2026-11-02 · 瀚钦（丹东）智能科技有限公司
结论先行：10 月 23 日，国务院办公厅公开《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，提出 18 项任务，明确要减缓 AI 应用的就业替代影响、建立就业风险评估机制、加强转岗培训并调整收入分配和社会保障制度。这份文件把一个争论已久的问题推到了台面上：AI 到底影响了多少人的工作？
公开裁员数据只回答了三分之一。要看清全貌，至少要看三本账——而其中最容易忽略的第三本，恰恰关系到年轻人的职业入口。
这份《意见》值得企业认真读，因为它不只是在谈“关心就业”，而是给了一套可被检查的机制。原文包含几个具体动作：
| 动作 | 企业侧含义 |
|---|---|
| 减缓 AI 应用的就业替代影响 | 替代不是不可以，但要有配套安排 |
| 建立就业风险评估机制 | 上系统前要先评“影响哪些岗位” |
| 鼓励探索失业缓冲期制度 | 从“减人”到“减人之前有个过渡” |
| 加强转岗培训 | 培训从福利变成流程的一环 |
| 开展 AI 就业影响专项调查 | 岗位创造与替代要被持续跟踪 |
| 纳入规模性失业风险防范机制 | 单家企业行为会进入宏观视野 |
换句话说，AI 的就业影响从“要不要讨论”阶段，进入了“要被持续测量和管理”阶段。政策的动作已经明确，接下来考验的是落实速度。
过去两年，AI 几乎成了科技公司裁员新闻里的高频词。但企业减少人工需求，并不一定要先发出裁员通知。
口径一：已经减少的岗位。
美国裁员咨询机构 Challenger, Gray & Christmas 的统计显示，2026 年前九个月，企业宣布的裁员计划中约 12 万人被归类为 AI 相关，占同期全部裁员公告的约 21%。需要说明的是，这是企业自己给出的裁员理由，不是独立审计确认的替代人数——经营不善、组织重组和技术升级往往同时发生。
口径二：被 AI 承担的等效工作量。
2024 年，瑞典金融科技公司 Klarna 公布：AI 客服助手上线一个月处理了 230 万次客户对话，相当于 700 名全职客服的工作量；平均问题处理时间从 11 分钟缩短到不到 2 分钟。到 2025 年其上市文件披露，截至当年 6 月的 12 个月里，AI 处理了 69% 的客服聊天，公司估算 2024 年节省约 3900 万美元成本。
注意这里的措辞：700 人不是裁员人数，是等效工作量。但 3900 万美元是实打实进了经营账本的钱。
同样的账，中国企业也在算。国际劳工组织 2026 年 9 月发布的中国企业研究访谈了 21 家企业、调查 1591 名从业者：其中一家保险公司在 300 名客服员工规模不变的情况下，借助 AI 把每日问题处理量从 6000 个提高到 15000 个；一家旅游服务企业估算，AI 承担的数据处理工作量相当于 5 至 6 名全职员工。
这些数字来自企业访谈，不能当作行业平均水平。但它们揭示了一个关键变化：工作量和员工数量正在脱钩。
保险公司没有裁掉那 300 人，却能处理过去 2.5 倍的问题。业务增长时，现有团队就能承接；业务稳定时，新增招聘的必要性就下降了——这正是口径三：被减少的新增招聘。
而这一项，最难统计，却直接影响年轻人。
2026 年 8 月，斯坦福大学数字经济实验室更新了一项就业研究。研究者利用美国薪资服务商 ADP 覆盖数百万劳动者的数据发现：在 AI 暴露程度较高的职业中，22 至 25 岁年轻劳动者的就业表现持续弱于对照群体，截至 2026 年 6 月，两组相对就业差距达到 19%。
