統一的終局。它在任務層面是明確的替代與增強，在組織層面是邊界收縮與形態重構，在社會層面是資本流向與制度適配的較量。三者節奏不同，步調不一，個體的安全感就來自對這種落差的清醒認知。
對個體而言，最重要的不是預測哪個崗位安全，而是建立一套可遷移的能力組合：拆解任務的能力、判斷AI輸出品質的能力、在模糊地帶做取捨的能力、協調不同利益與不同能力者的能力。這些能力的共同特徵，是AI暫時搆不到。
對組織而言，責任不在於更快地裁員和更快地採購AI，而在於識別無效消耗之前不先消耗信任，在調整崗位邊界之前不先模糊責任邊界。成本可以核算，Token帳單需要精打細算，但人的成長同樣需要階梯——當AI截斷了新人的練習場，組織是否願意用新的方式重建那條通往資深的路，是需要和成本問題同時擺在桌面上的事。
對社會而言，教育體系需要承認一個事實：以舊職業結構為藍本培養人才的模式正在失效。社會保障需要面對另一個事實：以穩定全職僱傭為默認前提的制度設計，正在被平台化、原子化的用工現實鬆動。技術可以等，被替代的人不能等太久。
從2023到2026，恐慌被資料校準，規律被案例驗證，勇氣在個體身上持續生長。在技術與社會變遷的洪流中，人既是渺小的，也是強大的——渺小在於無法阻擋潮水的方向，強大在於可以自我塑造。下個三年，塑造仍在繼續。