这个 19% 不是“美国年轻人整体就业下降 19%”，也不是“AI 消灭了 19% 的岗位”。研究更重要的发现是：差距主要体现在招聘减少，而不是年轻员工被解雇的比例上升。
用一句更直白的话说：一些年轻人不是被 AI 裁掉的，是根本没进得去。
原因不难理解。过去，初级岗位不只是干活，还承担着培养功能——程序员从改简单代码、写测试开始；市场人员靠搜集资料、做初稿熟悉业务；咨询和研究岗位的新人，在整理数据、处理文档的过程中积累判断力。
而这些基础任务，恰好是生成式 AI 最擅长介入的部分。老员工让 AI 出初稿、自己检查修改，效率上去了，企业也开始重新评估“还要招几个新人”。
短期看是效率提升，长期看是一个悖论：企业仍然需要经验丰富的人，却在减少让新人获得经验的工作。
中国招聘市场也有对应信号。一项分析 2019 至 2024 年约 6700 万条中国招聘广告的研究发现：AI 替代型暴露较高的岗位，常规认知技能需求占比下降；AI 增强型暴露较高的岗位，非重复性分析技能需求上升。另一项覆盖超 1300 万条广告的研究发现，生成式 AI 普及后，AI 相关招聘参与度较高的上市企业，中等工资与教育要求岗位的招聘占比相对下降。
新的 AI 职业当然在出现——模型评估、AI 产品运营、自动化流程设计。但新旧岗位的技能要求不同，数量也不同，岗位消失与岗位创造不会同步发生。
企业获得了可以衡量的生产率收益，但省下的成本不会自动变成员工收入。它可以用于降价、研发扩张、提高报酬，也可以变成利润——不同的分配方式，带来完全不同的就业结果。
经济学里有个指标叫劳动收入份额，衡量劳动报酬占所创造增加值的比例。举个假设的例子：
| 项目 | 引入 AI 前 | 引入 AI 后 |
|---|---|---|
| 企业创造的增加值 | 1 亿元 | 1.5 亿元 |
| 支付的劳动报酬 | 5000 万元 | 6000 万元 |
| 劳动收入份额 | 50% | 40% |
劳动者拿到的钱增加了 20%，但他们在新增价值中占的比例下降了。如果企业同时减少基础岗位、提高高技能员工薪酬，平均工资甚至可能上涨——而失去岗位的人已经不在平均工资的统计里了。
关于 AI 与劳动收入份额，中国上市公司的实证研究目前结论不一：有的发现 AI 应用提升了份额，有的观察到份额下降、收益向高技能员工集中。样本、衡量方法、统计时期不同，还不足以得出“AI 必然降低劳动收入份额”的结论。
但这恰恰说明一件事：技术进步与劳动者收入增长之间，不存在自动生效的分配规则。谁获得新增价值，取决于市场竞争、经营方式、技能结构和分配制度。
2017 年，比尔·盖茨提出过“向机器人征税”的争议性建议；2026 年 8 月他又在个人网站重提，甚至提出研究对 AI tokens 征税。他担心的是：机器替代劳动者后，依赖工资形成的税收与社保缴费会受影响，而失业保障、职业培训的需求反而增加。
但这不是“AI 不交税”的问题——开发 AI、销售 AI 服务的企业照常纳税；企业支付的工资和社保通常也可税前扣除。真正的差异在于：劳动和资本适用不同的税收与缴费规则。比如财政部、税务总局 2023 年第 37 号公告规定，2024 至 2027 年企业新购进、单位价值不超过 500 万元的设备和器具，可一次性计入当期成本费用在税前扣除——这是一项普遍的设备投资政策，并非专门鼓励用机器替代人，但它确实参与了企业“用人还是买设备”的成本计算。
国际货币基金组织则不支持简单征收专门的 AI 税：工厂里的机械臂容易识别，可企业用 AI 审核合同、生成代码、处理财务报表，又该怎么计税？它更倾向于调整现有税制中可能鼓励劳动替代的政策，并加强职业培训与社会保障。
历史也给过参照。经济史里的“恩格斯停顿”，描述的是英国工业革命早期生产率增长与劳动者实际工资长期脱节的现象。2026 年 10 月 27 日，国家发改委网站刊发国家信息中心研究人员文章，讨论如何防范“恩格斯停顿”——生产力进步，并不保证普通劳动者同步受益。
回到企业的现实：企业可以在一个季度里完成 AI 系统部署、在下一轮预算里减少招聘计划；但一个劳动者从失去工作到掌握新技能、重新获得稳定收入，往往需要更长时间。这就是 AI 就业转型中最现实的时间差。
我们服务的是辽宁本地的制造、水产加工、食品与商贸企业，不是科技巨头。对这些企业来说，这份讨论的落点很具体：
第一，先把“省下来的时间”花在人身上。AI 省下的是重复劳动的时间。这笔时间可以变成“少招两个人”，也可以变成“让现有的人去做更有判断力的事”。前者的账当年就见效，后者的账要看三年。两种都是经营选择，但要清楚自己在选哪一个。
第二，把岗位重构，而不是简单减人。前台接待、单据录入、客服答疑这类岗位，与其整个撤掉，不如拆成“AI 做标准件 + 人处理例外”。Klarna 的经历就是个提醒——它后来重新强调了人工客服的重要性：AI 能处理大量标准化问题，但复杂投诉、特殊需求和客户体验仍然需要人。
第三，让知识库成为新人的加速器。年轻人最难的不是会不会用 AI，而是缺少业务经验、练不出判断力。把老师傅的经验沉淀成可查询、可溯源的答案，新人就不必靠“熬时间”来攒经验——过去要跟师傅半年的活，可能两个月就能独立处理。这既是效率，也是给年轻人留入口。我们的做法是把知识库装进企业自己的服务器：数据不出厂、断网能运行、答错有出处。
第四，培训与系统同步，别把顺序做反。系统上线只需要几周，人的习惯养成要几个月。要转岗的人、要上手的新人，都得在系统上线时同步安排训练。我们与持证培训机构合作开展 AI 应用人才培训，就是补这一段的——目标是企业自己的人会用、会改、能带别人。
AI 能省下多少人工，企业已经开始算清。省下人工之后，人该怎么办，这笔账才刚刚开始。
对企业来说，这不只是一道“要不要用 AI”的题，而是一道“用 AI 之后怎么安排人”的题。前者是技术选型，后者是经营选择——而后者，往往决定了三年后你还有没有一支能打仗的队伍。
如果正在评估“哪个环节该上 AI、上了之后人怎么安排”，欢迎约一次免费业务诊断，我们从具体场景出发给建议；也可以先看我们的私有化部署方案与人工智能应用人才培训。
注：本文数据与引语均出自公开报道及研究披露（国务院办公厅《意见》、Challenger 统计、Klarna 披露文件、国际劳工组织中国企业研究、斯坦福数字经济实验室研究、财政部税务总局 2023 年第 37 号公告等），仅作趋势说明，不代表对任何企业效果的可复刻承诺。
会改变岗位结构，但不必然减人。常见的变化是“重复性工作被压缩、判断性工作被放大”——单据录入、标准问答这类会减少，异常处理、客户维护、工艺改进这类会增加。关键是提前把岗位拆开看清楚：哪些是 AI 干标准件、哪些必须留人做例外。
靠缩短上手周期。新人上手慢，本质是经验没有沉淀下来——都装在老师傅脑子里。把工艺口径、常见问题、报价规则整理成可查询的知识库，新人能自己查、自己判断，上手周期能从几个月压到几周。这件事比争论“要不要招新人”更实际。
不一定。常见做法是“内部知识库 + 外部持证培训”组合：日常经验沉淀在企业自己的知识库里，系统性的技能认证交给持证培训机构。我们与持证培训机构合作开展培训，就是为了让企业不必自己在课程体系上从零投入。
